通过比例风险非负矩阵分解的低秩重组揭示生存相关基因簇
定量方法
2020-09-18 v2 机器学习
基因组学
机器学习
摘要
精准健康的核心目标之一是理解与解释高维生物数据，以识别与疾病发生、发展和结局相关的基因与标志物。尽管已投入大量努力在纳入生存时间的时事件建模下利用基因表达数据进行多种分析，许多传统分析仍分别聚焦于基因表达数据矩阵的非负矩阵分解（NMF）与 Cox 比例风险模型的生存回归。本工作通过将生存约束施加于 NMF，将 Cox 比例风险回归与 NMF 相整合。这是通过联合优化 Frobenius 范数与诸如死亡或复发等事件的偏对数似然实现的。合成数据的仿真结果表明，相较于其他算法，所提方法在发现生存相关基因簇方面具有优越性。此外，利用人类癌症基因表达数据，所提技术可揭示关键的癌症基因簇。所发现的基因簇反映了丰富的生物学意义，并有助于识别生存相关生物标志物。面向精准健康与癌症治疗的目标，所提算法可借助对生存相关基因簇的准确识别，帮助理解与解释高维异质基因组学数据。
引用
@article{arxiv.2008.03776,
title = {Low-Rank Reorganization via Proportional Hazards Non-negative Matrix Factorization Unveils Survival Associated Gene Clusters},
author = {Zhi Huang and Paul Salama and Wei Shao and Jie Zhang and Kun Huang},
journal= {arXiv preprint arXiv:2008.03776},
year = {2020}
}