建模研究间异质性以提升基因标签选择与临床预测的可复现性
统计方法学
2019-03-27 v2 应用统计
摘要
在基因组时代，识别与疾病相关的基因标签具有重要意义。此类标签常被用于预测新患者的临床结局并辅助临床决策。然而，近期研究表明基因标签往往不可复现。这一现象对标签的泛化性和临床适用性具有实际影响。为提升可复现性，我们引入了一种新方法，从多个数据集中选择效应一致非零并考虑研究间异质性的基因标签。我们基于一些秩量构建模型，以便整合不同的基因组数据集。采用高维惩罚广义线性混合模型（pGLMM）选择基因标签并处理数据异质性。我们将该方法与一些忽略研究间异质性选择基因标签的常用策略进行比较。我们提供了渐近结果以证明方法的性能，并通过全面的模拟研究展示了其在存在异质性时的优势。最后，我们通过一项对四项基因表达研究中的胰腺癌患者进行亚型分型的案例研究来阐明方法的动机。
引用
@article{arxiv.1708.05508,
title = {Modeling Between-Study Heterogeneity for Improved Reproducibility in Gene Signature Selection and Clinical Prediction},
author = {Naim U. Rashid and Quefeng Li and Jen Jen Yeh and Joseph G. Ibrahim},
journal= {arXiv preprint arXiv:1708.05508},
year = {2019}
}