面向连接组学的多尺度图主成分分析
统计方法学
2020-10-07 v1 应用统计
摘要
在脑连接组学中，皮质表面在进行统计分析前被划分为不同的感兴趣区域（ROIs）。每个人的脑连接组可表示为一个图，节点对应 ROIs，边对应 ROIs 之间的连接。此类图可概括为邻接矩阵，每个单元包含一对 ROIs 之间连接的强度。这些矩阵是对称的，对角线元素对应通常排除的自连接。这种连接组表示的一个主要缺点是对所选 ROIs（关键包括 ROIs 数量从而图的尺度）的敏感性。随着尺度变细并使用更多 ROIs，图变得越来越稀疏。显然，下游统计分析的结果可能高度依赖于所选分割方案。为解决此问题，我们提出了一种多尺度图分解，通过一组共同的个体特定得分将尺度特定的分解联系起来。这些得分结合了跨测量尺度的信息，概括个体的脑结构。我们获得了一种简单高效的实现算法，并在模拟和 Human Connectome Project 数据集分析中展示了相较单尺度方法的显著优势。
引用
@article{arxiv.2010.02332,
title = {Multi-scale graph principal component analysis for connectomics},
author = {Steven Winter and Zhengwu Zhang and David Dunson},
journal= {arXiv preprint arXiv:2010.02332},
year = {2020}
}