Multi-TGDR：一种用于微阵列实验多类分类的正则化方法
统计方法学
2014-03-05 v1
摘要
背景：随着微阵列技术日益成熟和普及，在生物统计学和生物信息学领域，选择并使用少量相关基因以实现对样本的准确分类是一个热点话题。然而，大多数已开发的算法缺乏处理多类问题的能力，而这无疑是一种常见的应用场景。在此，我们提出对一种现有的正则化算法——阈值梯度下降正则化（TGDR）进行扩展，以专门解决微阵列数据的多类分类问题。当有多个微阵列实验针对相同或相似的目标时，一种选择是使用 TGDR 的元分析版本（Meta-TGDR），它将分类任务视为具有相同结构/模型的分类器的组合，同时允许参数在不同研究间变化。然而，原始的 Meta-TGDR 扩展并未提供对独立样本进行预测的解决方案。在此，我们提出了一种明确的方法来估计由 Meta-TGDR 选出的生物标志物的整体系数。这一扩展允许更广泛的应用，并允许使用独立测试集比较 Meta-TGDR 和 TGDR 的预测性能。结果：通过实际应用，我们证明了所提出的 multi-TGDR 框架效果良好，且所选基因的数量少于所有单独二元 TGDR 的总和。此外，在经批次效应调整的合并数据上，Meta-TGDR 和 TGDR 提供了近似相同的结果。通过在每次应用中添加 Bagging 过程，保证了稳定性和良好的预测性能。结论：与 Meta-TGDR 相比，TGDR 计算耗时较少，且不需要每项研究中都包含所有类别的样本。在调整后的数据上，其预测性能与 Meta-TGDR 近似相同。因此，强烈推荐使用该方法。
引用
@article{arxiv.1307.5576,
title = {Multi-TGDR: a regularization method for multi-class classification in microarray experiments},
author = {Suyan Tian and Mayte Suárez-Fariñas},
journal= {arXiv preprint arXiv:1307.5576},
year = {2014}
}