药物基因组学研究中的多元贝叶斯结构化变量选择
统计方法学
2024-03-14 v3
摘要
精准癌症医学旨在为每位患者确定最优治疗方案。体外癌细胞药物敏感性筛选结合癌细胞多组学表征已成为实现该目标的重要工具。分析此类药物基因组学研究需要灵活且高效的联合统计模型，以将药物敏感性与高维多组学数据相关联。我们提出了一种多元贝叶斯结构化变量选择模型，用于稀疏识别与多个相关药物反应相关的组学特征。由于许多抗癌药物针对特定分子靶点设计，我们的方法通过马尔可夫随机场（MRF）先验对稀疏似不相关回归中系数的潜在指示变量进行建模，从而利用响应与预测变量之间的已知结构，例如特定药物靶向的分子通路和相关组学特征。与其他常见先验相比，MRF先验中包含的结构信息可改善模型性能，即变量选择与响应预测。此外，我们在泛癌设定中采用随机效应来捕捉癌症类型间的异质性。所提出的方法通过模拟研究得到验证，并应用于癌症药物敏感性基因组学（Genomics of Drug Sensitivity in Cancer）数据，该数据包含大量异质细胞系的药理学谱与多组学表征。
引用
@article{arxiv.2101.05899,
title = {Multivariate Bayesian structured variable selection for pharmacogenomic studies},
author = {Zhi Zhao and Marco Banterle and Alex Lewin and Manuela Zucknick},
journal= {arXiv preprint arXiv:2101.05899},
year = {2024}
}