组学应用中自适应加权 Fisher 荟萃分析方法的 P 值评估、变异性指标与生物标志物分类

荟萃分析方法已被广泛用于整合多项临床或基因组研究的结果，以提高统计功效并确保结论稳健准确。自适应加权 Fisher 方法（AW-Fisher）是一种有效整合 $K$ 项独立研究 P 值的方法，它通过表征哪些研究对荟萃分析有贡献来提供更好的生物学解释。目前，AW-Fisher 面临缺乏快速准确的 P 值计算以及 AW 权重变异性估计的问题。当研究数量 $K$ 较大时，$3^K - 1$ 种可能的差异表达模式类别可能变得难以处理。本文应用带有样条插值的重要性抽样技术来提高 P 值计算的速度和准确性。利用重抽样技术，我们提出了 AW 权重估计量的变异性指标和刻画基因间模式相似性的共成员矩阵。共成员矩阵进一步用于根据基因的荟萃模式对差异表达基因进行分类，以供后续生物学研究。模拟展示了所提方法的优越性能。这些方法也被应用于两个实际应用，展示了引人入胜的生物学发现。