面向多视图数据的鲁棒联合双聚类
统计方法学
2021-11-12 v1
摘要
在许多生物医学研究中，可获得数据的多个视图(如基因组学、蛋白质组学)，一个特别的兴趣可能是检测由特定变量组表征的样本子群。双聚类方法非常适合此问题，因为它们假设特定变量组可能仅与特定样本组相关。许多双聚类方法用于识别单个视图中的行-列簇，但用于多视图数据的方法很少。现有的少数算法严重依赖正则化参数来获取行-列簇，给用户带来不必要的负担，从而限制了其实际应用。我们将一种基于稀疏奇异值分解的现有单视图双聚类方法扩展到多视图数据。我们的方法，联合稀疏奇异值分解(iSSVD)，结合稳定性选择以控制第一类错误率，估计样本和变量属于双簇的概率，发现稳定双簇，并产生可解释的行-列关联。模拟与真实数据分析表明，iSSVD 优于其他几种单视图和多视图双聚类方法，并能检测有意义的双簇。iSSVD 是一种用户友好、计算高效的算法，将在许多疾病分型应用中发挥作用。
引用
@article{arxiv.2111.06209,
title = {Robust Integrative Biclustering for Multi-view Data},
author = {W. Zhang and C. Wendt and R. Bowler and C. P. Hersh and S. E. Safo},
journal= {arXiv preprint arXiv:2111.06209},
year = {2021}
}