sJIVE：有监督联合与个体变异解释
机器学习
2021-03-01 v1 机器学习
定量方法
统计方法学
摘要
分析多源数据（即同一对象的多视图数据）在分子生物医学研究中已愈发普遍。近期方法试图揭示各数据源内部及之间的潜在结构与关系，另一些方法则试图利用所有源为某结局构建预测模型。然而，现有同时实现这两者的方目前存在局限：要么（1）仅考虑所有数据集共享的数据结构而忽略各源特有的结构，要么（2）先提取潜在结构而未考虑结局。我们提出一种称为有监督联合与个体变异解释（sJIVE）的方法，可同时（1）识别共享（联合）与源特有（个体）的潜在结构，并（2）利用这些结构为结局构建线性预测模型。这两部分被加权以在多源数据变异与结局变异的解释之间折中。模拟表明，当多源数据中存在大量噪声时，sJIVE 优于现有方法。对 COPDGene 研究数据的应用揭示了可预测肺功能的基因表达与蛋白质组学模式。执行 sJIVE 的函数已包含在 R.JIVE 包中，可于 http://github.com/lockEF/r.jive 在线获取。
引用
@article{arxiv.2102.13278,
title = {sJIVE: Supervised Joint and Individual Variation Explained},
author = {Elise F. Palzer and Christine Wendt and Russell Bowler and Craig P. Hersh and Sandra E. Safo and Eric F. Lock},
journal= {arXiv preprint arXiv:2102.13278},
year = {2021}
}
备注
23 pages, 8 tables, 3 figures