利用协变量潜变量模型对患者轨迹进行分层
机器学习
2017-01-11 v2 基因组学
定量方法
摘要
标准模型基于特征明确的临床标志物将疾病进展归入离散类别或阶段。然而，这种系统可能与我们对潜在生物学的理解相悖，因为在高度复杂的系统中，疾病从发生到终末状态可能支持（近）连续的演变。为了学习这种连续的疾病评分，可以从动态“组学”数据（如 RNA-seq）中推断与感兴趣结果（如生存时间）相关的潜变量。然而，此类分析可能会受到电子健康记录（EHRs）中测量的额外数据（如临床协变量）的干扰。作为解决方案，我们引入了协变量潜变量模型，这是一种新型潜变量模型，能够在同一数据源的两个（不对称）视图存在的情况下学习低维数据表示。我们将该模型应用于 TCGA 结直肠癌 RNA-seq 数据，展示了将微卫星不稳定性（MSI）状态作为外部协变量纳入后，如何识别出在免疫反应轨迹上对患者进行分层的基因。最后，我们提出了一种扩展模型，称为协变量高斯过程潜变量模型，用于学习非参数非线性表示。一个实现协变量潜变量模型变分推断的 R 包可在 http://github.com/kieranrcampbell/clvm 获取。
引用
@article{arxiv.1610.08735,
title = {Stratification of patient trajectories using covariate latent variable models},
author = {Kieran R. Campbell and Christopher Yau},
journal= {arXiv preprint arXiv:1610.08735},
year = {2017}
}