结构化输入输出Lasso及其在eQTL映射中的应用与一种用于快速估计的阈值算法
机器学习
2012-05-10 v1 基因组学
定量方法
应用统计
摘要
我们考虑在高维多任务回归模型的学习问题，该问题受到由输入协变量和输出预测变量上的分组结构引起的稀疏性约束。该问题主要受表达数量性状位点（eQTL）映射的驱动，其目标是发现基因组（输入）中影响多个共表达基因（输出）表达水平的遗传变异，无论是上位性、多效性还是两者兼有。采用基于回归系数矩阵上复杂l1/l2范数惩罚的结构化输入输出Lasso（SIOL）模型，以实现复杂稀疏输入/输出关系的发现；并开发了一种高效的新优化算法，称为分层组阈值（HiGT），以解决由此产生的不可微、不可分离且超高维的优化问题。我们在模拟和酵母eQTL数据集上表明，我们的模型能够显著更好地恢复输入和输出之间的结构化稀疏关系，并且我们的算法在同一模型下显著优于其他优化技术。此外，我们提出了一种新方法，通过利用生物实验中可用的先验知识，高效且有效地检测输入交互作用。
引用
@article{arxiv.1205.1989,
title = {Structured Input-Output Lasso, with Application to eQTL Mapping, and a Thresholding Algorithm for Fast Estimation},
author = {Seunghak Lee and Eric P. Xing},
journal= {arXiv preprint arXiv:1205.1989},
year = {2012}
}