检验高维协方差矩阵及其在检测精神分裂症风险基因中的应用
统计方法学
2017-10-23 v4 应用统计
摘要
科学家通常比较病例与对照的基因表达水平，部分是为了确定与疾病相关的基因。类似地，检测基因共表达在病例-对照间的差异对于理解复杂人类疾病可能至关重要；然而统计方法一直受限于该问题的高维性质。本文中，我们构建了稀疏主导特征值驱动(sLED)检验用于比较两个高维协方差矩阵。通过聚焦差异矩阵的谱，sLED提供了一种新颖的视角，该视角容纳了我们假定为常见的情形，即基因表达数据中的稀疏且微弱的信号，并且它与稀疏主成分分析密切相关。我们证明在温和假设下sLED渐近地达到完全功效，且模拟研究证实其在许多生物学合理场景下优于其他现有方法。将sLED应用于从精神分裂症患者和对照的死后脑组织中获得的最大基因表达数据集，我们提供了一份与精神分裂症相关的基因新列表，并揭示了精神分裂症患者中基因共表达变化的有趣模式。我们还说明sLED可推广到比较其他具有实际意义的基因-基因“关系”矩阵，如加权邻接矩阵。
引用
@article{arxiv.1606.00252,
title = {Testing High Dimensional Covariance Matrices, with Application to Detecting Schizophrenia Risk Genes},
author = {Lingxue Zhu and Jing Lei and Bernie Devlin and Kathryn Roeder},
journal= {arXiv preprint arXiv:1606.00252},
year = {2017}
}
备注
25 pages, 5 figures, 3 tables