.png){kind=icon}
返回
Statistical knockoffs improve biomarker discovery from transcriptomic data
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbag148.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
测序技术的进步产生了大量数据，为识别生物单元（如基因）与表型性状（如疾病结局）之间的关系提供了新的可能性。然而，由于数据的高维性（ p≫n）和相关结构，使用变量选择方法识别这些关联仍然具有挑战性。为应对这些挑战，我们研究了敲 knockoff（KO）程序的应用性。由Barber和Candès于2015年引入的KO变量选择程序已在真实生物数据（如全基因组关联研究）中显示出有前景的结果。该方法通过克服变量间的相关结构并控制错误发现率，旨在识别真正重要的预测因子。在此，我们研究了KO程序在转录组数据分类设置中的应用性。我们使用真实转录组数据进行了广泛的模拟研究，以评估高维分类背景下KO框架的性能。我们发现KO框架优于广泛使用的变量选择模型，并且使用KO聚合来缓解KO随机性的影响可以提高稳定性，同时保持相同的效能。最后，应用于三个真实转录组数据集时，KO框架仅做出少量发现，突显了其保守性质，并表明其他方法可能显著高估相关特征的数量。
Keyword:
knockoff procedure
variable selection
transcriptomic data
false discovery rate
biomarker discovery
期刊
IF:
7.7
论文数:
5.8K
被引数:
2.7W
机构
引用论文
Smoking-associated gene expression alterations in nasal epithelium reveal immune impairment linked to lung cancer risk.png)
GENOME MEDICINE
OAAI
GENOME MEDICINEIF11.2
OAAI分享收藏分享收藏The healthy ageing gene expression signature for Alzheimer's disease diagnosis: a random sampling perspectiveGENOME BIOLOGYOAAI
GENOME BIOLOGYIF9.4
OAAI分享收藏
查看更多内容