Integrative analysis of multiple cancer genomic datasets under the heterogeneity model.
Integrative analysis of multiple cancer genomic datasets under the heterogeneity model.
复制标题
DOI：
10.1002/sim.5780
复制
发表时间：
2013-09-10
影响因子：
2
通讯作者：
Ma, Shuangge
中科院分区：
文献类型：
--
作者：
Liu, Jin;Huang, Jian;Ma, Shuangge
在使用高维基因组测量的癌症研究分析中，综合分析提供了一种有效的方法来汇集多个异构数据集的信息。多个独立数据集的基因组基础可以使用同质性模型或异质性模型来描述，所述多个独立数据集可以由基因组标记的集合来表征。在同质性模型下，所有数据集共享与响应相关的同一组标记。相比之下，在异质性模型下，不同的研究具有重叠但可能不同的标记物组。异质性模型包含同质性模型作为特殊情况，并且可以更加灵活。异质性模型下的标记物选择要求进行双水平选择，以确定协变量是否与任何研究中的缓解相关，以及在哪些研究中与缓解相关。在这项研究中，我们考虑了两个最小最大凹罚（MCP）的惩罚方法的标记选择下的异质性模型。对于每种方法，我们描述了它的基本原理和一个有效的计算算法。我们进行模拟，调查他们的表现，并与现有的替代品进行比较。我们还将所提出的方法应用于多种癌症的基因表达数据分析。
In the analysis of cancer studies with high-dimensional genomic measurements, integrative analysis provides an effective way of pooling information across multiple heterogeneous datasets. The genomic basis of multiple independent datasets, which can be characterized by the sets of genomic markers, can be described using the homogeneity model or heterogeneity model. Under the homogeneity model, all datasets share the same set of markers associated with responses. In contrast, under the heterogeneity model, different studies have overlapping but possibly different sets of markers. The heterogeneity model contains the homogeneity model as a special case and can be much more flexible. Marker selection under the heterogeneity model calls for bi-level selection to determine whether a covariate is associated with response in any study at all as well as in which studies it is associated with responses. In this study, we consider two minimax concave penalty (MCP) based penalization approaches for marker selection under the heterogeneity model. For each approach, we describe its rationale and an effective computational algorithm. We conduct simulation to investigate their performance and compare with the existing alternatives. We also apply the proposed approaches to the analysis of gene expression data on multiple cancers.
登录
查看更多内容
影响因子：
4.5
作者：
Zhang, Cun-Hui
通讯作者：
Zhang, Cun-Hui
影响因子：
2.1
作者：
Huang, Yuan;Huang, Jian;Ma, Shuangge
通讯作者：
Ma, Shuangge
影响因子：
7.7
作者：
Blettner, M;Sauerbrei, W;Friedenreich, C
通讯作者：
Friedenreich, C
影响因子：
3.3
作者：
Chen, X;Cheung, ST;Brown, PO
通讯作者：
Brown, PO
影响因子：
4.5
作者：
Zhang, Cun-Hui;Huang, Jian
通讯作者：
Huang, Jian