Gaussian graphical models with applications to omics analyses.
Gaussian graphical models with applications to omics analyses.
复制标题
DOI：
10.1002/sim.9546
复制
发表时间：
2022-11-10
影响因子：
2
通讯作者：
Balasubramanian, Raji
中科院分区：
文献类型：
--
作者：
Shutta, Katherine H.;De Vito, Roberta;Scholtens, Denise M.;Balasubramanian, Raji
高斯图模型（GGM）为多变量数据中的条件依赖建模提供了一个框架。在本教程中，我们提供了GGM理论的概述和R中各种GGM工具的演示。GGM的数学基础介绍的目的是使研究人员通过解释模型结果得出实际的结论。背景文献，强调最近开发的方法，如基因组学，蛋白质组学，代谢组学的高维应用。这些方法的应用说明使用公开的数据集的基因表达谱从578名参与者卵巢癌的癌症基因组图谱。演示的独立代码可以在https://github.com/katehoffshutta/ggmTutorial上以RMarkdown文件的形式获得。
Gaussian graphical models (GGMs) provide a framework for modeling conditional dependencies in multivariate data. In this tutorial, we provide an overview of GGM theory and a demonstration of various GGM tools in R. The mathematical foundations of GGMs are introduced with the goal of enabling the researcher to draw practical conclusions by interpreting model results. Background literature is presented, emphasizing methods recently developed for high-dimensional applications such as genomics, proteomics, or metabolomics. The application of these methods is illustrated using a publicly available dataset of gene expression profiles from 578 participants with ovarian cancer in The Cancer Genome Atlas. Stand-alone code for the demonstration is available as an RMarkdown file at https://github.com/katehoffshutta/ggmTutorial.
登录
查看更多内容
影响因子：
1.8
作者：
Dobra, Adrian;Lenkoski, Alex
通讯作者：
Lenkoski, Alex
影响因子：
1
作者：
Brandes, U
通讯作者：
Brandes, U
影响因子：
1.8
作者：
Fan, Jianqing;Feng, Yang;Wu, Yichao
通讯作者：
Wu, Yichao
影响因子：
3
作者：
Gill NP;Balasubramanian R;Bain JR;Muehlbauer MJ;Lowe WL Jr;Scholtens DM
通讯作者：
Scholtens DM
影响因子：
5.4
作者：
Epskamp S;Borsboom D;Fried EI
通讯作者：
Fried EI