Meta-matching as a simple framework to translate phenotypic predictive models from big to small data.
Meta-matching as a simple framework to translate phenotypic predictive models from big to small data.
复制标题
元匹配是一个简单的框架，将表型预测模型从大数据转化为小数据。
DOI：
10.1038/s41593-022-01059-9
复制
发表时间：
2022-06
影响因子：
25
通讯作者：
Yeo, B. T. Thomas
中科院分区：
文献类型：
--
作者：
He, Tong;An, Lijun;Chen, Pansheng;Chen, Jianzhong;Feng, Jiashi;Bzdok, Danilo;Holmes, Avram J.;Eickhoff, Simon B.;Yeo, B. T. Thomas
我们提出了一个简单的框架-元匹配-将大规模数据集的预测模型转换为小规模研究中新的看不见的非脑成像表型。关键的考虑因素是，来自精品研究的独特表型可能与一些大规模数据集中的相关表型相关（但不相同）。元匹配利用这些相关性来提高精品研究中的预测。我们应用元匹配来预测静息状态功能连接的非脑成像表型。使用UK Biobank（N= 36，848）和HCP（N= 1，019）数据集，我们证明了元匹配可以在许多情况下大大提高小型独立数据集中新表型的预测。例如，将英国生物样本库模型转换为100名HCP参与者，在35种表型中，方差提高了8倍，平均绝对增益为4.0%（最小值=-0.2%，最大值=16.0%）。随着越来越多的大规模数据集收集越来越多样化的表型，我们的结果代表了元匹配潜力的下限。
We propose a simple framework – meta-matching – to translate predictive models from large-scale datasets to new unseen non-brain-imaging phenotypes in small-scale studies. The key consideration is that a unique phenotype from a boutique study likely correlates with (but is not the same as) related phenotypes in some large-scale dataset. Meta-matching exploits these correlations to boost prediction in the boutique study. We apply meta-matching to predict non-brain-imaging phenotypes from resting-state functional connectivity. Using the UK Biobank (N=36,848) and HCP (N=1,019) datasets, we demonstrate that meta-matching can greatly boost the prediction of new phenotypes in small independent datasets in many scenarios. For example, translating a UK Biobank model to 100 HCP participants yields an 8-fold improvement in variance explained with an average absolute gain of 4.0% (min=−0.2%, max=16.0%) across 35 phenotypes. With a growing number of large-scale datasets collecting increasingly diverse phenotypes, our results represent a lower bound on the potential of meta-matching.
登录
查看更多内容
神经影像学中脑部疾病的单受试者预测：前景和陷阱
影响因子：
5.7
作者：
Arbabshirani MR;Plis S;Sui J;Calhoun VD
通讯作者：
Calhoun VD
影响因子：
4.8
作者：
Dutt RK;Hannon K;Easley TO;Griffis JC;Zhang W;Bijsterbosch JD
通讯作者：
Bijsterbosch JD
影响因子：
5.7
作者：
Chu, Carlton;Hsu, Ai-Ling;Lin, ChingPo
通讯作者：
Lin, ChingPo
DOI：
10.1073/pnas.2001517117
发表时间：
2020-06-02
影响因子：
11.1
作者：
Alnaes, Dag;Kaufmann, Tobias;Westlye, Lars T.
通讯作者：
Westlye, Lars T.
影响因子：
7.7
作者：
Elliott, Paul;Peakman, Tim C.
通讯作者：
Peakman, Tim C.