优化SuSiE模型
邹玉新
2023-02-17
在这个小插曲中,我们演示了一个帮助SuSiE脱身的程序局部最优。
我们使用英国生物银行50000个基因型模拟表型个人。有1001个SNP。它被模拟为正好有2个在234287处的非零效应。
图书馆(苏西埃)
图书馆(卷曲)
数据文件(_F)<- 临时文件(文件文本= “.RData”)
数据url<- 粘贴0("https://raw.githubusercontent.com/stephenslab/susieR/",
“主/inst/datafiles/FinemappingConvergence1k.RData”)
curl_download(卷曲_下载)(数据url,数据文件)
负载(数据文件)
b条<-精细映射收敛$真_系数
苏西埃广场(精细映射收敛$z、,年= “z”,b条=b)
最强的边缘关联是非效应SNP。
由于样本量很大,我们使用了足够的统计数据(\(X插入X,X插入y,y插入是\)和样本大小\(n\))至适合susie模型。它标识了2个可信集,其中一个为false积极的。这是因为可持续发展
被困在当地最小值。
已安装<- 具有(精细映射收敛,
susie_suff状态(XtX公司=XtX、,Xty公司=Xty、,伊提=yty、,n个=n) )
可持续发展(已安装,年=“PIP”,b条=b、,主要=粘贴0(“ELBO=”,圆(可持续发展目标(已安装),2)))
我们摆脱局部最优的优化过程是
适合苏茜模特,\(\)(假设有\(K\)CSs)。
对于CS in\(\),在CS中设置SNP要使之前的重量为0,适合susie型号–>我们有K个susie机型:\(t1,\cdots,t_K\).
对于每个\(k=1,\cdots,k\),为susie安装初始化\(_k\)(\(\阿尔法,\mu,\mu^2\)) –>\(_k\)
如果\(\max_k\text{elbo}(s_k)>\文本{elbo}\),套\(个)=s_{kmax}\)哪里\(kmax=\arg_k\max\文本{elbo}(s_k)\)并转至步骤2;如果没有,中断。
我们通过设置细化=真
.
适合的_精细<- 具有(精细映射收敛,
susie_suff状态(XtX公司=XtX、,第十次=Xty、,伊提=yty、,
n个=编号:,精炼=真的))
#警告:XtX不是对称的;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
#警告:XtX不对称;通过将XtX替换为(XtX+t(XtX))/2强制XtX对称
苏西埃广场(装配_精细,年=“PIP”,b条=b、,主要的=粘贴0(“ELBO=”,圆(susie获取对象(装配_精细),2)))
通过细化程序,它用真实信号识别2个CS,并且所实现的证据下限(ELBO)更高。