蒂埃里·契库奥;弗朗西斯科·斯廷戈。;谢里克·穆罕默德;阿文德·拉奥;维拉巴德兰·巴拉丹达尤塔帕尼 用于分析放射学肿瘤比例及其基因组决定因素的具有组成反应的贝叶斯组选择。 （英语） Zbl 07789417号 附录申请。斯达。 17，第4号，3013-3034（2023）. 摘要：容积成像特征用于癌症研究，以确定肿瘤的大小和组成，并已被证明是对总体生存率的预测。本文重点分析了通过癌症基因组图谱（TCGA）项目收集的脑癌患者的肿瘤成分比例。我们的主要目标是确定能够解释脑肿瘤成分异质性的途径和相应基因。我们特别关注多形性胶质母细胞瘤（GBM），因为它是最常见的恶性脑肿瘤，占所有原发性脑肿瘤的23%，其预后仍然很差。我们提出了一个在相关多元成分响应变量背景下具有组结构的变量选择贝叶斯层次模型。更具体地说，我们通过允许在对数线性回归框架中直接合并可用的高维协变量信息，使用Dirichlet模型对肿瘤内肿瘤成分的比例进行建模。我们采用先验分布来解释协变量组之间的重叠结构。对GBM疾病的模拟和应用表明了我们的方法的重要性。我们已经确定了基于肿瘤成分体积的特征与几个重要的途径和基因之间的关联。其中一些基因以前被证明是GBM总生存时间的预后指标。 理学硕士： 62件 统计学的应用 关键词：贝叶斯层次模型;Dirichlet回归;胶质母细胞瘤;分组选择;重叠 软件：斯帕列夫布;MBSGS公司;SGL公司;MSigDB公司;生物导体;KEGG公司;DirichletReg公司;格普拉索;KEGG图 PDF格式BibTeX公司 XML格式引用 \textit{T.Chekouo}等人，Ann.Appl。Stat.17，No.4，3013--3034（2023；Zbl 07789417） 全文： 内政部 参考文献： [1] 艾奇森J.（1982）。成分数据的统计分析。J.罗伊。统计人员。Soc.序列号。乙44 139-177。数学科学网：MR0676206·Zbl 0491.62017号 [2] 艾奇森（1986）。成分数据的统计分析。统计学和应用概率专著。CRC出版社，伦敦。数字对象标识符：10.1007/978-94-009-4109-0谷歌学者：查找链接数学科学网：MR0865647·Zbl 0688.62004号 ·doi:10.1007/978-94-009-4109-0 [3] BARCELÖ，C.、PAWLOWSKY，V.和GRUNSKY，E.（1996年）。成分数据转换和离群值识别的一些方面。数学。地质。28 501-518. [4] BARRETT，T.、WILHITE，S.E.、LEDOUX，P.、EVANGELISTA，C.、KIM，I.F.、TOMASHEVSKY，M.、MARSHALL，K.A.、PHILLIPPY，K.H.、SHERMAN，P.M.等人（2012年）。NCBI GEO：功能基因组学数据集更新档案。《核酸研究》41 D991-D995。 [5] CAMARGO，A.P.、STERN，J.M.和LAURETTO，M.S.（2012年）。Dirichlet回归中的估计和模型选择。AIP确认程序。1443 206-213. [6] CARLIN，B.和CHIB，S.（1995年）。基于马尔可夫链蒙特卡罗方法的贝叶斯模型选择。J.罗伊。统计人员。Soc.序列号。乙57 473-484·Zbl 0827.62027号 [7] CASELLA，G.（2001）。经验贝叶斯-吉布斯抽样。生物统计学2 485-500. 数字对象标识符：10.1093/biostatistics/2.4.485谷歌学者：查找链接·Zbl 1097.62505号 ·doi:10.1093/biostatistics/2.4.485 [8] Ceccarelli，M.、Barthel，F.P.、Malta，T.M.、Sabedot，T.S.、Salama，S.R.、Murray，B.A.、Morozova，O.、Newton，Y.、Radenbaugh，A.等人（2016年）。分子剖析揭示了弥漫性胶质瘤中生物学上离散的亚群和进展途径。单元格164 550-563. [9] CHEKOUO，T.、MOHAMMED，S.和RAO，A.（2020年）。低级别胶质瘤纹理分析中灰度共生矩阵的贝叶斯2D函数线性模型。NeuroImage临床。28 102437. 数字对象标识符：10.1016/j.nicl.2020.102437谷歌学者：查找链接·doi:10.1016/j.nicl.2020.102437 [10] CHEKOUO，T.和SAFO，S.E.（2023年）。贝叶斯综合分析和预测在动脉粥样硬化性心血管疾病中的应用。生物统计学24 124-139. 数字对象标识符：10.1093/biostatistics/kxab016谷歌学者：查找链接数学科学网：MR4522707·doi:10.1093/biostatistics/kxab016 [11] CHEKOUO，T.、STINGO，F.C.、DOECKE，J.D.和DO，K.-A.（2015）。miRNA-靶基因调控网络：一种用于肾癌生物标记物选择的贝叶斯综合方法。生物计量学71 428-438. 数字对象标识符：10.1111/biom.12266谷歌学者：查找链接数学科学网：MR3366247·兹比尔139062241 ·doi:10.1111/biom.12266 [12] CHEKOUO，T.、STINGO，F.C.、GUINDANI，M.和DO，K.-A（2016）。成像遗传学的贝叶斯预测模型及其在精神分裂症中的应用。附录申请。《美国联邦法律大全》第10卷第1547-1571页。数字对象标识符：10.1214/16-AOAS948谷歌学者：查找链接数学科学网：MR3553235·兹比尔1391.62205 ·doi:10.1214/16-AOAS948 [13] CHEKOUO，T.、STINGO，F.C.、DOECKE，J.D.和DO，K.-A.（2017年）。多平台基因组数据的贝叶斯综合方法：肾癌病例研究。生物计量学73 615-624. 数字对象标识符：10.1111/biom.12587谷歌学者：查找链接数学科学网：MR3665977·Zbl 1372.62061号 ·doi:10.1111/biom.12587 [14] CHEKOUO，T.、STINGO，F.C.、MOHAMMED，S.、RAO，A.和BALADANDAYUTHAPANI，V.（2023年）。补充“用于分析放射肿瘤比例及其基因组决定因素的贝叶斯组选择与组成反应”https://doi.org/10.1214/23-AOAS1749SUPP网站 [15] CHEN，J.和LI，H.（2013）。稀疏Dirichlet多项式回归的变量选择及其在微生物组数据分析中的应用。附录申请。统计数字7 418-442。数字对象标识符：10.1214/12-AOAS592谷歌学者：查找链接数学科学网：MR3086425·Zbl 1454.62317号 ·doi:10.1214/12-AOAS592 [16] CHEN，R.-B.，CHU，C.-H.，YUAN，S.和WU，Y.N.（2016）。贝叶斯稀疏群选择。J.计算。图表。统计人员。25 665-683. 数字对象标识符：10.1080/10618600.2015.041636谷歌学者：查找链接数学科学网：MR3533632·doi:10.1080/10618600.2015.041636 [17] COLEN，R.R.、WANG，J.、SINGH，S.K.、GUTMAN，D.A.和ZINN，P.O.（2015）。胶质母细胞瘤：成像基因组图谱揭示了细胞死亡的性别特异性致癌相关性。放射科275 215-227. [18] CRESPO，S.、KIND，M.和ARCARO，A.（2016）。PI3K/AKT/mTOR通路在脑肿瘤转移中的作用。《癌症转移治疗杂志》。2 80-89. [19] DIEHN，M.、NARDINI，C.、WANG，D.S.、MCGOVERN，S.、JAYARAMAN，M.，LIANG，Y.、ALDAPE，K.、CHA，S.和KUO，M.（2008）。识别脑肿瘤基因表达模块的非侵入性成像替代物。程序。国家。阿卡德。科学。美国105 5213-5218。 [20] 丁庚、周磊、沈涛和曹磊（2018）。IFN-γ通过抑制胰腺癌细胞中miR-212-3p诱导RFXAP上调：IFN-γ应答的一种新机制。昂科尔。莱特。15 3760-3765. [21] GROSSMANN，P.、GUTMAN，D.A.、DUNN，W.D.、HOLDER，C.A.和AERTS，H.J.W.L.（2016）。成像基因组学揭示了胶质母细胞瘤MRI衍生体积肿瘤表型特征的驱动途径。BMC癌症16 611。 [22] GUTMAN，D.A.、DUNN，W.D.、GROSSMANN，P.、COOPER，L.A.D.、HOLDER，C.A.、LIGON，K.L.、ALEXANDER，B.M.和AERTS，H.J.W.L.（2015）。胶质母细胞瘤中与MRI衍生体积特征相关的体细胞突变。神经组阅片室57 1227-1237. [23] HARALICK，R.M.、SHANMUGAM，K.和DINSTEIN，I.（1973年）。图像分类的纹理特征。IEEE传输。系统。人类网络。SMC-3 610-621。 [24] HIJAZI，R.H.和JERNIGAN，R.W.（2009年）。使用Dirichlet回归模型建模成分数据。J.应用。普罗巴伯。统计数据4 77-91。数学科学网：MR2668780·Zbl 1166.62053号 [25] HUANG，J.、BREHENY，P.和MA，S.（2012年）。高维模型中群体选择的选择性综述。统计人员。科学。27 481-499. 数字对象标识符：10.1214/12-STS392谷歌学者：查找链接数学科学网：MR3025130·Zbl 1331.62347号 ·doi:10.1214/12-STS392 [26] HUANG，C.，CHEN，D.，ZHU，H.，LV，S.，LI，Q.和LI，G.（2019年）。LITAF通过FoxO1途径增强人脑胶质瘤细胞的放射敏感性。细胞。摩尔神经生物学。39 871-882. 数字对象标识符：10.1007/s10571-019-00686-4谷歌学者：查找链接·文件编号：10.1007/s10571-019-00686-4 [27] ILIADIS，G.，KOTOULA，V.，CHATZISOTIRIOU，A.，TELEVANTOU，D.，ELEFTHERAKI，A.G.，LAMBAKI，S.，MISAILIDOU，D..，SELVIARIDIS，P.和FOUNTZILAS，G.（2012）。胶质母细胞瘤患者的体积和MGMT参数：生存分析。BMC癌症12 3-3。 [28] IRSA（2017）。国际放射外科协会。可在http://www.irsa.org/gliblastoma.html。访问时间：2017-11-20。 [29] JAIN，R.，POISSON，L.M.，GUTMAN，D.，SCARPACE，L.，HWANG，S.N.，HOLDER，C.A.，WINTERMARK，M.，RAO，A.，COLEN，R.R.等人（2014）。利用成像、临床和基因组生物标记物预测胶质母细胞瘤患者的预后：关注肿瘤的非增强成分。放射科272 484-493. [30] Kanehisa，M.和Goto，S.（2000年）。KEGG：京都基因和基因组百科全书。核酸研究28 27-30。数字对象标识符：10.1093/nar/28.1.27谷歌学者：查找链接·doi:10.1093/nar/28.1.27 [31] KIM，H.、HUANG，W.、JIANG，X.、PENNICOOKE，B.、PARK，P.J.和JOHNSON，M.D.（2010）。整合基因组分析揭示了癌基因/癌基因簇调节胶质母细胞瘤生存率。程序。国家。阿卡德。科学。美国107 2183-2188。 [32] KOTROTSOU，A.，ZINN，P.O.和COLEN，R.R.（2016）。脑肿瘤放射学：表征肿瘤环境的新兴技术。Magn.公司。Reson公司。影像临床。北美24号，邮编：719-729。数字对象标识符：10.1016/j.mric.2016.06.006谷歌学者：查找链接·doi:10.1016/j.mric.2016.06.006 [33] LACROIX，M.、ABI-SAID，D.、FOURNEY，D.R.、GOKASLAN，Z.L.、SHI，W.、DEMONTE，F.、LANG，F.，MCCUTCHEON，I.E.、HASSENBUSCH，S.J.等人（2001年）。416例多形性胶质母细胞瘤患者的多因素分析：预后、切除范围和生存率。《神经外科杂志》，95 190-198年。 [34] LAI，W.-T.和CHEN，R.-B.（2021年）。线性回归模型的贝叶斯群选择方法综述。威利跨学科。版本：计算。Stat.13论文编号e1513，22。数字对象标识符：10.1002/wics.1513谷歌学者：查找链接数学科学网：MR4272068·doi:10.1002/wics.1513 [35] LI，W.和CHEKOUO，T.（2022）。非局部先验贝叶斯群选择。计算。统计人员。37 287-302. 数字对象标识符：10.1007/s00180-021-01115-1谷歌学者：查找链接数学科学网：MR4390014·Zbl 1505.62253号 ·doi:10.1007/s00180-021-01115-1 [36] Li，Y.、Nan，B.和Zhu，J.（2015）。具有任意群结构的多元多元线性回归的多元稀疏群套索。生物计量学71 354-363. 数学科学网：MR3366240·Zbl 1390.62285号 [37] LI，Y.、NAN，B.和ZHU，J.（2016）。MSGLasso：具有任意群结构的多元多元线性回归的多元稀疏群套索。R包版本2.1。 [38] LIBERZON，A.、SUBRAMANIAN，A.、PINCHBACK，R.、THORVALDSDÒTTIR，H.、TAMAYO，P.和MESIROV，J.P.（2011）。分子签名数据库（MSigDB）3.0。生物信息。27 1739-1740. [39] LIBERZON，A.、BIRGER，C.、THORVALDSD O.TTIR，H.、GHANDI，M.、MESIROV，J.P.和TAMAYO，P.（2015）。分子特征数据库（MSigDB）标志着基因集收集。细胞系统。1 417-425。数字对象标识符：10.1016/j.cels.2015.12.004谷歌学者：查找链接·doi:10.1016/j.cels.2015.12.004 [40] LIQUET，B.和SUTTON，M.（2016）。MBSGS：具有尖峰和板的多变量贝叶斯稀疏群选择。R软件包版本1.0.0。 [41] LIQUET，B.、DE MICHEAUX，P.L.、HEJBLUM，B.P.和THI E.BAUT，R.（2016）。群和稀疏群偏最小二乘方法在基因组学背景下的应用。生物信息学32 35-42. 数字对象标识符：10.1093/bioinformatics/btv535谷歌学者：查找链接·doi:10.1093/bioinformatics/btv535 [42] LIQUET，B.、MENGERSEN，K.、PETTITT，A.N.和SUTTON，M.（2017年）。群体数据多元反应的贝叶斯变量选择回归。贝叶斯分析。12 1039-1067. 数字对象标识符：10.1214/17-BA1081谷歌学者：查找链接数学科学网：MR3724978·Zbl 1384.62259号 ·doi:10.1214/17-BA1081 [43] 刘J.、JIS.和YE，J.（2009）。通过有效的L2，1-范数最小化实现多任务特征学习。第二十五届人工智能不确定性会议论文集。UAI公司09 339-348. 弗吉尼亚州阿灵顿AUAI出版社。 [44] 刘浩、帕拉图奇、M.和张杰（2009）。多任务套索的分块协调下降过程，应用于神经语义基发现。在宾夕法尼亚州匹兹堡举行的机器学习国际会议上。 [45] MAIER，M.J.（2014）。DirichletReg:R.研究报告系列/统计与数学系第125号统计与数学（WU Vienna Univ.Economics and Business，Vienna）中成分数据的Dirichlet回归。可在http://epub.wu.ac.at/4077/。 [46] MAIER，M.J.（2015）。DirichletReg:R.R包版本0.6-3中的Dirichlet回归。 [47] 毛，H.、勒布伦，D.G.、杨杰、朱伟峰和李明（2012）。多形性胶质母细胞瘤中放松调控的信号通路：分子机制和治疗靶点。癌症研究。30 48-56. [48] MEIER，L.（2015）。grplasso：用组套索惩罚拟合用户指定的模型。R包版本0.4-5。 [49] MEIER，L.、VAN DE GEER，S.和BüHLMANN，P.（2008）。用于逻辑回归的Lasso组。J.R.统计社会服务。B.统计方法。70 53-71. 数字对象标识符：10.1111/j.1467-9868.2007.00627.x谷歌学者：查找链接数学科学网：MR2412631·Zbl 1400.62276号 ·文件编号：10.1111/j.1467-9868.2007.00627.x [50] MEIER，R.、KNECHT，U.、LOOSLI，T.、BAUER，S.、SLOTBOOM，J.、WIEST，R.和REYES，M.（2016）。脑肿瘤纵向体积测量全自动分割方法的临床评价。科学。代表6 23376。 [51] MOHAMMED，S.、BHARATH，K.、KURTEK，S.，RAO，A.和BALADANDAYUTHAPANI，V.（2021年）。放射头：放射基因组分析通过密度在成像中纳入肿瘤异质性。附录申请。《美国联邦法律大全》第15卷第1808-1830页。数字对象标识符：10.1214/21-aoas1458谷歌学者：查找链接数学科学网：MR4355077·Zbl 1498.62245号 ·doi:10.1214/21-aoas1458 [52] Mosimann，J.E.（1962年）。关于复合多项式分布、多元β分布以及比例之间的相关性。生物特征49 65-82. 数字对象标识符：10.1093/biomet/49.1-2.65谷歌学者：查找链接MathSciNet:MR0143299·Zbl 0105.12502号 ·doi:10.1093/biomet/49.1-2.65 [53] NAEINI，K.M.，POPE，W.B.，CLOUGHESY，T.F.，HARRIS，R.J.，LAI，A.，ESKIN，A.，CHOWDHURY，R.，PHILLIPS，H.S.，NGHIEMPHU，P.L.等人（2013年）。利用解剖磁共振图像的定量容积分析确定胶质母细胞瘤的间充质分子亚型。神经控制。15 626-634. [54] NARANG，S.、LEHRER，M.、YANG，D.、LEE，J.和RAO，A.（2016）。胶质母细胞瘤放射学：现状、挑战和潜在机遇。Transl.公司。癌症研究5。 [55] NARANG，S.、KIM，D.、AITHALA，S.，HEIMBERGER，A.B.、AHMED，S.和RAO，D.、RAO，G.和RAO，A.（2017年）。肿瘤图像衍生纹理特征与胶质母细胞瘤中CD3 T细胞浸润状态相关。Oncotarget公司8 101244-101254. 数字对象标识符：10.18632/onctarget.20643谷歌学者：查找链接·doi:10.18632/目标20643 [56] ORMEROD，J.T.、YOU，C.和MüLLER，S.（2017年）。变量选择的变分贝叶斯方法。电子。《美国联邦法律大全》第11卷第3549-3594页。数字对象标识符：10.1214/17-EJS1332谷歌学者：查找链接数学科学网：MR3709863·Zbl 1384.62240号 ·doi:10.1214/17-EJS1332 [57] PARK，T.和CASELLA，G.（2008）。贝叶斯套索。《美国统计杂志》。协会103 681-686。数字对象标识符：10.1198/016214500000037谷歌学者：查找链接数学科学网：MR2524001·Zbl 1330.62292号 ·doi:10.1198/016214500000037 [58] PAWLOWSKY-GLAHN，V.、EGOZCUE，J.J.和TOLOSANA-DELGADO，R.（2015）。成分数据建模与分析。实践中的统计。奇切斯特·威利。数学科学网：MR3328965 [59] POPE，W.B.、SAYRE，J.、PERLINA，A.、VILLABLANCA，J.P.、MISCHEL，P.S.和CLOUGHESY，T.F.（2005）。MR成像与高级别胶质瘤患者的生存率相关。AJNR Am.J.神经放射。26 2466-2474. [60] RAHMIM，A.、SCHMIDTLEIN，C.R.、JACKSON，A.J.、SHEIKHBAHAEI，S.、MARCUS，C.V.、ASHRAFINIA，S.，SOLTANI，M.和SUBRAMANIAM，R.M.（2016）。一种新的PET中同质和异质肿瘤量化指标，用于增强临床预后预测。物理学。医学生物学。61 227-42. [61] RAMAN，S.、FUCHS，T.J.、WILD，P.J.、DAHL，E.和ROTH，V.（2009年）。用于分析列联表的贝叶斯群套索。第26届机器学习国际年会论文集。ICML'09 881-888. ACM，纽约州纽约市。数字对象标识符：10.1145/1553374.1553487谷歌学者：查找链接·数字对象标识代码：10.1145/1553374.1553487 [62] RAY，K.和SZAB O.，B.（2022年）。稀疏先验高维线性回归的变分贝叶斯方法。《美国统计杂志》。协会117 1270-1281。数字对象标识符：10.1080/01621459.20200.1847121谷歌学者：查找链接数学科学网：MR4480711·Zbl 1506.62341号 ·doi:10.1080/01621459.2020.1847121 [63] RAYENS，W.S.和SRINIVASAN，C.（1991）。成分数据分析中的估算。《化学杂志》。5 361-374. [64] ROCKOVA，V.和LESAFFRE，E.（2014）。结合贝叶斯变量选择中的分组信息和基因组学中的应用。贝叶斯分析。9 221-258. 数字对象标识符：10.1214/13-BA846谷歌学者：查找链接数学科学网：MR3188306·Zbl 1327.62156号 ·doi:10.1214/13-BA846 [65] RONALD，W.和YAIR，G.（2018年（2020年8月访问））。弥漫性星形细胞瘤。可在http://mayfieldclinic.com/pe-braintumber.htm。 [66] SANCHEZ-VEGA，F.、MINA，M.、ARMENIA，J.、CHATILA，W.K.、LUNA，A.、LA，K.C.、DIMITRIADOY，S.、LIU，D.L.、KANTHETI，H.S.等人（2018）。癌症基因组图谱中的致癌信号通路。单元格173 321-337e10。 [67] Scott，J.G.和Berger，J.O.（2010年）。变量选择问题中的贝叶斯和经验贝叶斯多重性调整。Ann.Statist公司。38 2587-2619. 数字对象标识符：10.1214/10-AOS792谷歌学者：查找链接数学科学网：MR2722450·Zbl 1200.62020年 ·doi:10.1214/10-AOS792 [68] Simon，N.、Friedman，J.、Hastie，T.和Tibshirani，R.（2013年a）。稀疏的套索。J.计算。图表。统计人员。22 231-245. 数字对象标识符：10.1080/10618600.2012.681250谷歌学者：查找链接MathSciNet:MR3173712·doi:10.1080/10618600.2012.681250 [69] Simon，N.、Friedman，J.、Hastie，T.和Tibshirani，R.（2013b）。SGL：结合套索和群套索正则化拟合GLM（或cox模型）。R软件包版本1.1。 [70] STINGO，F.C.、CHEN，Y.A.、TADESSE，M.G.和VANNUCCI，M.（2011）。将生物信息纳入线性模型：选择路径和基因的贝叶斯方法。附录申请。Stat.5 1978-2002年。数字对象标识符：10.1214/11-AOAS463谷歌学者：查找链接数学科学网：MR2884929·Zbl 1228.62150号 ·doi:10.1214/11-AOAS463 [71] SUBRAHMANYA，N.和SHIN，Y.C.（2013）。一种用于组特征选择的变分贝叶斯框架。国际J·马赫。学习。赛博。4 609-619. [72] Subramanian，A.、Tamayo，P.、Mootha，V.K.、Mukherjee，S.、Ebert，B.L.、Gillette，M.A.、Paulovich，A.、Pomeroy，S.L.、Golub，T.R.等人（2005年）。基因集富集分析：解释全基因组表达谱的基于知识的方法。程序。国家。阿卡德。科学。美国102 15545-15550。数字对象标识符：10.1073/pnas.0506580102谷歌学者：查找链接·doi:10.1073/pnas.0506580102 [73] THIBAULT，G.、FERTIL，B.、NAVARRO，C.、PEREIRA，S.、CAU，P.、LEVY，N.、SEQUEIRA，J.和MARI，J.-L.（2013年）。形状和纹理指数在细胞核分类中的应用。国际J模式识别。Artif公司。智力。27 1357002, 23. 数字对象标识符：10.1142/S0218001413570024谷歌学者：查找链接数学科学网：MR3046234·doi:10.1142/S0218001413570024 [74] Tibshirani，R.（1996）。通过套索回归收缩和选择。J.罗伊。统计人员。Soc.序列号。乙58 267-288。数学科学网：MR1379242·Zbl 0850.62538号 [75] VAN DYK，D.A.和PARK，T.（2008）。部分坍塌吉布斯采样器：理论和方法。《美国统计杂志》。协会103 790-796。数字对象标识符：10.1198/0162145000000409谷歌学者：查找链接数学科学网：MR2524010·Zbl 1471.62198号 ·doi:10.1198/0162145000000409 [76] VERHAAK，R.G.W.，HOADLEY，K.A.，PURDOM，E.，WANG，V.，QI，Y.，WILKERSON，M.D.，MILLER，C.R.，DING，L.，GOLUB，T.等人（2010年）。综合基因组分析确定以PDGFRA、IDH1、EGFR和NF1异常为特征的胶质母细胞瘤临床相关亚型。癌细胞17 98-110。数字对象标识符：10.1016/j.cr.2009.12.020谷歌学者：查找链接·doi:10.1016/j.ccr.2009.12.020 [77] WADSWORTH，W.D.、ARGIENTO，R.、GUNDANI，M.、GALLOWAY-PENA，J.、SHELBURNE，S.A.和VANNUCCI，M.（2017）。用于分析微生物组数据中分类丰度的综合贝叶斯-狄里克勒多项式回归模型。BMC生物信息。18 94. 数字对象标识符：10.1186/s12859-017-1516-0谷歌学者：查找链接·doi:10.1186/s12859-017-1516-0 [78] WANG，S.、NAN，B.、ZHOU，N.和ZHU，J.（2009）。带有分组变量的分层惩罚Cox回归。生物特征96 307-322. 数字对象标识符：10.1093/biomet/asp016谷歌学者：查找链接数学科学网：MR2507145·Zbl 1163.62089号 ·doi:10.1093/biomet/asp016 [79] WEN，X.（2014）。复杂线性系统中的贝叶斯模型选择，如遗传关联研究所示。生物计量学70 73-83. 数字对象标识符：10.1111/biom.12112谷歌学者：查找链接数学科学网：MR3251668·Zbl 1419.62474号 ·doi:10.1111/biom.12112 [80] Xu，X.和Ghosh，M.（2015）。群套索的贝叶斯变量选择和估计。贝叶斯分析。10 909-936. 数字对象标识符：10.1214/14-BA929谷歌学者：查找链接数学科学网：MR3432244·Zbl 1334.62132号 ·doi:10.1214/14-BA929 [81] YAMASHITA，D.、KONDO，T.、OHUE，S.、TAKASHI，H.、ISHIKAWA，M.、MATOBA，R.、SUEHIRO，S.，KOHNO，S.和HARADA，H.等人（2015）。miR340通过靶向组织纤溶酶原激活剂抑制胶质瘤诱导细胞的干细胞功能。癌症研究75 1123-1133。 [82] Yang，X.和Narisetty，N.N.（2020）。使用贝叶斯高维模型进行一致的组选择。贝叶斯分析。15 909-935. 数字对象标识符：10.1214/19-BA1178谷歌学者：查找链接数学科学网：MR4132654·兹比尔1459.62029 ·doi:10.1214/19-BA1178 [83] YAVORSKI，J.M.和BLANCK，G.（2017年）。MHC II类相关胃癌突变与随后肿瘤发展不足相关。摩尔临床。昂科尔。7 1119-1121. 数字对象标识符：10.3892/mco.2017.1432谷歌学者：查找链接·doi:10.3892/mco.2017.1432 [84] YIP，S.S.F.和AERTS，H.J.W.L.（2016）。放射组学的应用和局限性。物理学。医学生物学。61兰特。 [85] Yuan，M.和Lin，Y.（2006）。分组变量回归中的模型选择和估计。J.R.统计社会服务。B.统计方法。68 49-67. 数字对象标识符：10.1111/j.1467-9868.2005302.x谷歌学者：查找链接数学科学网：MR2212574·Zbl 1141.62030号 ·doi:10.1111/j.1467-9868.2005302.x [86] ZENG，Y.和BREHENY，P.（2016）。重叠组logistic回归及其在遗传途径选择中的应用。癌症信息。15 179-187. 数字对象标识符：10.4137/CIN。S40043谷歌学者：查找链接·doi:10.4137/CIN。S40043系列 [87] ZHAI，L.、SPRANGER，S.、BINDER，D.C.、GRITSINA，G.、LAUING，K.L.、GILES，F.J.和WAINWRIGHT，D.A.（2015）。分子途径：靶向IDO1和其他色氨酸双加氧酶用于癌症免疫治疗。临床。癌症研究21 5427-5433。数字对象标识符：10.1158/1078-0432.CCR-15-0420谷歌学者：查找链接·doi:10.1158/1078-0432.CCR-15-0420 [88] ZHANG，J.D.和WIEMANN，S.（2009）。KEGGgraph：R和生物导体中KEGG PATHWAY的图形方法。生物信息学25 1470-1471. [89] ZHANG，L.、BALADANDAYUTHAPANI，V.、MALLICK，B.K.、MANYAM，G.C.、THOMPSON，P.A.、BONDY，M.L.和DO，K.-A.（2014a）。贝叶斯层次结构变量选择方法及其在乳腺癌分子反转探针研究中的应用。J.R.统计社会服务。C.申请。《法律总汇》第63卷第595-620页。数字对象标识符：10.1111/rssc.12053谷歌学者：查找链接数学科学网：MR3258055·doi:10.1111/rssc.12053 [90] 张，L.、莫里斯，J.S.、张，J.、奥洛夫斯基，R.Z.和巴拉丹达尤萨帕尼，V.（2014b）。基因和途径的贝叶斯联合选择：在多发性骨髓瘤基因组学中的应用。癌症信息。13 113-123. [91] ZHU，L.、HUO，Z.、MA，T.、OESTERREICH，S.和TSENG，G.C.（2019年）。贝叶斯指标变量选择，用于在多组学应用中结合层次重叠组结构。附录申请。统计13 2611-2636。数字对象标识符：10.1214/19-aoas1271谷歌学者：查找链接数学科学网：MR4037443·Zbl 1437.62284号 ·doi:10.1214/19-aoas1271 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。