杨爱军;李云仙;唐念生;林金冠 用于分类高维数据的多项式概率模型中的贝叶斯变量选择。 （英文） Zbl 1317.65049号 计算。斯达。 30，第2期，399-418（2015）. 摘要：在微阵列数据分析中，选择少量相关基因进行分类受到了广泛关注。虽然只有两个类别的微阵列数据方法的开发是相关的，但开发更有效的算法来进行任何类别的分类是重要的。本文提出了一种用于多类分类的贝叶斯随机搜索变量选择方法，该方法可以通过联合评估基因集来识别相关基因。我们考虑了回归系数具有广义（g）-先验的多项式probit模型。利用基于模拟的MCMC方法开发了一种有效的算法，用于从后验分布模拟参数。该算法对初值的选择具有鲁棒性，并产生相关基因的后验概率用于生物解释。我们用两个著名的基因表达谱数据证明了该方法的性能：白血病数据、淋巴瘤数据、SRBCT数据和NCI60数据。与其他分类方法相比，我们的方法选择的相关基因数量较少，并且基于获得的结果获得具有竞争力的分类精度。 引用于1文件 MSC公司： 62-08 统计问题的计算方法 2015年1月62日 贝叶斯推断 62J05型 线性回归；混合模型 62H30型 分类和区分；聚类分析（统计方面） 62页第10页 统计学在生物学和医学科学中的应用；元分析 关键词：贝叶斯随机搜索变量选择;广义\（g\）-先验;多类别分类 软件：插补;关于;促进;GeneSrF公司;风险评估 PDF格式BibTeX公司 XML格式引用 \textit｛A.Yang｝等人，计算机。Stat.30，No.2，399--418（2015；Zbl 1317.65049） 全文： 内政部 参考文献： [1] Albert J，Chib S（1993）二元和多分类响应数据的贝叶斯分析。美国统计协会杂志88:669-679·Zbl 0774.62031号 ·doi:10.1080/01621459.1993.10476321 [2] Alizadeh AA、Eisen MB、Davis RE、Ma C、Lossos IS、Rosenwald A、Boldrick JC、Sabet H、Tran T、Yu X、Powell JI、Yang L、Marti GE、Moore T、Hudson J、Lu L、Lewis DB、Tibshirani R、Sherlock G、Chan WC、Greiner TC、Weisenburger DD、Armitage JO、Warnke R、Staudt LM等人（2000年）通过基因表达谱鉴定的不同类型的弥漫性大B细胞淋巴瘤。自然403:503-511·doi:10.1038/35000501 [3] Ambroise C，McLachlan GJ（2002），基于微阵列基因表达数据的基因提取中的选择偏差。美国国家科学院院刊99:6562-6566·Zbl 1034.92013年 ·doi:10.1073/pnas.102102699 [4] Antonov AV，Tetko IV，Mader MT，Budczies J，Mewes HW（2004）癌症分类优化模型：从微阵列表达数据中提取基因交互信息。生物信息学20:644-652·doi:10.1093/bioinformatics/btg462 [5] Ben-Dor A、Bruhn L、Friedman N、Nachman I、Schummer M、Yakhini Z（2000）《基因表达谱的组织分类》。计算机生物学杂志7:559-583·doi:10.1089/106652700750050943 [6] Brown PJ（1993）测量、回归和校准。牛津克拉伦登·Zbl 0829.62064号 [7] Brown PJ，Vannucci M，Fearn T（1998）多元贝叶斯变量选择和预测。J R Stat Soc B杂志60:627-641·Zbl 0909.62022号 ·doi:10.1111/1467-9868.00144 [8] Chu W，Ghahramani Z，Falciani F，Wild DL（2005）利用高斯过程在微阵列基因表达数据中发现生物标记。生物信息学21:3385-3393·doi:10.1093/bioinformatics/bti526 [9] Dawid AP（1981）一些矩阵变量分布理论：符号考虑和贝叶斯应用。生物特征68:265-274·Zbl 0464.62039号 ·doi:10.1093/biomet/68.1.265 [10] Dettling M（2004）BagBoosting利用基因表达数据进行肿瘤分类。生物信息学20:3583-3593·doi:10.1093/bioinformatics/bth447 [11] Dettling M，Bühlmann P（2003）利用基因表达数据促进肿瘤分类。生物信息学19:1061-1069·doi:10.1093/bioinformatics/btf867 [12] Draminski M等人（2008）监督分类的蒙特卡罗特征选择。生物信息学24:10-117·doi:10.1093/bioinformatics/btm486 [13] Díza-Uriarte，Andés（2006）使用随机森林对微阵列数据进行基因选择和分类。BMC生物信息学7:3·doi:10.1186/1471-2105-7-3 [14] Dudoit Y，Yang H，Callow M，Speed T（2002）《利用基因表达数据进行肿瘤分类的鉴别方法比较》。美国统计学会杂志97:77-87·Zbl 1073.62576号 ·doi:10.1198/016214502753479248 [15] Genz A，Bretz F（2002）多元t-概率的计算方法。J计算图表统计11:950-971·doi:10.1198/106186002394 [16] 盖尔芬德，A。；吉尔克斯，WR（编辑）；Richardson，S.（编辑）；Spiegelhalter，DJ（编辑），使用基于抽样方法的模型确定，145-158（1996），伦敦·Zbl 0840.62003号 [17] George EI，McCulloch RE（1993），吉布斯抽样变量选择。美国统计协会杂志88:881-889·doi:10.1080/01621459.1993.10476353 [18] Geman S，Geman D（1984），随机松弛，吉布斯分布，图像的贝叶斯恢复。IEEE Trans-Pattern Ana Mach Intell 6:721-741（IEEE传输模式分析机器智能）·Zbl 0573.62030号 ·doi:10.1109/TPAMI.1984.4767596 [19] Gilks W、Richardson S、Spiegelhalter D（1996）《马尔可夫链蒙特卡罗实践》。查普曼和霍尔，伦敦·Zbl 0832.00018号 [20] Golub TR、Slonim DK、Tamayo P、Huard C、Gaasenbeek M、Mesirov JP、Coller H、Loh ML、Downing JR、Caligiuri MA、Bloomfield CD、Lander ES（1999）《癌症的分子分类：通过基因表达监测的类别发现和预测》。《科学》286:531-537·doi:10.1126/science.286.5439.531 [21] Gupta M，Ibrahim JG（2007）基因调控网络发现回归混合建模中的变量选择。美国统计协会杂志102:867-880·Zbl 1469.62369号 ·doi:10.1198/016214500000068 [22] Gupta M，Ibrahim JG（2009）在具有高维数据的广义线性模型中进行贝叶斯分析的先验信息矩阵。统计罪19:1641-1663·Zbl 1191.62043号 [23] Guyon I，Weston J，Barnhill S，Vapnik V（2012）使用支持向量机进行癌症分类的基因选择。机器学习46:389-422·Zbl 0998.68111号 ·doi:10.1023/A:1012487302797 [24] Ha HJ，Kubagawa H，Burrows PD（1992）与小鼠mb-1基因同源的人类基因的分子克隆和表达模式。免疫学杂志148:1526-1531 [25] Jaeger J，Sengupta R，Ruzzo WL（2003）微阵列分类的改良基因选择。Pac-Symp生物计算机8:53-64·Zbl 1219.92022号 [26] Khan J、Wei JS、Ringner M、Saal LH、Ladanii M、Westermann F、Berthold F、Schwab M、Antonescu CR、Peterson C、Meltzer PS（2001）《使用基因表达谱和人工神经网络进行癌症分类和诊断预测》。国家医学7:673-679·数字对象标识代码：10.1038/89044 [27] Kamps MP，Murre C，Sun X-H，Baltimore D（1990）一种新的同源盒基因参与了前B型ALL中t（1；19）易位蛋白的DNA结合结构域。电话：6:547-555·doi:10.1016/0092-8674（90）90658-2 [28] Kingsmore SF，Watson ML，Seldin MF（1995）小鼠11号染色体上T淋巴细胞特异性转录因子7基因的遗传定位。哺乳动物基因组6:378-380 [29] Koo JY，Sohn I，Kim S，Lee JW（2006）利用基因表达对多种癌症类型进行结构化多分光机器诊断。生物信息学22:950-958·doi:10.1093/bioinformatics/btl029 [30] Lachenbruch PA，Mickey MR（1968）判别分析中的错误率估计。技术计量10:1-11·doi:10.1080/00401706.1968.10490530 [31] Lamnisos D、Griffin JE、Steel FJ（2009），贝叶斯变量选择的Mark Transdimension抽样算法，用于变量多于观测值的分类问题。J计算图形统计18:592-612·doi:10.1198/jcgs.2009.08027 [32] Le Cao K-A，Chabrier P（2008）of:使用随机包装方法选择连续变量进行多类分类的R包。J Stat Softw统计软件28:1-16 [33] Lee Y，Lee CK（2003）使用基因表达数据通过多类别支持向量机对多种癌症类型进行分类。生物信息学19:1132-1139·doi:10.1093/bioinformatics/btg102 [34] Lee Y，Lin Y，Wahba G（2004）多类别支持向量机：微阵列数据和卫星辐射数据分类的理论和应用。美国统计协会杂志99:67-81·Zbl 1089.62511号 ·doi:10.1198/016214500000098 [35] McLachlan GJ（1992）判别分析和统计模式识别。纽约威利·Zbl 0850.62481号 ·doi:10.1002/0471725293 [36] Nguyen DV，Rocke DM（2002）通过基因表达谱的偏最小二乘法进行多类癌症分类。生物信息学18:1216-1226·doi:10.1093/bioinformatics/18.9.1216 [37] Panagiotelisa A，Smith M（2008）高维可加模型中半参数函数的贝叶斯识别、选择和估计。《计量经济学杂志》143:291-316·Zbl 1418.62166号 ·doi:10.1016/j.jeconom.2007.10.003 [38] Roke DR、Ideker T、Troyanskaya O、Quackenbush J、Dopazo J（2009）《微阵列数据归一化、变量选择、分类或聚类的论文》。生物信息学25:701-702·doi:10.1093/bioinformatics/btp038 [39] Ross DT、Scherf U、Eisen MB、Perou CM、Rees C、Spellman P、Iyer V、Jeffrey SS、de Rijn MV、Waltham M、Pergamenschikov A、Lee JCF、Lashkari D、Shalon D、Myers TG、Weinstein JN、Botstein D、Brown PO（2000）人类癌症细胞系中基因表达模式的系统变异。《自然遗传学》24:227-235·数字对象标识代码：10.1038/73432 [40] Sha N，Vannucci M，Tadesse MG，Brown PJ，Dragoni I，Davies N，Roberts TC，Contestabile A，Salmon N，Buckley C，Falciani F（2004）多项概率模型中的贝叶斯变量选择，以识别疾病阶段的分子特征。生物计量学60:8128-19·Zbl 1274.62428号 ·文件编号：10.1111/j.0006-341X.2004.00233.x [41] Smith M，Kohn R（1996）通过贝叶斯变量选择的非参数回归。《计量经济学杂志》75:317-343·兹比尔0864.62025 ·doi:10.1016/0304-4076（95）01763-1 [42] Tan AC、Naiman DQ、Xu L、Winslow RL、Geman D（2005）《从基因表达谱对人类癌症进行分类的简单决策规则》。生物信息学21:3896-3904·doi:10.1093/bioinformatics/bti631 [43] Tibshirani R，Hastie T，Narasimhan B，Chu G（2003）最近收缩质心的分类预测及其在DNA微阵列中的应用。统计科学18:104-117·Zbl 1048.62109号 ·doi:10.1214/ss/1056397488 [44] Train K（2003）离散选择方法与模拟。剑桥大学出版社·Zbl 1047.62098号 ·doi:10.1017/CBO9780511753930 [45] Troyanskaya O，Cantor M，Sherlock G，Brown P，Hastie T，Tibshirani R，Botstein D，Altman RB（2001）DNA微阵列缺失值估计方法。生物信息学17:520-525·doi:10.1093/bioinformatics/17.6.520 [46] Tusher VG，Tibshirani R，Chu G（2001）电离辐射反应微阵列的显著性分析。美国国家科学院院刊98:5116-5121·2014年12月10日 ·doi:10.1073/pnas.091062498 [47] Yang AJ，Song XY（2010）使用基因表达数据进行疾病分类的贝叶斯变量选择。生物信息学26:215-222·doi:10.1093/bioinformatics/btp638 [48] Yeo G，Poggio T（2001）SRBCT的多类分类，麻省理工学院DSpace。麻省理工学院 [49] Yeung KY，Bumgarner RE（2003）重复测量微阵列数据的多类分类：在癌症中的应用。基因组生物学4:R83·doi:10.1186/gb-2003-4-12-r83 [50] Yeung KY，Bumgarner RE，Raftery AE（2005）贝叶斯模型平均：改进的多类、基因选择和微阵列数据分类工具的开发。生物信息学21:2394-2402·doi:10.1093/bioinformatics/bti319 [51] Zellner A（1986）关于评估先验分布和使用g-先验分布的贝叶斯回归分析。收录：《贝叶斯推理和决策技术：纪念布鲁诺·德·菲内蒂的论文》，阿姆斯特丹，第233-243页·Zbl 0655.62071号 [52] Zhou X，Wang X，Dougherty ER（2006）使用贝叶斯基因选择的多项式概率回归进行多类癌症分类。IEE程序系统生物153:70-78·doi:10.1049/ip-syb:20050015 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。