×
费德里科·卡斯特莱蒂；圭多·康斯坦尼

目的选择高斯介入基本图的贝叶斯模型用于信号通路的识别。 （英语） Zbl 1435.62435号

Ann.应用。斯达。 13，第4期，2289-2311（2019）.
概要：信号通路是由刺激物引发的一系列化学反应，刺激物反过来影响受体，然后通过一些中间步骤级联到最终的细胞反应。基于流式细胞术技术，在每个实验条件下收集细胞对细胞测量的样本，从而收集干预数据（假设不涉及潜在变量）。通常在路径的不同点应用几种外部干预，最终目的是恢复潜在信号网络的结构，我们使用干预演算将其建模为因果有向非循环图（DAG）。使用介入数据而不是纯粹的观测数据的优点是，可以增强生成DAG的真实数据的可识别性。更严格地说，DAG的马尔可夫等价类（其成员仅基于观测数据在统计上无法区分）可以使用额外的干预数据进一步分解为更小的不同干预马尔可夫等效类。我们提出了一种贝叶斯方法，用于基于多变量高斯观测的观测和介入样本的介入马尔可夫等价类的结构学习。我们的方法是客观的，这意味着它基于默认的参数先验，不需要任何个人启发；然而，通过调节模型空间先验稀疏性的调整参数，允许一定的灵活性。基于给定干预基本图的边际似然的分析表达式和合适的MCMC方案，我们的分析在干预马尔可夫等价类的空间上产生了一个近似的后验分布，它可以用于为具有实质性科学意义的特征提供不确定性量化，例如选定边或路径包含的后验概率。

引用于6文件

MSC公司：

第60页 统计学在工程和工业中的应用；控制图
62H22个 概率图形模型
第62页第10页 统计学在生物学和医学中的应用；元分析
62甲12 多元分析中的估计

关键词：

图形模型；因果推断；马尔可夫等价类

软件：

玻璃制品；TETRAD公司
PDF格式BibTeX公司 XML格式引用
\textit{F.Castelletti}和\textit{G.Consonni}，Ann.Appl。Stat.13，No.4，2289--2311（2019；Zbl 1435.62435）
全文： 内政部 欧几里得

参考文献：

[1] Andersson，S.A.、Madigan，D.和Perlman，M.D.（1997年A）。非循环有向图的马尔可夫等价类的一个刻画。安。统计师。25 505-541. ·Zbl 0876.60095号 ·doi:10.1214/aos/1031833662
[2] Andersson，S.A.、Madigan，D.和Perlman，M.D.（1997年b）。关于链图、无向图和无环有向图的马尔可夫等价。扫描。《美国联邦法律大全》第24卷第81-102页·Zbl 0918.60050号 ·doi:10.1111/1467-9469.00050
[3] Andersson，S.A.、Madigan，D.和Perlman，M.D.（2001年）。链图的可选马尔可夫属性。扫描。《美国联邦法律大全》第28卷第33-85页·Zbl 0972.60067号 ·doi:10.1111/1467-9469.00224
[4] Benjamini，Y.和Hochberg，Y.（1995年）。控制错误发现率：一种实用且强大的多重测试方法。J.罗伊。统计师。Soc.序列号。乙57 289-300·Zbl 0809.62014号 ·doi:10.1111/j.2517-6161.1995.tb02031.x
[5] Cao，X.、Khare，K.和Ghosh，M.（2019）。高维贝叶斯DAG模型的后验图选择和估计一致性。安。统计师。47 319-348. ·Zbl 1417.62140号 ·doi:10.1214/18-AOS1689
[6] Castelletti，F.和Consonni，G.（2019年）。补充“用于识别信号通路的高斯介入基本图的客观贝叶斯模型选择”DOI:10.1214/19-AOAS1275SUPP·Zbl 1435.62435号
[7] Castelletti，F.、Consonni，G.、Della Vedova，M.L.和Peluso，S.（2018年）。学习有向非循环图的马尔可夫等价类：一种客观的贝叶斯方法。贝叶斯分析。13 1231-1256. ·Zbl 1407.62189号 ·doi:10.1214/18-BA1101
[8] Chickering，D.M.（2002）。学习贝叶斯网络结构的等价类。J.马赫。学习。第2 445-498号决议·Zbl 1007.68179号
[9] Consonni，G.、La Rocca，L.和Peluso，S.（2017年）。目的Bayes协变量调整稀疏图形模型选择。扫描。《美国联邦法律大全》第44卷第741-764页·Zbl 06774144号 ·doi:10.1111/sjos.12273
[10] Cowell，R.G.、Dawid，A.P.、Lauritzen，S.L.和Spiegelhalter，D.J.（1999）。概率网络和专家系统。工程与信息科学统计。纽约州施普林格·Zbl 0937.68121号
[11] Foygel，R.和Drton，M.（2010年）。高斯图形模型的扩展贝叶斯信息准则。高级神经信息处理。系统。23 2020-2028.
[12] Friedman，N.（2004）。使用概率图形模型推断蜂窝网络。科学303 799-805。
[13] Friedman，J.、Hastie，T.和Tibshirani，R.（2008）。用图形套索进行稀疏逆协方差估计。生物统计学9 432-441·兹比尔1143.62076 ·doi:10.1093/biostatistics/kxm045
[14] Geiger，D.和Heckerman，D.（2002年）。有向非循环图形模型的参数先验和几种概率分布的特征。安。统计师。30 1412-1440. ·Zbl 1016.62064号 ·doi:10.1214/aos/1035844981
[15] Geisser，S.和Cornfield，J.（1963年）。多元正态参数的后验分布。J.罗伊。统计师。Soc.序列号。B 25 368-376·Zbl 0124.35304号 ·doi:10.1111/j.2517-6161.1963。tb00518.x
[16] Gelman，A.、Meng，X.-L.和Stern，H.（1996）。通过实现差异对模型适合性进行后验预测评估。统计师。中国6 733-807·Zbl 0859.62028号
[17] Gillispie，S.B.和Perlman，M.D.（2002年）。非循环有向图模型的马尔可夫等价类的规模分布。人工智能141 137-155·Zbl 1043.68096号 ·doi:10.1016/S0004-3702（02）00264-3
[18] Hauser，A.和Bühlmann，P.（2012）。有向无环图的介入马尔可夫等价类的刻画和贪婪学习。J.马赫。学习。第13号决议2409-2464·Zbl 1433.68346号
[19] Hauser，A.和Bühlmann，P.（2015）。联合干预和观察数据：有向非循环图的干预马尔可夫等价类的估计。J.R.统计社会服务。B.统计方法。77 291-318之间·Zbl 1414.62021号 ·doi:10.1111/rssb.12071
[20] He，Y.-B.和Geng，Z.（2008）。通过干预实验和优化设计主动学习因果网络。J.马赫。学习。第9号决议2523-2547·Zbl 1225.68184号
[21] 何毅、贾杰和于斌（2013）。稀疏有向非循环图的马尔可夫等价类上的可逆MCMC。安。统计师。41 1742-1779. ·Zbl 1360.62369号 ·doi:10.1214/13-AOS1125
[22] Hoijtink，H.（2013）。不等式约束假设的目标贝叶斯因子。国际统计版次81 207-229·兹比尔1416.62065 ·doi:10.1111/insr.12010
[23] Lauritzen，S.L.（1996）。图形模型。牛津统计科学系列17。牛津大学出版社，纽约·Zbl 0907.62001
[24] Luo，R.和Zhao，H.（2011）。单细胞介入数据信号通路推断的贝叶斯层次模型。Ann.应用。统计数字5 725-745·Zbl 1223.62014年 ·doi:10.1214/10-AOAS425
[25] Maathuis，M.H.、Kalisch，M.和Bühlmann，P.（2009）。根据观测数据估计高维干预效果。安。统计师。37 3133-3164. ·Zbl 1191.62118号 ·doi:10.1214/09-AOS685
[26] Ness，R.O.、Sachs，K.、Mallick，P.和Vitek，O.（2017）。用于推断信号网络的贝叶斯主动学习实验设计。计算分子生物学研究。计算机科学课堂讲稿10229 134-156。查姆施普林格。
[27] Pearl，J.（1995年）。实证研究的因果图。生物特征82 669-710·Zbl 0860.62045号 ·doi:10.1093/biomet/82.4.669
[28] Pearl，J.（2000）。因果关系：模型、推理和推理。剑桥大学出版社，剑桥·Zbl 0959.68116号
[29] Peters，J.和Bühlmann，P.（2014）。等误差方差高斯结构方程模型的可辨识性。生物特征101 219-228·兹比尔1285.62005 ·doi:10.1093/biomet/ast043
[30] Peterson，C.、Stingo，F.C.和Vannucci，M.（2015）。多高斯图形模型的贝叶斯推断。J.艾默。统计师。协会110 159-174·Zbl 1373.62106号 ·doi:10.1080/01621459.2014.896806
[31] Richardson，T.和Spirtes，P.（2002）。祖先图马尔可夫模型。安。统计师。30 962-1030. ·Zbl 1033.60008号 ·doi:10.1214/aos/1031689015
[32] Sachs，K.、Perez，O.、Peer，D.、Lauffenburger，D.和Nolan，G.（2005）。由多参数单细胞数据衍生的因果蛋白信号网络。《科学》308 523-529。
[33] Shojaie，A.和Michailidis，G.（2009年）。基于基础调控网络的基因集分析。生物.16 407-426。
[34] Spites，P.、Glymour，C.和Scheines，R.（2000）。因果、预测和搜索，第二版，自适应计算和机器学习。麻省理工学院出版社，马萨诸塞州剑桥·Zbl 0806.62001
[35] Tan，L.S.L.、Jasra，A.、De Iorio，M.和Ebbels，T.M.D.（2017）。多高斯图形模型的贝叶斯推理及其在代谢关联网络中的应用。Ann.应用。统计11 2222-2251·Zbl 1383.62294号 ·doi:10.1214/17-AOAS1076
[36] Verma，T.和Pearl，J.（1991年）。因果模型的等效性和综合。第六届人工智能不确定性年会论文集，UAI 90 255-270。纽约爱思唯尔。
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。