Un enfoque de Lasso mejorado en estabilidad para la selección de covariables en modelos mixtos no lineales

Área de la Ciencia:

• Biología de Sistemas
• Biología Computacional
• Farmacometría

Sus antecedentes:

• Los modelos mixtos no lineales (NLMEMs) que utilizan ecuaciones diferenciales ordinarias (EDOs) son cruciales para analizar sistemas biológicos dinámicos.
• Identificar covariables relevantes en datos de alta dimensionalidad para estos modelos es un desafío significativo.

Objetivo del estudio:

• Desarrollar un método robusto para la selección de covariables en NLMEMs basados en EDO.
• Mejorar la construcción de modelos en sistemas biológicos complejos, particularmente en entornos de alta dimensionalidad.

Principales métodos:

• Introducción de Lasso-SAMBA (Algoritmo de Aproximación Estocástica para la Construcción de Modelos), que integra la regresión Lasso con la selección de estabilidad.
• Construcción iterativa de modelos que acopla la regresión penalizada con la estimación del modelo mecanicista a través del algoritmo SAEM.
• Extensión de la estrategia SAMBA anterior con un enfoque penalizado y dirigido por la estabilidad para mejorar la robustez y reducir los falsos descubrimientos.

Principales resultados:

• Lasso-SAMBA demostró una fidelidad superior en la selección de variables, control de la Proporción de Falsos Descubrimientos (FDR) y eficiencia computacional en simulaciones.
• El método superó a las técnicas convencionales de selección de variables por pasos y bayesianas.
• La aplicación a un estudio de vacunación contra el virus de la varicela-zóster reveló asociaciones robustas entre los parámetros del modelo de respuesta inmune y las expresiones transcripcionales tempranas.

Conclusiones:

• Lasso-SAMBA ofrece un enfoque potente y robusto para la selección de covariables de alta dimensionalidad en NLMEMs basados en EDO.
• El método tiene utilidad práctica en vacunología de sistemas y otros campos que involucran la modelización biológica compleja.
• La implementación del paquete R facilita la aplicación de Lasso-SAMBA en la investigación.