在遗传模型中使用的高维张量积矩阵的因数分解的快速算法
Marco Lopez-Cruz1, Paulino Pérez-Rodríguez2, Gustavo de Los Campos1,3,4
1Department of Epidemiology and Biostatistics, Michigan State University, East Lansing, MI 48824, USA.
G3 (Bethesda, Md.)
|January 5, 2024
概括
一个新的算法显著加快了大型哈达马德产物矩阵的分解,使大数据分析中的复杂遗传模型成为可能. 这种方法提高了遗传环境研究的计算效率.
科学领域:
- 遗传学 是一个遗传学.
- 计算生物学 计算生物学
- 统计遗传学 统计遗传学
背景情况:
- 遗传模型,包括表征和基因与环境相互作用的遗传模型,通常依赖于由低等级矩阵的哈达马德积分表示的共变性结构.
- 将这些大型哈达马德产物矩阵分解成因子是计算密集的,并对使用当前算法进行大数据分析提出了挑战.
研究的目的:
- 开发一种计算效率高的算法,用于分解大型哈达马德乘积矩阵.
- 为了使复杂的遗传模型可用于大样本大小的可行应用.
主要方法:
- 这项研究提出了一种基于哈达马德和克罗内克产品属性的新算法,以实现近似的矩阵分解.
- 该算法的性能与标准自身值分解方法进行了基准测试.
- 该方法在开源"tensorEVD" R包中实现.
主要成果:
- 拟议的算法提供了一个近似的分解,它比标准固有值分解快了数量级.
- 基准测试显示了显著的速度改进,使大规模遗传分析更加可行.
- 该算法成功应用于分析基因组到字段倡议 (n ≈ 60,000) 的数据.
结论:
- 开发的算法提供了一个可扩展的解决方案,用于分解大型哈达马德积分矩阵.
- 这一进步促进了在大数据时代使用复杂的遗传模型.
- "tensorEVD" R包使研究人员能够使用这种高效的方法.
