通过稀疏图形结构学习进行光谱聚类,并应用于癌症中蛋白质组信号网络
Sayantan Banerjee1, Rehan Akbani2, Veerabhadran Baladandayuthapani3
1Operations Management & Quantitative Techniques Area, Indian Institute of ManagementIndore, Indore, India.
Computational statistics & data analysis
|May 22, 2024
概括
本研究介绍了一种新的图形集群方法,它首先从数据中学习图形结构,然后执行集群. 这种方法可以同时学习图形结构和对多变量数据进行聚类,在模拟和癌症蛋白质组分析中表现优于标准方法.
科学领域:
- 计算统计的计算统计.
- 网络分析 网络分析
- 生物信息学是一种生物信息学.
背景情况:
- 标准的图形集群假设已知的图形结构,限制应用程序与未知的关系.
- 现有的方法往往无法有效地将图形结构学习与集群结合起来.
研究的目的:
- 开发一种用于多变量数据聚类的新方法,同时估计图形结构并执行聚类.
- 为拟议方法的一致性和可扩展性提供理论保证.
- 将该方法应用于现实世界的生物数据,以获得新的见解.
主要方法:
- 使用稀疏回归来估计未知的图形结构,用于稀疏图形结构学习.
- 通过拉普拉斯嵌入方式在低维投影上执行图形集群,并处罚k-means.
- 利用贝叶斯非参数的迪里克莱特过程混合模型来激励集群方法.
- 为大数据集提供可扩展性的快速算法开发.
主要成果:
- 在估计图中对自身空间的一致性的理论支持Laplacians.
- 通过广泛的模拟,与标准方法相比,展示了优越的集群性能.
- 成功应用于泛癌症蛋白质组数据集,揭示了跨癌症类型的蛋白质网络和集群.
结论:
- 拟议的方法为图形结构学习和多变量数据中的集群提供了一个统一的框架.
- 拉普拉斯嵌入式为图形集群提供了理论上健全的基础.
- 该方法在计算上高效,适用于大规模的生物数据分析.
