高维过分散的通用化因子模型与应用到单细胞测序数据分析

科学领域:

• 统计 统计 统计 统计
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 当前的高维系数模型无法处理混合类型的数据和过度分散.
• 过度分散在生物医学和基因组学数据中很常见,这给分析带来了挑战.

研究的目的:

• 提出一个过度分散的通用因子模型 (OverGFM) 用于高维非线性因子分析混合类型数据的过度分散.
• 为了应对高维潜变量非线性模型产生的计算挑战.

主要方法:

• 开发了一个过度分散的通用因子模型 (OverGFM),其中包含了过度分散的额外错误项.
• 提出了使用拉普拉斯和泰勒近似计算效率的新型变异期望最大化 (EM) 算法.
• 引入了一个单一的价值比率标准来确定最佳数量的因素.

主要成果:

• 拟议的变量EM算法显示出出色的收性质,并提供明确的解决方案.
• 单一价值比率标准有效地确定了最佳的因素数量.
• 通过模拟,OverGFM在估计准确性和计算效率方面明显优于现有方法.

结论:

• 在过度分散的混合类型数据上,OverGFM为高维非线性因子分析提供了有效的解决方案.
• 该方法在基因组学应用中显示出实际实用性,并且可在R包GFM.com中使用.