基于低秩模型基因—环境交互作用的贝叶斯变量选择方法

发布时间：2018-09-11 10:10

【摘要】：最近几年的时间里,生物统计学家对基因-环境(G-E)之间的交互作用越来越感兴趣,尤其是在全基因组关联分析研究中,协变量p的个数要远远大于样本量n的个数,这给统计分析增加了困难,许多生物统计学家致力于这方面的研究。虽然已有很多传统的方法存在,但是如果在模型中加上数以万计的基因-环境(G-E)交互作用后还想要选择有效的协变量并且构建一个合适的模型仍然是一个非常有挑战性的任务。在带有交互作用的线性回归模型中,我们用低秩矩阵的方法得到交互作用的系数矩阵简单参数化后的简化模型。基于该低秩线性模型,我们引入贝叶斯变量选择方法来识别主效应和基因-基因(G-G)、基因-环境(G-E)之间的交互作用。在本篇论文中我们首先给出主效应和简单参数化后的交互作用的钉板(Spike and Slab)先验,接下来我们通过Gibbs抽样得到最大后验概率,当后验概率大于一个临界值时我们认为该协变量是有效的协变量,否则它是无效的,选出有效协变量之后我们得到最终的模型。模拟研究和实际数据分析都表明本文所提出的方法对带有基因-基因(G-G)交互作用和基因环境(G-E)交互作用的线性模型做变量选择是有优势的。
[Abstract]:In recent years, biostatisticians have become increasingly interested in gene-environment (G-E) interactions, especially in genome-wide association analysis, where the number of covariables p is much larger than the number of samples n. This makes statistical analysis more difficult, and many biostatisticians work on it. Although there are many traditional methods, it is still a challenging task to select effective covariables and build a suitable model if tens of thousands of gene-environment (G-E) interactions are added to the model. In the linear regression model with interaction, the simple parameterized model of the coefficient matrix of interaction is obtained by using the method of low rank matrix. Based on the low rank linear model, Bayesian variable selection method is introduced to identify the main effect and the interaction between gene and gene (G-G), gene environment (G-E). In this paper, we first give the (Spike and Slab) priori of the main effect and the simple parameterized interaction, and then we obtain the maximum posterior probability by Gibbs sampling. When the posteriori probability is greater than a critical value, we think that the covariable is an effective covariable, otherwise it is invalid. After selecting the valid covariable, we obtain the final model. Simulation research and actual data analysis show that the proposed method is superior to the linear model with gene-gene (G-G) interaction and genetic environment (G-E) interaction.
【学位授予单位】：东北师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O212.1

【相似文献】

相关期刊论文 前10条

1 杨丽霞;魏立力;;基于粗糙集方法的有序尺度变量选择[J];宁夏大学学报(自然科学版);2009年02期

2 赵宇;黄思明;;带有变量选择过程的分类模型误差分析[J];数学的实践与认识;2010年17期

3 樊亚莉;徐群芳;;稳健的变量选择方法及其应用[J];上海理工大学学报;2013年03期

4 陶靖轩;多元分析中的变量选择问题研究[J];中国计量学院学报;2001年01期

5 李树军,纪宏金;对应聚类分析与变量选择[J];地球物理学进展;2005年03期

6 陈黎明;赵永红;;转换函数未知时转换模型的变量选择[J];四川大学学报(自然科学版);2011年05期

7 刘民千,张润楚;超饱和设计的变量选择[J];南开大学学报(自然科学版);2000年03期

8 王进;;聚类分析中的距离与变量选择[J];山西财经大学学报;2007年S1期

9 张波;方国斌;;高维面板数据降维与变量选择方法研究[J];统计与信息论坛;2012年06期

10 高仁祥,张世英,刘豹;基于神经网络的变量选择方法[J];系统工程学报;1998年02期

相关会议论文 前6条

1 张俊华;方伟武;;调查表分析中变量选择的一些方法(英文)[A];中国运筹学会第六届学术交流会论文集（下卷）[C];2000年

2 李洪东;梁逸曾;;高维数据变量选择新方法研究[A];中国化学会第27届学术年会第15分会场摘要集[C];2010年

3 李慷;席裕庚;;复杂过程系统中操作变量选择与定位的方法研究[A];1993年控制理论及其应用年会论文集[C];1993年

4 云永欢;王为婷;梁逸曾;;迭代的保留有信息变量来筛选最佳变量子集的一种多元校正变量选择方法[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

5 徐登;范伟;梁逸曾;;紫外光谱结合变量选择和偏最小二乘回归同时测定水中重金属镉、锌、钴[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

6 梁逸曾;李洪东;许青松;曹东升;张志敏;;灰色化学建模与模型集群分析——兼论过拟合、稳健估计、变量选择与模型评价[A];中国化学会第27届学术年会第15分会场摘要集[C];2010年

相关博士学位论文 前10条

1 吕晶;几类半参数回归模型的稳健估计与变量选择[D];重庆大学;2015年

2 王康宁;几类高维复杂数据半参数模型的结构识别、变量选择及稳健估计[D];山东大学;2016年

3 王大荣;分散度量模型中的变量选择[D];北京工业大学;2009年

4 王明秋;高维数据下若干回归模型的变量选择问题研究[D];大连理工大学;2012年

5 刘吉彩;生存数据统计模型的变量选择方法[D];华东师范大学;2014年

6 樊亚莉;稳健变量选择方法的若干问题研究[D];复旦大学;2013年

7 唐凯临;变量选择和变换的新方法研究[D];同济大学;2008年

8 董莹;高维共线性统计模型的参数估计与变量选择[D];大连理工大学;2014年

9 叶飞;相对误差准则下的估计理论和变量选择方法的研究[D];清华大学;2013年

10 袁晶;贝叶斯方法在变量选择问题中的应用[D];山东大学;2013年

相关硕士学位论文 前10条

1 潘玉婷;含多元非线性结构的高维Logistic模型的同时变量选择及半参数估计[D];中国科学技术大学;2016年

2 刘丹;Cox模型及变系数Cox模型中的变量选择问题研究[D];暨南大学;2016年

3 罗昊;基于自适应LASSO变量选择的Logistic信用评分模型研究[D];东南大学;2016年

4 王双宝;基于变量选择偏差的变量选择过程[D];电子科技大学;2016年

5 温征;纵向和生存数据联合模型的一个变量选择问题[D];云南师范大学;2016年

6 闫湛;混料试验设计变量选择的Cp方法研究[D];广州大学;2016年

7 黄亚慧;偏t正态数据下基于最小一乘的回归估计和变量选择[D];重庆大学;2016年

8 曹慧;基于GEE的比例风险模型的变量选择[D];大连理工大学;2016年

9 刘_g达;联合模型中运用ALASSO进行变量选择[D];大连理工大学;2016年

10 王婉秋;基于低秩模型基因—环境交互作用的贝叶斯变量选择方法[D];东北师范大学;2016年

，

本文编号：2236386