基于序数稀疏神经网络解析基因-环境与影像-环境交互作用的新方法

《Statistics in Medicine》：Ordinal Sparse Neural Networks for Modeling Gene- and Imaging-Environment Interactions

本研究针对生物医学研究中序数响应变量（如肿瘤分期）建模的难点，开发了融合交互作用分析的神经网络新方法。通过设计新型输出函数与稀疏化层结构，实现了对G-E/I-E交互作用的精准筛选与预测，在BRCA和SKCM数据集的应用中成功识别关键生物标志物，为疾病机制解析提供新工具。

　　

在生物医学研究中，基因-环境（G-E）交互与影像-环境（I-E）交互对疾病结局建模具有重要作用。尽管已有大量研究，但针对序数响应变量（如肿瘤病理分期）的非参数统计方法仍存在空白。本文提出一种基于神经网络（Neural Network）的序数响应建模方法，通过推导网络输出函数的新定义实现序数类别预测。为强化变量选择，在神经网络中引入稀疏层（Sparse Layer），并采用局部二次近似（LQA）算法进行惩罚估计。模拟实验表明，该方法在预测与变量选择中均表现优异。进一步应用于乳腺癌（BRCA）和皮肤黑色素瘤（SKCM）数据集，分别通过G-E和I-E交互分析预测肿瘤分期，成功识别关键主效应与交互作用，为揭示生物学机制提供新视角。