基于经验贝叶斯框架的基因组稀疏相关矩阵构建方法

《Bioinformatics Advances》：False Discovery Rate Control for Sparse Correlation Matrix

　　

摘要

研究动机

在基因组数据分析中，高维相关矩阵在解释基因组特征之间的复杂关系时存在挑战，这主要是由于过拟合现象。传统方法是通过将相关性设定在预定阈值以下并将其置为零来生成稀疏相关矩阵，该阈值通常是通过交叉验证来最小化弗罗贝尼乌斯范数（Frobenius norm）来确定的。

研究结果

在这项研究中，我们提出了一种基于经验贝叶斯（emotional Bayes）框架的新型阈值策略，该策略能够控制非零相关性中的假发现率（false discovery rate, FDR）。这种方法具有两个关键优势：首先，它与任何相关性度量标准都兼容；其次，它能够估计非零相关性中的预期假阳性结果。通过将稀疏相关矩阵的构建同时视为一个估计问题和一个推理问题，我们的方法提高了可解释性，并且在保留真正的生物学相关性方面比基于弗罗贝尼乌斯范数最小化的阈值选择方法表现得更为敏感。

可用性和实现

相关的R包〈span class="monospace">scfdr可从github.com/ariefgusnanto/scfdr获取