Balanced Functional Module Detection in Genomic Data
Notice bibliographique
Résumé
Abstract High dimensional genomic data can be analyzed to understand the effects of multiple variables on a target variable such as a clinical outcome, risk factor or diagnosis. Of special interest are functional modules, cooperating sets of variables affecting the target. Graphical models of various types are often useful for characterizing such networks of variables. In other applications such as social networks, the concept of balance in undirected signed graphs characterizes the consistency of associations within the network. To extend this concept to applications where a set of predictor variables influences an outcome variable, we define balance for functional modules. This property specifies that the module variables have a joint effect on the target outcome with no internal conflict, an efficiency that evolution may use for selection in biological networks. We show that for this class of graphs, observed correlations directly reflect paths in the underlying graph. Consequences of the balance property are exploited to implement a new module discovery algorithm, bFMD, which selects a subset of variables from highdimensional data that compose a balanced functional module. Our bFMD algorithm performed favorably in simulations as compared to other module detection methods that do not consider balance properties. Additionally, bFMD detected interpretable results in a real application for RNA-seq data obtained from The Cancer Genome Atlas (TCGA) for Uterine Corpus Endometrial Carcinoma using the percentage of tumor invasion as the target outcome of interest. bFMD detects sparse sets of variables within highdimensional datasets such that interpretability may be favorable as compared to other similar methods by leveraging balance properties used in other graphical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».