inMTSCCA: An Integrated Multi-task Sparse Canonical Correlation Analysis for Multi-omics Brain Imaging Genetics
Notice bibliographique
Résumé
Abstract Identifying genetic risk factors for Alzheimer’s disease (AD) is an important research topic. To date, different endophenotypes such as imaging-derived endophenotypes and proteomic expression-derived endophenotypes have shown the great value in uncovering risk genes compared to case-control studies. Biologically, a co-varying pattern of these different omics derived endophenotypes could result from the shared genetic basis. However, existing methods mainly focus on the effect of endophenotypes, and that of cross-endophenotype associations remains largely unexploited. In this paper, we used both endophenotypes and their cross-associations of multi-omics to identify genetic risk factors, and proposed two integrated multi-task sparse canonical correlation analysis (MTSCCA) methods, i.e., pairwise endophenotype correlation guided MTSCCA ( pc MTSCCA) and high-order endophenotype correlation guided MTSCCA ( hoc MTSCCA). pc MTSCCA employed pairwise correlations between MRI-derived, plasma-derived, and cerebrospinal fluid (CSF) derived endophenotypes as an additional penalty. hoc MTSCCA used high-order correlations among these multi-omics for regularization. To figure out genetic risk factors at individual and group levels, as well as altered endophenotypic markers, we introduced sparsity-inducing penalties in both models. We compared pc MTSCCA and hoc MTSCCA with three related methods on both simulation data and real neuroimaging, proteomic analytes, and genetic data. The results showed that our methods obtained better or comparable canonical correlation coefficients (CCCs) and feature subsets than benchmarks. Most importantly, the identified genetic loci and heterogeneous endophenotypic markers showed high relevance. Therefore, jointly using multi-omics endophenotypes and their cross-endophenotype associations are promising to reveal genetic risk factors, and both methods are qualified for this complicated task. The source code and manual of inMTSCCA is available at: https://ngdc.cncb.ac.cn/biocode/tools/BT007330 .
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».