Modèle Bernoulli-Gaussien pour l'analyse génétique
Résumé
This paper investigates a hierarchical Bayesian algorithm for gene factor analysis. Each observed sample is decomposed as a linear combination of gene signatures (also referred to as factors) following a linear mixing model. To enforce the sparsity of the relative contribution (called factor score) of each gene signature to a specific sample, constrained Bernoulli-Gaussian distributions are elected as prior distributions for these factor scores. This distribution allows the positivity and full-additivity constraints to be ensured. Simulations on synthetic data, in
comparison with other factor analysis algorithms, and real data illustrate the proposed method.
Cet article présente un modèle Bayésien hiérarchique d’analyse factorielle, appliqué à des données génétiques. Chaque échantillon observé est la combinaison d’un certain nombre de signatures génétiques (ou facteurs) parmi une bibliothèque de facteurs, suivant un modèle de mélange linéaire. La particularité de la méthode proposée est de prendre en compte la parcimonie des coefficients du mélange (ou scores) de chaque signature génétique dans l’échantillon étudié en choisissant une loi Bernoulli-Gaussienne tronquée comme loi a priori pour ces coefficients. Cette loi permet également de satisfaire les contraintes physiques de positivité et d’additivité de ces coefficients. Des simulations conduites sur des données synthétiques, en comparaison avec d’autres méthodes d’analyse factorielle, ont montré les performances du modèle proposé. Cette méthode a également été appliquée sur des données génétiques réelles.
Origine : Fichiers éditeurs autorisés sur une archive ouverte