机构名称：
¥ 2.0
摘要。我们提出了一种脑萎缩模型，这是高维遗传信息的函数和低维的协变量，例如性别，年龄，APOE基因和疾病状态。提出了一个非参数单索引贝叶斯的高维模型，以在未知函数上使用B型序列序列对关系进行建模，并在随机效应的分布之前，在未知的函数和dirichlet过程尺度混合物上进行了焦中的尺度混合物。在没有随机效应的情况下，收缩的后率是针对固定数量的区域和时间点的，随着样本量的增加。我们通过哈密顿蒙特卡洛（HMC）算法实现了有效的计算算法。将提出的贝叶斯方法的性能与线性模型中相应的最小平方估计器进行了比较，并在高维协变量对高维协变量上的Mosseshoe先验，最小绝对收缩和选择算子（Lasso）（LASSO）（LASSO）（LASSO）和平滑剪辑的绝对偏差（SCAD）进行了惩罚。提出的贝叶斯方法适用于在748个个体的多次访问中使用620,901个SNP和其他6个其他协变量对每个人进行多次访问的大脑区域的数据集，以识别与脑萎缩相关的因素。
大尺寸单索引贝叶斯的脑萎缩建模
主要关键词
相关文件推荐
