[論文レビュー] Sparse Ising Models with Covariates

Jie Cheng, Elizaveta Levina+2 more|arXiv (Cornell University)|Sep 27, 2012

Statistical Methods and Inference参考文献 37被引用数 9

ひとこと要約

本稿では、観察された共変量に応じて二値グラフィカルモデル内の依存関係の強さを滑らかに変化させることを可能にする、共変量を伴うスパース・イジングモデルを提案する。これにより、被験者固有のネットワーク構造が得られる。ネイバー選択と共変量依存エッジパラメータを組み合わせることで、顕著なネットワークエッジとそれらに影響を与える共変量を同定し、構造的シフトに代わって解釈可能な連続的変化を示すエッジ重みを提供する。

ABSTRACT

There has been a lot of work fitting Ising models to multivariate binary data in order to understand the conditional dependency relationships between the variables. However, additional covariates are frequently recorded together with the binary data, and may influence the dependence relationships. Motivated by such a dataset on genomic instability collected from tumor samples of several types, we propose a sparse covariate dependent Ising model to study both the conditional dependency within the binary data and its relationship with the additional covariates. This results in subject-specific Ising models, where the subject's covariates influence the strength of association between the genes. As in all exploratory data analysis, interpretability of results is important, and we use L1 penalties to induce sparsity in the fitted graphs and in the number of selected covariates. Two algorithms to fit the model are proposed and compared on a set of simulated data, and asymptotic results are established. The results on the tumor dataset and their biological significance are discussed in detail.

研究の動機と目的

• 固定構造のグラフィカルモデルを超えて、エッジ強度が観察された共変量に依存する二値ネットワークデータにおける条件付き依存関係をモデル化すること。
• 共変量効果を直接イジングモデルの相互作用パラメータに組み込み、被験者固有のネットワーク構造を可能にすること。
• ネットワーク構造と共変量効果の両方にスパarsityを課すことにより、関連するエッジと影響力のある共変量の選択を可能にすること。
• 高次元の二値データにおける共変量依存の依存関係を、計算的に実行可能で解釈可能な方法で提供すること。
• 既存のグラフィカルモデルを拡張し、共変量に応じたエッジ重みの滑らかで連続的な変化を可能にし、パーティションベースの手法で見られる不連続性を回避すること。

提案手法

• 相互作用パラメータ（エッジ強度）が共変量の線形関数である条件付きイジングモデルを提案。これにより、共変量依存のネットワーク構造が可能になる。
• ネイバー選択アプローチを用いる：各ノードについて、そのノードの状態を近隣ノードと共変量で予測するl1正則化付きロジスティック回帰を適合させ、条件付き依存関係を推定する。
• エッジと共変量の間の主効果および交互作用係数の両方にl1ペナルティを課し、関連する特徴の選択を促進する。
• 2段階推定手順を採用：まずノードごとの条件付き分布を推定し、その後それを集約して全体のグラフィカル構造を回復する。
• 高次元設定下で漸近的整合性およびスパーススパーシスティック（sparsistency）結果を導出。これにより、真のエッジと関連する共変量を一貫して回復できることを示す。
• イジングモデルにおける計算不能な正規化定数を回避するため、擬似尤度近似を用い、スケーラブルな計算を実現する。

実験結果

リサーチクエスチョン

• RQ1 共変量をどのようにイジンググラフィカルモデルに組み込むことで、被験者固有のネットワーク構造を可能にするか？
• RQ2 共変量がネットワーク内二値変数間の条件付き依存関係の強さに与える影響は何か？
• RQ3 共変量を伴う高次元イジングモデルは、真のグラフ構造と関連する共変量効果の両方を一貫して回復できるか？
• RQ4 解釈可能性と共変量の値にわたるネットワーク構造の安定性という観点から、本手法は既存の手法と比較してどのように異なるか？
• RQ5 ネイバー選択に共変量依存エッジを組み込む手法は、どのような条件下で擬似尤度法やパーティションベースの手法を上回るか？

主な発見

• 提案手法は、8p11.22欠失がTP53突然変異状態およびER状態と関連していることを明確に同定し、選択頻度が0.6を超えることから、強い生物学的関連性を示している。
• この手法は、8p11.22欠失が6p21.32および11p14.2での欠失とも共関連していることを検出しており、TP53およびER状態に応じてその関連性が変化していることから、腫瘍 suppressor 機能の協同的メカニズムを示唆している。
• 乳がんデータセットにおいて、次数ベースの順位付けでは、TP53突然変異状態下で8p11.22の中央度の中央値が12.75に達しており、この条件下でネットワークの中心的ノードであることが示された。
• モデルはエッジ強度が共変量に応じて滑らかに変化することを明らかにした。これにより、パーティションベース手法で見られる急激な構造的シフトを回避し、解釈可能性が向上した。
• 高次元漸近的設定下でも、真のエッジと関連する共変量を一貫して回復でき、スパーススパーシスティックおよび整合性に関する理論的保証が得られた。
• この手法は、特にTP53変異型およびER陰性状態下で、ゲノム不安定性ネットワークにおける主要なハブとして8p11.22を同定した。これは、この領域の既知のがん形成的役割と整合的である。