Dynamic Co-Expression Network Estimation via Multivariate Mixed-Effects Models
基于多元混合效应模型的动态共表达网络估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是特征间动态共表达网络的估计与依赖结构建模，直接对应网络与干扰方向；其余细分领域在摘要中无文本依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于多元混合效应模型的动态共表达网络估计
- 研究问题
- 摘要称，研究问题是如何从高维、具有时间依赖性的纵向组学数据中推断特征（如基因、蛋白质）随时间变化的动态共表达网络。
- 方法与思路
- 作者提出 DCENt 方法：对每个节点（特征）建立混合效应模型，用相关的随机效应刻画节点间依赖，并开发两种惩罚算法，借助阈值协方差估计量估计随机效应协方差结构。
- 材料陈述的贡献
- 摘要称贡献在于提出 DCENt 这一动态共表达网络推断框架与两种惩罚算法；模拟研究显示其在均方误差和平均绝对误差上优于现有方法；并应用于 CARDIA 研究考察蛋白质共表达网络随时间演化及轨迹模式关联。
- 阅读关注点
- 阅读全文时应核对：混合效应模型与随机效应相关结构的具体设定、两种惩罚算法的优化与调参细节、模拟设计及对比基线是否公平、CARDIA 数据的变量与时间结构、以及结论的可推广范围。
- 阅读边界
- 仅凭摘要无法判断识别假设、估计量理论性质（如一致性）、算法收敛性与计算成本，也无法核实模拟与实证结果的具体数值；摘要未说明网络稀疏性假设与阈值选择依据。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
High-throughput sequencing technologies have enabled the collection of large-scale longitudinal -omics data, providing new opportunities for studying co-expression networks among molecular nodes such as genes and proteins. However, the high dimensionality and temporal dependence inherent in such data require specialized statistical methods. We propose a novel approach to infer dynamic co-expression networks among features over time (DCENt), where each node (feature) is modeled with a mixed-effects model, and dependencies among nodes are captured through correlated random effects. We develop two innovative penalized algorithms which harness the state of the art of threshold covariance estimators to estimate the random-effects covariance structure. Simulation studies show improved performance over existing approaches in terms of both mean square error and mean absolute error. We further apply the methods to data from the CARDIA study to investigate how the protein co-expression networks evolve over time as well as the association between protein trajectory patterns.