Direct estimation and inference of higher-level correlations from lower-level measurements with applications in gene-pathway and proteomics studies
从低层级测量直接估计高层级相关性：基因通路与蛋白质组应用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：摘要聚焦生物测量的层级相关性，使用潜在因子不足以确定其属于所列经济金融因子方向。
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…
关注这篇论文的作者
从低层级测量直接估计高层级相关性：基因通路与蛋白质组应用
- 研究问题
- 只有肽段或单个基因等低层级测量时，如何估计蛋白质、基因通路等高层级变量的相关性，避免不同聚合方式改变估计目标？
- 方法与思路
- 作者采用潜在因子模型直接估计高层级相关性，无需先聚合数据；同时引入收缩估计确保相关矩阵正定，并以渐近正态性支持显著性检验。
- 材料陈述的贡献
- 摘要称，该方法直接估计目标相关性，收缩步骤改善精度，并提供渐近正态性；模拟、生物数据分析及R包展示其实现和效果。
- 阅读关注点
- 应核对高层级潜变量的定义与识别、低层级测量误差结构、收缩强度选择，以及渐近正态性条件和相关性显著性检验的校准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明潜在因子识别及测量假设，所估相关性不能直接解释为生物机制的因果关系。
原文摘要
This paper tackles the challenge of estimating correlations between higher-level biological variables (e.g., proteins and gene pathways) when only lower-level measurements are directly observed (e.g., peptides and individual genes). Existing methods typically aggregate lower-level data into higher-level variables and then estimate correlations based on the aggregated data. However, different data aggregation methods can yield varying correlation estimates as they target different higher-level quantities. Our solution is a latent factor model that directly estimates these higher-level correlations from lower-level data without the need for data aggregation. We further introduce a shrinkage estimator to ensure the positive definiteness and improve the accuracy of the estimated correlation matrix. Furthermore, we establish the asymptotic normality of our estimator, enabling efficient computation of p-values for the identification of significant correlations. The effectiveness of our approach is demonstrated through comprehensive simulations and the analysis of proteomics and gene expression datasets. We develop the R package highcor for implementing our method.