Univariate-Guided Sparse Regression for Biobank-Scale High-Dimensional Omics Data
面向生物样本库规模高维组学数据的单变量引导稀疏回归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：摘要主题为高维基因组多基因风险评分的稀疏回归方法，属于统计遗传学/生物统计方向，与所列微观计量、宏观计量与金融计量细分领域均无直接文本对应，故不选择。
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
面向生物样本库规模高维组学数据的单变量引导稀疏回归
- 研究问题
- 摘要关注的是：在高维基因组数据上构建多基因风险评分（PRS）时，如何在大规模生物样本库（如英国生物样本库，逾百万变异、数十万个体）中实现可扩展且稀疏、可解释的建模，并能否借助外部汇总统计提升预测。
- 方法与思路
- 作者提出将近期提出的单变量引导稀疏回归（uniLasso）适配到生物样本库场景。摘要称 uniLasso 是两阶段惩罚回归，利用单变量系数及其幅度来稳定特征选择、增强可解释性；并进一步扩展框架以纳入外部汇总统计。
- 材料陈述的贡献
- 摘要称，uniLasso 在预测表现上与标准 Lasso 相当，但选出的变异显著更少，模型更稀疏、更可解释；在 PRS 估计上优于 PRS-CS 等竞争方法；整合外部评分可在保持稀疏性的同时进一步提升预测。
- 阅读关注点
- 阅读全文时应核对：两阶段惩罚的具体形式与调参方式、外部汇总统计的整合机制、在英国生物样本库上的样本划分与评估指标、与 Lasso 和 PRS-CS 的比较设置是否公平，以及稀疏性与预测精度权衡的量化证据。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、具体数值结果与实现细节；摘要未说明数据划分、评估指标与统计显著性。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We present a scalable framework for computing polygenic risk scores (PRS) in high-dimensional genomic settings using the recently introduced Univariate-Guided Sparse Regression (uniLasso). UniLasso is a two-stage penalized regression procedure that leverages univariate coefficients and magnitudes to stabilize feature selection and enhance interpretability. Building on its theoretical and empirical advantages, we adapt uniLasso for application to the UK Biobank, a population-based repository comprising over one million genetic variants measured on hundreds of thousands of individuals from the United Kingdom. We further extend the framework to incorporate external summary statistics to increase predictive accuracy. Our results demonstrate that uniLasso attains predictive performance comparable to standard Lasso while selecting substantially fewer variants, yielding sparser and more interpretable models. Moreover, it exhibits superior performance in estimating PRS relative to its competitors, such as PRS-CS. Integrating external scores further improves prediction while maintaining sparsity.