Log-Linear Models for Gene Association
用于基因关联分析的对数线性模型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。
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：摘要中的网络成分属于基因交互建模，未明确涉及经济网络、干扰效应或所列其他细分方向。
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…
用于基因关联分析的对数线性模型
- 研究问题
- 如何从高维基因组数据中检测交互结构，同时减轻数据标准化问题，并限制获得较高后验概率的交互成分数量？
- 方法与思路
- 作者将个体内观测秩离散化为列联表，构建对数线性模型，以 Ewens 抽样分布设置先验，并用似然比统计量近似加速模型选择。
- 材料陈述的贡献
- 摘要称，该方法形成了可用于高维基因交互检测的贝叶斯选择算法，并通过已知交互结构的模拟和具有生物确认的微阵列研究验证。
- 阅读关注点
- 阅读时应核对秩离散化对交互信息的影响、先验如何限制模型复杂度、后验概率近似误差，以及生物确认覆盖哪些检测结果。
- 阅读边界
- 材料为稿件版本未注明的 OpenAlex 索引摘要；摘要未说明误检控制、离散化敏感性或效率数值，生物确认也不能支持所有关联的因果解释。
原文摘要
We describe a class of log-linear models for the detection of interactions in high-dimensional genomic data. This class of models leads to a Bayesian model selection algorithm that can be applied to data that have been reduced to contingency tables using ranks of observations within subjects, and discretization of these ranks within gene/network components. Many normalization issues associated with the analysis of genomic data are thereby avoided. A prior density based on Ewens' sampling distribution is used to restrict the number of interacting components assigned high posterior probability, and the calculation of posterior model probabilities is expedited by approximations based on the likelihood ratio statistic. Simulation studies are used to evaluate the efficiency of the resulting algorithm for known interaction structures. Finally, the algorithm is validated in a microarray study for which it was possible to obtain biological confirmation of detected interactions.