Detecting multiple replicating signals using adaptive filtering procedures
利用自适应筛选程序检测多个可重复信号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：摘要讨论跨研究可重复性与多重检验，未提供对应所列计量领域细分的直接证据。
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…
利用自适应筛选程序检测多个可重复信号
- 研究问题
- 当大量信号需要同时检验时，如何识别在多个独立研究中重复出现的信号，并减轻常规多重检验过于保守的问题？
- 方法与思路
- 作者提出 AdaFilter，通过自适应筛选排除不太可能满足重复发现要求的候选，再对部分合取原假设进行多重检验。
- 材料陈述的贡献
- 摘要称，在研究间数据独立的条件下，该程序可控制家族错误率和错误发现率，并在所述比较中提高检验功效。
- 阅读关注点
- 应核对部分合取原假设的定义、筛选与检验阈值、研究内部依赖的处理，以及功效比较所用的信号配置和基准方法。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；研究内依赖条件及有限样本保证未说明，不能将功效优势推广到所有情形。
原文摘要
Replicability is a fundamental quality of scientific discoveries: we are interested in those signals that are detectable in different laboratories, different populations, across time etc. Unlike meta-analysis which accounts for experimental variability but does not guarantee replicability, testing a partial conjunction (PC) null aims specifically to identify the signals that are discovered in multiple studies. In many contemporary applications, for example, comparing multiple high-throughput genetic experiments, a large number M of PC nulls need to be tested simultaneously, calling for a multiple comparisons correction. However, standard multiple testing adjustments on the M PC p-values can be severely conservative, especially when M is large and the signals are sparse. We introduce AdaFilter, a new multiple testing procedure that increases power by adaptively filtering out unlikely candidates of PC nulls. We prove that AdaFilter can control FWER and FDR as long as data across studies are independent, and has much higher power than other existing methods. We illustrate the application of AdaFilter with three examples: microarray studies of Duchenne muscular dystrophy, single-cell RNA sequencing of T cells in lung cancer tumors and GWAS for metabolomics.