Bayesian Generalized Low Rank Regression Models for Neuroimaging Phenotypes and Genetic Markers
神经影像表型与遗传标记的贝叶斯广义低秩回归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。
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：摘要的因子结构用于神经影像协方差建模，没有宏观或金融因子方向的文本依据。
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…
神经影像表型与遗传标记的贝叶斯广义低秩回归
- 研究问题
- 响应和协变量都具有高维结构时，如何估计遗传变异与脑影像表型的关联，并识别与具体响应有关的协变量？
- 方法与思路
- 作者以低秩矩阵近似回归系数矩阵，以动态因子模型描述脑影像协方差，并结合局部假设检验与 MCMC 后验计算。
- 材料陈述的贡献
- 摘要称建立了联合处理高维响应和协变量的贝叶斯回归框架，并通过模拟比较及遗传标记与脑区体积应用评估表现。
- 阅读关注点
- 应核对低秩结构与因子协方差的识别、先验和秩选择，以及局部检验如何处理多重比较与后验计算误差。
- 阅读边界
- 摘要未报告具体关联结果、检验误差控制或理论保证，遗传关联不能直接解释为因果效应；索引版本未注明，不能推断刊本变化。
原文摘要
We propose a Bayesian generalized low rank regression model (GLRR) for the analysis of both high-dimensional responses and covariates. This development is motivated by performing searches for associations between genetic variants and brain imaging phenotypes. GLRR integrates a low rank matrix to approximate the high-dimensional regression coefficient matrix of GLRR and a dynamic factor model to model the high-dimensional covariance matrix of brain imaging phenotypes. Local hypothesis testing is developed to identify significant covariates on high-dimensional responses. Posterior computation proceeds via an efficient Markov chain Monte Carlo algorithm. A simulation study is performed to evaluate the finite sample performance of GLRR and its comparison with several competing approaches. We apply GLRR to investigate the impact of 1,071 SNPs on top 40 genes reported by AlzGene database on the volumes of 93 regions of interest (ROI) obtained from Alzheimer's Disease Neuroimaging Initiative (ADNI).