Optimal Sparse Segment Identification With Application in Copy Number Variation Analysis
稀疏信号段的最优识别及其拷贝数变异应用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。
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：摘要研究基因序列中的稀疏信号段检测，未明确提出所列领域中的结构变化或经济时间序列问题。
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
稀疏信号段的最优识别及其拷贝数变异应用
- 研究问题
- 在高斯白噪声污染的长一维序列中，当短信号段的数量、长度和位置均未知时，何种信号可以被可靠地区分并识别？
- 方法与思路
- 作者刻画信号段的可识别区域，提出高效的似然比选择程序，并以模拟及高密度 SNP 数据的拷贝数变异分析展示方法。
- 材料陈述的贡献
- 摘要称，该程序在信号处于可识别区域时能渐近区分信号与噪声，具有相应最优性，并在比较中提升真实信号段的检测功效。
- 阅读关注点
- 应核对可识别区域的信号强度与长度条件、似然比筛选和阈值规则，以及最优性的风险标准、稀疏设定和功效比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；可识别边界公式和最优性条件未说明，高斯白噪声下结果不能自动适用于相关噪声。
原文摘要
Motivated by DNA copy number variation (CNV) analysis based on high-density single nucleotide polymorphism (SNP) data, we consider the problem of detecting and identifying sparse short segments in a long one-dimensional sequence of data with additive Gaussian white noise, where the number, length and location of the segments are unknown. We present a statistical characterization of the identifiable region of a segment where it is possible to reliably separate the segment from noise. An efficient likelihood ratio selection (LRS) procedure for identifying the segments is developed, and the asymptotic optimality of this method is presented in the sense that the LRS can separate the signal segments from the noise as long as the signal segments are in the identifiable regions. The proposed method is demonstrated with simulations and analysis of a real data set on identification of copy number variants based on high-density SNP data. The results show that the LRS procedure can yield greater gain in power for detecting the true segments than some standard signal identification methods.