Robust Detection and Identification of Sparse Segments in Ultrahigh Dimensional Data Analysis
超高维数据中稀疏区段的稳健检测与识别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：摘要明确面向基因序列稀疏区段识别，未提供宏观结构变化或其他所列方向的直接依据。
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…
关注这篇论文的作者
超高维数据中稀疏区段的稳健检测与识别
- 研究问题
- 在长线性数据序列中，噪声分布未指定时，如何检测并定位稀疏短区段信号，尤其是基因拷贝数变异？
- 方法与思路
- 作者提出计算高效的稳健区段识别方法，刻画信号可检测条件，并以多种噪声模拟和基因拷贝数分析展示方法。
- 材料陈述的贡献
- 摘要称，该方法在广泛噪声分布下近乎最优，且当区段存在能够被检测时，可近乎最优地估计相应信号区段。
- 阅读关注点
- 应核对允许的噪声分布与依赖结构、检测边界和定位损失定义，并区分存在性检测与区段估计的理论条件。
- 阅读边界
- 仅据所给Crossref摘要，稳健性范围、近乎最优的精确定义和模拟数值未说明；基因序列区段不能直接视为宏观结构变化。
原文摘要
Summary Copy number variants (CNVs) are alternations of DNA of a genome that result in the cell having less or more than two copies of segments of the DNA. CNVs correspond to relatively large regions of the genome, ranging from about one kilobase to several megabases, that are deleted or duplicated. Motivated by CNV analysis based on next generation sequencing data, we consider the problem of detecting and identifying sparse short segments hidden in a long linear sequence of data with an unspecified noise distribution. We propose a computationally efficient method that provides a robust and near optimal solution for segment identification over a wide range of noise distributions. We theoretically quantify the conditions for detecting the segment signals and show that the method near optimally estimates the signal segments whenever it is possible to detect their existence. Simulation studies are carried out to demonstrate the efficiency of the method under various noise distributions. We present results from a CNV analysis of a HapMap Yoruban sample to illustrate the theory and the methods further.