Consistent Bayesian Local Spatial Feature Selection with Application to Spatial Multimodal Omics
一致的贝叶斯局部空间特征选择及其在空间多模态组学中的应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：该文属贝叶斯空间统计与高维特征选择方法，应用为空间多模态组学；用户提供的领域细分均为微观计量、宏观与金融计量方向，无直接对应方向，故不选择。
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…
一致的贝叶斯局部空间特征选择及其在空间多模态组学中的应用
- 研究问题
- 摘要称，研究由空间多模态组学中的高维回归问题所驱动，目标是在空间域内进行局部空间特征选择，即同时识别空间域的连续聚类结构与各聚类内被选中的特征（含协变量与函数基）。
- 方法与思路
- 作者提出贝叶斯框架：引入随机域划分先验，将空间域划分为形状灵活、个数未知的连续聚类；在给定划分下于每个聚类内施加局部特征选择先验。摘要称推导了连接域划分与局部特征选择先验的耦合超参数条件，并据此建立域划分与特征选择的一致性理论与后验收缩速率；同时开发了信息型可逆跳 MCMC 算法用于联合后验抽样。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：提出可同时做局部变量选择与局部基选择的贝叶斯局部空间特征选择框架；给出耦合超参数条件及域划分与特征选择的一致性理论和后验收缩速率；提出高效的信息型可逆跳 MCMC 算法；模拟研究显示其相对现有方法的优势，并在乳腺癌组织 SMO 数据中揭示具生物学意义的空间模式。
- 阅读关注点
- 应核对：耦合超参数条件的具体形式与可验证性；一致性结论所依赖的识别假设、先验与渐近设定；可逆跳 MCMC 的收敛诊断与计算成本；模拟对比的基准方法、评价指标与数据生成机制；SMO 应用中“生物学意义”的具体判据与外部验证方式。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性与适用范围，也无法核实模拟优势的幅度、算法实际效率及生物学解释的可靠性；摘要未说明数据规模、超参数取值与敏感性分析。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Motivated by a high-dimensional regression problem in spatial multimodal omics (SMO), we propose a Bayesian framework for local spatial feature selection, where a random domain partition prior is introduced to divide the spatial domain into several contiguous clusters with flexible shapes and an unknown number of clusters, conditional on which a local feature selection prior is imposed within each cluster. The notion of "feature" is general and may include both covariates and functional bases, allowing the framework to perform both local variable selection and local basis selection, the latter being essential for adaptively approximating spatially varying functions with localized characteristics. We derive coupled hyperparameter conditions linking domain partition and local feature selection priors, under which the consistency theory and posterior contraction rates of both the domain partition and feature selection are established. We develop an efficient informed reversible jump Markov chain Monte Carlo algorithm to address the computational challenges encountered in joint posterior sampling of domain partitions and selected features. Simulation studies demonstrate the effectiveness of the proposed model and algorithm, highlighting its advantages over existing methods. The application of our model to an SMO dataset reveals biologically meaningful spatial patterns within breast cancer tissue.