Predicting Viral Infection From High-Dimensional Biomarker Trajectories
利用高维生物标志物轨迹预测病毒感染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：摘要明确采用动态因子分析压缩高维时间轨迹，分类依据是因子模型方法，应用对象为生物标志物。
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
利用高维生物标志物轨迹预测病毒感染
- 研究问题
- 如何在生物标志物数量远超受试者数量、感染起始时间未知且部分人未感染时，利用时间轨迹预测潜在感染状态？
- 方法与思路
- 作者提出时间对齐的贝叶斯动态因子分析，以低维潜在因子描述基因轨迹，并用非参数治愈率模型处理潜在感染起始时间。
- 材料陈述的贡献
- 摘要称该框架可选择病毒响应相关基因，并在留出数据中无须状态标签、于临床症状出现前预测感染，还提供因子的生物学解释。
- 阅读关注点
- 应核对潜在起始时间与动态因子的可辨识性、未感染者的建模方式，以及无标签预测、留出验证和提前预测的具体定义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明预测准确率、提前时间或验证划分，无法判断其他感染场景中的适用性。
原文摘要
There is often interest in predicting an individual's latent health status based on high-dimensional biomarkers that vary over time. Motivated by time-course gene expression array data that we have collected in two influenza challenge studies performed with healthy human volunteers, we develop a novel time-aligned Bayesian dynamic factor analysis methodology. The time course trajectories in the gene expressions are related to a relatively low-dimensional vector of latent factors, which vary dynamically starting at the latent initiation time of infection. Using a nonparametric cure rate model for the latent initiation times, we allow selection of the genes in the viral response pathway, variability among individuals in infection times, and a subset of individuals who are not infected. As we demonstrate using held-out data, this statistical framework allows accurate predictions of infected individuals in advance of the development of clinical symptoms, without labeled data and even when the number of biomarkers vastly exceeds the number of individuals under study. Biological interpretation of several of the inferred pathways (factors) is provided.