Data Shared Neighbourhood Selection for multi-condition network inference
用于多条件网络推断的数据共享邻域选择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：摘要研究分子条件关联网络，未涉及微观经济网络、因果干扰或其他所列计量方向，故不强行归类。
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…
用于多条件网络推断的数据共享邻域选择
- 研究问题
- 如何联合估计相关条件下分子之间保留与改变的条件关联结构，以区分共享关联和条件特异变化并保持计算效率？
- 方法与思路
- 作者将邻域选择与Data Shared Lasso结合，把节点回归系数分解为共享部分及稀疏条件偏离，并调整StARS选择正则化参数。
- 材料陈述的贡献
- 摘要报告多种网络扰动模拟中的计算与估计表现，并在肺癌诊断前蛋白组数据中发现涉及既有风险标志物等蛋白的关联变化。
- 阅读关注点
- 核对共享与特异分解的约束、双参数稳定性选择方式及模拟比较条件，检查应用中的网络差异如何与疾病风险相联系。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收；条件关联不等于因果关系，摘要未给出完整比较数值。
原文摘要
External stresses may affect both the circulating levels of specific biomarkers and disturb the correlation structures across molecular entities. The contribution of both types of dysregulations to the subsequent risk of disease are yet to be evaluated. We propose Data Shared Neighbourhood Selection (DSNS), a joint network inference method for estimating preserved and altered conditional association structures across related conditions. DSNS combines neighbourhood selection with the Data Shared Lasso decomposition, representing each nodewise regression coefficient as the sum of a shared component and a sparse condition-specific deviation. This provides an interpretable decomposition of molecular associations while retaining the computational advantages of neighbourhood selection. We also adapt the Stability Approach to Regularisation Selection (StARS) to this two-parameter joint estimation setting. In simulations involving sparse, hub-based and rewiring perturbation mechanisms, DSNS matched the best joint estimation methods for two conditions and outperformed them as the number of conditions increased, while remaining substantially faster than graphical lasso frameworks. Applied to prediagnostic inflammatory proteomic data from future lung cancer cases and matched controls in the EPIC-Italy and NOWAC cohorts, DSNS highlighted altered associations involving CDCP1 and IL10, two established lung cancer risk markers, as well as differential associations involving proteins not selected by risk models.