Modeling Dependence in Omics Association Analysis via Structured Co-Expression Networks to Improve Power and Replicability
利用结构化共表达网络建模组学关联分析中的依赖性以提升检验功效与可重复性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：摘要聚焦组学高维变量依赖建模与统计推断方法，属于统计学/生物信息学方法议题，与所列微观、宏观、金融领域细分无直接文本对应，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…
关注这篇论文的作者
利用结构化共表达网络建模组学关联分析中的依赖性以提升检验功效与可重复性
- 研究问题
- 摘要称，组学数据分析中高维变量间存在结构化的相关/共表达模式，但现有方法（如差异表达分析）很少显式处理这种结构化依赖，因此研究问题是如何在组学关联分析中准确刻画变量间依赖以改善统计推断。
- 方法与思路
- 作者提出共表达网络多元回归（CoReg），将共表达网络结构整合进多元回归分析，用以刻画组学变量之间的相互相关（依赖）；摘要称通过模拟评估其表现。
- 材料陈述的贡献
- 摘要称模拟结果显示 CoReg 显著提升统计推断的准确性与跨研究可重复性，并提出它可作为组学关联分析中依赖调整的替代方法，类比混合效应模型在低维重复测量中的作用。
- 阅读关注点
- 应核对共表达网络结构如何被估计或给定、识别与推断假设、模拟设计（维度、样本量、网络设定、对照方法）以及可重复性的具体度量方式；摘要未说明这些细节。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文；这是预印本，不能据此声称已同行评审或期刊接收；摘要未给出真实数据应用、理论保证与具体数值结果。
原文摘要
Accounting for dependence among high-dimensional variables in omics data analysis is critical to obtain accurate and reliable statistical inference. Although latent, omics variables often exhibit structured correlation/co-expression patterns. However, there are few methods explicitly accounting for such structured dependence in the statistical analysis of omics data (e.g., differential expression analysis). To address this methodological gap, we propose a Co-expression network multivariate Regression (CoReg), which integrates co-expression network structure into multivariate regression analysis to precisely account for the inter-correlations (dependence) among omics variables. We show in simulations that CoReg substantially improves the accuracy of statistical inference and replicability across studies. These findings suggest that CoReg provides an alternative approach for omics data association analysis with dependence adjustment, analogous to the role of mixed-effects models in handling repeated measures in lower-dimensional settings.