Combining Bayesian and Frequentist Inference for Laboratory-Specific Performance Guarantees in Copy Number Variation Detection
结合贝叶斯与频率派推断：拷贝数变异检测中的实验室特异性性能保证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：摘要属于生物统计与诊断方法学，涉及贝叶斯与频率派推断的校准，未涉及所提供领域细分中的因果推断、面板数据、时间序列或金融计量等方向。
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
结合贝叶斯与频率派推断：拷贝数变异检测中的实验室特异性性能保证
- 研究问题
- 摘要关注如何在靶向扩增子面板上为拷贝数变异检测提供逐基因的频率派性能保证，包括覆盖率和最小可检测拷贝数变化；作者指出贝叶斯可信区间难以直接转化为临床验证所需的群体层面保证。
- 方法与思路
- 作者提出混合框架：在验证样本上评估贝叶斯后验泛函，用 Gamma 分布对平方损失建模，从而构造具有有效频率派覆盖的容忍区间；并加入无需真实标签的插补、针对小样本的正则化，以及基于对数模型证据的分层。
- 材料陈述的贡献
- 摘要称该方法在两组靶向扩增子面板上以留一交叉验证评估，在过程匹配与不匹配条件下所有基因的平均绝对覆盖误差均为个位数，而贝叶斯对照在 ERBB2 等临床相关基因上平均绝对误差超过 60%。
- 阅读关注点
- 阅读全文时应核对：容忍区间的覆盖保证依赖哪些假设；插补与分层是否引入未说明的识别条件；留一交叉验证的具体设计与样本量；Gamma 损失建模的拟合诊断；以及对照方法实现是否公平。
- 阅读边界
- 仅凭摘要无法判断方法的实际覆盖性质、假设是否成立、结果是否可复现，也无法确认其在其他面板或平台上的表现；摘要未说明具体样本量、基因数量与阈值设定。
原文摘要
Targeted amplicon panels are widely used in oncology diagnostics, but providing per-gene performance guarantees for copy number variant (CNV) detection remains challenging due to amplification artifacts, process-mismatch heterogeneity, and limited validation sample sizes. While Bayesian CNV callers naturally quantify per-sample uncertainty, translating this into the frequentist population-level guarantees required for clinical validation, coverage rates, false-positive bounds, and minimum detectable copy-number changes, is a fundamentally different inferential problem. We show empirically that even robust Bayesian credible intervals, including coarsened posteriors and sandwich-adjusted intervals, are severely miscalibrated on panels with small amplicon counts per gene. To address this, we propose a hybrid framework that evaluates Bayesian posterior functionals on validation samples and models the resulting squared losses with a Gamma distribution, yielding tolerance intervals with valid frequentist coverage. Three components make the method practical under real-world constraints: (1) imputation that removes the influence of true CNV-positive samples without requiring known ground truth, (2) regularization to address small sample variability, and (3) evidence-based stratification on the log model evidence to accommodate non-exchangeable noise profiles arising from process mismatch. Evaluated on two targeted amplicon panels using leave-one-out cross-validation, the proposed method achieves single-digit mean absolute coverage error across all genes under both process-matched and unmatched conditions, whereas Bayesian comparators exhibit mean absolute errors exceeding 60\% on clinically relevant genes such as ERBB2.