Sparse group principal component analysis via double thresholding with application to multi-cellular programs
通过双重阈值实现稀疏组主成分分析：多细胞程序应用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：摘要研究用于基因表达与多细胞程序的稀疏主成分方法，未明确关联所列经济计量细分，不能仅因使用潜在因子而归入宏观因子。
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
通过双重阈值实现稀疏组主成分分析：多细胞程序应用
- 研究问题
- 研究如何利用多细胞程序中的组稀疏与个体稀疏结构，从高维基因表达数据中更有效地估计协调表达模式并检测信号。
- 方法与思路
- 作者提出稀疏组主成分分析，在幂迭代中先进行组阈值筛选基因组，再通过个体阈值选择活跃细胞类型，并开展模拟及应用。
- 材料陈述的贡献
- 摘要称算法具有 O(np) 线性计算复杂度，并给出一致性及收敛率保证；模拟与狼疮研究展示估计和信号检测表现。
- 阅读关注点
- 应核对复杂度对应单次迭代还是完整算法、稀疏结构及信号条件，以及收敛率比较基准和狼疮应用中的差异检测程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明理论条件与比较数值，其效率和统计优势仍需结合全文设定判断。
原文摘要
Multi-cellular programs (MCPs) are coordinated patterns of gene expression across interacting cell types that collectively drive complex biological processes such as tissue development and immune responses. While MCPs are typically estimated from high-dimensional gene expression data using methods like sparse principal component analysis or latent factor models, these approaches often suffer from high computational costs and limited statistical power. In this work, we propose Sparse Group Principal Component Analysis (SGPCA) to estimate MCPs by leveraging their inherent group and individual sparsity. We introduce an efficient double-thresholding algorithm based on power iteration. In each iteration, a group thresholding step first identifies relevant gene groups, followed by an individual thresholding step to select active cell types. This algorithm achieves a linear computational complexity of $O(np)$, making it highly efficient and scalable for large-scale genomic analyses. We establish theoretical guarantees for SGPCA, including statistical consistency and a convergence rate that surpasses competing methods. Through extensive simulations, we demonstrate that SGPCA achieves superior estimation accuracy and improved statistical power for signal detection. Furthermore, We apply SGPCA to a Lupus study, discovering differentially expressed MCPs distinguishing Lupus patients from normal subjects.