In dieser Arbeit schlagen wir eine flexible bayesianische Inferenz vor, um signifikant mit der Zielvariable korrelierte hochdimensionale Funktionen zu identifizieren. Dies stellt eine Herausforderung dar, da die Beziehung zwischen der Zielvariable und hochdimensionalen Funktionen unbekannt und aufgrund der Abhängigkeit zwischen den hochdimensionalen Funktionen komplex ist. Beispielsweise ist in der genetischen Signalweganalyse ein Pathway eine Gruppe von Genen, die eine bestimmte zelluläre oder physiologische Funktion erfüllen. Ein Pathway ist eine hochdimensionale Funktion von Genen. Eine Pathway-basierte Analyse kann subtile Veränderungen der Expressionsniveaus erkennen, die mittels einer genbasierten Analyse nicht nachweisbar sind. Diese Signalwege sind jedoch nicht unabhängig voneinander. Da das klinische Outcome von mehreren Pathway-Sets beeinflusst wird, ist es ungeeignet, Sets mittels Marginalanalysen wie etwa einer Einzel-Pathway-Analyse zu modellieren. Die Schätzung von Set-Effekten auf Basis eines einzelnen Sets ignoriert die Tatsache, dass Sets miteinander interagieren, und führt somit zu falsch-positiven oder falsch-negativen Ergebnissen. In dieser Arbeit schlagen wir eine generalisierte Fused-Kernel-Machine-Regression vor, um signifikant mit der Zielvariable korrelierte hochdimensionale Funktionen zu testen, bei denen es sich entweder um stetige oder binäre Variablen handeln kann. Wir entwickeln eine datengestützte, flexible bayesianische Inferenz zur Adjustierung multipler Tests unter Verwendung des Bayes-Faktors, die Abhängigkeiten über eine einfache, aber flexible Struktur abbildet. Die Vorteile unserer Methode werden anhand einer Simulationsstudie und unserer motivierenden Daten zur genetischen Signalweganalyse im Zusammenhang mit Typ-II-Diabetes veranschaulicht.
Jin et al. (Sun,) untersuchten diese Fragestellung.