- 3 次围观
动机：针对数百个相关结局的多变量生存分析在计算上极具挑战性。现有方法要么忽略响应变量之间的相关性，要么依赖黑箱式深度学习模型，要么仅适用于小规模结局。 结果：我们提出了 MMAD-Risk，这是一种新型多变量混合加速失效时间（accelerated failure time，AFT）模型，可实现对高维生存分析数据的可扩展分析。我们采用摊销变分推断训练 MMAD-Risk，并设计了在疾病之间进行因子分解的变分分布，从而能够将多变量疾病风险预测分解为一系列易于处理的一维问题。这使得我们可以对证据下界（ELBO）进行解析计算，从而实现快速计算。该模型对效应大小矩阵进行低秩分解 \(B = VW\)，以捕捉共享的疾病机制，并利用潜在随机效应 \(V z\) 对共病性进行建模。MMAD-Risk 在英国生物样本库药物蛋白质组学队列上进行训练（\(N \approx 55{,}000\)，\(P \approx 3{,}000\) 种蛋白质，\(D = 271\) 种疾病）。在完整的 3,000 种蛋白质数据集上，对于发生在血液样本采集至少 10 年后的诊断，MMAD-Risk 的平均一致性指数（c-index）达到 0.744，优于 Cox 比例风险模型（平均 c-index = 0.709）。贪心式逆向选择确定了一个包含 10 种蛋白质的蛋白质组，其性能保持为完整模型的 99% 以上。在这一精简蛋白质组上，MMAD-Risk 仍然优于 Cox 回归模型（0.738 vs. 0.679）。
动机：针对数百个相关结局的多变量生存分析在计算上极具挑战性。现有方法要么忽略响应变量之间的相关性，要么依赖黑箱式深度学习，要么仅适用于小规模结局。
结果：我们提出了 MMAD-Risk，一种新型多变量混合加速失效时间（AFT）模型，可实现对高维生存分析数据的可扩展分析。我们采用摊销变分推断训练 MMAD-Risk，并对变分分布进行设计，使其在疾病维度上实现因子分解，从而将多变量疾病风险预测分解为一系列易于处理的一维问题。这使我们能够对证据下界（ELBO）进行解析计算，从而实现快速计算。该模型采用效应大小矩阵的低秩分解 \(B = VW^\mathrm{T}\)，以捕捉共享的疾病机制，并利用潜在随机效应 \(Vz_n\) 对共病性进行建模。MMAD-Risk 在 UK Biobank Pharma Proteomics 队列上进行训练（\(N \approx 55000\)，\(P \approx 3000\) 个蛋白质，\(D = 271\) 种疾病）。在完整的 3,000 蛋白质数据集上，对于血液样本采集后至少 10 年发生的诊断，MMAD-Risk 达到 0.744 的平均一致性指数（c-index），优于 Cox 比例风险模型（平均 c-index = 0.709）。贪心式后向选择确定了一个包含 10 种蛋白质的蛋白质组，该蛋白质组保留了完整模型超过 99% 的性能。在这一精简蛋白质组上，MMAD-Risk 仍优于 Cox 回归模型（0.738 对 0.679）。
感谢您有意帮助传播 bioRxiv 的相关信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.16.752074v1?rss=1
🏷️ 血浆蛋白质组学 多变量生存分析 加速失效时间模型 疾病风险预测 变分推断 共病性建模