- 3 次围观
如今，同时分析数千种生物学特征已成为常规。然而，将数据转化为可解读的系统行为模型仍是一个根本性瓶颈，因为现有分析通常只能识别逐特征关联，或提取潜在结构，却未将其锚定于界定科学问题的变量。本文提出一种系统层面综合框架，用于学习和预测总体过程，并在不重复使用数据的前提下，可靠地识别参与其中的特征。我们开发了平滑样条方差分析—奇异值分解（Smoothing Spline Analysis of Variance–Singular Value Decomposition），将总体过程建模为名义、顺序和连续协变量及其交互作用的平滑灵活函数。该方法使仅凭协变量进行预测成为可能，同时将测量数据留用于对特征参与情况进行条件推断。在实际应用中，该框架既重现了已确立的生物学发现，也生成了预测和可检验假设。通过将高维变异与协变量联系起来，该框架推动分析超越逐特征关联和无监督模式，迈向能够随生物学背景和实验情境变化的可解读系统层面模型。
同时对数千种生物学特征进行分析已成为常规操作。然而，将数据转化为对系统行为的可解释模型，仍是一个根本性瓶颈，因为当前分析通常只能识别特征层面的关联，或提取潜在结构，却未将其与界定科学问题的变量联系起来。在此，我们提出一种系统层面综合分析框架，用于学习和预测总体过程，并在不重复使用数据的前提下可靠地识别参与其中的特征。我们开发了平滑样条方差分析—奇异值分解方法（Smoothing Spline Analysis of Variance–Singular Value Decomposition），通过名义、顺序和连续协变量及其交互作用的平滑灵活函数来学习总体过程。这使得仅凭协变量进行预测成为可能，同时将测量数据留作条件推断，以识别参与过程的特征。在实际应用中，该框架不仅重现了已确立的生物学发现，还生成了预测结果和可检验的假设。通过将高维变异与协变量相联系，该框架推动分析超越特征层面关联和无监督模式，迈向能够随生物学与实验背景变化的、可解释的系统层面模型。
作者声明不存在利益冲突。
感谢您有意帮助传播 bioRxiv 的信息。
注意：我们仅要求提供您的电子邮箱地址，以确认您是本文的发送者。
关键词：系统生物学 · 高维数据分析 · 统计建模 · 平滑样条方差分析 · 奇异值分解 · 条件推断
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.19.760244v1?rss=1