基于稀疏表示變量選擇方法的影像遺傳學數據分析

謝忠翔，武杰，項華中

上海理工大學醫療器械與食品學院，上海200093

前言

在信號恢復和重要成分識別等應用中，稀疏表示（包括壓縮感知）受到了研究者的關注，該方法最主要的一個特點是：要恢復的信號或要檢測的重要成分數量通常等于樣本數［1-2］。然而，在基因組數據或生物醫學成像數據分析中，樣本數量通常遠遠少于變量數量。由于現有壓縮感知方法不能直接應用于這些數據進行變量選擇［3-4］，因此，本研究在傳統稀疏回歸模型基礎上，改進了它在不同范數條件下進行變量選擇能力，形成一種基于稀疏表示變量選擇算法（Sparse Representation-based Variable Selection Algorithm,SRVS），且結果表明，SRVS 能更準確地選擇精神分裂癥影像遺傳學特征，篩選有效性更高。

本研究利用基于稀疏回歸模型的SRVS，改變Lp（p=0、0.5 和1）范數，對208 名受試者（96 名精神分裂癥患者和112 名健康對照者）的41 236 個功能磁共振成像（function Magnetic Resonance Imaging,fMRI）體素和722 177 個單核苷酸多態性（Single Nucleotide Polymorphisms,SNP）進行聯合分析，以識別精神分裂癥影像遺傳學特征。精神分裂癥是一種復雜疾病，它是由多種遺傳因素（如基因調控的改變、mRNA和SNP 的改變）和環境效應相互作用的結果［5-6］。近年來，許多研究集中于探索與精神分裂癥相關的關鍵基因或SNP［7］。除了遺傳學研究，fMRI還為精神分裂癥的研究增加了一個維度，因為fMRI能夠識別精神分裂癥患者大腦區域的結構和功能異常。然而，在大多數研究中，fMRI和SNP 都是分開單獨分析［8］。本研究將結合fMRI和SNP，使用SRVS來選擇精神分裂癥的影像遺傳學特征。

1 資料與方法

1.1 一般資料

本研究采用由Mind Clinical Imaging Consortium（MCIC）收集的數據，所選取的數據均符合《美國精神障礙診斷與統計手冊》第4 版（DISM-IV）精神分裂癥診斷標準［9］。……