008240612s2023      us  |||||||||||||||c||eng  d
■001000016933381
■00520240214101240
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379958459
■035    ▼a(MiAaPQ)AAI30528319
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aSamorodnitsky,  Sarah  Nathalie.
■24510▼aBayesian  Dimension  Reduction  and  Prediction  With  Multiple  Datasets▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Minnesota.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(152  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Lock,  Eric  F.
■5021  ▼aThesis  (Ph.D.)--University  of  Minnesota,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aBiomedical  investigators  are  increasingly  able  to  collect  multiple  sources  of  omics  data  in  pursuit  of  the  understanding  of  disease  pathogenesis.  Integrative  factorization  methods  for  multi-omic  datasets  have  been  developed  to  reveal  latent  biological  patterns  driving  variation  among  the  observations.  However,  few  methods  can  accommodate  prediction  for  clinical  or  biological  outcomes  within  datasets  having  this  complex  structure.  In  Chapter  2,  we  propose  a  framework  for  dimension  reduction  and  prediction  in  the  context  of  multi-omic,  multi-cohort  (bidimensional)  datasets.  We  also  extend  the  oft-used  Bayesian  variable  selection  approach,  the  spike-and-slab  prior,  to  accommodate  hierarchical  variable  selection  across  multiple  regression  models.  We  applied  this  framework  to  multi-omic  data  from  the  Cancer  Genome  Atlas  to  predict  overall  survival  across  disparate  cancer  types.  We  identified  multi-omic  biological  patterns  related  to  survival  that  persist  across  multiple  cancers.  In  Chapter  3,  we  proposed  a  Bayesian  framework  to  perform  either  integrative  factorization  or  simultaneous  factorization  and  prediction,  which  we  term  Bayesian  Simultaneous  Factorization  and  Prediction  (BSFP).  BSFP  concurrently  estimates  latent  factors  driving  variation  within  and  across  omics  datasets  while  estimating  their  effects  on  an  outcome,  providing  a  complete  framework  for  uncertainty.  We  show  via  simulation  the  importance  of  accounting  for  uncertainty  in  the  estimated  factorization  within  the  predictive  model  and  the  flexibility  of  this  framework  for  multiple  imputation.  We  also  apply  BSFP  to  metabolomic  and  proteomic  data  to  predict  lung  function  decline  among  individuals  living  with  HIV.  Finally,  in  Chapter  4,  we  extend  the  framework  described  in  Chapter  3  to  accommodate  simultaneous  factorization  and  prediction  using  bidimensional  data,  i.e.  across  multiple  omics  sources  and  multiple  sample  cohorts,  which  we  term  multi-cohort  BSFP,  or  MCBSFP.  We  evaluate  the  performance  of  this  framework  in  recovering  latent  variation  structures  via  simulation  and  we  use  this  model  to  reanalyze  the  proteomic  and  metabolomic  data  from  the  study  considered  in  Chapter  3.
■590    ▼aSchool  code:  0130.
■650  4▼aBiostatistics.
■650  4▼aOncology.
■650  4▼aBioinformatics.
■653    ▼aBayesian  hierarchical  modeling
■653    ▼aBidimensionally-linked  matrices
■653    ▼aIntegrative  factorization
■653    ▼aMulti-omics
■653    ▼aSpike-and-slab  priors
■690    ▼a0308
■690    ▼a0992
■690    ▼a0715
■71020▼aUniversity  of  Minnesota▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0130
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933381▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024