MARC

 008260126s2025        us                              c    eng  d
■001000017357915
■00520260202103617
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291555965
■035    ▼a(MiAaPQ)AAI32044836
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aXia,  Kai.
■24510▼aScalable  Statistical  Analysis  and  Improved  Missing  Data  Imputation  for  High-Dimensional  Omics  Data
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a118  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Zou,  Fei;Zhao,  Bingxin.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aDue  to  the  special  structure  of  large  p  and  small  n,  with  covariance  structures  between  subjects  in  the  current  generation  omics  dataset,  many  statistical  and  computational  algorithms  face  challenges  of  scalability  in  higher  dimension.We  develop  novel  approaches  to  solve  three  particular  problems  in  high-dimensional  settings:  i)  scale-up  the  computational  efficiency  of  association  analysis  in  twin  studies;  2)  improve  the  imputation  performance  for  omics  data  by  combining  existing  algorithm;  3)  develop  novel  imputation  algorithm  via  transfer-learning  and  fine-tuning  approaches  to  address  the  block-missing  problem  in  cross-omics  cohort  studies.In  the  first  project,  we  address  a  common  problem  in  twin  studies  that  have  been  widely  used  in  researches  of  inheritable  diseases  and  traits.  GWAS  of  multiple  traits,  such  as  eQTL  studies  in  twins,  requires  association  tests  between  thousands  of  transcripts  and  millions  of  single  nucleotide  polymorphisms  (SNPs).  Standard  methods  such  as  mixed-effects  models  are  extremely  computationally  inefficient  and  impractical  in  the  current  generation  of  computers.  We  introduce  TwinEQTL,  a  computationally  efficient  alternative  to  commonly  used  mixed  effects  models  in  the  analysis  of  eQTL  and  GWAS  in  twin  studies.In  the  second  project,  we  move  to  missing  data  problem.  Missing  data  is  a  common  problem  in  various  randomized  and  observational  studies.  Several  approaches  have  been  developed  to  handle  missing  data,  and  recently  multiple  imputation  has  become  increasingly  popular.  Relying  on  the  sophisticated  associations  among  the  variables  in  high-dimensional  setting,  we  propose  a  novel  two-phase  approach  to  impute  the  missing  entries  by  combining  existing  imputation  algorithms.  The  proposed  method  can  impute  continuous  data  in  high-dimensional  space  and  has  robust  performance  in  different  levels  of  missing  rate.In  the  final  project,  we  aim  to  address  the  persistent  issue  of  block-missingness  in  omics  data  by  leveraging  pre-trained  machine  learning  models  for  imputation,  drawing  on  knowledge  from  large,  existing  multi-omics  datasets.  Our  approach  utilizes  existing  large-scale  cross-omics  studies  and  advanced  machine  learning  algorithms  to  build  robust  and  efficient  models  that  can  be  pre-trained  and  fine-tuned  for  application  to  new  datasets.  Using  transfer  learning,  we  adapt  and  apply  intricate  patterns  and  dependencies  learned  from  external  data  sources,  enabling  more  accurate  and  context-aware  imputation  in  target  studies.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aBioinformatics
■650  4▼aGenetics
■653    ▼aSingle  nucleotide  polymorphisms
■653    ▼aOmics  data
■653    ▼aMissing  data  imputation
■653    ▼aHigh  dimensional  setting
■690    ▼a0308
■690    ▼a0800
■690    ▼a0369
■690    ▼a0715
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357915▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서