Skip to Main content Skip to Navigation
Preprints, Working Papers, ...

A mixture model with logistic weights for disease subtyping with integrated genome association study

Résumé : Ce travail propose une méthode pour le sous-typage de maladies à partir de variables cliniques longitudinales et de marqueurs génétiques via un modèle de mélange de régressions, avec des poids logistiques fonctions d'un nombre potentiellement important de variables génétiques. Pour traiter ce problème de grande dimension, la sélection des variables pertinentes est essentielle. Nous proposons donc d'exclure les variables génétiques qui ne seraient pas pertinentes pour la classification en maximisant une vraisemblance pénalisée par le biais d'un algorithme Classification Expectation Maximization. La méthode proposée est validée sur des simulations. L'approche est ensuite mise en application sur des données provenant d'une cohorte de patients atteints de la maladie de Parkinson. Plusieurs sous-types de la maladie ainsi que des variantes génétiques ayant un rôle potentiel dans cette typologie sont ainsi identifiés.
Document type :
Preprints, Working Papers, ...
Complete list of metadatas

Cited literature [47 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-01822237
Contributor : Marie Courbariaux <>
Submitted on : Saturday, July 20, 2019 - 6:13:06 PM
Last modification on : Tuesday, March 17, 2020 - 2:11:00 AM

File

main.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01822237, version 3

Citation

Marie Courbariaux, Christophe Ambroise, Cyril Dalmasso, Marie Szafranski, Memodeep Consortium. A mixture model with logistic weights for disease subtyping with integrated genome association study. 2019. ⟨hal-01822237v3⟩

Share

Metrics

Record views

150

Files downloads

148