1简介

2sparsenetgls R包

“sparsenetgls”包中包含的主要函数有:

1. path_result_for_roc(): path_result_for_roc函数用于将高斯图模型(GGM)的预测精度与真实图结构进行比较时产生诊断指标。GGM必须使用L-p范数正则化(p=1,2)，其系列解以正则化参数为条件。一系列精度矩阵的评估结果返回列表包括敏感性/特异性/阴性预测值/阳性预测值。

2. plot_roc():用于生成接收者操作特征曲线(Receiver operating Characteristics, ROC)，以可视化高斯图模型(Gaussian Graphical model, GGM)对真实图结构的预测精度。GGM必须使用L-p范数正则化(p=1,2)，其系列解以正则化参数为条件。

3. sparsenetgls():它是为多元回归设计的，给定多元高斯分布响应的惩罚和/或正则化精度和协方差矩阵。采用广义最小二乘回归推导解释变量回归系数的夹心方差-协方差矩阵，条件是精度和协方差矩阵的解。

4. plotsngls():用于提供gls回归中被罚参数lambda和回归系数方差的折线图。给出了惩罚路径上精度矩阵解的图结构。

3.安装

有两种安装方式:

install.packages("BiocManager")::install("sparsenetgls")

devtools: install_github(“superOmics / sparsenetgls”)库(sparsenetgls)

4主要函数的使用说明和示例

下一节将提供使用存储在R数据文件中的已知精度矩阵的示例:bandprec.rdata。这些例子包括:

1. 评价了由sparsenetgls给出的高斯图模型的结果;

2. 使用sparsenetgls从多元回归中估计回归系数，并使用最小方差信息准则来选择回归系数;

3. 可视化sparsenetgls的结果;

4. 使用不同的选项:“lasso”，“mb”和“elastic”用于gls中的GGM。

示例1包含用于评估sparsenetgls函数的GGM结果的代码。前12行是模拟给定已知精度矩阵和一组解释变量的响应变量数据集。sparsenetgls函数的返回列表包括由其中一个GGM选项生成的一系列精度矩阵(由方法指定)。在plot_roc中，ngroup和group选项都指示评估结果是针对一组GGM还是仅针对一个GGM系列。

library(MASS) library(Matrix) library(sparsenetgls) #模拟数据集数据(bandprec, package="sparsenetgls") varKnown <- solve(as.matrix(bandprec)) prec <- as.matrix(bandprec) Y0 <- mvrnorm(n=100, mu=rep(0,50)， Sigma=varKnown) nlambda=10 #u-beta u <- rep(1,8) X_1 <- mvrnorm(n=100, mu=rep(0,8)， Sigma=Diagonal(8,rep(1,8))) Y_1 <- Y0+as.vector(X_1%*%as.matrix(u)) databand_X=X_1 databand_Y=Y_1 #生成精度矩阵omega <- sparsenetgls(responsedata=databand_Y, predictdata=databand_X，nlambda=10, ndist=1, method="glasso")$PREC_seq

输入被标识为协方差矩阵。##进行图形套索(glasso)与无损筛选....进行中:9%进行图形套索(玻璃)与无损筛选....进行中:19%使用无损筛选进行图形套索(glasso) ....进行中:30%进行图形套索(玻璃)与无损筛选....进行中:40%进行图形套索(玻璃)与无损筛选....进行中:50%进行图形套索(玻璃)与无损筛选....进行中:60%进行图形套索(glasso)和无损筛选....进行中:70%进行图形套索(玻璃)与无损筛选....正在进行:80% ##进行图形套索(glasso)....完成。

omega_est <- array(dim=c(50,50,10)) for (i in seq_len(10)) omega_est[，，i] <- as.matrix(omega[[i]]) roc_path_result <- path_result_for_roc(PREC_for_graph=prec, OMEGA_path=omega_est, pathnumber=10)

# # $ # #敏感性[1]0 # # # # # # $特异性NPV美元[1]1 # # # # # # # # # # $ 0.96 [1]PPV # #[1]南# # # # $ # #敏感性[1]0 # # # # # # $特异性NPV美元[1]1 # # # # # # # # # # $ 0.96 [1]PPV # #[1]南# # # # $ # #敏感性[1]0.02040816 # # # # # # $特异性NPV美元[1]1 # # # # # # # # # # $ 0.9607843 [1]PPV # #[1] # # 1 # # # # $敏感性[1]# # 1 # # # # $特异性[1]0.9115646 # # # # # # NPV PPV[1] 1 # # # # $ # #[1] 0.3202614 # # # # $ # #敏感性[1]1 # # # # $特异性# # # # # # $ 0.5238095 [1]NPV# # PPV[1] 1 # # # # $ # #[1] 0.08045977 # # # # $ # #敏感性[1]# # 1 # # # # $特异性[1]0.1904762 # # # # # # NPV PPV[1] 1 # # # # $ # #[1] 0.04895105 # # # # $ # #敏感性[1]# # 1 # # # # $特异性[1]0.05612245 # # # # # # NPV PPV[1] 1 # # # # $ # #[1] 0.04227783 # # # # $ # #敏感性[1]# # 1 # # # # $特异性[1]0.0127551 # # # # # # NPV PPV[1] 1 # # # # $ # #[1] 0.04049587 # # # # $ # #敏感性[1]# # 1 # # # # $特异性[1]0.004251701 # # # # # # NPV PPV [1] 1 # # # # $ # # # # # # 0.04016393 [1]$ # #敏感性[1]# # 1 # # # # $特异性[1]0.00170068 # # # # $ NPV # # PPV [1] 1 # # # # $ # # 0.04006541 [1]

plot_roc(result_assessment=roc_path_result, group=FALSE, ngroup=0, est_names="glasso estimation")

例2提供了使用“glasso”方法从sparsenetgls中推导回归系数以估计GGM的精度矩阵的代码。函数convertbeta()是将回归系数从标准化比例尺转换为原始比例尺。转换后的代码是选择方差最小的beta, aic或bic。

fitgls <- sparsenetgls(databand_Y, databand_X, nlambda=10, ndist=5, method="glasso")

输入被标识为协方差矩阵。##进行图形套索(glasso)与无损筛选....进行中:9%进行图形套索(玻璃)与无损筛选....进行中:19%使用无损筛选进行图形套索(glasso) ....进行中:30%进行图形套索(玻璃)与无损筛选....进行中:40%进行图形套索(玻璃)与无损筛选....进行中:50%进行图形套索(玻璃)与无损筛选....进行中:60%进行图形套索(glasso)和无损筛选....进行中:70%进行图形套索(玻璃)与无损筛选....正在进行:80% ##进行图形套索(glasso)....完成。

#将回归系数转换为其原始规模q <- dim(databand_X)[2] nlambda=10 betagls <- matrix(nrow=nlambda, ncol=q+1) for (i in seq_len(nlambda)) betagls[i，] <- convertbeta(Y=databand_Y, X=databand_X, q=q+1, beta0=fitgls$beta[，i])$betaconv # beta选择#选择lambda和基于beta ndist <- max(fitgls$power)-1 tr_gamma <- matrix(nrow=10，ncol=ndist-1) for (j in seq_len(nlambda -1)) for (i in seq_len(nlambda)) tr_gamma[i,j] <- (sum(diag(fitgls$covBeta[，，j,i]))) select.lambda.dist <- where (tr_gamma==min(tr_gamma)， arr.ind=TRUE) select.lambda.dist

## ## # [1，] 10

Betagls_select <- betagls[select.lambda. xml]dist[1]，] #行是lambda，列是dist varbeta <- diag(fitgls$covBeta[，，ndist,select.lambda.dist[1]]) ##根据AIC和BIC选择lambda和dist值。dist2 <- where (fitgls$bic==min(fitgls$bic,na.rm=TRUE)， arr.ind=TRUE)dist3 <- which(fitgls$aic==min(fitgls$aic,na.rm=TRUE)， arr.ind=TRUE) varbeta_bic <- diag(fitgls$covBeta[，，ndist,select. lamba .dist2[1]]) varbeta_aic <- diag(fitgls$covBeta[，，ndist,select. lamba .dist3[1]])

例3是通过从sparsenet对象导出的精度矩阵的线状图和结构图来可视化结果。

plotsngls (fitgls ith_lambda = 5)

例4提供了在sparsenetgls中使用不同选项估算GGM的示例。

#使用glasso方法估计精度矩阵fitgls_g <- sparsenetgls(databand_Y, databand_X, nlambda=10, ndist=5, method="elastic") #使用lasso方法估计精度矩阵#fitgls_l <- sparsenetgls(databand_Y, databand_X, nlambda=10, ndist=5， #method="lasso") #使用Meinshausen B?hlmann方法近似精度矩阵#fitgls_m <- sparsenetgls(databand_Y, databand_X, nlambda=10, ndist=5， #method="mb")

5sessionInfo

本插图中的所有输出都是在以下条件下产生的:

sessionInfo ()

## R版本4.2.0 RC (2022-04-19 r82224) ##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 20.04.4 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.15-bioc/R/lib/libRblas。/home/biocbuild/bbs-3.15-bioc/R/lib/libRlapack。所以## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= c# # [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 ## [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# # [9] LC_ADDRESS=C lc_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基础包:## [1]stats graphics grDevices utils datasets methods基础## ##其他附加包:## [1]sparsenetgls_1.14.0 Matrix_1.4-1 MASS_7.3-57 ## [4] rmarkdown_2.14 knitr_1.38 BiocStyle_2.24.0 ## ##通过命名空间加载(且未附加):## [4] BiocManager_1.30.17 jquerylib_0.1.4 highr_0.9 ## [7] iterators_1.0.14 tools_4.2.0 digest_0.6.29 ## [10] jsonlite_1.8.0 evaluate_0.15 lattice_0.20-45 ## [13] huge_1.3.5 pkgconfig_2.0.3 rlang_1.0.2 ## [19] foreach_1.5.2 igraph_1.3.1 cli_3.3.0 ## [19] magick_1 .7.3 yaml_2.3.5 xfun_0.30 ## [22] fastmap_1.1.0 string_1 .4.0 sass_0.4.1 ## [25] glmnet_1 .4 -4 grid_4.2.0 R6_2.5.1 ## [28] survival_3.3-1 bookdown_0.26 magrittr_2.0.3 ## [31]Codetools_0.2-18 htmltools_0.5.2 splines_4.2.0 ## [34] shape_1.4.6 stringi_1.7.6

6参考文献

1. 邓普斯特，A.P.协方差选择。Biomatrics 1972; 28(1): 157 - 175。
2. 《图形建模导论》。纽约:施普林格;2000.
3. Friedman, J.， Hastie, T.， Simon, N.和Tibshiran, R.广义线性模型通过坐标下降的正则化路径。统计软件学报2010;33(1)。
4. Friedman, J.， Hastie, T.， Simon, N.和Tibshirani, R. 2016。套索和弹性网正则化广义线性模型
5. Friedman, J.， Hastie, T.和Tibshirani, R.套索和分组套索在稀疏图形模型估计中的应用。在。我们;2010.
6. Meinshausen, N.和Buhlmann, P.高维图和变量选择套索。统计年鉴2006;34(3):1436-1462。
7. 协方差估计:GLM和正则化的观点。统计科学，2011;26(3):369-387。
8. 元,m·林和y模型选择和估计高斯图形模型。生物统计学2007;94(1):19-35。
9. 赵涛，刘海华，高维无向图估计的巨大包，机器学习研究，2012;13:1059-1062。
10. 邹，H.和哈斯蒂，T.正则化和变量选择通过弹性网。皇家统计学会杂志2005;2:301-320。