存在混杂时高维数据的随机森林分析-南京医科大学.PDFVIP

南京医科大学学报（自然科学版） 第38卷第7期 ·978 · ACTAUNIVERSITATISMEDICINALISNANJING（NaturalScience） 2018年7月 存在混杂时高维数据的随机森林分析 尤东方，魏永越，张汝阳，陈 峰，赵 杨* 南京医科大学公共卫生学院生物统计学系，生物医学大数据重点实验室，江苏 南京 211166 ［摘 要］ 目的：探讨存在混杂因素时高维数据中随机森林（randomforest，RF）的分析方法。方法：通过模拟实验和实例数 据分析对单纯随机森林分析、增加节点候选变量为最大值以及基于广义线性模型的残差校正混杂因素的结果进行比较，以重 要变量的重要性评分排序情况进行评价。结果：模拟实验表明，增加节点候选变量的方法对混杂因素的校正效果不明显，而基 于广义线性模型残差的方法能有效校正混杂效应；实际数据分析结果显示单纯随机森林分析rs3754686和rs2322660分别排在 第一和第二位。增加节点候选变量后rs3754686排序变化较小，而基于残差的方法校正人群分层后这两个单核苷酸多态位点 （SNPs）的排序大幅度降低，从而打破乳糖酶（LCT）基因与身高之间的虚假关联。结论：随机森林分析需要考虑混杂因素问题， 基于广义线性模型的残差能有效校正混杂因素，适用于高维数据的变量筛选。 ［关键词］ 随机森林；混杂因素；残差；人群分层 ［中图分类号］ O212 ［文献标志码］ A ［文章编号］ 1007⁃4368（2018）07⁃978⁃05 doi：10.7655/NYDXBN Arandomforestanalysisofhigh⁃dimensionaldatawiththeconfoundingeffects YouDongfang，WeiYangyue，ZhangRuyang，ChenFeng，ZhaoYang* DepartmentofBiostatistics，SchoolofPublicHealth，KeyLaboratoryofBiomedicalBigdata，NMU，Nanjing211166， China ［Abstract］ Objective： Thisprojectexploreda randomforest（RF）analysisofhigh⁃dimensionaldatawiththeconfoundingeffects. Methods：Weusedcomputersimulationsandrealdatavalidationtoevaluatetheperformanceof 2 methodswhichcanpotentially accountfortheconfoundingeffectsinRFanalysis：RFanalysiswithmaximumcandidatevariablesateachsplit（RFMCV）andRFwith glm⁃basedcorrection.Thedistributionofranksofthecausalvariablewasusedtoevaluatetheseapproaches. Results：Simulation experimentssuggestedthatRFwithglm⁃basedcorrectionwasmoreeffectivethantheRFMCVtocorrecttheconfoundingeffects.The realdatavalidationshowedthatrs3754686andrs2322660wererankedfirstandsecond，respectively.AnalysisresultsofGWASdata confirmedthatRFwithglm⁃basedcorrectioncaneffectivelyremovethespuriousassociationbetweentheLCTgeneandheight. Conclusion：TheconfoundingeffectsshouldbecorrectlyadjustedinRFanalysis.RFwithglm⁃basedcorrectionwasapplicableto adjusttheconfoundin