总结一下lmms 算法,来着论文‘A Linear Mixed Model Spline Framework for
Analysing Time Course ‘Omics’ Data’。
lmms 提供了一整套处理Time Course ‘Omics’ Data’的流程,包括quality control and filtering, modeling, clustering and differentila analysis.
Filtering
首先重点是: 这个方法是建立在我们的数据是包含:
n个样本, 第i个样本重复mi次,都被测了T个时间点的基础上。
lmms首先计算了3个平均标准差(SD)
1, 每个时间点在所有样本上的平均SD
2, 每一个样本在所有时间点上的平均SD
3, 整体标准差
其中,yi(t)表示样本i在时间t上的表达量
然后计算两个filter ratios:
我们希望RT 和 RI 越小越好。所以就可以把RT和RI 大的gene过滤掉
modeling
这一步主要是用 p-spline拟合数据。
首先,最简单的方式,我们可以对每个时间点,像limma一样建立一个线性模型,
或者用 penalized spline 建立一个非线性模型:
这一步,其实是在T内选择了k个时间点,然后拟合一个分段函数,不是曲线。
接下来,讨论更复杂一点的情况。 作者添加了一个变量Ui, 去估计每个样本每次重复的结果的变化
最后作者提出DLMMS, 其实就是对公式3求导
clustering
经过模型的拟合,我们得到了新的时间序列矩阵(Lmms)或者它的导数矩阵(dlmms),然后就能用任何方法聚类了。
这个方法似乎对非线性时间间隔不太友好
Straube J, Gorse AD; PROOF Centre of Excellence Team, Huang BE, Lê Cao KA. A Linear Mixed Model Spline Framework for Analysing Time Course ‘Omics’ Data. PLoS One. 2015 Aug 27;10(8):e0134540. doi: 10.1371/journal.pone.0134540. PMID: 26313144; PMCID: PMC4551847.