Resumen

Con el avance de las tecnologías de alto rendimiento, en la actualidad es fácil obtener datos genómicos y proteómicos de alta dimensionalidad, los cuales se han vuelto cada vez más importantes para desentrañar la compleja etiología de muchas enfermedades. Al relacionar un gran número de factores con un resultado de supervivencia a través del modelo de riesgo relativo de Cox, se han propuesto diversas técnicas en la literatura. Revisamos algunos métodos desarrollados recientemente para este tipo de análisis. Para la selección de variables de alta dimensionalidad en el modelo de Cox con riesgo relativo paramétrico, consideramos el método de contracción univariante (US) utilizando la penalización lasso y el método de verosimilitud parcial penalizada con penalizaciones plegadas (PPL). Los métodos de penalización no se limitan al caso de dimensionalidad finita. Para el caso de alta dimensionalidad (, ) o ultradimensional (, ), tanto el método de cribado de independencia segura (SIS) como el criterio de información bayesiano extendido (EBIC) pueden ser incorpor

• Materias:Modelos de regresión Conjunto borroso Agrupamiento Factores de transcripción Modelo autorregresivo
• Subjects:Regression models Fuzzy set Clustering Transcription factors Autoregressive model
• Palabras claves:Avance; Tecnologías de alto rendimiento; Datos genómicos; Datos proteómicos; Selección de variables; Métodos de penalización
• Keywords:Advancement; High-throughput technologies; Genomic; Proteomic data; Variable selection; Penalization methods