基因集（模块）活性量化：R语言+Java原生

动机整合组学分析通过探究性状、组学测量值、遗传变异与流行病学因素之间的关联有助于深入理解疾病机制及生物标志物。从统计学角度而言这类分析面临诸多挑战——组学数据维度高、分布非标准且可能存在复杂的非线性混杂效应因此需要稳健、灵活的分析方法。结果本文提出ROMY框架及对应的R包romy。该工具可实现大功能a在灵活调整协变量的同时对个目标变量进行稳健关联检验b分析变量对测量方差和协方差的影响如共表达、共丰度c开展严格的交互效应检验。ROMY基于统计学理论和双重机器学习的最新进展构建确保分析的稳健性和统计有效性。通过模拟研究验证了该框架的性能。romy是款基于GNU GPLv3许可证的R包已在GitHub开源。Java版本https://github.com/sysbio-curie/romaR版本rRomahttps://github.com/Albluca/rRoma图1ROMY-CIT的I类错误模拟含与标准回归方法“LR”的对比图2ROMY-CIT的检验效能模拟含与标准回归方法“LR”的对比图3ROMY-COV的I类错误模拟含与标准回归方法“LR”的对比图4ROMY-COV的检验效能模拟含与标准回归方法“LR”的对比图5ROMY-INTER的I类错误模拟含与标准回归方法“LR”的对比图6ROMY-INTER的检验效能模拟含与标准回归方法“LR”的对比详细总结思维导图核心功能与技术细节双版本特性对比参考bioRxiv[Preprint]. 2025 Dec 8:2025.12.04.691622. doi: 10.64898/2025.12.04.691622. Analyzing associations and higher-order effects in multi-omics data with double machine learning251208ROMY.pdf注AI辅助创作如有错误欢迎指出。内容仅供参考不构成任何建议。