A semi-supervised framework for diverse multiple hypothesis testing scenarios
本文介绍了 RESET，这是一个半监督框架，它通过数据拆分和分类器集成将辅助信息整合进多重假设检验中，从而在多种场景下实现有限样本误差率控制，同时保持高统计功效和计算效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解一个留下数千个线索的巨大犯罪现场的侦探。你的任务是找到那几个真正指向罪犯的真实线索，同时忽略掉那数千个看起来很可疑但实际上是无辜的“红鲱鱼”（干扰项）。在科学世界中，这被称为“多重假设检验”。科学家经常同时进行数千次实验——比如检查是否有数千个基因与某种疾病相关，或者血液样本中是否存在数千种蛋白质片段。对于每一次测试，他们都会得到一个被称为“p值”的数字，这就像是一个“怀疑得分”。低分意味着这个线索非常可疑（很可能是真实的发现），而高分则意味着它可能只是噪音。
棘手之处在于，如果你观察成千上万个线索，由于纯粹的运气，你不可避免地会发现一些看起来很可疑的东西。如果你不小心，你可能会冤枉错人（错误发现）。为了防止这种情况，科学家使用严格的规则来控制“错误发现率”（FDR），这基本上是一个承诺：“只有当我们非常确定自己没有错误指控太多无辜的人时，我们才会宣布发现了罪犯。”最近，科学家们意识到他们拥有额外的信息——比如目击者描述或时间点——这些信息可以帮助他们更快地从真假线索中进行分类。大问题在于：我们如何利用这些额外信息来发现更多真实的线索，同时又不违反规则并意外地逮捕无辜的人呢？
这就是一个名为 RESET（通过估计与训练进行重评分，REScoring via Estimating and Training）的新工具发挥作用的地方。把 RESET 想象成一个超级聪明的侦探助手，它使用了一种被称为“半监督学习”的高明技巧。通常，要教计算机识别罪犯，你需要一份已知的罪犯名单和一份已知的无辜人员名单。但在科学研究中，你还不知道谁是谁——这正是谜团所在！RESET 通过这种方式解决了这个问题：它将自己的数据分为两支队伍——“训练队”和“估计队”。
首先，RESET 提取一批“诱饵”线索（我们知道是无辜的假线索，因为是我们编造出来的），并将它们分成两半。一半交给训练队。助手利用这一半数据，结合额外信息（如目击者描述），学习如何识别区分真实线索与假线索的模式。它构建了一个全新的、更聪明的“怀疑得分”，为每一个线索重新评分。然后，训练队被遣送回家。助手接着拿取另外一半诱饵（估计队）以及重新评分后的线索，来制作最终的发现清单。因为助手从未利用估计队的数据进行学习，所以它不会不当地使用数据。它可以利用额外信息来寻找更多真实的线索，但它仍然必须遵循严格的规则，以确保不会错误地指控任何人。
论文表明，这种方法效果惊人。在计算机模拟和真实世界数据（如实验室分析蛋白质）中，RESET 能够比旧方法发现更多的真实发现，且往往优势显著。它也更快。例如，在分析大型蛋白质数据集时，旧方法需要超过一天甚至数周的时间才能完成，而 RESET 在不到 20 分钟内就完成了。作者在许多不同场景下测试了它，包括线索杂乱或相互依赖的情况，并发现 RESET 在保持错误率受控的同时，始终能发现更多的“罪犯”。
论文还强调了 RESET 的灵活性。它可以处理两种不同类型的科学问题：一种是使用“p值”（标准的怀疑得分）的问题，另一种是使用“竞争”（即线索之间进行一对一较量）的问题。最重要的是，作者从数学上证明了 RESET 能保证错误率保持在较低水平，即使在数据量较少的情况下也是如此。他们还展示了它能够控制一种更严格的错误类型，即“错误发现过度”（FDX），这确保了错误指控的数量永远不会超过一定的限度，从而让科学家对结果更有信心。
简而言之，RESET 是一种全新的、快速且可靠的方法，让科学家能够利用额外信息来发现更多真实的发现，而不破坏统计安全的规则。它就像是给侦探配备了一个高科技扫描仪，帮助他们瞬间识别出真实的证据，同时还有一个严厉的法官确保他们绝不会定错无辜者的罪。作者指出，这个工具可以取代许多领域（从生物学到遗传学）中旧有的、更慢的方法，帮助研究人员以更短的时间获得更好的答案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。