Benjamini–Hochberg procedure
PulseAugur coverage of Benjamini–Hochberg procedure — every cluster mentioning Benjamini–Hochberg procedure across labs, papers, and developer communities, ranked by signal.
-
新Python包ROOFS助力临床试验中的生物标志物特征选择
研究人员开发了ROOFS，一个Python包，旨在帮助生物医学研究人员为生物标志物发现和临床预测建模选择合适的特征选择方法。该包在用户数据上对各种方法进行基准测试，提供关于预测性能、稳定性和特征鲁棒性的报告。在利用PIONeeR临床试验数据进行的演示中，ROOFS确定了一种结合t检验和逻辑回归的Benjamini-Hochberg调整后p值的最佳方法，该方法优于LASSO等方法。
-
AI股票预测基准揭示LoRA适配的TimesFM缺乏方向性技能
一项新的研究论文挑战了像TimesFM这样的大型语言模型在股票预测中的有效性，尤其是在使用LoRA适配器时。该研究引入了一个基准率诚实的基准，以揭示看似高的方向性准确性是如何具有误导性的，在上涨市场中通常是通过简单的“总是向上”规则实现的。研究结果表明，池化的LoRA适配器在这些朴素基线之上没有显示出方向性技能，甚至可能比零样本TimesFM表现更差，而微调仅在点预测误差方面提供边际改进。
-
新方法rwMagLap识别无节律垂体基因的昼夜节律调节因子
研究人员开发了一种名为rwMagLap的新方法，用于识别缺乏清晰24小时节律的垂体激素基因的潜在昼夜节律调节因子。该技术构建了一个节律基因图谱，并结合了与相位相关的（phase-aware）信息来对潜在的调控靶点进行排名。将rwMagLap应用于垂体数据后，成功识别出已知昼夜节律基因集的显著富集，表明其在计时药理学和计时治疗策略中的应用潜力。
-
小波散射变换识别脑电图数据中的精神分裂症生物标志物
研究人员开发了一种新颖的框架，使用小波散射变换（WST）从静息态脑电图数据中识别精神分裂症的生物标志物。该方法通过分析对该疾病病理生理学至关重要的幅度调制动力学和跨频率耦合，解决了先前方法的局限性。WST框架结合严格的交叉验证和SHAP可解释性，在精神分裂症分类中达到了90.48%的准确率，突显了时间幅度调制作为关键的电生理学特征。