Programme et résumés (pdf) - Société statistique du Canada

Lundi 29 mai • Monday, May 29, 10:30–12:00 79[MS-37]Special Mixture Discriminant Model for Drug Discovery DataModèle de mélange discriminant en recherche de médicamentsXu Sunny WANG, University of Waterloo, Hugh CHIPMAN, Acadia University, William J. WELCH, University ofBritish ColumbiaIn drug discovery, statistical models have played avery important role for predicting activity of com-En recherche de médicaments, les modèles statistiques ontjoué un rôle important dans la prédiction de l’activité depounds against biological targets. In this super- composés contre différentes cibles biologiques. Dans ce provisedlearning problem, descriptors of molecular blème d’apprentissage supervisé, des descripteurs de strucstructure(e.g. atomic weight, types of bonds, many ture moléculaire (par exemple : poids atomique, types deother exotic characteristics) are used to predict ac- liens, plusieurs autres caractéristiques exotiques) sont utilitivity.Compounds often cluster in the descriptor sés pour prédire l’activité. Les composés se regroupent souspace,making mixture discriminant analysis a nat- vent dans l’espace descripteur, faisant de l’analyse discrimiuralsupervised learning tool. Conventional mix- nante de mélange un outil naturel d’apprentissage supervisé.ture discriminant methods have difficulty finding Les méthodes de mélange discriminant conventionnelles ontthe best model for the drug discovery data. Com- de la difficulté à trouver le meilleur modèle pour des donnéesplex structure and high dimensionality lead to over de recherche de médicaments. Des structures complexes etparameterized models. It is believed that the bi- une haute dimensionnalité amènent des modèles surparaologicalactivity of compounds only depends on métrisés. Une supposition courante est que l’activité bioloseveraldescriptors, so we introduce a special mix- gique des composés ne dépend que de quelques descripteurs.ture model, which has fewer parameters, and seeks Nous introduisons donc un modèle de mélange spécial, ayantto predict using multiple subspaces (i.e., multi- moins de paramètres et cherchant à prédire en utilisant deple mechanisms). A constrained EM algorithm is multiples sous-espaces (c.-à-d. de multiples mécanismes).used to estimate parameters, in conjunction with Un algorithme EM avec contraintes est utilisé pour estimercarefully chosen initial values and some other tun- les paramètres. Les valeurs initiales et quelques autres paraingparameters. We present results using both a mètres d’ajustement sont choisis soigneusement. Nous préfirst-ordermodel that captures “main effect” and a sentons des résultats utilisant un modèle de premier ordre quisecond-order model capable of identifying interac- identifie « l’effet principal » et un modèle de second ordretive effects between pairs of descriptors.capable d’identifier des effets interactifs entre les paires dedescripteurs.[MS-38]Risk-reducing Stein-like Estimation in a Lifetime Censored Regression ModelEstimation de Stein réduisant le risque dans un modèle de régression pour le temps de survie censuréShakhwat HOSSAIN & S. Ejaz AHMED, University of WindsorNous considérons le problème de l’estimation d’un paramètre(vectoriel) de régression dans un modèle de régres-sion de Weibull avec censure où nous suspectons que lesparamètres peuvent être restreints à un sous-espace linéaire.Sous cette incertitude, nous présentons une base pour combi-ner de façon optimale les problèmes d’estimation. L’objectifest de fournir des estimateurs adaptatifs naturels libres dechoix subjectifs. Dans le contexte de deux modèles de ré-gression de Weibull en compétition (complet et restreint),nous démontrons un estimateur de type Stein qui, asympto-tiquement, performe mieux que l’estimateur du maximumde vraisemblance classique. Une étude par simulation deMonte-Carlo est aussi effectuée afin d’évaluer la perfor-The problem of estimation of a regression parameter(vector) in a Weibull regression model withcensoring is considered when it is suspected thatparameters may be restricted to a linear subspace.Under this uncertainty, we present a basis for optimallycombining estimation problems. The objectiveis to provide natural adaptive estimators thatare free of subjective choices. In the context of twocompeting Weibull regression models (full and reduced),we demonstrate a Stein-type estimator, thatoutperforms the classical maximum likelihood estimatorasymptotically. A Monte Carlo simulationstudy is also conducted to assess the performanceSH = Somerville House SSC = Social Science Centre UC = University College