Copula regression improves the ability to detect modulation of promoter-enhancer dependence
Gene transcription may be influenced by characteristics of promoter/enhancer activity both jointly and marginally. We ask: for an epigenetic datatype, how can one model promoter-enhancer dependence, test its association with covariates, and assess its impact on transcription? We introduce a two-stage copula regression framework and apply it to promoter and enhancer signals from macrophage epigenetic profiles before and after influenza A infection (Aracena 2024). First, we fit bivariate copula models to estimate marginal patterns and dependence robustly, testing whether covariates (ancestry, age, infection) modify this dependence. Second, we evaluate whether estimated dependence explains RNA-seq variation. Using composite hypothesis testing, significance is declared only if 1) dependence varies with a covariate and 2) dependence is associated with RNA-seq. Our approach achieves higher sensitivity and better predictive performance than standard linear models with 3-way interactions.
La régression basée sur les copules améliore la capacité à détecter la modulation de la dépendance promoteur-activateur
La transcription génétique peut être influencée par les caractéristiques de l'activité des promoteurs/amplificateurs, tant conjointement que marginalement. Nous posons la question suivante : pour un type de données épigénétiques, comment modéliser la dépendance promoteur-amplificateur, tester son association avec des covariables et évaluer son impact sur la transcription ? Nous introduisons un cadre de régression basé sur les copules en deux étapes et l'appliquons aux signaux des promoteurs et amplificateurs provenant des profils épigénétiques des macrophages avant et après une infection par le virus de la grippe A (Aracena 2024). Tout d'abord, nous ajustons des modèles de copules bivariés pour estimer de manière robuste les modèles marginaux et la dépendance, en testant si les covariables (ascendance, âge, infection) modifient cette dépendance. Ensuite, nous évaluons si la dépendance estimée explique la variation de l'ARN-seq. Les tests d'hypothèses composites montrent que la signification n'est déclarée que si 1) la dépendance varie avec une covariable et 2) la dépendance est associée à l'ARN-seq. Notre approche offre une sensibilité plus accrue et de meilleures performances prédictives que les modèles linéaires standard avec des interactions triples.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais