在定量金融中，资金是有风险的，所以检验样本稳定性的方法相当容易理解。基于这些方法，对癌症特征的样本外稳定性的真正测试将是采集一组样本，将其分成2个（或更多）不重叠的子集，根据这些子集独立提取特征并进行比较。事实上，要想有任何统计意义，我们需要一组这样的非重叠集合。例如，我们可以抽取一些样本，并将它们随机分成两半多次。为了使这一点有意义，我们首先需要大量的样本。我们在这篇论文中使用的数据在这个意义上相当有限，因为它只包括公开的基因组样本。不仅癌症类型的数量限制在14种，而且每种癌症类型的样本数量也有限。例如，对于前列腺癌，我们只有5个样本，对于该癌症类型，任何有意义的样本外稳定性测试都是无法实现的。另一方面，在[Alexandrovet al，2013b]中，我们报道了肝癌的aThis作为一个单一特征（几乎与我们的特征2相同），然而，随后，它被分成两个不同的特征，通常出现在相同的样本中。有关详细评论，请参阅http://cancer.sanger.ac.uk/cosmic/signatures.Recovering当我们使用这些参考文献中的数据时，这些签名并不令人惊讶。大量样本（389），这似乎是提取这种癌症类型超显性特征的一个促成因素，尽管不是主导因素——如果不“去噪”，这种特征就不是显性的，在[Fujimoto et al，2016]中也没有发现，大多数肝癌样本都发表在[Fujimoto et al，2016]中。我们需要尽可能多的数据来以任何有意义的方式研究样品外稳定性。

在这方面，ICGC（仍被禁止）的数据似乎是有希望的个别癌症类型呢？我们对按癌症类型汇总的数据进行了NMF分析。我们能对个别癌症类型做同样的治疗吗？答案是肯定的——毕竟，NMF通常就是这样应用的——但需要注意。按癌症类型汇总数据的优点之一是降低了噪音水平。个别癌症类型的样本通常太吵了。低样本加剧了这一问题。表7正好证明了这一点。一旦我们移除“整体”模式（这会降低K的值），基于统计因子模型分析，我们会得到太多的因素，因此我们也可以预期签名的激增。如上所述，太多的签名是无用的。事实上，个别癌症类型的高K值表明任何潜在特征的样本外不稳定性。有一些方法可以降低个别癌症类型的噪音，但是，它们不在本文的范围内，将在其他地方报告。考虑单个癌症类型的一个实际动机是，在每种癌症类型中，可能有人们希望了解的生物因素，例如，肝癌的突变谱可能具有很大的区域依赖性，因为它们会因暴露于不同的化学品而突变。然而，在一种癌症类型中，按区域进行聚集仍然可以减少噪音外显子组数据。已发表的外显子组数据量远远高于已发表的基因组数据量。在这方面，将你的方法应用于外显子组数据是有意义的。需要注意的是，外显子组数据的人口比基因组数据少得多，这与基因组数据背景下的低计数样本具有相同的影响。按癌症类型进行聚集是一种自然现象。

主要问题是，仔细确定公布了哪些样本很耗时。我们计划单独讨论外显子组数据“最小化”和基于eRank的算法。前者通常导致K值低于后者。对于手头的数据，基于eRank的算法非常适合计算签名数量。在这方面，基于eRank的算法似乎应该是go-to方法，然而，基于“最小化”的算法仍然有用，因为这两种算法设置了应执行搜索的K值的预期范围。拥有（紧凑的）KHELP范围可以降低计算成本——如上所述，NMF作为一个迭代过程，计算成本很高。说到这里，我们观察到，在普通矩阵和“去噪”矩阵之间，迭代次数（在每个“采样”内——见上文）减少了约10倍。“去噪”不仅提高了结果签名的质量，还提供了大量的计算。我们要感谢史蒂文·罗森向我们强调这一点。或者，个别癌症类型中预期的不稳定因素似乎太多（表7）。节省成本。回想起来，这并不奇怪。“去噪”（而不是按癌症类型进行聚合）是提高整体稳定性的关键因素——基于聚合数据而不进行“去噪”的签名具有更大的误差条框架本文并不打算以任何方式详尽无遗。如上所述，我们在这里使用的数据有限，等等。相反，本文的目的是阐述癌症特征因子模型的框架，包括其作为NMF改进的应用。

感谢分享