近日，bevictor伟德统计与数据科学系钟清枝助理教授的三篇合作论文发表于统计学领域国际权威期刊。论文“High-Dimensional Covariate-Augmented Overdispersed Multi-Study Poisson Factor Model”于2026年4月在 Journal of Computational and Graphical Statistics上发表；论文“Functional Joint Models for Imaging Genetic Data”于2025年6月被期刊 Statistica Sinica录用；论文“High-Dimensional Multi-Study Multi-Modality Covariate-Augmented Generalized Factor Model”于2025年7月在Biometrics上发表。

High-Dimensional Covariate-Augmented Overdispersed Multi-Study Poisson Factor Model

论文摘要

主要在考虑多来源数据的异质性、过度分散和高维特征的情况下研究多来源计数响应数据。该方法分析了各研究计数变量的研究共享因子（捕捉多个研究间的共性特征）、研究特异因子（刻画每个研究独有的异质性）和协变量（纳入额外协变量信息）。在PBMC数据分析中，该方法提取的因子有效捕捉了单核细胞的信息，发现了共享细胞类型（如单核细胞、NK 细胞）和组特异细胞类型（如病例组的 IL3RA+ B 细胞、对照组的 GBP4+ T 细胞）。

论文链接doi.org/10.1080/10618600.2026.2652931

Functional Joint Models for Imaging Genetic Data

论文摘要

该研究提出了一种函数型联合建模框架用于处理高维遗传数据与影像数据之间的复杂非线性关系，揭示了遗传因素如何通过大脑结构影响阿尔茨海默病的临床表现，为理解阿尔茨海默病的病理机制提供了新的分析工具。

论文链接doi: 10.5705/ss.202023.0152

High-Dimensional Multi-Study Multi-Modality Covariate-Augmented Generalized Factor Model

论文摘要

主要研究了整合多来源的多模态数据，同时还可纳入额外的协变量信息。该方法可处理指数族分布中不同类型的模态变量（如连续型、计数型、二值型），并引入额外的误差项以解释数据的过度分散现象。在COVID-19 患者的 CITE-seq 单细胞多模态测序数据分析中，该方法识别出的共享细胞簇与标准工具的结果高度一致，并帮助识别了不同研究间差异表达的基因和蛋白。

论文链接doi.org/10.1093/biomtc/ujaf107

作者简介

钟清枝，bevictor伟德统计与数据科学系助理教授。主要研究方向包括：函数型数据，图像数据和高维数据分析，在Biometrics, Statistica Sinica,Journal of Computational and Graphical Statistics, Journal of Multivariate Analysis 等统计知名期刊上发表多篇论文。

校对 | 马艺丹

责编 | 李希瑜 吕一丹

初审 | 钟清枝 孙兰

复审 | 唐庆峰

终审发布 | 何凌云

（来源：bevictor伟德微信公众号）