Multivariate modelling with minimally biased variable selection (MUVR)

A wrapper around MUVR2 (random forest, PLS(-DA)) and MUVR2_EN (elastic net) functions from the MUVR2 package.

Usage

muvr_analysis(
  object,
  y = NULL,
  id = NULL,
  multi_level = FALSE,
  multi_level_var = NULL,
  covariates = NULL,
  static_covariates = NULL,
  all_features = FALSE,
  nRep = 50,
  nOuter = 6,
  nInner = nOuter - 1,
  varRatio = 0.75,
  method = c("PLS", "RF"),
  assay.type = NULL,
  ...
)

Arguments

object: a SummarizedExperiment or MetaboSet object
y: character, column name in pheno data of the target variable
id: character, column name in pheno data of the subject ID variable in case of repeated measurements
multi_level: logical, whether multi-level modeling should be applied, see Details
multi_level_var: character, column name in pheno data of the variable for splitting the data in multi-level modeling
covariates, static_covariates: character, column names of pheno data to use as covariates in the model, in addition to molecular features. static_covariates are ignored for non-multi-level models. For multi-level models, the change in covariates is computed, while static_covariates are taken from the first time point.
all_features: logical, should all features be included in the model? if FALSE, flagged features are left out
nRep: Number of repetitions of double CV, parameter of MUVR
nOuter: Number of outer CV loop segments, parameter of MUVR
nInner: Number of inner CV loop segments, parameter of MUVR
varRatio: Ratio of variables to include in subsequent inner loop iteration, parameter of MUVR
method: Multivariate method. Supports 'PLS', 'RF' and 'EN'
assay.type: character, assay to be used in case of multiple assays
...: other parameters to MUVR2 or MUVR2_EN and getVar (when method == "EN")

Value

A MUVR object.

Details

This function is now using the MUVR2 package, characterized as an upgrade extending the original MUVR package by the inclusion of elastic net regression (EN) and some functionality not covered by this wrapper. Elastic net regression supports covariate adjustment by suppressing regularization of specified features from the regularization procedure. Note that this is different from simply including covariates such as sex. EN also differs from PLS and RF in that no recursive variable elimination is performed, so an additional scheme is used to obtain the 'min', 'mid' and 'max' models using getVar.

Sex would be entered as a static covariate, since the change in sex is zero for all individuals, so computing the change and using that as a covariate does not make sense.

Note that there are several more plots available in MUVR2 for inspecting the results, notably plotMV, plotStability and plotVIRank Many of these return different plots depending on the model specification.

Examples

data(example_set)
ex_set <- drop_qcs(example_set)[1:10, ]
ex_set$Injection_order %<>% as.numeric()
# Simple PLS regression model
pls_model <- muvr_analysis(ex_set, 
  y = "Injection_order", nRep = 2, method = "PLS")
#> all 10 variables are numeric.   
#> There are originally 10 variables
#> They are transformed into 10 variables by onehotencoding
#> X is transformed to a matrix by onehotencoding.
#> Warning: 
#> Missing ID -> Assume all unique (i.e. sample independence)
#> 
#> Missing fitness -> RMSEP
#> Warning: executing %dopar% sequentially: no parallel backend registered
#> Type 'citation("pROC")' for a citation.
#> 
#> Attaching package: ‘pROC’
#> The following objects are masked from ‘package:IRanges’:
#> 
#>     cov, var
#> The following objects are masked from ‘package:S4Vectors’:
#> 
#>     cov, var
#> The following object is masked from ‘package:BiocGenerics’:
#> 
#>     var
#> The following objects are masked from ‘package:stats’:
#> 
#>     cov, smooth, var
#> 
#>    Repetition 1 of 2:
#> 
#>  Segment 1 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>    Repetition 2 of 2:
#> 
#>  Segment 1 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Elapsed time 0.0406833333333334 mins 


# RF classification with covariate and repeated measures (not longitudinal)
rf_model <- muvr_analysis(ex_set, y = "Group", id = "Subject_ID", 
  nRep = 2, method = "RF", covariates = "Injection_order")
#> 
#> Y is factor -> Classification (2 classes)
#> 
#> Missing fitness -> BER
#> randomForest 4.7-1.2
#> Type rfNews() to see new features/changes/bug fixes.
#> 
#> Attaching package: ‘randomForest’
#> The following object is masked from ‘package:ggplot2’:
#> 
#>     margin
#> The following object is masked from ‘package:Biobase’:
#> 
#>     combine
#> The following object is masked from ‘package:BiocGenerics’:
#> 
#>     combine
#> 
#>    Repetition 1 of 2:
#> 
#>  Segment 1 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>    Repetition 2 of 2:
#> 
#>  Segment 1 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 11
#> .
#> .
#> .
#> .
#> .
#> 8
#> .
#> .
#> .
#> .
#> .
#> 6
#> .
#> .
#> .
#> .
#> .
#> 4
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Elapsed time 0.03065 mins 


# RF classification on multilevel variable comparing levels of y
rf_model_ <- muvr_analysis(ex_set, 
  y = "Group", multi_level = TRUE, id = "Subject_ID", 
  multi_level_var = "Time", method = "RF", nRep = 2)
#> Computing effect matrix according to Time : 2 - 1
#> Warning: 
#> Missing ID -> Assume all unique (i.e. sample independence)
#> 
#> Y is factor -> Classification (2 classes)
#> 
#> Missing fitness -> BER
#> 
#>    Repetition 1 of 2:
#> 
#>  Segment 1 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>    Repetition 2 of 2:
#> 
#>  Segment 1 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 2 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 3 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 4 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 5 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Segment 6 (variables):
#> 10
#> .
#> .
#> .
#> .
#> .
#> 7
#> .
#> .
#> .
#> .
#> .
#> 5
#> .
#> .
#> .
#> .
#> .
#> 3
#> .
#> .
#> .
#> .
#> .
#> 2
#> .
#> .
#> .
#> .
#> .
#> 
#>  Elapsed time 0.0216166666666667 mins 


# EN regression on multilevel variable with covariate and static covariate
ex_set$Group %<>% as.numeric()
en_model <- muvr_analysis(ex_set, id = "Subject_ID", 
 multi_level = TRUE, multi_level_var = "Time", 
 covariates = "Injection_order", static_covariates = "Group", 
 method = "EN", nRep = 2)
#> Computing effect matrix according to Time : 2 - 1
#> all 12 variables are numeric.   
#> There are originally 12 variables
#> They are transformed into 12 variables by onehotencoding
#> X is transformed to a matrix by onehotencoding.
#> 
#> 1variables with near zero variance detected -> removed from X and stored under $nzv
#> 
#> Missing ID -> Assume all unique (i.e. sample independence)
#> 
#> Multilevel -> Regression on (-1,1) & fitness=MISS
#> Loading required package: Matrix
#> 
#> Attaching package: ‘Matrix’
#> The following object is masked from ‘package:S4Vectors’:
#> 
#>     expand
#> Loaded glmnet 4.1-9
#> 
#>    Repetition 1 of 2:
#> 
#>  Segment 1 (Inner repeat): 
#> 1... 
#> 
#>  Segment 2 (Inner repeat): 
#> 1... 
#> 
#>  Segment 3 (Inner repeat): 
#> 1... 
#> 
#>  Segment 4 (Inner repeat): 
#> 1... 
#> 
#>  Segment 5 (Inner repeat): 
#> 1... 
#> 
#>  Segment 6 (Inner repeat): 
#> 1... 
#> 
#>    Repetition 2 of 2:
#> 
#>  Segment 1 (Inner repeat): 
#> 1... 
#> 
#>  Segment 2 (Inner repeat): 
#> 1... 
#> 
#>  Segment 3 (Inner repeat): 
#> 1... 
#> 
#>  Segment 4 (Inner repeat): 
#> 1... 
#> 
#>  Segment 5 (Inner repeat): 
#> 1... 
#> 
#>  Segment 6 (Inner repeat): 
#> 1... 
#> 
#>  Elapsed time 0.0613000000000001 mins