Árboles de regresión aditivos bayesianos conjuntos para redes de dependencia no lineal múltiple

Área de la Ciencia:

• Genómica; Biología de Sistemas; Biología Computacional

Sus antecedentes:

• Las redes de interacción proteína-proteína (PPI) son cruciales para comprender los mecanismos del cáncer y identificar dianas terapéuticas.
• El análisis de cánceres heterogéneos como el cáncer colorrectal (CCR) presenta desafíos debido a las variaciones específicas de los subtipos.
• Los análisis combinados pueden oscurecer hallazgos específicos de subtipos, mientras que los análisis de subgrupos pueden carecer de poder estadístico.

Objetivo del estudio:

• Desarrollar un modelo bayesiano jerárquico novedoso para inferir redes de PPI en subtipos de cáncer.
• Abordar las limitaciones de los análisis combinados y separados en datos de cáncer heterogéneos.
• Identificar interacciones de proteínas compartidas y específicas de subtipos en el CCR.

Principales métodos:

• Se utilizó un modelo bayesiano jerárquico que incorpora árboles de regresión aditivos bayesianos (BART) para la modelización de dependencias no lineales.
• Se empleó un prior de campo aleatorio de Markov para facilitar el intercambio de información entre subgrupos.
• Se aplicó el modelo a datos simulados y a un conjunto de datos del mundo real de subtipos de CCR.

Principales resultados:

• El modelo propuesto infiere eficazmente redes de PPI al compartir información entre subgrupos.
• Identifica con éxito patrones de interacción compartidos y específicos de subtipos en el CCR.
• Demostró la capacidad del modelo para manejar relaciones no lineales e interacciones en datos genómicos.

Conclusiones:

• El modelo bayesiano jerárquico ofrece un enfoque potente para analizar redes de PPI en cánceres heterogéneos.
• Este método mejora la identificación de mecanismos específicos del cáncer y posibles dianas terapéuticas.
• La flexibilidad del modelo con BART lo hace adecuado para el análisis de datos genómicos complejos.