在不同实验中整合基因表达和DNA甲基化数据

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 癌症研究 癌症研究

背景情况:

• 多原子数据集成对于癌症研究和精准医学至关重要.
• 从相同的样本中获取多式联运数据是具有挑战性的.
• 目前用于集成不连接的奥米克数据集的现有算法是有限的.

研究的目的:

• 引入INTEND (转录和表观数据的整合),这是一种用于整合脱节样本集的基因表达和DNA甲基化数据的新算法.
• 开发一种使用共享样本学习omics层之间的预测模型的方法.

主要方法:

• 在具有两种数据类型的样本上,INTEND通过学习基因表达和DNA甲基化之间的关联来训练一个预测模型.
• 该算法在11个癌症基因组图谱 (TCGA) 数据集上进行了测试,其中包括4329名癌症患者.
• 性能与四个最先进的集成算法进行了比较.

主要成果:

• 与现有的整合方法相比,INTEND在11个TCGA癌症数据集中表现出明显优异的性能.
• 该研究成功地揭示了DNA甲基化和基因表达调节之间的新型联系.
• INTEND促进了来自不同来源的肺腺癌数据集的联合分析.

结论:

• INTEND 是一个有效和有价值的工具,用于多个OMC数据集成,特别是在不连接的数据集.
• 该算法提升了通过表观遗传修饰研究基因表达调节的能力.
• INTEND提供了一种数据驱动的方法,以提高对癌症基因组学和精准医学的洞察力.