癌症亚型识别方法与特征选择方法相结合的比较,用于OMIC数据分析

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 准确的癌症亚型识别对于有效的诊断和治疗至关重要.
• 特性选择对于减少数据维度和识别癌症亚型的信息基因至关重要.
• 整合特征选择和亚型识别方法的组合方法尚未得到充分探索.

研究的目的:

• 确定特征选择和亚型识别方法的最佳组合,用于单一的OMIC数据分析.
• 评估各种特征选择技术在与无监督集群算法相结合时的性能.
• 根据数据特征和评估标准,为选择最佳方法提供指导方针.

主要方法:

• 研究了六种基于过器的特征选择方法和六种不受监督的亚型识别算法的组合.
• 利用四种癌症类型的癌症基因组图谱 (TCGA) 数据集进行全面分析.
• 使用多个指标评估方法性能,重点关注p值和准确性.

主要成果:

• 没有任何一个组合在所有数据集和指标中始终超过其他组合.
• 基于差异的特征选择的共识聚类 (CC) 和基于社区的多主题聚类 (NEMO) 显示出有希望的结果 (较低的p值).
• 非负矩阵因子化 (NMF) 在特征选择方面表现得更好,特别是与相似性网络融合 (SNF),蒙特卡洛特征选择 (MCFS) 和最小冗余最大相关性 (mRMR) 相结合时.

结论:

• 方法的最佳组合取决于上下文,根据数据类型,特征集大小和选择的评估指标而有所不同.
• 提出了一项实用指南,以帮助研究人员选择最适合于他们特定的癌症亚型分类任务的方法组合.
• 这项研究强调了在癌症奥米克数据分析中协同特征选择和亚型识别策略的重要性.