USNAP:快速独特的密集区域检测及其对肺癌的应用
Serene W H Wong1, Chiara Pastrello1, Max Kotlyar1
1Osteoarthritis Research Program, Division of Orthopedic Surgery, Schroeder Arthritis Institute, and Data Science Discovery Centre for Chronic Diseases, Krembil Research Institute, University Health Network, 60 Leonard Avenue, Toronto, ON M5T 0S8, Canada.
Bioinformatics (Oxford, England)
|August 1, 2023
概括
我们开发了USNAP,这是一个可扩展的算法,用于在动态图中找到独特的密度区域. 这种方法有效地识别基因表达数据中的生物相关的癌症进展机制.
科学领域:
- 图形理论是指图形的理论.
- 计算生物学是一种计算生物学.
- 数据挖掘是一种数据挖掘.
背景情况:
- 现实世界中的问题通常以注释图形式建模,需要可扩展的算法来从大型动态数据集中提取信息.
- 随着时间的推移而变化的动态图提供了发现时间模式和关系的机会.
研究的目的:
- 引入一个可扩展的算法,USNAP,用于在跨时间点的动态图中识别独特的密度区域.
- 在非小细胞肺癌进展的背景下证明算法的有效性和生物相关性.
主要方法:
- 设计了USNAP,这是一个可扩展的算法,用于在动态图中识别独特的密集子图.
- 在其贪的方法中,USNAP为密度提供了一个下限.
- 算法的复杂性是O{m+mc log nc+nc log nc). 算法的复杂性是O{m+mc log nc+nc log nc). 算法的复杂性是O{m+mc log nc.
主要成果:
- 在动态图中,USNAP有效地识别出特定时间点独特的密集子图.
- 对非小细胞肺癌基因表达数据集的验证揭示了不同癌症阶段的生物学相关机制.
- 该算法是域独立和可扩展的.
结论:
- USNAP是一个可扩展和有效的工具,用于分析动态图.
- 该算法在生物,金融和社会领域具有显著的潜在应用.
- USNAP成功地确定了癌症进展中的关键机制,突出了其在生物信息学中的实用性.
