相关实验视频
Updated: Jul 14, 2025
Translational Orthotopic Models of Glioblastoma Multiforme
Published on: February 17, 2023
瘤放射基因组学与贝叶斯分层变量选择的质瘤
Shariq Mohammed1, Sebastian Kurtek2, Karthik Bharath3
1Department of Biostatistics, Boston University, 801 Massachusetts Ave, Boston, MA 02118, United States; Department of Biostatistics, University of Michigan, 1415 Washington Heights, Ann Arbor, MI 48103, United States; Department of Computational Medicine and Bioinformatics, University of Michigan, 100 Washtenaw Avenue, Ann Arbor, MI 48109, United States.
我们开发了一种新的统计方法,将脑瘤成像特征与低级质瘤 (LGG) 的遗传数据联系起来. 这种方法可以识别疾病监测的潜在早期诊断标志物.
科学领域:
- 放射学 放射学是一门学科.
- 基因组学就是基因组学.
- 统计建模 统计建模
背景情况:
- 低级质瘤 (LGG) 是异质的大脑瘤.
- 了解放射基因组关联对于诊断和治疗至关重要.
- 目前的方法可能无法完全捕捉瘤的复杂性.
研究的目的:
- 开发一个统计框架来分析LGG中的放射遗传学关联.
- 识别反映瘤演变的新型成像表型.
- 将这些表型与基因组标记器联系起来.
主要方法:
- 一个新的成像表型,使用MRI数据的同心球形层.
- 使用概率密度函数和里曼几何学来表示MRI数据.
- 贝叶斯变量选择模型具有等级优先级.
- 预期-最大化算法用于高效的估计.
主要成果:
- 拟议的框架有效地识别了LGG中的放射性基因组关联.
- 与现有方法相比,模拟研究显示出更高的性能.
- 与瘤层相关的鉴定基因与生存和瘤发生有关.
结论:
- 该框架为LGG的放射基因组分析提供了一个强大的工具.
- 确定的关联可以作为早期诊断标记.
- "R包"有助于实现该框架的应用.
更多相关视频
09:40Characterization of Functionally Associated miRNAs in Glioblastoma and their Engineering into Artificial Clusters for Gene Therapy
Published on: October 4, 2019
10:58Transposon Mediated Integration of Plasmid DNA into the Subventricular Zone of Neonatal Mice to Generate Novel Models of Glioblastoma
Published on: February 22, 2015