通过整合多源高维数据与癌症研究的应用来进行异质性分析
Tingyan Zhong1, Qingzhao Zhang2, Jian Huang3
1SJTU-Yale Joint Center for Biostatistics, Department of Bioinformatics and Biostatistics, School of Life Sciences and Biotechnology, Shanghai Jiao Tong University, Shanghai, China.
Statistica Sinica
|December 1, 2023
概括
这项研究通过整合分子和成像数据,引入了一种用于癌症异质性分析的新方法. 这种方法在癌症研究中使用有限混合回归来增强子组识别.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 生物统计学 生物统计学
背景情况:
- 癌症异质性分析对于了解疾病进展和治疗反应至关重要.
- 监督方法,特别是有限混合回归 (FMR),被广泛用于识别共变量不同影响结果的子组.
- 高维分子和组织病理成像特征在异质性分析中单独显示出希望.
研究的目的:
- 通过整合高维分子和组织病理成像特征,开发一种更有效的基于FMR的癌症异质性分析.
- 在这些综合特征中识别独立的信息,以改进子组分析.
- 为监督癌症异质性分析提供实用和有用的新方法.
主要方法:
- 开发一种惩罚方法来规范估计和选择相关变量.
- 在FMR框架内集成高维分子和组织病理成像数据.
- 严格确定一致性属性和开发一个有效的计算算法.
主要成果:
- 通过模拟来证明拟议的综合方法的实际有效性.
- 使用癌症基因组图谱 (TCGA) 肺癌数据进行验证.
- 从组合的分子和成像特征成功识别独立的信息.
结论:
- 这项研究提出了第一个基于FMR的方法,将分子和组织病理成像特征集成用于癌症异质性分析.
- 开发的惩罚方法有效地规范估计,选择变量,并识别独立的信息.
- 提出的方法为监督癌症异质性分析提供了一种实用和有效的新策略,在现实癌症数据中已证明有用.
