自动编码器辅助的潜伏表示学习用于生存预测和多视图聚类在多omics癌症亚型化上

科学领域:

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

背景情况:

• 多omics数据分析对于癌症亚型的确定至关重要,影响诊断,预后和治疗.
• 多学科数据的高维度和异质性对现有的集群算法构成挑战.
• 为了应对这些挑战,正在开发先进的多视图集群方法.

研究的目的:

• 开发一种先进的计算框架,用于使用多omics数据进行癌症亚型识别.
• 解决高维度和数据异质性在多omics分析中的局限性.
• 整合生存或临床信息,以便更强大的癌症亚型识别.

主要方法:

• 使用自动编码器 (AE) 学习信息潜伏表示,并捕获较低维度的非线性欧米特征.
• 嵌入多组生存分析方法以利用生存或临床信息.
• 整合来自异质数据的相似性图表,在多omics层面.
• 在综合相似性上进行聚类,以生成患者亚型组.

主要成果:

• 拟议的AE辅助的多主题集群框架是根据The Cancer Genome Atlas (TCGA) 的五个不同的数据集进行评估的.
• 该方法在识别临床显著的癌症亚型方面表现出有效性.
• 基于自动编码器的方法成功地降低了维度,同时保留了相似性识别的基本omic特征.

结论:

• 自编码器辅助的多组组集群方法为确定临床相关的癌症亚型提供了有效的策略.
• 这种方法通过解决数据异质性和维度性来提高癌症亚型的性能.
• 生存分析的整合进一步提高了已识别的癌症亚型的临床意义.