一个通用化的高阶相关性分析框架,用于多omics网络推理

科学领域:

• 计算生物学是一种计算生物学.
• 系统生物学 系统生物学
• 生物信息学是一种生物信息学.

背景情况:

• 多学科数据集成对于理解复杂的生物系统和疾病至关重要.
• 现有的方法在高维度,高阶相关性和分析奥米克与表型关系的灵活性方面扎.

研究的目的:

• 为了引入一个新的管道,Sparse Generalized Tensor Canonical Correlation Analysis Network Inference (SGTCCA-Net),用于强大的多omics网络构建. 为了引入一个新的管道,Sparse Generalized Tensor Canonical Correlation Analysis Network Inference (SGTCCA-Net),用于强大的多omics网络建设.
• 为了解决现有的正统相关联方法在处理复杂,高维的奥米克数据方面的局限性.

主要方法:

• 开发了SGTCCA-Net,这是一个用于多omics网络分析的新管道.
• 实施了张量定律相关性分析,以捕捉更高阶相关性.
• 集成的稀疏性和灵活性用于集中的相关性分析 (omics-to-omics和omics-to-phenotype).

主要成果:

• SGTCCA-Net有效地克服了以前用于多领域集成的方法的局限性.
• 该管道展示了网络推断中的计算效率和灵活性.
• 模拟和真实数据实验验证实了该方法在识别关键omics网络和特征方面的有效性.

结论:

• SGTCCA-Net为多omics网络推断提供了一种强大而灵活的方法.
• 该方法增强了对不同奥米克层中分子特征之间的关系的理解.
• 这一管道有助于从复杂的数据集下进行下游分析和生物发现.