单值值分解驱动的非负矩阵因子化与应用来识别瘤复发的关联模式.
Jin Deng1,2, Kaijun Li1, Wei Luo3,4
1College of Mathematics and Informatics, South China Agricultural University, Guangzhou, 510642, China.
Interdisciplinary sciences, computational life sciences
|February 29, 2024
概括
这项研究引入了一种新的SVD-NMF模型,用于分析多omics数据,以了解肉瘤复发. 该模型揭示了关键的基因-通路-细胞关联以及针对个性化的肉瘤治疗的潜在生物标志物.
科学领域:
- 在瘤学瘤学.
- 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:
- 瘤是复杂的,多样化的恶性瘤,复发率高.
- 了解肉瘤复发机制对于开发个性化治疗至关重要.
- 以前的多模式数据分析忽略了信号通路中的基因相互作用.
研究的目的:
- 为了确定与肉瘤复发相关的基因通路细胞数据的关联模式.
- 开发一种可重复的多模式数据融合方法,用于肉瘤研究.
- 发现潜在的生物标志物和肉瘤复发的机制.
主要方法:
- 收集并整合了来自260多个肉瘤样本 (UCSC,TCGA) 的全幻灯片图像,基因表达和通路数据.
- 开发了一种单值分解 (SVD) 驱动的联合非负矩阵分解 (NMF) 模型,用于可重复的多模数据融合.
- 应用了SVD-NMF模型来分析成像,基因和途径数据,以确定与肉瘤复发的关联.
主要成果:
- 与标准NMF相比,SVD-NMF模型显示了增强的性能和可重现性.
- 确定了通路中的基因和细胞图像特征之间的显著关系.
- 从成像遗传学的角度发现了潜在的生物标志物和阐明了肉瘤复发的机制.
结论:
- SVD-NMF模型提供了一种新的方法,用于整合多omics数据来研究肉瘤复发.
- 多层次分析为生物过程,细胞特征和肉瘤复发提供了宝贵的见解.
- 这些发现有助于理解瘤异质性,并制定有针对性的治疗策略.
