一个监督的贝叶斯系数模型用于识别多omics签名的识别.
Jeremy P Gygi1, Anna Konstorum2, Shrikant Pawar3
1Program in Computational Biology & Bioinformatics, Yale University, New Haven, CT 06520, United States.
Bioinformatics (Oxford, England)
|April 11, 2024
概括
我们开发了SPEAR,这是一种用于多omics集成和预测建模的新方法. 这种方法增强了对强大的生物特征的发现,以改善疾病诊断和治疗预测.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 系统生物学 系统生物学
背景情况:
- 预测性生物特征对于疾病诊断,预后和治疗反应预测至关重要.
- 高通量omics数据需要缩小维度和机器学习来发现签名.
- 当前的方法经常连续执行多omics集成和预测建模,从而导致不理想的结果.
研究的目的:
- 开发一个统一的方法,用于多omics集成和预测建模.
- 改进从复杂的欧米克数据集中发现具有生物意义和预测特征的发现.
- 为了解决顺序集成和建模的局限性.
主要方法:
- 开发了一种监督的变量贝叶斯因子模型,用于多omics签名提取.
- 引入了基于签名的多个Ple-omics通过注视事实 (SPEAR) 进行集成.
- SPEAR通过自适应性来确定因素排名,结构重点,数据相关性和特征稀疏性.
主要成果:
- 在合成数据中,SPEAR证明了基础因素的改进重建.
- 该方法提高了COVID-19严重程度的预测准确性.
- SPEAR提高了乳腺癌瘤亚型的预测准确度.
结论:
- 将多领域数据和预测建模整合到一个单一的框架中,可以获得卓越的结果.
- SPEAR提供了一种强大的工具,用于发现强大的,生物可解释的多omics签名.
- 这种方法对推进精准医学和了解疾病机制充满希望.
