CWGCNA:一个R包,从WGCNA框架中进行因果推断.
1Laboratory of Pathology, Center for Cancer Research, National Cancer Institute, Bethesda, MD 20892, USA.
新的R包CWGCNA通过整合因果推断和基于网络的方法来增强加权基因共表达网络分析 (WGCNA). 这使得我们能够更深入地了解基因模块-表型关系,并改进了多omics数据分析.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 重量基因共同表达网络分析 (WGCNA) 是一种强大的工具,用于识别基因模块及其与表型特征的关联.
- 现有的WGCNA方法主要关注相关性,限制推断因果关系的能力.
- 需要先进的分析工具来发现基因表达模式和生物结果之间的因果关系.
研究的目的:
- 开发一个R包,CWGCNA (因果WGCNA),通过结合因果推理来扩展传统的WGCNA.
- 为了确定WGCNA模块,它们的特征和表型之间的因果关系.
- 引入一种基于网络的新型基因组功能注释方法和对多omics数据的机器学习能力.
主要方法:
- CWGCNA将一个调解模型与WGCNA结合起来,以确定因果关系.
- 基于网络的方法用于基因组函数注释,考虑模块拓.
- 该包包括用于集群和分类多omics数据的机器学习功能.
主要成果:
- CWGCNA成功地确定了基因模块和表型之间的因果关系.
- 新的注释方法有效地捕捉了模块拓对基因组函数的影响.
- 在三个单个和多个主题数据集上的性能评估表明,与现有方法相比,其结果优越.
结论:
- 在基因共同表达网络分析中,CWGCNA提供了一个强大的因果推理框架.
- 该软件包提供了用于多omics数据分析的增强功能,包括因果发现和机器学习.
- 对于研究基因-表型关系和生物机制的研究人员来说,CWGCNA代表了重大进展.
更多相关视频
04:41Mapping Alzheimer's Disease Variants to Their Target Genes Using Computational Analysis of Chromatin Configuration
Published on: January 9, 2020
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
相关概念视频
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
Causality in Epidemiology
Criteria for Causality: Bradford Hill Criteria - II
Evolutionary Relationships through Genome Comparisons
Criteria for Causality: Bradford Hill Criteria - I
Chromosomal Theory of Inheritance
