贝叶斯层次隐藏的马尔科夫模型用于聚类和基因选择:适用于癌基因表达数据的应用
Thierry Chekouo1, Himadri Mukherjee2
1Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota, Minnesota, USA.
Biometrical journal. Biometrische Zeitschrift
|May 31, 2024
概括
我们开发了一种贝叶斯双聚类方法,使用隐藏的马尔科夫模型 (HMM) 来识别共同表达的基因. 这种方法揭示了癌症数据中的基因表达模式,包括过度表达,表达不足和无关的基因.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 统计建模 统计建模
背景情况:
- 基因表达数据分析对于理解生物过程至关重要.
- 识别共同表达的基因可以揭示功能关系.
- 现有的双重集群方法可能无法充分利用先前的生物知识.
研究的目的:
- 为了引入一种新的贝叶斯双聚类方法.
- 使用隐藏的马尔科夫模型 (HMMs) 结合先前的功能基因依赖.
- 通过表达水平 (过度表达,表达不足,无关紧要) 来描述基因集群.
主要方法:
- 贝叶斯双聚类框架.贝叶斯双聚类框架.
- 隐藏的马尔科夫模型 (HMMs) 用于建模基因依赖.
- 整合基因本体学信息.
- 在R包中的实现.
主要成果:
- 该模型成功地捕获了邻近基因的潜在共同表达.
- 在集群中确定了不同的特征组:过度表达,表达不足和无关紧要.
- 在模拟数据和癌症基因组图谱 (TCGA) 癌数据集上证明了实用性.
结论:
- 提出的贝叶斯双聚类方法提供了一种可解释的方式来分析基因表达数据.
- 利用HMM和生物知识,可以更好地发现基因同表达模式.
- 该R套件有助于将该方法应用于复杂的基因组数据集.
