一种无模型和无分布的多omics整合方法,用于检测新型肺腺癌基因

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 肺腺癌 (LUAD) 是癌症死亡的主要原因.
• 现有的识别LUAD治疗点的方法通常集中在单个结果上,可能缺少复杂的遗传关联.
• 在多个数据平台上调查分子转录水平提供了更全面的方法.

研究的目的:

• 将一种基于等级距离相关的新型多变量基因选择程序 (MrDcGene) 应用于LUAD多组数据.
• 识别新型易感基因并验证与LUAD相关的已知基因.
• 为了利用多平台数据进行强大的基因发现,尽管高维度和复杂的数据结构.

主要方法:

• 在从癌症基因组图谱 (TCGA) 获取的多omics数据上使用了MrDcGene程序,用于LUAD.
• 研究了基因表达 (GE) 和其他平台之间的关联:逆相蛋白阵列 (RPPA),miRNA,拷贝数变异 (CNV) 和DNA甲基化 (ME).
• MrDcGene处理高维度,低信号噪声比,未知分布和非线性结构,检测强弱基因关联.

主要成果:

• 确定了几种新的潜在的LUAD易受性基因:ZNF133,CCDC159,YWHAZ,HNRNPR,ITPR2,PTHLH和WIPI2.
• 使用MrDcGene方法量化验证了以前报告的敏感性基因.
• 通过模拟研究,MrDcGene方法的准确性得到了证明.

结论:

• 该MrDcGene方法是有效的从多omics数据识别新的LUAD易感基因.
• 这种方法提高了对肺腺癌的治疗点的检测.
• 该研究为在癌症研究中分析复杂的基因组和转录组数据提供了强大的框架.