COPS:通过对集群算法进行强有力的多目标评估来发现多种性疾病亚型的新平台

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.
• 癌症研究 癌症研究

背景情况:

• 复杂疾病亚型的多视图聚类往往缺乏稳定性评估和预后相关性评估.
• 现有的框架无法比较数据驱动与路径驱动的集群方法,从而造成了方法上的差距.

研究的目的:

• 引入COPS R包,以对单个和多个主题聚类结果进行可靠的评估.
• 为了使数据驱动和路径驱动的集群方法之间的比较.
• 评估集群稳定性和预后相关性,用于复杂疾病的亚型.

主要方法:

• 开发了COPS R包,集成相似性网络,内核方法,缩小维度和路径知识.
• 将框架应用于7种癌症类型的多omics数据 (mRNA,CNV,miRNA,DNA甲基化).
• 使用交叉验证,调整的兰德指数 (ARI),克斯回归用于生存分析,以及帕雷托效率用于多目标评估.

主要成果:

• COPS 能够对各种集群方法进行可靠的评估和比较.
• 亲和网络融合,整合性非负矩阵因子化和多个内核K-Means显示出高稳定性和有效性.
• 在多种癌症类型中确定了具有显著差异的生存结果的患者子组.

结论:

• 多视图集群需要多标准评估,包括稳定性和预后相关性.
• 该COPS包提供了一个统一的框架,用于选择疾病亚型发现的最佳集群方法.
• 数据和知识驱动的集群方法可以有效地进行比较,以揭示具有生物意义的亚型.