网MIM:基于网络的多omics集成与区块缺失,用于生物标志物选择和疾病结果预测
Bencong Zhu1, Zhen Zhang1, Suet Yi Leung2
1Department of Statistics, The Chinese University of Hong Kong, Shatin, New Territories, Hong Kong SAR, China.
Briefings in bioinformatics
|September 17, 2024
概括
本研究介绍了一种基于网络的贝叶斯框架,用于多omics数据集成. 它通过结合基因路径和有效处理缺失数据来增强生物标志物发现和疾病预测.
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
- 系统生物学 系统生物学
背景情况:
- 综合性多学科分析提供了比单平台方法更深入的了解复杂疾病.
- 现有的框架往往忽视生物特征依赖性,错误处理缺失的数据,减少统计能力.
研究的目的:
- 开发基于网络的综合贝叶斯框架,用于生物标志物选择和使用多omics数据预测疾病结果.
- 通过结合生物途径信息和处理缺失数据来解决当前方法的局限性.
主要方法:
- 在识别关键生物标志物之前使用了迪拉克尖和板变量选择.
- 嵌入基因通路信息以提高特征选择的解释性.
- 采用数据增强方法,灵感来自完整的贝叶斯模型与缺失 (FBM),以处理多omics数据中的块缺失.
主要成果:
- 拟议的框架显示了更易于解释的特征选择结果.
- 与现有方法相比,实现了更准确的疾病结果预测.
- 成功整合了基因通路信息,并包括具有不完整DNA甲基化数据的受试者.
结论:
- 基于网络的集成贝叶斯框架为多omics数据分析提供了强大的方法.
- 该方法通过利用生物知识和有效管理缺失数据,提高生物标志物发现和疾病预测的准确性.
- 该框架在复杂疾病研究中提供了更好的解释性和统计能力.
更多相关视频
07:41Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases
Published on: May 17, 2019
8.9K
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
1.4K
