新的多omics解惑变异自编码器可以获得有意义的疾病亚型
Zuqi Li1,2,3, Sonja Katz4,5,6, Edoardo Saccenti5
1BIO3 - Laboratory for Systems Medicine, Department of Human Genetics, KU Leuven, Herestraat 49, 3000 Leuven, Belgium.
本研究引入了新的变异自编码器 (VAE) 框架,通过消除混因素来改善多omics数据的聚类. 条件VAE (cXVAE) 有效地识别患者亚型和病理关联,增强精准医学.
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
- 机器学习 机器学习
背景情况:
- 无监督学习,特别是聚类,对于使用多omics数据进行疾病亚型化至关重要.
- 像变化自编码器 (VAE) 一样,深度学习可以通过捕捉个人之间的差异来改善集群.
- 混因素 (例如批量效应,年龄) 在聚类分析中经常引入偏见,导致不准确的生物结论.
研究的目的:
- 开发和评估基于VAE的新型解混框架,用于聚类多主题数据.
- 为了减轻混变量的影响,同时保持真正的生物模式.
- 为准确医学中患者分层提供指导.
主要方法:
- 引入四个基于VAE的解混框架:隐藏特征删除,条件VAE (cXVAE),对抗训练和规范化.
- 模拟各种混杂效应 (线性,非线性,分类,混合) 在癌症基因组图谱多组数据上.
- 基于重建错误,集群稳定性和超过50次重复的解混效果的性能评估.
主要成果:
- 拟议的VAE框架,特别是cXVAE,有效地处理模拟的混效应.
- cXVAE成功地恢复了生物相关的集群结构,并准确地识别了患者标签.
- 不确定的表征揭示了癌症类型之间的有意义的病理关联.
- 发现单独的对抗训练不足以完全消除混.
结论:
- 新的框架允许同时进行多omics数据集成,减少维度,并为集群进行解混.
- cXVAE在消除和保存生物信号方面表现出卓越的性能.
- 基准测试结果为研究人员在精准医学中应用这些方法提供了实际指导.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
09:34Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
Published on: April 4, 2018
相关概念视频
Genomics
Confounding in Epidemiological Studies
Multiple Allele Traits
Single Nucleotide Polymorphisms-SNPs
Comparing Copy Number Variations and SNPs
Copy number variations or CNVs are the structural variations that cover more than 1kb of DNA sequence. The single nucleotide polymorphism (SNP), on the other hand, is a single nucleotide change or a point mutation that is found in more than 1%...
Genome-wide Association Studies-GWAS
GWAS does not require the identification of the target gene involved in...
