以结果为导向的贝叶斯聚类用于使用高维转录组数据发现疾病亚型

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
• 基因组学就是基因组学.

背景情况:

• 复杂的疾病表现出显著的异质性,需要精确医学的疾病亚型.
• 欧米克数据有助于识别疾病亚型,但传统的聚类可能缺乏临床相关性.
• 临床数据有潜力指导基于omics的子类型,以获得有意义的发现.

研究的目的:

• 开发一个以结果为导向的贝叶斯聚类方法,整合OMIC和临床数据.
• 发现具有临床意义的疾病亚型和相关基因.
• 通过强大的疾病亚型,实现精准医学.

主要方法:

• 开发了指导贝叶斯集群 (GuidedBayesianClustering),这是一个完全的贝叶斯方法.
• 利用高斯混合模型进行样本集群和尖石和石先验进行基因选择.
• 结合了使用混合物模型先验的临床结果变量,并使用吉布斯采样来提高效率.

主要成果:

• 同时实现疾病亚型的发现,特征的选择和以结果为导向的亚型.
• 通过模拟和现实世界的数据应用 (乳腺癌,阿尔茨海默病) 证明了卓越的性能.
• 在GitHub上提供了一个R包,用于更广泛的应用.

结论:

• 引导贝叶斯聚类有效地整合了omics和临床数据,以发现临床相关的疾病亚型.
• 这种方法通过提供更有意义的患者分层来推进精准医学.
• 公开可用的R包有助于采用这种先进的亚型化技术.