PLASMA:用于多组学分析的部分LeAst平方
Kyoko Yamaguchi1, Salma Abdelbaky1, Lianbo Yu2
1Division of Hematology, Department of Internal Medicine, Ohio State University, Columbus, OH 43210, USA.
Cancers
|January 25, 2025
概括
我们开发了PLASMA,这是一种新的监督方法,用于整合多组数据来预测患者的生存结果. 这种算法有效地识别高风险和低风险患者,优于现有方法.
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:
- 高通量"omics"技术产生了庞大的数据集,需要先进的方法来实现多omics数据集成.
- 监督学习方法用于多omics集成,特别是用于生存预测,不如无监督方法开发.
研究的目的:
- 介绍PLASMA,这是第一个能够从多omics数据中预测时间到事件结果的监督算法.
- 解决多omics数据集成方面的挑战,包括处理缺少omics测试的数据集.
主要方法:
- PLASMA采用双层部分最小平方 (PLS) 方法来识别与结果相关的组件.
- 它使用这些选定的组件构建了一个联合的Cox比例危险模型.
- 算法可以从多omics数据中学习,即使样本仅在omics数据的子集上进行测试.
主要成果:
- 在胃腺癌 (STAD) 和食道腺癌 (ESCA) 患者数据中,PLASMA成功预测了风险分层.
- 该模型在与个人训练的omics模型和无监督的多omics因素分析 (MOFA) 方法相比显示出更高的性能.
- 使用不相似的ESCA状细胞癌的负比较显示没有显著的风险分离 (p = 0.57),验证了PLASMA的特异性.
结论:
- PLASMA为多omics数据集成和生存预测提供了一种强大的监督方法.
- 在PLASMA模型中确定的预测因素是生物学上可以证明的.
- 这种方法通过实现更准确的患者风险分层,推动了个性化医疗领域的发展.
