一个迪里克莱特-多项式混合模型,用于确定突变特征的差异丰度
Lena Morrill Gavarró1,2,3, Dominique-Laurent Couturier1,4, Florian Markowetz5
1Cancer Research UK Cambridge Institute, University of Cambridge, Cambridge, UK.
BMC bioinformatics
|February 18, 2025
概括
这项研究引入了一个新的统计模型来比较癌症组之间的突变特征. 该模型揭示了各种癌症类型中克隆和亚克隆突变之间的突变过程中的广泛差异.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 癌症研究 癌症研究
背景情况:
- 瘤进化涉及突变过程,留下称为突变签名的基因组印记.
- 了解这些特征的动态对于识别癌症脆弱性至关重要.
- 由于数据结构,分析样本组之间的签名暴露差异具有挑战性.
研究的目的:
- 开发一个统计框架来比较不同组癌症样本之间的突变特征暴露.
- 研究克隆和亚克隆突变之间的突变过程中的差异.
主要方法:
- 提出了一种混合效应的迪里克莱特多项式模型,以解释患者内部的相关性和签名相关性.
- 该模型包含随机效应和特定组的分散参数,以提供灵活性.
- 应用该模型来分析PCAWG队列中的23种癌症类型中的克隆和亚克隆突变中的突变特征.
主要成果:
- 在癌症类型中的克隆和亚克隆突变之间发现了无处不在的突变特征的差异丰富.
- 在亚克隆组中观察到更高的签名分散,这表明在亚克隆突变过程中患者的变异性更大.
- 确定了不同克隆之间的活跃突变过程中的潜在差异.
结论:
- 开发的框架允许检测突变过程活动中的全球变化.
- 该方法作为R包CompSign可用于分析和可视化组合数据的差异丰度,包括突变特征.
