使用INMTD集群个人:一个新的多功能多视图嵌入框架,集成omics和成像数据
Zuqi Li1,2,3, Sam F L Windels4, Noël Malod-Dognin4
1Department of Human Genetics, KU Leuven, 3000 Leuven, Belgium.
Bioinformatics (Oxford, England)
|March 22, 2025
概括
本研究介绍了INMTD,这是一种新方法,将omics和3D成像集成在一起,用于无误的多视图集群. 通过消除混因素,INMTD有效地识别了不同的子组,在面部基因组数据中揭示了生物学相关的模式.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 数据科学是数据科学.
背景情况:
- 多视图集群集成多种数据类型进行全面的个人分析.
- 非负矩阵三因子化 (NMTF) 和非负塔克分解 (NTD) 提供可解释的低级嵌入.
- 解决混因素对于准确的集群结果至关重要.
研究的目的:
- 开发一种新的多视图集群方法,INMTD,用于整合omics和3D成像数据.
- 通过处理不需要的集群驱动器来导出未经证实的个人子组.
- 为了证明该方法在合成和现实数据集上的有效性.
主要方法:
- 引入了INMTD,这是一个结合NMTF和NTD的新方法,用于多视图集群.
- 集成的奥米克和3D成像数据来生成嵌入式.
- 应用技术去除混的嵌入载体,以实现不混的集群.
主要成果:
- 在综合数据集上,INMTD的表现优于现有方法,通过调整后的兰德指数进行验证.
- 应用到面部基因组数据,INMTD产生了对个体,遗传学和面部形态学的生物学相关嵌入.
- 无误的聚类揭示了不同的子组特征,突出了遗传和面部特征.
结论:
- INMTD有效地整合了omics和3D成像数据,以实现无误的集群.
- 该方法提供了衍生子组的生物学上有意义的解释.
- INMTD有助于从综合数据中发现独特的个体特征.
更多相关视频
11:00Visualization, Quantification, and Mapping of Immune Cell Populations in the Tumor Microenvironment
Published on: March 25, 2020
16.9K
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.1K
