一个灵活的框架,用于从临床奥米克研究中发现最小的生物标志物签名,而无需对图书馆大小进行规范化
Daniel Rawlinson1,2, Chenxi Zhou3,4, Myrsini Kaforou5
1Department of Microbiology and Immunology, University of Melbourne at The Peter Doherty Institute for Infection and Immunity, Melbourne, Australia.
PLOS digital health
|March 26, 2025
概括
我们开发了Forward Selection-Partial Least Squares (FS-PLS),一种新的方法,可以从复杂的复杂疾病中找到最小的疾病特征.
科学领域:
- 生物标志物发现发现
- 翻译生物信息学
- 精准医学是一门精准的医学.
背景情况:
- 来自临床研究的多omics数据可以识别疾病特征.
- 当前的方法往往需要广泛的数据或库大小的规范化.
- 将这些特征转化为护理点测试需要最小的分析物测量.
研究的目的:
- 开发一种特征选择方法,以创建最小的疾病特征.
- 为了使签名发现独立于直接的库大小测量.
- 促进开发低成本,精确的诊断测试.
主要方法:
- 开发了前向选择-部分最小方形 (FS-PLS) 来进行特征选择.
- 将FS-PLS与现有的签名发现方法进行基准测试.
- 评估FS-PLS因为其识别图书馆大小预测特征的能力.
主要成果:
- 与标准方法相比,FS-PLS生成的签名要小得多.
- FS-PLS实现了与现有方法相比较的预测性能.
- 识别的特征可以用于规范化看不见的样本,从而实现孤立测量.
- FS-PLS成功地识别了最小的,高性能的疾病特征.
结论:
- FS-PLS提供了一种强大的方法来发现最小的,高性能的疾病特征.
- 这种方法克服了一个关键的障碍,即将omics数据转化为护理点诊断.
- 能够开发出更具成本效益和更容易获得的精准医学工具.


