miss-SNF:一种多式联络患者相似性网络集成方法,用于处理完全缺失的数据源

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 数据科学数据科学数据科学

背景情况:

• 精准医学依赖于整合多样化的患者数据 (多omics,临床) 以改善医疗保健.
• 整合异质数据是具有挑战性的,特别是当一些患者的整个数据模式缺失时.
• 现有的方法往往无法解决多个来源的完整数据缺失.

研究的目的:

• 引入错误相似性网络融合 (miss-SNF),这是一个整合完全缺失模式的患者数据的方法.
• 开发一种通用方法来处理患者相似性网络中缺少的数据.
• 为了证明错过SNF在无监督和监督学习任务中的有效性.

主要方法:

• miss-SNF采用了一种非线性消息传递策略,从相似网络融合 (SNF) 算法中改编出来.
• 该方法整合了不完整的单模式患者相似性网络,以恢复缺失的相似性.
• 该方法被设计为任务不可知,适用于各种预测任务.

主要成果:

• miss-SNF在来自癌症基因组图谱 (TCGA) 的九个癌症数据集上取得了最先进的结果,以恢复相似性.
• 该方法成功地确定了具有临床相关变量和差异性生存率的患者子组.
• 截肢实验显示,对癌症结果和阿尔茨海默病诊断的错误SNF预测与使用完整数据相比.

结论:

• miss-SNF提供了一个强大的解决方案,用于整合多式联络患者数据,即使有显著的缺失.
• 该方法在识别患者子组和预测临床结果方面表现出很高的表现.
• miss-SNF通过分析以前无法使用的不完整数据集,推动了精准医学的发展.