一个集群方法,以综合分析多核癌症数据的集群方法

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 在多个omics域 (基因组学,转录组学等) 中进行分子分析. 对于癌症临床决策至关重要.
• 整合多样化的omics数据在识别全面的基因组签名和患者子组方面提出了挑战.

研究的目的:

• 开发用于高维,多域癌症数据分析的整合性框架.
• 准确检测瘤亚型并识别与癌症分类学相关的基因组异常.
• 为了能够准确地预测风险,并识别针对量身定制治疗的新型患者子组.

主要方法:

• 贝叶斯混合模型,以连贯地纳入omics领域内和之间的依赖关系.
• 瘤样本和基因组探针的同时双向聚类的贝叶斯非参数策略.
• 有效的变量选择程序,以确定相关的基因组异常和潜在的疾病驱动因素.

主要成果:

• 使用集成的奥米克数据,证明了瘤亚型的准确检测.
• 成功确定了与癌症分类学相关的基因组异常目录.
• 使用人工数据和来自癌症基因组图谱 (TCGA) 的肺癌数据集验证了方法.

结论:

• 拟议的整合性框架有效地同化了多个学科的信息,以进行强大的癌症亚型化.
• 这些方法有助于识别基因组驱动因素,并支持瘤学中的个性化医学方法.
• 灵活和可扩展的贝叶斯方法广泛适用于各种高维生物数据集.