TPClust:使用高维的Omics数据进行时间配置指导的子类型化
Boyi Hu1, Philip L De Jager1,2,3, David A Bennett4
1Department of Neurology, College of Physicians and Surgeons, Columbia University, New York, NY, USA.
bioRxiv : the preprint server for biology
|August 13, 2025
概括
新的聚类方法TPClust集成了分子数据和纵向健康轨迹,以识别老年人不同的衰老亚型. 这种方法揭示了具有独特疾病进展模式的新型中间亚型.
科学领域:
- 生物统计学 生物统计学
- 基因组学就是基因组学.
- 神经科学是一个神经科学.
背景情况:
- 聚类方法往往无法将纵向数据与高维的数据整合在一起,从而限制了在进展性疾病中发现亚型.
- 解决衰老中的异质性需要将分子形状与演变的表型轨迹相结合的方法.
研究的目的:
- 开发和验证TPClust,一种新的监督,半参数集群方法,用于以结果为导向的子类型.
- 整合高维的奥米克数据与纵向的表型,以增强疾病异质性分析.
主要方法:
- TPClust使用多项逻辑回归来研究潜伏子类型成员资格和纵向结果轨迹.
- 结构化规范化选择了分子特征,而脊柱回归模型则选择了随时间变化的协变效应.
- 模拟证实了对时间变化的效应和强大的特征选择的有效推断.
主要成果:
- TPClust使用转录和认知数据在1,020名老年人中确定了四种不同的衰老亚型.
- 这些亚型表现出独特的认知轨迹,时间变化的风险概况和神经病理特征.
- 发现了新的中间亚型,这些亚型在单模方法中错过了.
结论:
- TPClust有效地整合了多式联运数据,以揭示复杂的老化异质性.
- 已识别的亚型为疾病进展和个性化风险分层提供了更深入的见解.
- 这种方法促进了对老龄化人口中生物学和临床上有意义的亚型的理解.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.6K
07:28JUMPn: A Streamlined Application for Protein Co-Expression Clustering and Network Analysis in Proteomics
Published on: October 19, 2021
3.3K
