癌症亚型的多层矩阵因子化,使用完整和部分的多omics数据集
Yingxuan Ren1, Fengtao Ren2, Bo Yang3
1National University of Singapore, 119077, Singapore.
Briefings in bioinformatics
|September 9, 2025
概括
本研究引入了多层矩阵因子化 (MLMF) 用于使用多omics数据进行癌症亚型鉴定. MLMF有效地处理缺失的数据,并集成多种omics层,以改进亚型发现.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 癌症的异质性需要准确的亚型,以获得有效的治疗.
- 当前的多omics方法通常在不完整的数据集下失败.
- 欧米克数据层之间的隐性关系未被充分探索.
研究的目的:
- 开发一种新的计算方法,用于使用多omics数据进行癌症亚型识别.
- 解决多omics癌症数据集中缺少数据的挑战.
- 提高癌症亚型识别的准确性和稳定性.
主要方法:
- 引入多层矩阵因子化 (MLMF) 用于多omics数据集群.
- 应用多层因子化来推导每个omics类型的隐性特征表示.
- 合并的潜伏表示和用于分型确定的光谱聚类.
- 整合了一个类指标矩阵来管理缺失的OMIC数据.
主要成果:
- 在12个癌症数据集上,MLMF在12个癌症数据集上表现出与最先进的方法相比或优于其性能.
- 该方法有效地处理了完整和不完整的多主题数据.
- 验证了MLMF捕捉跨OMIC层隐含关系的能力.
结论:
- MLMF为癌症亚型提供了一个统一的框架,具有完整或不完整的多组数据.
- 该方法通过整合跨多个omics层的信息来增强亚型发现.
- MLMF为癌症研究提供了一个强大的开源解决方案.
更多相关视频
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
2.1K
09:01Cancer-Associated Fibroblasts from Mouse Mammary Tumors as Tools for Molecular and Computational Studies
Published on: July 3, 2025
792
