使用MOFA和Stabl算法对多种omics疫苗反应数据的全面分析
Aanya Gupta1, Koji Abe1, Holden T Maecker1
1Human Immune Monitoring Center (HIMC), Institute for Immunity, Transplantation, and Infection (ITI), Stanford University, Stanford, CA, United States.
Frontiers in bioinformatics
|December 1, 2025
概括
这项研究比较了MOFA和Stabl算法来分析多omics疫苗反应数据. 斯塔尔确定了用于预测疫苗反应的关键免疫细胞子集,在预测准确度上略高于MOFA.
科学领域:
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- FluPRINT 数据集包含来自接种疫苗的个体的多omics数据,包括蛋白质表达和细胞计数.
- 疫苗反应是复杂的,受到各种生物因素的影响,需要先进的分析方法.
研究的目的:
- 为了比较MOFA和Stabl算法的性能,分析FluPRINT多omics数据集.
- 通过使用不同的分析方法,确定预测疫苗反应的关键特征和细胞子集.
- 为大量免疫学多组数据选择合适的分析工具提供指导.
主要方法:
- 在FluPRINT数据集进行了预处理,包括特征删除,试验特定的缩放和异常值排除.
- 缺失值的处理方法是删除具有高缺失值的特征,并忽略剩余的缺失数据点.
- 应用MOFA和Stabl算法来分析人口结构和预测疫苗反应.
主要成果:
- MOFA将IL负2 CD4 pos CD45Ra负pSTAT5确定为一个关键特征,解释了p < 0.05.05的显著数据差异.
- 斯塔尔确定CD33-CD3+CD4+CD25hiCD127低CD161+CD45RA+Tregs作为最重要的预测特征,与之前的发现保持一致.
- MOFA的AUROC为0.616,而Stabl的AUROC略高于0.634,用于预测疫苗反应.
结论:
- MOFA和Stabl都是分析复杂的免疫学多组数据的宝贵工具.
- 与MOFA相比,Stabl在这个数据集中显示出稍微更好的预测疫苗反应的能力.
- 这项研究强调了算法选择对于从多omics数据中发现生物学见解的重要性.
