一种用于发现生物标志物和癌症亚型的无监督工具,应用于质母细胞瘤

科学领域:

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

背景情况:

• 高维的奥米克数据带来了诸如过拟合之类的挑战,因为变量比观测更多.
• 监督变量选择方法可能会过度调整数据,并且可能无法保留下游分析的数据集结构.
• 无监督变量选择为保存生物信息提供了一个替代方案.

研究的目的:

• 为了评估omics数据分析的无监督变量选择方法.
• 引入TRIM-IT,一种用于增强数据解释性的新型计算工具.
• 保持生物信息,同时改进数据分析.

主要方法:

• 评估多种无监督变量选择技术.
• 开发TRIM-IT,整合无监督变量选择,聚类,生存分析和差异性基因表达.
• 应用TRIM-IT对质母细胞瘤转录组学数据.

主要成果:

• 在质母细胞瘤中,TRIM-IT确定了三个不同的患者群.
• 这些群体与瘤组织学相关,并且显示出明显不同的生存结果.
• 集群中的分子形状表明了潜在的生物标志物候选人.

结论:

• TRIM-IT提供了一种新的方法来分析高维的奥米克数据,保护生物洞察力.
• 该工具有效地识别了有意义的患者子组和分子签名.
• TRIM-IT 在 R 中实现,并提供公开可用的可复制性代码.