SeOMLR:一步式多视图隐藏表示与自我权衡的集体学习,用于多omics癌症亚型化

科学领域:

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

背景情况:

• 由于分子异质性,准确的癌症亚型确定对于有效的治疗至关重要.
• 现有的多领域整合方法往往优先考虑跨领域的一致性,而不是内部的特异性.
• 传统的两步集群方法可能导致信息丢失和不稳定的癌症亚型.

研究的目的:

• 开发一种新的方法,seOMLR,以使用多omics数据改进癌症亚型.
• 通过提高数据集成的具体性和一致性来解决现有方法的局限性.
• 为癌症亚型研究提供一个强大的计算框架.

主要方法:

• 提议seOMLR,一个单步多视图隐藏表示方法与自我权衡的集体学习.
• 员工放松了独家制约和一致性规范化,在稀疏的低级别自我代表框架内.
• 利用光谱旋转来提取离散的集群结构,以及用于融合和集群的联合代优化.

主要成果:

• seOMLR有效地平衡了癌症亚型的多主题数据集成中的特异性和一致性.
• 自权衡组合策略适应性地结合了先前的子类型信息,增强了学习.
• 对模拟和TCGA癌症数据集的实验表明,与现有方法相比,其性能优越.

结论:

• seOMLR提供了一种高效准确的方法,用于用于癌症亚型的多omics数据融合.
• 该方法克服了与传统的两步集群相关的信息丢失和不稳定性问题.
• seOMLR为推进癌症亚型研究提供了宝贵的计算支持.