排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
在肿瘤/癌旁基因表达数据中,差异表达 (DE,differential expression) 代表各种生物条件下基因表达水平的变化,而差异共表达 (DC,differential co-expression) 代表基因对之间相关系数的变化。单独的DC和DE研究方法已经被广泛应用于人类疾病研究中。但是,目前仍然缺乏有效整合DC和DE的分析方法。文中提出一个新颖的分析框架DC&DEmodule,该框架可以基于共表达模块整合DC和DE的特征,并同时整合多个肿瘤/癌旁表达谱的信息,用以识别与疾病相关的基因共表达模块,包括激活模块 (肿瘤样本中上调且共表达增强) 和失能模块 (肿瘤样本中下调且失去共表达)。将该框架用于分析肝癌、胃癌和结直肠癌各两组微阵列数据,分别得到肝癌、胃癌和结直肠癌的2、5和2个激活模块以及5、5和1个失能模块。富集分析表明与同类方法相比,文中的方法在检测已知的肿瘤相关通路和发现新通路方面均具有更高的灵敏度。然后,进一步从这3种癌症的激活模块中鉴定出17、69和11个模块关键基因,其中包含53个已报道的预后生物标志物以及3个分别与3种癌症存活率显著相关的新预后标志物。基于关键基因训练了3种癌症的随机森林模型,用于区分TCGA(The Cancer Genome Atlas) 和GEO (Gene Expression Omnibus)数据库中的肿瘤和癌旁样本,结果显示其分类的平均准确性达到了93%。三种癌症的比较为不同癌症的共有和组织特异性机制提供了新的见解。一系列评估表明,DC&DEmodule框架能够整合公共数据库中快速积累的表达谱,发现更多疾病中功能失调的生物过程。 相似文献
2.
随着质谱技术的进步以及生物信息学与统计学算法的发展,以疾病研究为主要目的之一的人类蛋白质组计划正快速推进。蛋白质生物标志物在疾病早期诊断和临床治疗等方面有着非常重要的意义,其发现策略和方法的研究已成为一个重要的热点领域。特征选择与机器学习对于解决蛋白质组数据"高维度"及"稀疏性"问题有较好的效果,因而逐渐被广泛地应用于发现蛋白质生物标志物的研究中。文中主要阐述蛋白质生物标志物的发现策略以及其中特征选择与机器学习方法的原理、应用实例和适用范围,并讨论深度学习方法在本领域的应用前景及局限性,以期为相关研究提供参考。 相似文献
3.
Meta-analysis作为一种整合多特征、多数据的统计方法,上世纪90年代被引入生命科学领域。随着高通量测序技术的快速发展,以基因组学、转录组学和蛋白质组学为核心的生命组学逐渐成为生命科学研究的新热点。海量数据的快速产出推动了组学研究的发展,也引发了数据规模过大、难以系统整合等问题。针对上述情况,meta-analysis被广泛地应用于分析各组学数据,方法也不断得到改进。本文系统总结了有代表性的meta-analysis方法,考察了目前meta-analysis在多个组学领域的应用现状,最后讨论了meta-analysis尚待解决的问题并展望未来的发展方向。 相似文献
1