这些类型的数据被称为“多组学数据”，涵盖基因组学、表观基因组学、蛋白质组学和转录组学，提供了疾病生物系统的广泛而全面的视图，帮助研究人员揭示疾病的潜在生物学机制并改善临床结果。

然而，这些数据的庞大数量和多样性使得健康研究人员很难从数十万个数据点中识别重要的生物标志物。

明尼苏达大学公共卫生学院(SPH)的一项新研究将通过开发和应用贝叶斯统计学习方法来直接应对这一挑战，该方法将帮助研究人员分析大量多组学数据。

贝叶斯方法通过根据经验或其他因素为数据集中的事件或参数分配概率来组织数据。贝叶斯模型的一个关键优势是其处理非线性的能力，这是对疾病和其他生物系统进行建模时的一个基本特征。SPH研究人员将使用这些方法来识别：

关键预测途径及其相应的重要分子，例如基因、蛋白质、代谢物和脂质。

有临床意义的分子疾病亚型。

有助于组学数据类型之间的联合关联(或监管网络)的预测和预后生物标志物。组学数据将被放入贝叶斯预测统计模型中，以便选择与疾病结果相关的组学特征。

“通过将所提出的方法应用于癌症基因组图谱、dbGAP和基因型组织表达等公开数据集，以及从我们的合作者那里获得的非公开数据集，这些模型为增进我们对复杂疾病的理解带来了巨大的希望。”SPH助理教授兼这项研究的首席研究员ThierryChekouo说道。

“我们计划免费开发强大、计算效率高且用户友好的软件来应用我们的方法，并将其提供给科学家、数据科学家、生物统计学家和其他可以使用它来将研究推进到复杂领域的人。疾病”。

Chekouo表示，虽然该研究预计将在五年内完成，但他预计将在2024年底之前得出初步结果。结果将通过多种方式传播。所提出方法的免费软件将在线提供。这些方法的详细信息将发表在同行评审的统计方法期刊上。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：