德克萨斯农工大学公共卫生学院的一名研究人员及其同事开发了一种新的统计技术，为了解疾病如何影响单个细胞提供了新的见解。这种创新方法被称为混合贝叶斯推理，它融合了不同的统计方法，以更好地理解特发性肺纤维化等复杂疾病，这种疾病因其难以捉摸的性质而长期困扰着科学家。

该技术由韩刚博士等人在过去十年中开发，用于当某些参数有先验信息而其他参数没有先验信息时使用。这种方法为许多领域更精确的医学发现铺平了道路。

公共卫生学院教授韩说：“这种混合方法比频率学派推理更好，因为它包含了先验信息;也比贝叶斯推理更好，因为它减少了由无信息先验导致的偏见问题，这在小样本量的情况下可能很严重。”

目前的单细胞 RNA 测序技术在识别目标基因方面也面临同样的挑战。可以通过将单细胞 RNA 测序汇集到相同的生物重复中来识别差异表达基因，但样本量小会降低其效力。另一方面，由于成本高昂和某些疾病患者的累积时间长，很难获得大样本量。

在他们目前的《人类基因组学》研究中，韩和制药公司礼来公司的同事将贝叶斯频率学派混合框架应用于特发性肺纤维化的案例研究。研究人员使用小鼠下丘脑单细胞 RNA 测序的半合成数据源，研究了与其他分析方法相比，贝叶斯频率学派混合推理的统计功效和错误发现率。

然后，他们使用三种方法(贝叶斯频率学派混合推理、频率​​学派和贝叶斯方法)来分析肺组织数据集中的基因表达数据。具体来说，他们研究了特发性肺纤维化与转化生长因子 β1 之间的关联，调整了细胞为肺泡巨噬细胞的概率。

研究人员发现，只要有适当的先验信息，并且这些基因基于目前对特发性肺纤维化的了解是合理的，贝叶斯频率学派混合推理就能识别出更多感兴趣的基因。当使用频率学派推理和贝叶斯推理时，要么没有发现差异表达基因，要么只发现少量差异表达基因。

“我们最不寻常的发现是，我们的方法可以触发全面的通路分析，以识别与特定细胞类型的疾病状态相关的基因，”韩说。“这意味着，在样本量有限的情况下，它可以识别特定类型细胞中与特定疾病相关的重要基因。”

这项研究以 2022 年的一篇关于混合推理计算的论文为基础。在该研究中，Han 和其他同事将贝叶斯频率论混合推理应用于生物力学工程膝关节植入物设计，以及肢端雀斑样黑色素瘤(一种皮肤癌)的位置和类型与治疗该病的所选手术方法之间的关系研究。在这两种情况下，在样本量从 20 到 500 不等的情况下，近似值都优于频率论和贝叶斯推理。

下一步，韩计划开展多变量混合贝叶斯分析的研究，将更多患者人口统计信息纳入模型，并将其他来源的信息作为环境变量。

“最重要的是，贝叶斯频率混合推理不仅为特发性肺纤维化提供了宝贵的见解，而且为未来许多其他单细胞 RNA 测序分析提供了一个独特而灵活的框架，”Han 说。

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：