对个性化医疗:一种类型的数据是不够的

EMBL的研究人员设计了一个计算方法,共同分析多种类型的分子数据从病人为了识别分子特征,区分个体。方法叫做Multi-Omics因子分析(外交部),和今天发表在分子系统生物学。遐差可能特别有用——为我们理解癌症发展,提高诊断和显示个性化治疗的新方向。

研究人员测试了他们的新方法multi-omics收集的数据来自200名白血病患者。遐差确定一系列的因素,强调病人之间的分子变化。这些信息可以帮助研究人员了解癌症在个人的层面发展。它还可以帮助引导个性化的治疗决定。

multiomics数据是什么?

Multi-omics方法集成数据从基因组、表观基因组转录组,代谢组,和其他分子数据。这些数据类型有不同的属性和维度和难以融入综合分析建立一个个人的分子。

然而,通过组合多个分子数据类型(multi-omics),研究人员可以识别生物标志物——天然分子,与特定疾病相关的基因或分子特征。生物标志物临床研究是必不可少的,可以用来分类患者分为不同的患者组。通过测量生物标记,我们可以更好地了解病人的疾病和估计他们将如何应对什么样的治疗最好。

“癌症的一大挑战是,每个病人的疾病从分子的角度是不同的,独特的分子特性,导致其发展,”解释了茴香酒Argelaguet博士前的研究员Stegle集团在欧洲生物信息学研究所(EMBL-EBI)。“我们的方法允许研究人员做的事情不能做过——轻松集成复杂的分子数据从DNA, RNA,甲基化,建立肿瘤的分子。使用这些配置文件,该方法还可以分层患者入组,可能受益于不同类型的治疗。”

“我们的目标是提出一个方法,可以很容易地使用的临床研究,我们从野外与同事合作,了解他们的需求和挑战,“继续布丽塔一起创造Velten,海德堡EMBL的博士前的研究员Huber组。“我们结合专业知识从数学、统计学、机器学习、生物学和临床医学想出一个健壮的和实用的方法,希望能帮助研究人员在临床改善癌症诊断和治疗。”

在第二个应用程序中,研究人员还用遐在单细胞分析multi-omics数据分辨率。目前他们正进一步改善方法,以便它可以处理更大的数据集和额外的实验设计。

遐差可以作为开源软件在https://github.com/bioFAM/MOFA上丰富的文档和教程。

这篇文章被转载材料所提供的EMBL-EBI。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:Argelaguet, R。,Velten B。Arnol D。迪特里希,S。Zenz, T。Marioni, j . C。,…Stegle, o . (2018)。多人组学因素分析框架,无监督整合多组学数据集。分子系统生物学,14 (6),e8124。https://doi.org/10.15252/msb.20178124