综合贝叶斯变量选择(IBVS)直接用于个性化医疗

个性化医疗 (Jain, 2009) 的主要目标是基于分子生物标志物进行有效的疾病诊断,治疗和预防。利用高通量技术(如芯片和新一代测序技术)有利于创新,尽管生物标志物的发现过程比较复杂。生物标志物发现的主要挑战在于从大量候选者中(例如,成千上万的SNP和数百个基因的)推导出可预测和可靠生物标志物。这些研究发现通常由于较小的样本量受阻。在儿童健康与人类发展研究所的资助下,我们开发了一个综合性贝叶斯变量选择( IBVS )策略,应用于二分类结局变量的微阵列基因表达数据。这一策略遵循系统生物学的理念,将已知基因调控网络直接纳入先验分布的模型参数,以指导基因选择。目前,我们正在开发一个IBVS的 R软件包,用于分析其他形式的两分类组学数据(例如, SNP 位点, RNA 的序列和 DNA 甲基化),分类数据(如白血病亚型),连续数据(例如,体重指数得分) ,计数数据(例如,某些血液细胞计数) ,和时间-事件(例如, 5 年生存率)的临床结果或表型性状。

产品特点

  • 一种新的偏最小二乘(PLS)g-prior允许将基因之间的相互作用或功能关系纳入先验知识。

  • 用户可以依据已发表的文献(主要来自PubMed和谷歌学术搜索)总结调整SNP/基因/通路的先验选择概率。

  • “ P > N ” 的情况下模型仍然适用,即,组学数据远大于样本量。

  • 用于知识发现。





下载已发表文章,了解更多信息


下载