A computational framework for complex disease stratification from multiple large-scale datasets.
A computational framework for complex disease stratification from multiple large-scale datasets.
复制标题
DOI：
10.1186/s12918-018-0556-z
复制
发表时间：
2018-05-29
影响因子：
--
通讯作者：
U-BIOPRED Study Group and the eTRIKS Consortium
中科院分区：
文献类型：
--
作者：
De Meulder B;Lefaudeux D;Bansal AT;Mazein A;Chaiboonchoe A;Ahmed H;Balaur I;Saqi M;Pellet J;Ballereau S;Lemonnier N;Sun K;Pandis I;Yang X;Batuwitage M;Kretsos K;van Eyll J;Bedding A;Davison T;Dodson P;Larminie C;Postle A;Corfield J;Djukanovic R;Chung KF;Adcock IM;Guo YK;Sterk PJ;Manta A;Rowe A;Baribaud F;Auffray C;U-BIOPRED Study Group and the eTRIKS Consortium
多级数据集成正成为系统生物学研究的一个重要领域。在这一领域，关于复杂疾病的多组学数据集越来越容易获得，需要为生物、临床和环境数据的综合分析制定标准和良好做法。我们提出了一个框架来规划和生成疾病状态的单组学和多组学特征。该框架分为四个主要步骤：数据集子集，特征过滤，基于组学的聚类和生物标志物识别。我们通过在公开可用的卵巢囊腺癌数据集中基于整合的多组学特征识别潜在的患者群来说明该框架的有用性。该分析产生了比以前报告的更多数量的稳定和临床相关的聚类，并能够生成患者结局的预测模型。该框架将帮助健康研究人员计划和执行多组学大数据分析，以生成假设，并理解其丰富，多样化和不断增长的数据集，从而实现转化P4医学。本文的在线版本（10.1186/s12918-018-0556-z）包含补充材料，可供授权用户使用。
Multilevel data integration is becoming a major area of research in systems biology. Within this area, multi-‘omics datasets on complex diseases are becoming more readily available and there is a need to set standards and good practices for integrated analysis of biological, clinical and environmental data. We present a framework to plan and generate single and multi-‘omics signatures of disease states. The framework is divided into four major steps: dataset subsetting, feature filtering, ‘omics-based clustering and biomarker identification. We illustrate the usefulness of this framework by identifying potential patient clusters based on integrated multi-‘omics signatures in a publicly available ovarian cystadenocarcinoma dataset. The analysis generated a higher number of stable and clinically relevant clusters than previously reported, and enabled the generation of predictive models of patient outcomes. This framework will help health researchers plan and perform multi-‘omics big data analyses to generate hypotheses and make sense of their rich, diverse and ever growing datasets, to enable implementation of translational P4 medicine. The online version of this article (10.1186/s12918-018-0556-z) contains supplementary material, which is available to authorized users.
登录
查看更多内容
影响因子：
12.3
作者：
Auffray C;Chen Z;Hood L
通讯作者：
Hood L
影响因子：
12.3
作者：
Auffray C;Charron D;Hood L
通讯作者：
Hood L
DOI：
10.1038/nrc2644
发表时间：
2009-06
期刊：
Nature reviews. Cancer
影响因子：
--
作者：
通讯作者：
--
DOI：
10.1111/igc.0b013e3181a8331f
发表时间：
2009-07-01
影响因子：
4.8
作者：
Bellone, Stefania;Siegel, Eric R.;Santin, Alessandro D.
通讯作者：
Santin, Alessandro D.
影响因子：
4.3
作者：
Berger B;Gaasterland T;Lengauer T;Orengo C;Gaeta B;Markel S;Valencia A
通讯作者：
Valencia A