High-sensitivity pattern discovery in large, paired multiomic datasets.
High-sensitivity pattern discovery in large, paired multiomic datasets.
复制标题
DOI：
10.1093/bioinformatics/btac232
复制
发表时间：
2022-06-24
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
现代生物筛选产生大量测量结果，识别和解释特征之间具有统计学意义的关联至关重要。在从同一组样本收集多个高维数据集的实验中，以提供高统计功效和错误发现率 (FDR) 控制的方式识别数据集之间的相关特征组非常有用。在这里，我们提出了一种新颖的分层框架 HAllA（分层对抗所有关联测试），用于配对高维数据集之间的结构化关联发现。 HAllA 有效地将分层假设检验与 FDR 校正相结合，以揭示连续和/或分类数据之间显着的线性和非线性块关系。我们使用已知关联结构的异构合成数据集来优化和评估 HAllA，其中 HAllA 在一系列常见的相似性度量中优于所有对所有和其他块测试方法。然后，我们将 HAllA 应用于一系列真实世界的多组学数据集，揭示了基因表达与宿主免疫活动、微生物组和宿主转录组、代谢组学分析和人类健康表型之间的新关联。 HAllA 的开源实现以及文档、演示数据集和用户组可在 http://huttenhower.sph.harvard.edu/halla 上免费获得。 补充数据可在生物信息学在线获取。
Modern biological screens yield enormous numbers of measurements, and identifying and interpreting statistically significant associations among features are essential. In experiments featuring multiple high-dimensional datasets collected from the same set of samples, it is useful to identify groups of associated features between the datasets in a way that provides high statistical power and false discovery rate (FDR) control. Here, we present a novel hierarchical framework, HAllA (Hierarchical All-against-All association testing), for structured association discovery between paired high-dimensional datasets. HAllA efficiently integrates hierarchical hypothesis testing with FDR correction to reveal significant linear and non-linear block-wise relationships among continuous and/or categorical data. We optimized and evaluated HAllA using heterogeneous synthetic datasets of known association structure, where HAllA outperformed all-against-all and other block-testing approaches across a range of common similarity measures. We then applied HAllA to a series of real-world multiomics datasets, revealing new associations between gene expression and host immune activity, the microbiome and host transcriptome, metabolomic profiling and human health phenotypes. An open-source implementation of HAllA is freely available at http://huttenhower.sph.harvard.edu/halla along with documentation, demo datasets and a user group. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
29
作者：
Donovan, A;Lima, CA;Andrews, NC
通讯作者：
Andrews, NC
DOI：
10.1098/rsta.2009.0159
发表时间：
2009-11-13
影响因子：
5
作者：
Johnstone, Iain M.;Titterington, D. Michael
通讯作者：
Titterington, D. Michael
影响因子：
3.2
作者：
Abdi, Herve
通讯作者：
Abdi, Herve
DOI：
10.1111/j.2517-6161.1995.tb02031.x
发表时间：
1995-01-01
影响因子：
5.8
作者：
BENJAMINI, Y;HOCHBERG, Y
通讯作者：
HOCHBERG, Y
影响因子：
5.7
作者：
Caldon, C. Elizabeth;Sergio, C. Marcelo;Musgrove, Elizabeth A.
通讯作者：
Musgrove, Elizabeth A.