Discovery of multi-dimensional modules by integrative analysis of cancer genomic data.
Discovery of multi-dimensional modules by integrative analysis of cancer genomic data.
复制标题
DOI：
10.1093/nar/gks725
复制
发表时间：
2012-10
影响因子：
14.9
通讯作者：
Zhou XJ
中科院分区：
文献类型：
--
作者：
Zhang S;Liu CC;Li W;Shen H;Laird PW;Zhou XJ
最近的技术已经使得同时进行生物样本的多平台基因组分析（例如DNA甲基化（DM）和基因表达（GE））成为可能，从而产生所谓的“多维基因组数据”。这些数据为研究多层面调控机制之间的协调提供了独特的机会。然而，目前缺乏对多维基因组学数据的综合分析，以发现组合模式。在这里，我们采用联合矩阵分解技术来解决这一挑战。该方法将多种类型的基因组数据投影到一个共同的坐标系中，在同一个投影方向上权重较高的异质变量形成一个多维模块（md-module）。这些模块中的基因组变量具有显著的相关性和可能的功能关联。我们将该方法应用于来自the cancer Genome Atlas项目的385例卵巢癌样本的DM、GE和microRNA表达数据。这些md模块揭示了仅用单一类型的数据就可能被忽视的受干扰的通路，揭示了不同细胞活动层之间的关联，并允许识别临床不同的患者亚组。我们的研究为揭示多维“基因组”数据中的隐藏模式及其生物学含义提供了一个有用的协议。
Recent technology has made it possible to simultaneously perform multi-platform genomic profiling (e.g. DNA methylation (DM) and gene expression (GE)) of biological samples, resulting in so-called ‘multi-dimensional genomic data’. Such data provide unique opportunities to study the coordination between regulatory mechanisms on multiple levels. However, integrative analysis of multi-dimensional genomics data for the discovery of combinatorial patterns is currently lacking. Here, we adopt a joint matrix factorization technique to address this challenge. This method projects multiple types of genomic data onto a common coordinate system, in which heterogeneous variables weighted highly in the same projected direction form a multi-dimensional module (md-module). Genomic variables in such modules are characterized by significant correlations and likely functional associations. We applied this method to the DM, GE, and microRNA expression data of 385 ovarian cancer samples from the The Cancer Genome Atlas project. These md-modules revealed perturbed pathways that would have been overlooked with only a single type of data, uncovered associations between different layers of cellular activities and allowed the identification of clinically distinct patient subgroups. Our study provides an useful protocol for uncovering hidden patterns and their biological implications in multi-dimensional ‘omic’ data.
登录
查看更多内容
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：
10.1038/nrc1299
发表时间：
2004-03
期刊：
Nature reviews. Cancer
影响因子：
--
作者：
通讯作者：
--
影响因子：
82.9
作者：
Dinulescu, DM;Ince, TA;Jacks, T
通讯作者：
Jacks, T
影响因子：
4.8
作者：
Käkönen, SM;Selander, KS;Guise, TA
通讯作者：
Guise, TA
影响因子：
3.9
作者：
Dahiya N;Morin PJ
通讯作者：
Morin PJ