用于整合药物基因组学的链图模型中的贝叶斯鲁棒学习

对多层级药物基因组学数据进行整合分析以建模跨多个生物学领域的依赖关系，对于开发基于基因组检测的治疗至关重要。链图刻画了此类多层级数据的条件依赖结构，其中变量自然划分为多个有序层，包含有向与无向边。现有文献大多聚焦于高斯链图，其不适用于具有重尾边缘的非正态分布，可能导致不准确的推断。我们提出一种贝叶斯鲁棒链图模型 (RCGM)，基于对边缘的随机变换并使用高斯尺度混合，以解释连续多变量数据中节点层面的非正态性。这一灵活的建模策略有助于识别非正态节点间的条件符号依赖，同时仍能推断正态节点间的条件依赖。在模拟中，我们证明 RCGM 在由各种非正态机制生成的数据上优于现有高斯链图推断方法。我们将方法应用于基因组、转录组和蛋白质组学数据，以整体理解肺癌细胞系中药物响应与耐药的底层生物过程。我们的分析揭示了关键信号通路对 icotinib、erlotinib 和 osimertinib 等药物的单药治疗的跨平台与平台内依赖，以及药物作用背后分子机制的共享模式。