用于识别与癌症类型相关通路的贝叶斯半非负三矩阵分解
机器学习
2017-12-05 v1
摘要
识别与特定癌症类型相关的改变通路可能对癌症患者治疗产生显著影响。准确识别此类关键改变通路信息可用于开发新型治疗药物，并更好地理解各类癌症的分子机制。三矩阵分解是一种从数据中学习两个不同实体（在我们的案例中为癌症类型与通路）之间关联的高效工具。为成功将三矩阵分解方法应用于生物医学问题，应将通路数据库或蛋白质-蛋白质相互作用(PPI)网络等生物学先验知识纳入分解模型。然而，即使在贝叶斯方法中这一点也并不直截了当，尽管贝叶斯方法相较于点估计方法（如极大似然或最大后验方法）更具吸引力，因为它们计算变量的分布并对过拟合具有鲁棒性。我们提出了一种用于人类癌症基因组数据的贝叶斯（半）非负矩阵分解模型，其中由通路数据库和PPI网络表示的生物学先验知识通过有限依赖Beta-Bernoulli先验被纳入分解模型。我们在癌症基因组图谱(TCGA)数据集上测试了我们的方法，发现由我们的方法识别的通路可用作患者亚组识别的预后生物标志物。
引用
@article{arxiv.1712.00520,
title = {Bayesian Semi-nonnegative Tri-matrix Factorization to Identify Pathways Associated with Cancer Types},
author = {Sunho Park and Tae Hyun Hwang},
journal= {arXiv preprint arXiv:1712.00520},
year = {2017}
}
备注
This work has been accepted to "ML4H: Machine Learning for Health" workshop at NIPS 2017 (https://ml4health.github.io/2017/)