针对相关多组数据的非参数贝叶斯差异分析及其在癌症DNA甲基化分析中的应用
统计方法学
2022-04-12 v6
摘要
现代癌症基因组学数据集在规模与尺度、测量变量以及相关性结构方面差异巨大。在这类高通量研究中，一个基本分析目标是发展通用的统计技术，能够在一组实验或生物学条件下清晰地从噪声中筛选出信号，以识别疾病特异的基因组特征。我们提出了BayesDiff，一种基于一类新型一阶混合模型（称为粘性泊松-狄利克雷过程或多元餐厅连锁模型）的非参数贝叶斯方法。BayesDiff方法灵活地利用所有测量的信息，自适应地容纳数据中任何序列相关性，并考虑探针间距离，从而对变量进行同时推断。该技术被应用于分析一个胃肠道（GI）癌症DNA甲基化数据集，该数据集表现出序列相关性和复杂的交互模式。我们的分析与结果既支持又补充了上消化道癌症中DNA甲基化和基因关联的已知方面。在模拟研究中，我们证明了相对于现有差异DNA甲基化技术，BayesDiff方法的有效性。
引用
@article{arxiv.1710.10713,
title = {Nonparametric Bayes Differential Analysis for Dependent Multigroup Data with Application to DNA Methylation Analyses in Cancer},
author = {Chiyu Gu and Veerabhadran Baladandayuthapani and Subharup Guha},
journal= {arXiv preprint arXiv:1710.10713},
year = {2022}
}
备注
An article with overlapping content but different focus has been submitted, thus this article is no longer appropriate