UnPaSt：基于组学数据双聚类的无监督患者分层
机器学习
2026-01-01 v2 基因组学
摘要
无监督患者分层对于疾病亚型发现至关重要，然而，尽管非肿瘤性疾病分子异质性的证据日益增多，流行方法主要使用具有相互排斥分子亚型的癌症进行基准测试，这些亚型由众多生物标志物良好区分。评估22种无监督方法（包括聚类和双聚类），使用模拟和真实转录组学数据，揭示了它们在非相互排斥亚型或仅由少数生物标志物区分的亚型场景中的低效性。为了克服这些局限性并推进精准医学，我们开发了UnPaSt，一种基于差异表达双聚类的新型无监督患者分层双聚类算法。UnPaSt在乳腺癌和哮喘已知亚型的从头识别中优于广泛使用的患者分层方法。此外，它在批量转录组学、蛋白质组学、单细胞、空间转录组学和多组学数据集中检测到了许多生物学上有洞察力的模式，提供了比传统使用的方法更细致和可解释的高通量数据异质性视图。
引用
@article{arxiv.2408.00200,
title = {UnPaSt: unsupervised patient stratification by biclustering of omics data},
author = {Michael Hartung and Andreas Maier and Yuliya Burankova and Fernando Delgado-Chaves and Olga I. Isaeva and Alexey Savchik and Fábio Malta de Sá Patroni and Jens J. G. Lohmann and Daniel He and Casey Shannon and Jan-Ole Schulze and Katharina Kaufmann and Zoe Chervontseva and Farzaneh Firoozbakht and Anne Hartebrodt and Niklas Probul and Olga Tsoy and Alexandra Abisheva and Evgenia Zotova and Kavya Singh and Kristel Van Steen and Malte Kuehl and Victor G. Puelles and David B. Blumenthal and Martin Ester and Tanja Laske and Jan Baumbach and Olga Zolotareva},
journal= {arXiv preprint arXiv:2408.00200},
year = {2026}
}
备注
Substantially revised version with additional analyses