NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığına (PD) dahil olan genleri, farklı deney türleri arasındaki bilgileri birleştirerek tanımlamaya çalışıyoruz. Bireysel olarak alınan her deney, bazı önemli genleri tesadüfi olanlardan ayırt etmek için çok az bilgi içerebilir. Bununla birlikte, deneyler önerilen istatistiksel çerçeve kullanılarak birleştirildiğinde, ek güç ortaya çıkar. Önerdiğimiz istatistiksel modeller ailesinin temel yapı taşı, hiyerarşik üç gruplu dağılım karışımıdır. Her gen, PD ile ilişkisi olmayan bir boş gruba, zararlı bir gruba veya faydalı bir gruba ait olarak modellenir. Bu üç grup formalizminin iki temel özelliği vardır. Bir Dirichlet dağılımı ile grup ödevlerinin önceki olasılıklarını paylaşarak, sonuçta ortaya çıkan posterior grup olasılıkları, aynı anda birçok geni analiz etmede doğuştan gelen çokluğu otomatik olarak hesaba katar. Deneysel sonuçlar için modeller oluşturarak grup etiketlerine koşullu olarak, herhangi bir sayıda veri modeli tek bir tutarlı olasılık modelinde birleştirilebilir ve bu da deney türleri arasında bilgi paylaşımına olanak tanır. Bu iki özellik, az sayıda yanlış pozitif ile parsimonious çıkarımla sonuçlanırken, aynı zamanda sinyalleri algılama gücünü arttırır. Simülasyonlar, üç grup yaklaşımımızın en azından GWAS ve RNA-seq için yaygın olarak kullanılan araçları yerine getirdiğini ve bazı durumlarda daha iyi performans gösterdiğini göstermektedir. Önerilen yaklaşımımızı, genom genelindeki ortak çalışmalar ve RNA-seq veri kümelerine uygulayarak, potansiyel terapötik hedefler olan yeni genleri keşfediyoruz.
Özgün kaynak özetini okuyun
We seek to identify genes involved in Parkinson's disease (PD) by combining information across different experiment types. Each experiment, taken individually, may contain too little information to distinguish some important genes from incidental ones. However, when experiments are combined using the proposed statistical framework, additional power emerges. The fundamental building block of the family of statistical models that we propose is a hierarchical three-groups mixture of distributions. Each gene is modeled probabilistically as belonging to either a null group that is unassociated with PD, a deleterious group, or a beneficial group. This three-groups formalism has two key features. By apportioning prior probability of group assignments with a Dirichlet distribution, the resultant posterior group probabilities automatically account for the multiplicity inherent in analyzing many genes simultaneously. By building models for experimental outcomes conditionally on the group labels, any number of data modalities may be combined in a single coherent probability model, allowing information sharing across experiment types. These two features result in parsimonious inference with few false positives, while simultaneously enhancing power to detect signals. Simulations show that our three-groups approach performs at least as well as commonly-used tools for GWAS and RNA-seq, and in some cases it performs better. We apply our proposed approach to publicly available genome-wide association studies and RNA-seq datasets, discovering novel genes that are potential therapeutic targets.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.