Sentieon | 每周文献-Multi-omics(多组学)-第九期

简介: Sentieon | 每周文献-Multi-omics(多组学)-第九期

多组学系列文章-1

  • 标题(英文): Prediction of axillary lymph node metastasis in triple-negative breast cancer by multi-omics analysis and an integrated model
  • 标题(中文): 基于多组学分析和综合模型的三阴性乳腺癌腋窝淋巴结转移预测
  • 发表期刊: Annals of Translational Medicine
  • 作者单位: 复旦大学上海肿瘤中心乳腺外科等
  • 发表年份: 2022
  • 文章地址:https://dx.doi.org/10.21037/atm-22-277

为避免不必要的术后并发症,必须选择无腋窝淋巴结 (LN) 转移的乳腺癌患者。目前,乳腺癌的淋巴转移LNM预测模型有几种,其中大多数是基于临床病理学。然而,与其他亚型相比,这些模型对三阴性乳腺癌(TNBC)的预测性能较差。一些研究试图利用信使RNA(mRNA)测序数据预测乳腺癌淋巴结转移状态,但这些模型仍然无法准确预测TNBC中的腋窝LNM。

本研究通过研究LN阳性和LN阴性患者之间的差异,共选取445例具有淋巴结状态和多组学数据的TNBC患者,并分为训练集和验证集,分析了临床病理学特征和多组学数据,进行了生物标志物发现,并将这些生物标志物用于建立多组学模型。

本研究发现,与LN阴性患者相比,LN阳性患者的突变事件数量增加,而LN阳性病例体细胞拷贝数改变(SCNAs)的扩增和缺失频率较低。在分析了上调的基因相关途径后,发现中性粒细胞相关途径在LN阳性患者中富集。基于这些组学分析,利用5个预测因子构建多组学模型,该模型表现出优于使用单个组学数据的模型(在训练集中AUC为0.790,在验证集中AUC为0.807)。在体细胞突变检测过程中,Sentieon 中TNseq 和 TNscope 两个体细胞突变检测模块被用于精准的变异发现。

综上所述,在分析了最大的TNBC多组学队列后,本研究确定了与LNM相关的潜在临床和分子特征。基于多组学数据开发了稳健的LNM 状态预测模型,该发现为在TNBC患者中的个性化治疗和管理提供了新的视角和潜在帮助。

多组学系列文章-2

  • 标题(英文): Integrating WES and RNA-Seq Data For Short Variant Discovery
  • 标题(中文): 整合 WES 和 RNA-Seq 数据以进行短变异发现
  • 发表期刊: (预印版暂无期刊)
  • 作者单位: Sequentia 生物技术有限公司
  • 发表年份: 2021
  • 文章地址:https://doi.org/10.21203/rs.3.rs-847277/v1

组学的整合具有巨大的潜力,可用于变异发现。已经开发了几种算法来以整合方式检测体细胞变异,但仍然没有胚系突变检测的策略。在此基础上,研究者开发了一种通过整合WES和RNA-seq数据来识别胚系突变的策略。这种整合策略从原始序列数据中识别短变异(SNP和插入缺失),将其分为六组以改善变异解释:强证据,仅DNA,仅RNA,等位基因特异性表达(ASE),RNA编辑和RNA挽救变异。研究者基于整合流程分析了四个样本,与仅使用 WES 数据相比,发现已识别变体的数量有所增加,但对性能没有太大影响,从而可以验证由两种类型的数据(强证据变体)识别的变体,并鉴定 RNA 编辑和 ASE。这种整合策略提供了一种从WES和RNA-seq数据中鉴定胚系SNP和插入缺失的方法,充分利用这两种组学可以扩大已识别变异的范围并进行变异验证。

在该整合分析流程中,研究者将Sentieon 工具中各模块进行了深度整合利用。Sentieon 工具的胚系突变发现流程为 DNA 和 RNA 层面的突变精确、快速检测提供了支持。

综上所述,研究者提出的胚系突变整合方法增加了检测到的变体的数量,而对性能没有太大影响。整合方法还允许验证由两种类型的数据识别的变异,并通过将它们分为六组来改善变异的优先级:强证据、仅 DNA、仅 RNA、ASE、RNA 编辑和 RNA 挽救变异。

Sentieon软件介绍

Sentieon为完整的纯软件基因变异检测二级分析方案,其分析流程完全忠于BWA、GATK、MuTect2、STAR、Minimap2、Fgbio、picard等金标准的数学模型。在匹配开源流程分析结果的前提下,大幅提升WGS、WES、Panel、UMI、ctDNA、RNA等测序数据的分析效率和检出精度,并匹配目前全部第二代、三代测序平台。

Sentieon软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。

截至2023年3月份,Sentieon已经在全球范围内为1300+用户提供服务,被世界一级影响因子刊物如NEJM、Cell、Nature等广泛引用,引用次数超过700篇。此外,Sentieon连续数年摘得了Precision FDA、Dream Challenges等多个权威评比的桂冠,在业内获得广泛认可。


软件试用:https://www.insvast.com/sentieon

目录
相关文章
|
数据采集 数据挖掘 API
主流电商平台数据采集API接口|【Python爬虫+数据分析】采集电商平台数据信息采集
随着电商平台的兴起,越来越多的人开始在网上购物。而对于电商平台来说,商品信息、价格、评论等数据是非常重要的。因此,抓取电商平台的商品信息、价格、评论等数据成为了一项非常有价值的工作。本文将介绍如何使用Python编写爬虫程序,抓取电商平台的商品信息、价格、评论等数据。 当然,如果是电商企业,跨境电商企业,ERP系统搭建,我们经常需要采集的平台多,数据量大,要求数据稳定供应,有并发需求,那就需要通过接入电商API数据采集接口,封装好的数据采集接口更方便稳定高效数据采集。
|
6月前
|
Web App开发 数据采集 JavaScript
动态网页爬取:Python如何获取JS加载的数据?
动态网页爬取:Python如何获取JS加载的数据?
1026 58
|
11月前
|
人工智能 JSON API
使用 Qwen 生成数据模型和进行结构化输出
本教程展示如何使用CAMEL框架和Qwen模型生成结构化数据。CAMEL是一个强大的多智能体框架,支持复杂的AI任务;Qwen由阿里云开发,具备自然语言处理等先进能力。教程涵盖安装、API密钥设置、定义Pydantic模型,并演示了通过Qwen生成JSON格式的学生信息。最后,介绍了如何利用Qwen生成多个随机学生信息的JSON格式数据。欢迎在[CAMEL GitHub](https://github.com/camel-ai/camel)上为项目点星支持。
3302 70
|
Java Spring Apache
Spring Boot邂逅Apache Wicket:一次意想不到的完美邂逅,竟让Web开发变得如此简单?
【8月更文挑战第31天】Apache Wicket与Spring Boot的集成提供了近乎无缝的开发体验。Wicket以其简洁的API和强大的组件化设计著称,而Spring Boot则以开箱即用的便捷性赢得开发者青睐。本文将指导你如何在Spring Boot项目中引入Wicket,通过简单的步骤完成集成配置。首先,创建一个新的Spring Boot项目并在`pom.xml`中添加Wicket相关依赖。
304 0
|
机器学习/深度学习 存储 监控
云上智能视频分析:解锁视频数据的无限潜能
更加安全可靠:随着网络安全和数据保护意识的提高,云上智能视频分析系统将更加注重安全性和可靠性保障。未来的系统将采用更加先进的加密技术和安全防护措施,确保视频数据的传输和存储过程安全可靠;同时还将建立完善
389 0
|
分布式计算 安全 Hadoop
Hadoop安全模式
【5月更文挑战第12天】
270 2
|
jenkins Java 持续交付
Jenkins - 默认用户名和密码及启动方法
Jenkins - 默认用户名和密码及启动方法
7760 0
|
Java 应用服务中间件 Spring
WebService - CXF开发Server和Client(main方法测试)
WebService - CXF开发Server和Client(main方法测试)
287 0
|
存储 关系型数据库 数据库
PostgreSQL复制原理及高可用集群
文章来自: 朱贤文 | 成都文武信息技术有限公司 分析
569 1
下一篇
开通oss服务