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
|
6月前
|
编解码 算法 数据挖掘
Sentieon | 每周文献-Multi-omics-第四十一期
**多组学研究揭示人类前额皮质发育中的遗传变化与转录组协调,文章发表于2020年《Cell Reports》,利用Sentieon软件分析全基因组和RNA测序数据,发现约12,000个基因表达在协调的胎儿晚期转变中变化,关联神经精神疾病。另一研究对比了EGFR生物标志物检测方法对胶质母细胞瘤精准医疗的影响, Sentieon软件同样用于变异检测,强调了检测方法的一致性和比较的重要性。Sentieon是高效精准的基因变异检测软件,广泛应用在多个生命科学领域。**
70 6
|
6月前
|
数据可视化
如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
如何用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
|
6月前
|
数据可视化
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
R语言用潜类别混合效应模型(Latent Class Mixed Model ,LCMM)分析老年痴呆年龄数据
107 10
|
6月前
|
搜索推荐 数据挖掘 Java
文献速读|7分的干湿结合胃癌单细胞联合bulk转录组+线粒体自噬
研究人员通过单细胞和bulk RNA测序,鉴定出18个线粒体自噬相关基因(MRGs),在胃癌中的预后作用。这些基因可能成为新的生物标志物和治疗靶点。分析显示GABARAPL2和CDC37在上皮细胞中高度表达,与免疫浸润和预后相关。构建的风险模型在多个独立队列中验证有效,表明MRGs可改善预后预测,并提示免疫治疗潜力。研究强调了单细胞分析在理解疾病复杂性和指导个性化治疗中的价值。
151 3
|
6月前
|
算法
R语言实现 Copula 算法建模相依性案例分析报告
R语言实现 Copula 算法建模相依性案例分析报告
|
6月前
|
存储 vr&ar
Matlab创建向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列
Matlab创建向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列
|
6月前
|
机器学习/深度学习 弹性计算 数据可视化
玩ST、肿瘤研究的来学习一下!16分Nature子刊的单细胞空间转录组+机器学习
Nature Communications 发表了一项关于空间转录组和机器学习在肿瘤研究中的应用。研究聚焦于HPV阴性口腔鳞状细胞癌,通过整合单细胞和空间转录组分析,揭示了肿瘤核心(TC)和前沿边缘(LE)的独特转录特征。TC和LE的基因表达模式与多种癌症的预后相关,其中LE基因标志关联不良预后,而TC则与较好预后相关。利用机器学习,研究人员建立了预测模型,识别出跨癌症类型的保守TC和LE特征。此外,他们还分析了RNA剪接动态,发现了潜在的治疗脆弱性。这项工作为肿瘤生物学和靶向治疗提供了新见解,并为药物开发提供了依据。
98 0
|
6月前
|
安全 算法 数据挖掘
Sentieon | 每周文献-Multi-omics-第二十期
Sentieon | 每周文献-Multi-omics-第二十期
77 0
|
6月前
|
机器学习/深度学习 自然语言处理 算法
Sentieon | 每周文献-Multi-omics-第三十一期
Sentieon | 每周文献-Multi-omics-第三十一期
114 0
|
6月前
|
机器学习/深度学习 自动驾驶 安全
【论文速递】Arxiv2019 - MultiPath:行为预测的多重概率锚点轨迹假设
【论文速递】Arxiv2019 - MultiPath:行为预测的多重概率锚点轨迹假设
140 0