Meta-Analytic Framework for Sparse K -Means to Identify Disease Subtypes in Multiple Transcriptomic Studies
跨转录组研究识别疾病亚型的稀疏 K 均值元分析框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究转录组聚类与疾病亚型，未对应所列经济或金融细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
跨转录组研究识别疾病亚型的稀疏 K 均值元分析框架
- 研究问题
- 有多个队列的基因表达数据时，如何共同识别疾病亚型和相关基因，使亚型特征在研究间保持一致且具有稳定性？
- 方法与思路
- 作者将稀疏 K 均值扩展为元分析框架，结合 LASSO 筛选共同基因，并加入模式匹配奖励以协调跨研究的亚型特征。
- 材料陈述的贡献
- 摘要称模拟和白血病、乳腺癌数据中，联合分析较单研究提高准确性与稳定性；独立乳腺癌数据呈现更大亚型生存差异。
- 阅读关注点
- 核对跨研究标准化、共同基因与模式匹配的定义，以及聚类验证、独立样本评估和生存差异是否受特征选择影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未给出评价数值；亚型间生存差异不能直接证明靶向治疗有效。
原文摘要
Disease phenotyping by omics data has become a popular approach that potentially can lead to better personalized treatment. Identifying disease subtypes via unsupervised machine learning is the first step toward this goal. In this article, we extend a sparse K-means method toward a meta-analytic framework to identify novel disease subtypes when expression profiles of multiple cohorts are available. The lasso regularization and meta-analysis identify a unique set of gene features for subtype characterization. An additional pattern matching reward function guarantees consistent subtype signatures across studies. The method was evaluated by simulations and leukemia and breast cancer datasets. The identified disease subtypes from meta-analysis were characterized with improved accuracy and stability compared to single study analysis. The breast cancer model was applied to an independent METABRIC dataset and generated improved survival difference between subtypes. These results provide a basis for diagnosis and development of targeted treatments for disease subgroups. Supplementary materials for this article are available online.