谢里克·穆罕默德;卡提克·巴拉斯;塞巴斯蒂安·库尔特克;阿文德·拉奥;巴拉丹达尤塔帕尼，韦拉巴哈德兰 RADIOHEAD：通过密度将肿瘤异质性纳入成像的放射基因组分析。 （英语） Zbl 1498.62245号 Ann.应用。斯达。 1808-1830（2021）年4月15日. 摘要：最近的技术进步使我们能够通过放射成像和基因组（放射基因组）数据的多源集成，详细研究分子结构和肿瘤异质性之间的关联。在本文中，我们整合和利用低度恶性胶质瘤（LGG）患者的放射基因组数据，这是一种脑癌，目的是开发一个称为RADIOHEAD（radiogenomic analysis including tumor HEterogeneity In imAging through Densities）的回归框架，以确定放射基因组相关性。成像数据通过多模态磁共振成像获得的肿瘤亚区体素强度概率密度函数表示，基因组数据通过分子签名表示，分子签名形式为与其基因表达谱相对应的通路富集分数。利用黎曼几何框架对概率密度函数集进行主成分分析，我们将每个概率密度映射到一个主成分得分向量，然后将其作为预测因子包含在贝叶斯回归模型中，以路径富集得分作为响应。通过肿瘤亚区诱导的预测因子之间的分组结构兼容的变量选择是在分组前进行的。然后，使用贝叶斯错误发现率机制，根据回归系数的后验分布推断出显著关联。我们的分析揭示了几个与LGG病因学相关的通路（如突触传递、神经冲动和神经递质通路）与相应的基于图像的预测因子有显著关联。 引用于1文件 理学硕士： 62页第10页 统计学在生物学和医学中的应用；元分析 2015年1月62日 贝叶斯推断 62G08号 非参数回归和分位数回归 62H25个 因子分析和主成分；对应分析 92 C55 生物医学成像和信号处理 关键词：Fisher-Rao公制;分组扣球和扣球;主成分分析;放射基因组协会 软件：MSigDB公司;GSVA公司;白色条纹;fda（右）;生物导体 PDF格式BibTeX公司 XML格式引用 \textit{S.Mohammed}等人，Ann.Appl。Stat.15，No.4，1808--1830（2021；Zbl 1498.62245） 全文： 内政部 arXiv公司 参考文献： [1] Andersen，M.R.、Winther，O.和Hansen，L.K.（2014）。结构化尖峰和平板先验的贝叶斯推断。在神经信息处理系统的研究进展1745-1753. [2] Baek，H.J.、Kim，H.S.、Kin，N.、Choi，Y.J.和Kim，Y.J（2012）。灌注偏度和峰度的百分比变化：新诊断胶质母细胞瘤患者早期治疗反应的潜在成像生物标志物。放射科264 834-843中。 [3] Bakas，S.、Zeng，K.、Sotiras，A.、Rathore，S.，Akbari，H.、Gaunkar，B.、Rozycki，M.、Pati，S.和Davatzikos，C.（2015）。GLISTRboost：将多模态MRI分割、注册和生物物理肿瘤生长建模与梯度增强机器相结合，用于胶质瘤分割。在国际脑病研讨会:胶质瘤、多发性硬化症、中风和创伤性脑损伤144-155. 柏林施普林格。 [4] Bakas，S.、Akbari，H.、Sotiras，A.、Bilello，M.、Rozycki，M.、Kirby，J.S.、Freymann，J.B.、Farahani，K.和Davatzikos，C.（2017a）。利用专家分割标签和放射组学特征推进癌症基因组图谱胶质瘤MRI收集。科学。数据4 170117. [5] Bakas，S.、Akbari，H.、Sotiras，A.、Billello，M.、Rozycki，M.，Kirby，J.、Freymann，J.，Farahani，K.和Davatzikos，C.（2017b）。TCGA-LGG集合术前扫描的分割标签和放射特征。可在https://doi.org/10.7937/K9/TCIA.2017.GJQ7R0EF。 [6] 巴塔查里亚（1943）。由概率分布定义的两个统计总体之间的分歧度量。牛。加尔各答数学。Soc公司。35 99-109. ·Zbl 0063.00364号 [7] Biliotti，L.和Mercuri，F.（2017年）。黎曼-希尔伯特流形。在赫密特-格拉斯曼亚流形.Springer程序。数学。斯达。203 261-271. 新加坡施普林格·Zbl 1386.53059号 ·数字对象标识代码：10.1007/978-981-10-5556-0_2 [8] Brocke，K.S.、Staufner，C.、Luksch，H.、Geiger，K.D.、Stepulak，A.、Marzahn，J.、Schackert，G.、Temme，A.和Ikonomidou，C.（2010）。儿童中枢神经系统肿瘤中的谷氨酸受体。癌症生物学。疗法。9 455-468. [9] Ceccarelli，M.、Barthel，F.P.、Malta，T.M.、Sabedot，T.S.、Salama，S.R.、Murray，B.A.、Morozova，O.、Newton，Y.、Radenbaugh，A.等人（2016）。分子剖析揭示了弥漫性胶质瘤中生物学上离散的亚群和进展途径。单元格164 550-563. [10] 乔恩科夫，N.N.（1982）。统计决策规则与最优推理.数学专著的翻译53.阿默尔。数学。佛罗里达州普罗维登斯Soc。 [11] Cherry，A.E.和Stella，N.（2014）。G蛋白偶联受体作为胶质瘤的致癌信号：新兴的治疗途径。神经科学278 222-236. [12] Clark，K.、Vendt，B.、Smith，K..、Freymann，J.、Kirby，J.，Koppel，P.、Moore，S.、Phillips，S.和Maffitt，D.等人（2013年）。癌症影像档案（TCIA）：维护和操作公共信息库。J.数字。成像26 1045-1057. [13] Dryden，I.L.和Mardia，K.V.（1998年）。统计形状分析.概率统计中的威利级数:概率论与统计学奇切斯特的威利·Zbl 0901.62072号 [14] Fishbein，L.、Leshchiner，I.、Walter，V.、Danilova，L.，Robertson，A.G.、Johnson，A.R.、Lichtenberg，T.M.、Murray，B.A.、Ghayee，H.K.等人（2017年）。嗜铬细胞瘤和副神经节瘤的综合分子特征。癌细胞181-193年31日·doi:10.1016/j.cell.2017.01.001 [15] Gelman，A.和Rubin，D.B.（1992年）。使用多序列的迭代模拟推断。统计师。科学。7 457-472. ·Zbl 1386.65060号 [16] Gentleman，R.C.，Carey，V.J.，Bates，D.M.，Bolstad，B.，Dettling，M.，Dudoit，S.，Ellis，B.，Gautier，L.，Ge，Y.等人（2004年）。生物导体：用于计算生物学和生物信息学的开放式软件开发。基因组生物学。5 R80。 [17] George，E.I.和McCulloch，R.E.（1997）。贝叶斯变量选择方法。统计师。西尼卡339-373. ·Zbl 0884.62031号 [18] Hänzelmann，S.、Castelo，R.和Guinney，J.（2013）。GSVA：微阵列和RNA-seq数据的基因集变异分析。BMC生物信息。14 7. ·doi:10.1186/1471-2105-14-7 [19] Hoeting，J.A.、Madigan，D.、Raftery，A.E.和Volinsky，C.T.（1999）。贝叶斯模型平均：教程。统计科学382-401. ·Zbl 1059.62525号 [20] Ishwaran，H.和Rao，J.S.（2005年）。尖峰和平板变量选择：频繁和贝叶斯策略。安。统计师。33 730-773. ·Zbl 1068.62079号 ·doi:10.1214/009053604000001147 [21] Just，N.（2011）。脑内人脑胶质瘤和鼠脑胶质瘤异种移植物微血管的直方图分析。Magn.公司。Reson公司。医学。65 778-789. [22] Just，N.（2014）。利用直方图改进肿瘤异质性MRI评估。英国癌症杂志111 2205-2213. ·doi:10.1038/bjc.2014.512 [23] Karcher，H.（1977）。黎曼质心和柔化平滑。普通纯应用程序。数学。30 509-541. ·Zbl 0354.57005号 ·doi:10.1002/cpa.3160300502 [24] Kass，R.E.和Vos，P.W.（2011年）。渐近推理的几何基础纽约威利。 [25] Kurtek，S.和Bharath，K.（2015）。Fisher Rao度量的贝叶斯敏感性分析。生物特征102 601-616. ·Zbl 1452.62252号 ·doi:10.1093/biomet/asv026 [26] Liberzon，A.、Subramanian，A.、Pinchback，R.、Thorvaldsdóttir，H.、Tamayo，P.和Mesirov，J.P.（2011年）。分子签名数据库（MSigDB）3.0。生物信息学27 1739-1740. [27] Liu，Y.、Zhou，Y.&和Zhu，K.（2012）。抑制胶质瘤细胞溶酶体胞吐抑制胶质瘤侵袭。公共科学图书馆7 e45910。 [28] Marusyk，A.、Almendro，V.和Polyak，K.（2012年）。肿瘤内异质性：癌症的观察镜？Nat.Rev.癌症12 323-334. ·doi:10.1038/nrc3261 [29] Mohammed，S.、Bharath，K.、Kurtek，S.，Rao，A.和Baladadayuthapani，V.（2021a）。《放射头：放射基因组分析》补充https://doi.org/10.1214/21-AOAS1458SUPA网站 [30] Mohammed，S.、Bharath，K.、Kurtek，S.，Rao，A.和Baladadayuthapani，V.（2021b）。“RADIOHEAD：放射基因组分析，将肿瘤异质性纳入影像密度。”https://doi.org/10.1214/21-AOAS1458SUPPB [31] Morris，J.S.和Carroll，R.J.（2006）。基于小波的函数混合模型。J.R.Stat.Soc.系列。B.统计方法。68 179-199. ·Zbl 1110.62053号 ·文件编号：10.1111/j.1467-9868.2006.00539.x [32] Morris，J.S.、Brown，P.J.、Herrick，R.C.、Baggerly，K.A.和Coombes，K.R.（2008）。使用基于小波的功能混合模型对质谱蛋白质组数据进行贝叶斯分析。生物计量学64 479-489. ·Zbl 1137.62399号 [33] Müller，P.、Parmigiani，G.、Robert，C.和Rousseau，J.（2004）。多重测试的最佳样本量：基因表达微阵列的案例。J.Amer。统计师。协会。99 990-1001. ·Zbl 1055.62127号 ·doi:10.1198/0162145000001646 [34] Noushmehr，H.、Weisenberger，D.J.、Diefes，K.、Phillips，H.S.、Pujara，K.，Berman，B.P.、Pan，F.、Pelloski，C.E.、Sulman，E.P.等人（2010年）。确定CpG岛甲基化表型，确定胶质瘤的不同亚群。癌细胞17 510-522. [35] Ombao，H.、Lindquist，M.、Thompson，W.和Aston，J.（2016）。神经影像数据分析手册CRC出版社，博卡拉顿·兹比尔1368.92001 [36] Ramsay，J.O.和Silverman，B.W.（2005）。功能数据分析，第2版。统计学中的施普林格系列。斯普林格，纽约·Zbl 1079.62006号 [37] Rao，C.R.（1992）。统计参数估计中可获得的信息和准确性。在统计学的突破235-247. 柏林施普林格。 [38] Saha，A.、Banerjee，S.、Kurtek，S.和Narang，S.，Lee，J.、Rao，G.、Martinez，J.和Bharath，K.、Rao、A.U.等人（2016年）。分界：基于密度的磁共振图像聚类用于评估癌症中的肿瘤异质性。NeuroImage临床。12 132-143. [39] Scheipl，F.、Fahrmeir，L.和Kneib，T.（2012）。结构化加性回归模型中用于函数选择的尖峰和平顶先验。J.Amer。统计师。协会。107 1518-1532. ·Zbl 1258.62082号 ·doi:10.1080/01621459.2012.737742 [40] Shinohara，R.T.、Sweeney，E.M.、Goldsmith，J.、Shiee，N.、Mateen，F.J.、Calabresi，P.A.、Jarso，S.、Pham，D.L.、Reich，D.S.等人（2014年）。磁共振成像的统计归一化技术。NeuroImage临床。6 9-19. [41] Silverman，B.W.（1986）。统计和数据分析的密度估计.统计学和应用概率专著CRC出版社，伦敦·Zbl 0617.62042号 ·doi:10.1007/978-1-4899-3324-9 [42] Song，Y.S.、Choi，S.H.、Park，C.-K.、Yi，K.S.，Lee，W.J.、Yun，T.J.、Kim，T.M.、Lee，S.-H.、Kim、J.-H.等人（2013年）。胶质母细胞瘤治疗中的真进展与假进展：通过直方图分析对正常脑血容量和表观扩散系数的比较研究。韩国J.Radiol。14 662-672. [43] Srivastava，A.、Jermyn，I.H.和Joshi，S.H.（2007）。概率密度函数的黎曼分析及其在视觉中的应用。在计算机视觉和模式识别大会上1-8. [44] Storey，J.D.（2003）。正错误发现率：贝叶斯解释和（q）值。安。统计师。31 2013-2035. ·Zbl 1042.62026 ·doi:10.1214/aos/1074290335 [45] Vasaikar，S.V.、Straub，P.、Wang，J.和Zhang，B.（2017年）。LinkedOmics：分析32种癌症类型中的多组学数据。核酸研究。46 D956-D963。 [46] Venkatesh，H.S.、Johung，T.B.、Caretti，V.、Noll，A.、Tang，Y.、Nagaraja，S.、Gibson，E.M.、Mount，C.W.、Polepalli，J.等人（2015）。神经元活动通过分泌神经胶质蛋白-3促进神经胶质瘤的生长。单元格161 803-816. [47] Venneti，S.和Huse，J.T.（2015）。低度恶性胶质瘤的分子遗传学进化。高级Anat。病态。22 94-101. ·doi:10.1097/PAP.00000000000049 [48] Verhaak，R.G.，Hoadley，K.A.，Purdom，E.，Wang，V.，Qi，Y.，Wilkerson，M.D.，Miller，C.R.，Ding，L.，Golub，T.等人（2010年）。综合基因组分析确定以PDGFRA、IDH1、EGFR和NF1异常为特征的胶质母细胞瘤临床相关亚型。癌细胞17 98-110. [49] Verhaak，R.G.W.、Cooper，L.A.D.、Salama，S.S.、Aldape，K.、Yung，W.K.A.和Brat，D.J.（2014）。摘要936：弥漫性低级别胶质瘤的全面和综合基因组特征。癌症研究。74 936-936. [50] Wang，R.、Gurguis，C.I.、Gu，W.、Ko，E.A.、Lim，I.、Bang，H.、Zhou，T.和Ko，J.-H.（2015）。离子通道基因表达预测胶质瘤患者的生存率。科学。代表。5 11593. [51] Xu，X.和Ghosh，M.（2015）。群套索的贝叶斯变量选择和估计。贝叶斯分析。10 909-936. ·Zbl 1334.62132号 ·doi:10.1214/14-BA929 [52] Yang，X.和Narisetty，N.N.（2020年）。使用贝叶斯高维模型进行一致的组选择。贝叶斯分析。15 909-935. ·Zbl 1459.62029号 ·doi:10.1214/19-BA1178 [53] Yang，H.、Baladadayuthapani，V.、Rao，A.U.K.和Morris，J.S.（2020年）。分布数据标量回归分析的分位数函数。J.Amer。统计师。协会。115 90-106. ·Zbl 1437.62159号 ·doi:10.1080/01621459.2019.1609969 [54] Zhang，L.、Baladandayuthapani，V.、Mallick，B.K.、Manyam，G.C.、Thompson，P.A.、Bondy，M.L.和Do，K.-A.（2014）。贝叶斯层次结构变量选择方法及其在乳腺癌分子反转探针研究中的应用。J.R.Stat.Soc.系列。C.申请。斯达。63 595-620 ·doi:10.1111/rssc.12053 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。