×
蒂埃里·契库奥;弗朗西斯科·斯蒂戈。;詹姆斯·多克。;是的，Kim-Anh

miRNA-靶基因调控网络：一种用于肾癌生物标记物选择的贝叶斯综合方法。 （英语） Zbl 1390.62241号

生物计量学 71，第2期，428-438（2015）.
摘要：跨平台、大规模基因组数据的可用性使得研究许多癌症的复杂生物学关系成为可能。鉴定可靠的癌症相关生物标记物需要表征复杂遗传网络中的多种相互作用。微RNA是调节基因表达的非编码小RNA；然而，很难测量微小RNA与其靶基因之间的直接关系。我们提出了一种新的贝叶斯模型，通过结合microRNA调节网络，通过先验分布来识别与生存时间相关的microRNA及其靶基因。我们假设调控网络中的生物标记物可能与生存时间有关。我们采用非局部先验分布和随机搜索方法来选择与生存结果相关的生物标记物。我们使用KEGG通路信息将相关基因效应纳入调控网络。通过模拟研究，我们评估了我们的方法的性能，并将其应用于从癌症基因组图谱获得的肾肾细胞癌（KIRC）的实验数据。我们的新方法验证了先前确定的癌症生物标记物，并确定了先前未发现的与KIRC进展相关的生物标记物。使用KIRC数据，我们证实了参与调节网络的生物标志物更有可能与生存时间相关，显示了我们鉴定的六个这样的基因中有五个在一个调节网络中存在联系。

引用于7文件

MSC公司：

62页第10页 统计学在生物学和医学科学中的应用；元分析
62号05 可靠性和寿命测试
62英尺15英寸 贝叶斯推断

关键词：

贝叶斯变量选择;基因组数据;miRNA调节网络;非局部先验;贝斯模型;存活时间

软件：

KEG图形;凯格;生物导体;iBAG公司
PDF格式BibTeX公司 XML格式引用
\textit{T.Chekouo}等人，《生物统计学》71，第2期，428-438（2015；Zbl 1390.62241）
全文： 内政部 链接

参考文献：

[1] Ambros，V.（2004年）。动物microRNA的功能。《自然》431，350-355。
[2] Bagga，S.、Bracht，J.、Hunter，S.，Massirer，K.、Holtz，J.，Eachus，R.和Pasquinelli，A.E.（2005）。let‐7和lin‐4 miRNA的调节导致靶mRNA降解。牢房122，553-563。
[3] Becker Buscaglia，E.和Li，Y.（2011）。细胞凋亡与miR‐21的靶基因。中国癌症杂志30，371-380。
[4] Chin，L.、Hahn，W.C.、Getz，G.和Meyerson，M.（2011年）。理解癌症基因组数据。基因与发育25534-555。
[5] Daemen，A.、Gevaert，O.、Ojeda，F.、Debucquoy，A.、Suykens，J.、Sempoux，C.、Machels，J.P.、Haustermans，K.和De Moor，B.（2009年）。基于内核的全基因组数据集成用于临床决策支持。基因组医学1，39。
[6] Do，K.，Qin，Z.和Vannucci，M.（2013）。统计生物信息学进展：高通量数据的模型和综合推断。英国剑桥：剑桥大学出版社·Zbl 1288.62009号
[7] Doecke，J.D.、Chekouo，T.T.、Stingo，F.和Do.，K.-A。(2014). miRNA靶基因鉴定：为TCGA Illumina MiSeq和RNA-Seq Hiseq平台数据分析寻找miRNA靶蛋白基因关系。《国际人类遗传学杂志》14，17-22。
[8] Gelfand，A.（1996）。使用基于抽样的方法确定模型。收录于：《马尔可夫链蒙特卡罗实践》，W.R.Gilks（编辑）、S.Richardson（编辑）和D.Spiegelhalter（主编），第145-161页。佛罗里达州博卡罗坦：查普曼和霍尔·兹比尔0840.62003
[9] He，X.，Zhou，A.，Lu，H.，Chen，Y.，Huang，G.，Yue，X.、Zhao，P.和Wu，Y.（2013）。线粒体复合物I的抑制影响细胞转移特性。公共科学图书馆ONE8，e61677。
[10] Herranz，H.和Cohen，S.M.（2010年）。微RNA和基因调控网络：管理生物系统中噪声的影响。基因与发育24，1339-44。
[11] Huang，J.C.、Morris，Q.D.和Frey，B.J.（2007）。根据序列和表达数据对microRNA靶点进行贝叶斯推断。计算生物学杂志14，550-563。
[12] Jackson，R.J.和Standart，N.（2007年）。微RNA如何调节基因表达？《科学》STKE：信号转导知识环境2007，第1卷。
[13] Johnson，V.E.和Rossell，D.（2012年）。高维设置中的贝叶斯模型选择。《美国统计协会杂志》107，649-660·Zbl 1261.62024号
[14] Kanehisa，M.和Goto，S.（2000年）。KEGG：京都基因和基因组百科全书。核酸研究28，27-30。
[15] Lawrie，C.H.（2013）。微RNA与淋巴肿瘤：功能综述。英国血液学杂志160，571-581。
[16] Li，C.和Li，H.（2008）。用于基因组数据分析的网络约束正则化和变量选择。生物信息学241175-1182。
[17] Li，J.、Min，M.R.、Bonner，A.J.和Zhang，Z（2009）。通过结合蛋白质组学数据改进microrna靶预测的概率框架。生物信息学和计算生物学杂志7955-972。
[18] Li，Y.，Liang，C.，Wong，K.‐C。，Jin，K.和Zhang，Z.（2014）。推断癌症中mirnamrna相互作用的概率特征：一种角色转换方法。核酸研究42，1-11。
[19] Long，Q.，Johnson，B.A.，Osunkoya，A.O.，Lai，Y.H。，Zhou，W.、Abramovitz，M.、Xia，M.，Bouzyk，M.B.、Nam，R.K.、Sugar，L.、Stanimirovic，A.、Williams，D.J.、Leyland‐Jones，B.R.、Seth，A.K.、Petros，J.A.和Moreno，C.S.（2011年）。前列腺癌根治术后复发的蛋白质编码和microRNA生物标记物。美国病理学杂志179，46-54。
[20] Maia，B.M.、Rocha，R.M.和Calin，G.A.（2013年）。非编码RNA与表观遗传学机制相互作用的临床意义：肿瘤学的挑战和机遇。表观遗传学9，75-80。
[21] Muniategui，A.、Pey，J.、Planes，F.J.和Rubio，A.（2012年）。miRNA和mRNA表达数据的联合分析。生物信息学简介14，263-278。
[22] 潘伟（Pan，W.）、谢（Xie，B.）和沈（Shen，X.）（2010）。将预测网络纳入惩罚回归，并应用于微阵列数据。生物统计学66，474-484·Zbl 1192.62235号
[23] Petersen，C.P.，Bordeleau，M.‐E。，Pelletier，J.和Sharp，P.A.（2006年）。短RNA在哺乳动物细胞中启动后抑制翻译。分子细胞21533-542。
[24] Pomerantz，J.L.和Baltimore，D.（1999）。含有TRAF2、TANK和新型IKK相关激酶TBK1的信号复合物激活NF-kappaB。EMBO期刊186694-6704。
[25] Qian，J.、Siragam，V.、Lin，J.和Jichun Ma，Z.D（2011）。微RNA在肿瘤干细胞形成中的作用：微RNA的未来方向。假设9，e10。
[26] 秦，L.‐X。(2008). microRNA和mRNA表达的综合分析——个案研究。癌症信息6，369-379。
[27] Sha，N.、Tadesse，M.G.和Vannucci，M.（2006）。具有审查结果的微阵列数据分析的贝叶斯变量选择。生物信息学2262-2268。
[28] Simon，N.、Friedman，J.H.、Hastie，T.和Tibshirani，R.（2011）。通过坐标下降实现Cox比例风险模型的正则化路径。统计软件杂志39，1-13。
[29] Stingo，F.C.、Chen，Y.A.、Tadesse，M.G.和Vannucci，M.（2011）。将生物信息纳入线性模型：选择路径和基因的贝叶斯方法。《应用统计年鉴》，1978-2002年·Zbl 1228.62150号
[30] Stingo，F.C.、Chen，Y.A.、Vannucci，M.、Barrier，M.和Mirkes，P.E.（2010年）。一种用于microRNA调控网络推断的贝叶斯图形建模方法。《应用统计年鉴》2024-2048·Zbl 1220.62142号
[31] Troyanskaya，O.、Cantor，M.、Sherlock，G.、Brown，P.、Hastie，T.、Tibshirani，R.、Botstein，D.和Altman，R.B.（2001）。DNA微阵列缺失值估计方法。生物信息学17，520-525。
[32] Tseng，C.W.、Lin，C.C.、Chen，C.N.、Huang，H.C.和Juan，H.F.（2011）。综合网络分析揭示了胃癌中活性microRNA及其功能。BMC系统生物学5，99。
[33] Wang，W.、Baladadayuthapani，V.、Morris，J.S.、Broom，B.M.、Manyam，G.和Do，K.A。(2013). iBAG：高维多平台基因组数据的综合贝叶斯分析。生物信息学29149-159。
[34] Waters，K.M.、Pounds，J.G.和Thrall，B.D.（2006年）。集成微阵列和蛋白质组分析的数据合并。功能基因组学和蛋白质组学简介5，261-272。
[35] Wilczynski，B.和Furlong，E.（2010年）。发育过程中全球基因调控网络建模的挑战：来自果蝇的见解。发育生物学340，161-169。
[36] Zhang，J.D.和Wiemann，S.（2009）。KEGGgraph：R和Bioconductor中KEGG PATHWAY的图形方法。生物信息学25，1470-1471。
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。