HDMAC-不会R语言也可以用Lasso筛选高维数据了

2020年3月3日 Scientific Report杂志在线发表了 [Chung Chang]等研究人员开发的用于筛选高维肿瘤分子数据的网络工具 HDMAC（https://ripsung26.shinyapps.io/rshiny/）。

摘要

高通量基因组技术的最新进展培育了对统计工具的日益增长的需求，以方便分子识别作为潜在的预后生物标志物或个性化精准医学的可药用靶标的鉴定。在这项研究中，研究人员开发了一个基于Web的交互式且用户友好的平台，用于癌症分子变化（HDMAC）的高维分析（https://ripsung26.shinyapps.io/rshiny/）。在HDMAC上，提供了几种适用于高维数据分析的惩罚回归模型，Ridge，Lasso和自适应Lasso，其中Cox回归用于生存，而logistic回归用于二进制结果。提供第一步筛选的选择，以解决因大量基因组数据而经常引起的多重共线性问题。每个选定的基因都提供了危险比或估计的系数，因此可以基于选定的基因建立多元回归模型。提供交叉验证作为估计每个回归模型的预测能力的方法。此外，还提供了R代码，以方便从TCGA下载整套分子变量。在这项研究中，通过一组基因突变数据，一组来自卵巢癌患者的mRNA表达以及一组来自膀胱癌患者的mRNA表达，阐明了HDMAC的使用。通过对每组数据的分析，获得了可能与卵巢癌和膀胱癌中的基因突变或基因异常表达有关的候选基因列表。 HDMAC提供了用于对高维基因组数据进行严格和验证分析的解决方案。