M. Aguerralde Martin, C. Monzó, A. Conesa, S. Tarazona
El análisis integrativo de datos multi-ómicos permite estudiar los mecanismos de regulación de un sistema biológico. En este contexto se desarrolla MORE, una herramienta basada en Modelos Lineales Generalizados que modela la regulación de la expresión génica a partir de datos multi-ómicos y bajo distintas condiciones. A partir de los reguladores identificados por MORE, se generan redes multi-ómicas para explicar los mecanismos de regulación de la expresión génica.
Sin embargo, el análisis de datos ómicos supone un reto por su alta dimensionalidad y multicolinealidad. En este estudio, se proponen distintas estrategias de selección de variables que tienen en cuenta la multicolinealidad y que combinan la obtención de grupos de reguladores ómicos altamente correlacionados entre sí con métodos de regularización como Lasso o ElasticNet. Estas estrategias se comparan en datos multi-ómicos, tanto simulados como de cáncer de ovario, y se discuten las ventajas e inconvenientes de cada una.
Keywords: Multicolinealidad, redes reguladoras, multi-ómica, selección de variables, modelos lineales generalizados (GLM)
Scheduled
Biostatistics I
November 8, 2023 12:00 PM
CC2: Conference Room