.png){kind=icon}
返回
VarNMF: non-negative probabilistic factorization with source variation
.png){kind=icon}
OA
AI
DOI：10.1093/bioinformatics/btae758.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动机 非负矩阵分解（NMF）是一种强大的工具，常应用于基因组数据以识别构成线性混合样本的非负潜在成分。当观测信号结合了多个来源的贡献时（例如，在异质性组织的批量测量中的细胞类型），这种方法很有用。NMF解释了样本间两种类型的变异——来源比例的差异和观测噪声。然而，在许多场景中，每个来源对混合数据的贡献也存在非平凡的样本间变异。这种变异无法使用NMF框架准确建模。
结果 我们提出了VarNMF，它是NMF的概率扩展，明确建模了来源值的这种变异。我们证明，通过将来源建模为非负分布，我们可以直接从混合样本中恢复来源变异，而无需直接观测任何来源。我们将VarNMF应用于两个癌症队列和一个健康队列的无细胞ChIP-seq数据集，表明VarNMF能更准确地估计数据分布。此外，VarNMF提取了与癌症相关的来源分布，将肿瘤特征与肿瘤贡献量解耦，并识别患者特有的疾病行为。这种分解突出了在混合样本中被掩盖的肿瘤间变异性。
可用性与实现 代码可从https://github.com/Nir-Friedman-Lab/VarNMF获取。
