Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Efficient exploration of … - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Efficient exploration of pan-cancer networks by generalized covariance selection and interactive web content

Artikel i vetenskaplig tidskrift
Författare Teresia Kling
P. Johansson
José Sánchez
V. D. Marinescu
Rebecka Jörnsten
S. Nelander
Publicerad i Nucleic Acids Research
Volym 43
Nummer/häfte 15
Sidor Article e98
ISSN 0305-1048
Publiceringsår 2015
Publicerad vid Sahlgrenska Cancer Center
Institutionen för matematiska vetenskaper, matematisk statistik
Institutionen för medicin, avdelningen för molekylär och klinisk medicin
Sidor Article e98
Språk en
Länkar dx.doi.org/10.1093/nar/gkv413
https://gup.ub.gu.se/file/205143
Ämneskategorier Bioinformatik (beräkningsbiologi), Cancer och onkologi

Sammanfattning

Statistical network modeling techniques are increasingly important tools to analyze cancer genomics data. However, current tools and resources are not designed to work across multiple diagnoses and technical platforms, thus limiting their applicability to comprehensive pan-cancer datasets such as The Cancer Genome Atlas (TCGA). To address this, we describe a new data driven modeling method, based on generalized Sparse Inverse Covariance Selection (SICS). The method integrates genetic, epigenetic and transcriptional data from multiple cancers, to define links that are present in multiple cancers, a subset of cancers, or a single cancer. It is shown to be statistically robust and effective at detecting direct pathway links in data from TCGA. To facilitate interpretation of the results, we introduce a publicly accessible tool (cancerlandscapes.org), in which the derived networks are explored as interactive web content, linked to several pathway and pharmacological databases. To evaluate the performance of the method, we constructed a model for eight TCGA cancers, using data from 3900 patients. The model rediscovered known mechanisms and contained interesting predictions. Possible applications include prediction of regulatory relationships, comparison of network modules across multiple forms of cancer and identification of drug targets. © 2015 The Author(s).

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?