报告题目：复杂疾病的多组学数据整合分析研究

报告人： 史倩倩 博士

报告时间：2017年6月8日（周四）17:00

报告地点：逸夫楼C座314会议室

摘要：

复杂疾病严重危害人类健康。这类疾病无论从遗传学还是临床表现上都体现出高度异质性，需要我们深入地对其展开研究。于此同时，单一的组学数据只能部分反映出某一分子层面上对复杂疾病的解析。为了能够系统地研究和理解高度异质的复杂疾病，面向复杂疾病研究的数据整合分析被提出来。本工作主要围绕着复杂疾病的表型异质性问题展开，利用多组学数据整合思想进行样本分型研究。该研究工作采用了自适应整合策略，能够根据各组学数据固有特性，自动地校正整合误差，将各分子层面支持的样本局部模式融合为最优的样本全局模式。该样本全局模式反映出了样本的整合分型信息。这种无特殊假设的分析策略，克服了组学数据大噪音的特性，量化了组学数据在样本分型上的贡献，真正实现了数据驱动的整合过程。本工作不仅在数值实验上验证了方法的有效性，还将其成功地应用到癌症研究中。对癌症细胞系CCLE（Cancer Cell Line Encyclopedia）数据进行的泛癌症分型分析和对临床病人TCGA（The Cancer Genome Atlas）数据进行的单个癌症分型分析，均揭示出癌症的整合分型具有更显著的生物学意义和临床重要性。该工作对应的开源算法包的下载网址如下：http://www.sysbio.ac.cn/cb/chenlab/images/PFApackage_0.1.rar。