我校公共卫生学院曹红艳副教授团队最新研究成果在 British Journal of Cancer期刊发表

近日，我校公共卫生学院曹红艳副教授团队依托煤炭环境致病与防治教育部重点实验室、重大疾病风险评估山西省重点实验室，在中国科学院1区TOP期刊British Journal of Cancer（IF 8.8）上发表论文“wMKL: multi-omics data integration enables novel cancer subtype identification via weight-boosted multi-kernel learning”，曹红艳副教授为第一作者，密歇根州立大学统计概率系崔跃华教授为通讯作者。

肿瘤分子异质性是传统肿瘤病理学不能准确分型的重要原因，多组学数据整合分子分型可为肿瘤分类分级和靶向治疗提供重要科学依据。多组学数据存在高噪声、数据冗余的特点，高噪声一定程度上稀释了原本很弱的分子特征信号，现有整合分型方法对分子特征信号的捕获上存在不足。本研究联合多种先验特征信号，提出了加权多核学习多组学数据整合方法（weight-boosted Multi-Kernel Learning，wMKL），其分型准确性优于现有加权方法以及未加权方法。进一步将wMKL应用于乳头状肾细胞癌和肺腺癌多组学数据整合分子分型，识别出了具有显著生存差异的分子亚型，不同亚型在肿瘤相关生物通路活性以及免疫细胞浸润水平等方面皆存在显著差异。wMKL方法的提出为多组学数据整合的肿瘤分子分型研究提供了新思路，同时，该方法亦能适用于其他异质性疾病的分子分型。wMKL的R软件包发布在github网站（https://github.com/biostatcao/wMKL）。

曹红艳副教授团队多年开展多组学数据整合分子分型方法及其应用研究，发展了系列多组学数据整合分子分型方法，如分层多核学习（hierarchical multi-kernel learning, hMKL，Briefings in Bioinformatics, 2023）、基于共性结构的相似网络融合（joint similarity network fusion, Joint-SNF, Computational and Structural Biotechnology Journal, 2022）、网络增强核融合（Network Enhancement Fusion, ne-SNF, Computational and Structural Biotechnology Journal, 2021）等方法，为多组学数据整合分析提供了研究工具和新的分析方法。团队所在学科流行病与卫生统计学是我校国家高水平公共卫生学院建设主干学科，近年来，聚焦统计遗传与基因组学研究领域，进行了卓有成效的探索，为高水平公共卫生学院建设贡献了力量。

原文链接：

https://www.nature.com/articles/s41416-024-02587-w

（图文/曹红艳）