山西医科大学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，我校公共卫生学院副教授曹红艳团队依托煤炭环境疾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，British在中国科学院1区TOP期刊。 Journal of Cancer（IF 在发表论文时，8.8wMKL: multi-omics data integration enables novel cancer subtype identification via weight-boosted multi-kernel learning”，作为第一作者，曹红艳副教授是密歇根州立大学统计概率系崔跃华教授。

肿瘤分子异质是传统肿瘤病理学无法准确分类的重要原因，多组数据整合分子分类可以为肿瘤分类分类和靶向治疗提供重要的科学依据。多组数据具有高噪声和冗余数据的特点。高噪声在一定程度上稀释了原本较弱的分子特征信号，现有的整合分类方法在捕捉分子特征信号方面存在不足。本研究结合多种先验特征信号，提出了加权多核学习多组数据整合方法（weight-boosted Multi-Kernel Learning，wMKL），它的分类精度优于现有的加权方法和未加权方法。进一步将wMKL应用于乳头状肾细胞癌和肺腺癌的多组学数据整合分子分类，识别出生存差异明显的分子亚型。不同的亚型在肿瘤相关的生物通道活性和免疫细胞浸润水平上有明显的差异。wMKL方法的提出为肿瘤分子分类研究提供了新的思路，这些分子分类研究集成了多组学数据。同时，这种方法也可以适用于其他异质性疾病的分子分类。在github网站上发布wMKLR软件包（https://github.com/biostatcao/wMKL）。

多年来，曹红艳副教授团队开展了多组数据整合分子分类方法及其应用研究，开发了一系列多组数据整合分子分类方法，如分层多核学习。（hierarchical multi-kernel learning, hMKL，Briefings in Bioinformatics, 2023）、相似网络融合基于共性结构。（joint similarity network fusion, Joint-SNF, Computational and Structural Biotechnology Journal, 2022）、加强核融合网络（Network Enhancement Fusion, ne-SNF, Computational and Structural Biotechnology Journal, 2021年等方法，为多组学数据整合分析提供了研究工具和新的分析方法。团队流行病与卫生统计是我校国家高水平公共卫生学院建设的主要学科。近年来，我们专注于基因组学的统计遗传和研究，并进行了有效的探索，为高水平公共卫生学院的建设做出了贡献。

原文链接：

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

(图文/曹红艳)来源：山西医科大学