生物資訊學
公共基因表達數據庫具有巨大的價值，但這種價值受到由多種實驗技術生成的數據集之間缺乏兼容性的限制。測量尺度、探針化學性質以及信號分佈的差異，會在不同平台和實驗室之間造成系統性偏差。儘管大規模整合分析本可以獲得強大的統計效能並提高結果的可重複性，但這些不一致性幾乎使此類研究無法開展。我們提出了PXN，這是一種概率機器學習框架，能夠在多種基因表達技術之間捕捉生物學信號的統一表徵。經過訓練後，PXN可以在多個平台之間無縫轉換數據，在消除技術特異性偏倚的同時保留具有資訊量的生物學變異。
在基準測試研究中，PXN在跨平台準確性方面持續優於現有歸一化方法，並顯著增強差異表達分析的統計效能。重要的是，我們表明PXN足夠強大，甚至能夠彌合最具挑戰性的技術鴻溝——即微陣列與RNA測序之間的差異。這一能力為整合歷史微陣列數據與現代RNA測序研究提供了一條可擴展的路徑。通過實現異質數據集的直接比較與整合，PXN釋放了公共數據庫在未來生物學發現和治療創新中的全部潛力。
感謝您有興趣幫助傳播有關bioRxiv的資訊。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.11.724309v1?rss=1
🏷️ 基因表達整合 跨平台歸一化 概率機器學習 微陣列 RNA測序 差異表達分析