用于随时间变化组学表达的拓扑约束非负矩阵分解

为什么追踪隐性疾病模式很重要

现代医学现在可以从单次血液或组织样本中测量数千个基因和分子。这些庞大的“组学”快照有望实现更早的诊断和更个性化的治疗，但它们通常噪声大、维度高，而且常常仅来自少量患者的多时点采样。本文介绍了一种新的数学工具，称为 TopConNMF，帮助在这种复杂性中筛选出稳定且可靠的分子信标，指示疾病进展，即使在数据有限且随周或月变化的情况下也能有效。

引用: Dey, A., Sharma, K.D., Chatterjee, A. et al. Topology constrained nonnegative matrix factorization for time varying omic expression. Sci Rep 16, 13285 (2026). https://doi.org/10.1038/s41598-026-43968-w

关键词: 生物标志物发现, 时间序列组学, 基因网络, 矩阵分解, 疾病进展