MARC

 008260126s2025        us                              c    eng  d
■001000017358862
■00520260202104802
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291554265
■035    ▼a(MiAaPQ)AAI32164693
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLiu,  Chuwen.
■24510▼aStatistical  Integrative  Analysis  of  Genomic  Data
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Wu,  Di;Zheng,  Xiaojing.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aUnderstanding  the  association  between  phenotypes  and  multi-omics  data  has  garnered  growing  interest.  When  multiple  data  sources  are  available,  integrative  analysis  can  enhance  power  and  interpretation.  In  this  dissertation,  we  develop  three  methods  to  assess  such  associations  through  joint  modeling  of  different  types  of  omics  data.In  Chapter  2,  we  propose  a  novel  metric-the  biological  ratio  of  metatranscriptomics  to  metagenomics-to  quantify  relative  activity  in  microbiome  data.  We  introduce  a  Gaussian  mixture  regression  model  with  hypothesis  testing,  applicable  to  both  cross-sectional  and  longitudinal  data.  This  framework  addresses  differential  expression  under  the  influence  of  metagenomic  variation  and  employs  a  two-step  strategy  to  link  microbial  taxa  to  disease.  Our  method  shows  strong  Type  I  error  control  and  competitive  power  in  both  simulations  and  real  datasets.Chapter  3  introduces  a  joint  Bayesian  framework  that  integrates  single-cell  and  bulk  RNA-seq  data  to  estimate  cell-type-specific  (CTS)  differential  expression.  The  model  employs  a  negative  binomial  likelihood  for  bulk  RNA-seq  and  a  zero-inflated  negative  binomial  for  single-cell  data.  Parameters  are  estimated  via  Hamiltonian  Monte  Carlo,  and  posterior  p-values  are  used  for  CTS-DE  inference.  We  demonstrate  improved  accuracy  through  simulations  and  apply  the  method  to  paired  COVID-19  bulk  and  single-cell  RNA-seq  data,  identifying  novel  CTS-differential  genes  and  pathways.Building  on  Chapter  2,  Chapter  4  addresses  the  challenge  of  data  sparsity  in  microbiome  analysis  by  proposing  a  deep  probabilistic  imputation  framework.  Designed  for  paired  metagenomic  and  metatranscriptomic  data,  the  model  explicitly  handles  zero  inflation  and  overdispersion  using  zero-inflated  negative  binomial  distributions.  It  incorporates  modality-specific  encoders  and  a  probabilistic  canonical  correlation  layer  to  infer  shared  and  private  latent  spaces.  This  end-to-end  framework  not  only  improves  data  recovery  but  also  enhances  downstream  analyses  such  as  differential  abundance  detection.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aBioinformatics
■650  4▼aMolecular  biology
■650  4▼aGenetics
■653    ▼aGenomic  data
■653    ▼aMetatranscriptomics
■653    ▼aCell-type-specific
■653    ▼aDifferential  expression
■653    ▼aMicrobiomes
■690    ▼a0308
■690    ▼a0369
■690    ▼a0307
■690    ▼a0715
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358862▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books