Forbedrede statistiske metoder til high-throughput omics dataanalyse

High-throughput omics-teknologi har revolutioneret biologisk og biomedicinsk forskning, og store mængder omics-data er blevet produceret. For det, Der er udviklet beregningsværktøjer til at styre og analysere omics-dataene, og der er store udfordringer i, hvordan man behandler og fortolker omics-dataene på den bedste måde. Wenjiang Deng har arbejdet på at udvikle nye statistiske metoder og algoritmer til omics dataanalyse, ved at bruge både simulerede og reelle kræftdata til at teste metoderne.

Kan du beskrive nogle af resultaterne i dit speciale?

Ja, i mit første studie, vi identificerer flere gener forbundet med overlevelsen af ​​højrisiko neuroblastompatienter, siger Wenjiang Deng, Ph.D. studerende ved Institut for medicinsk epidemiologi og biostatistik, MEB. Neuroblastom er den mest almindelige og dødelige kræftsygdom hos små børn under fem år. Vi mener, at vores resultater vil give væsentlig evidens for behandling og behandling af patienter. Vores resultater kan også være meningsfulde for at forstå sygdommens fysiologiske mekanismer.

Hvorfor valgte du at studere netop dette område?

Vi lever i en æra med "big data, " og high-throughput sekventeringsdata er de fremherskende "big data" inden for life science. Da jeg første gang hørte begrebet omics-data, Jeg var overrasket over dets enorme volumen og det store potentiale i medicinsk forskning. I dag er det ret nemt at producere sekventeringsdata, men vi har stadig brug for effektive og præcise værktøjer til at analysere dem, så jeg besluttede at studere udviklingen af ​​algoritmer i min tid som ph.d. studerende.

Hvad vil du gøre nu?

Efter mit forsvar, Jeg bliver i MEB et stykke tid for at pakke mine manuskripter sammen. Så tager jeg til Shenzhen, Kina, og begynde at arbejde i en bioteknologisk virksomhed, som har til formål at udvikle nye metoder til tidlig diagnosticering af kræftsygdomme. Jeg håber, at vores arbejde der vil bidrage til menneskers generelle sundhed.