Técnicas multivariantes para datos ómicos de alta dimensión

A. Miñarro Alonso, E. Vegas Lozano

Los recientes avances en las técnicas de obtención masiva de datos ómicos han supuesto un enorme reto a las técnicas clásicas de análisis de datos. Cada vez es más frecuente que el número de variables a analizar en un estudio supere ampliamente el número de muestras disponibles. Los campos de la genómica, proteómica o metabolómica, con un interés creciente este último, han sido catalizadores de la evolución de técnicas clásicas que permitan adaptarse a los nuevos conjuntos de datos. Técnicas como los modelos de grafos gaussianos (GGM) o las sucesivas evoluciones de los modelos construidos a partir de la regresión de mínimos cuadrados parciales (PLS) son utilizadas cada vez con más frecuencia en los estudios aplicados. Nuestro objetivo en el presente trabajo es el análisis del comportamiento de algunas de estas técnicas recientes comparadas con las técnicas clásicas de análisis de datos a través tanto de simulaciones como de la aplicación a conjuntos de datos reales.

Palabras clave: multivariate, partial least squares (PLS), gaussian graphical modeling (GGM), omics data.

L08.3 Sesión de la Red Nacional de Bioestadística
5 de septiembre de 2016  15:40
Aula 21.08

R. Alonso Sanz, C. T. Nakas, M. C. Pardo Llorente

A. Lorenzo Arribas, M. J. Brewer, A. M. Overstall

J. Espasandín Domínguez, C. Cadarso Suarez, N. Klein, T. Kneib, F. Gude Sampedro