基于贝叶斯方法的生物标志物多研究数据整合分析：标准化与效应评估新策略

来自国内的研究人员开发了创新的贝叶斯生物标志物整合(BBP)方法，通过建立双层模型处理多源研究中生物标志物测量差异性问题，显著提升了人类表皮生长因子受体2(HER2)等标志物与乳腺癌风险关联分析的精度。该方法在高噪声强效应场景下表现优异，为跨研究生物标志物数据标准化提供了新范式。

　　

在生物医学研究中，整合多组研究的生物标志物数据能显著提升统计效能，但不同研究间测量方法的差异导致数据可比性受限。这项研究创新性地提出贝叶斯生物标志物整合(Bayesian Biomarker Pooling, BBP)框架，将未重新检测的生物样本参考测量值作为潜在变量建模，通过"研究-样本"双层结构解析原始测量值、标准化值与疾病结局的复杂关系。

研究团队系统比较了BBP与内部校正法、全校准法、两阶段法等传统方法的性能，发现BBP在存在高强度测量噪声和显著生物学效应时优势尤为突出。以乳腺癌风险预测为例，该方法成功应用于人类表皮生长因子受体2(Human Epidermal Growth Factor Receptor 2, HER2)表达水平与疾病关联的跨研究分析，证实其能有效解决不同实验室检测体系导致的异质性问题。

该成果为精准医学研究中的生物标志物数据整合提供了新工具，特别适用于需要合并历史研究数据的大规模meta分析。相关算法包已开源发布，便于研究者实现复杂生物标志物数据的标准化与联合分析。