Es wird angenommen, dass die Alzheimer-Krankheit Jahrzehnte vor dem Auftreten von Symptomen beginnt. Neuere Studien deuten darauf hin, dass phänotypische Merkmale wie Fettleibigkeit und Bluthochdruck, aber auch das Bildungsniveau und das soziale Engagement als Risikofaktoren fungieren können. Unser Ziel ist es, in der Lage zu sein, ihre Beiträge und ihre Beziehung zu molekularen Krankheitstreibern zu entschlüsseln, um zu lernen, wie man frühzeitig und personalisiert eingreifen kann.
Die Multi-Omik-Datenanalyse kann verwendet werden, um verschiedene Schichten biologischer Daten wie Proteomik, Transkriptomik, Metabolomik und phänotypische Merkmale zu integrieren, um einen Krankheitszustand umfassend zu verstehen. Autoencoder-Modelle verwenden Deep Learning, um die Dimensionalität von Multi-Omics-Datensätzen zu reduzieren und die entscheidenden Informationen effektiv zusammenzufassen. Es ist jedoch schwierig zu interpretieren, wie wichtig einzelne Merkmale in den Originaldaten in Bezug auf die zusammengefasste Ausgabe sind. In Deep-omics AE haben wir einen Algorithmus eingebaut, der die Bedeutung einzelner Multi-Omics-Merkmale im Verhältnis zur Darstellung der reduzierten Dimensionalität des Lernens ableitet.
Mit diesem Ansatz können wir molekular ähnliche Module und ihre Assoziation mit den phänotypischen Merkmalen des Patienten identifizieren. Deep-Omics AE hilft dabei, die phänotypischen Merkmale des Patienten mit der molekularen Zusammensetzung der Krankheit in Beziehung zu setzen. Sie können es zum Beispiel verwenden, um zu fragen, was die molekularen Signalwege sind, die bei älteren Patienten am stärksten an der Alzheimer-Krankheit beteiligt sind, und welche sind diejenigen, die bei jüngeren Patienten am stärksten beteiligt sind?
Was sind diejenigen, die an der Entwicklung der Krankheit bei weniger gebildeten Patienten im Vergleich zu besser ausgebildeten Patienten beteiligt sind?
