On pense que la maladie d’Alzheimer commence des décennies avant l’apparition des symptômes. Des études récentes suggèrent que des traits phénotypiques tels que l’obésité et l’hypertension, mais aussi le niveau d’éducation et l’engagement social peuvent agir comme des facteurs de risque. Notre objectif est de devenir capable de décrypter leurs contributions et leur relation avec les moteurs moléculaires de la maladie pour apprendre à intervenir tôt et de manière personnalisée.
L’analyse de données multi-omiques peut être utilisée pour intégrer diverses couches de données biologiques telles que la protéomique, la transcriptomique, la métabolomique et les traits phénotypiques afin de comprendre de manière exhaustive un état pathologique. Les modèles d’auto-encodeur utilisent l’apprentissage profond pour réduire la dimensionnalité des ensembles de données multi-omiques, résumant efficacement les informations cruciales. Dans l’AE Deep-omics, nous avons intégré un algorithme qui déduit l’importance des caractéristiques multi-omiques individuelles par rapport à la représentation de la dimensionnalité réduite par apprentissage.
Avec cette approche, nous pouvons identifier des modules moléculairement similaires et leur association avec les traits phénotypiques du patient. L’AE deep-omique aide à mettre en relation les traits phénotypiques du patient avec la composition moléculaire de la maladie. Par exemple, vous pouvez l’utiliser pour demander quelles sont les voies moléculaires les plus impliquées dans la maladie d’Alzheimer chez les patients plus âgés et quelles sont celles qui sont les plus impliquées chez les patients plus jeunes.
Quelles sont les personnes impliquées dans le développement de la maladie chez les patients moins éduqués par rapport aux patients plus éduqués ?
