DeepOmicsAE: 단백질체학, 대사체학 및 임상 데이터의 딥러닝 분석을 통한 알츠하이머병의 신호 모듈 표현

알츠하이머병은 증상이 나타나기 수십 년 전에 시작되는 것으로 생각됩니다. 최근 연구에 따르면 비만과 고혈압과 같은 표현형 특성뿐만 아니라 교육 수준과 사회적 참여도 위험 요인으로 작용할 수 있습니다. 우리의 목표는 질병의 분자 동인에 대한 기여와 관계를 해독하여 조기에 개인화된 방식으로 개입하는 방법을 배울 수 있도록 하는 것입니다.

다중 오믹 데이터 분석은 단백질체학, 전사체학, 대사체학 및 표현형 형질과 같은 다양한 생물학적 데이터 계층을 통합하여 질병 상태를 종합적으로 이해하는 데 사용할 수 있습니다. 오토인코더 모델은 딥러닝을 사용하여 다중 오믹스 데이터 세트의 차원을 줄이고 중요한 정보를 효과적으로 요약하지만, 요약된 출력과 관련하여 원본 데이터의 개별 특징이 얼마나 중요한지 해석하는 것은 어렵습니다. Deep-omics AE에서는 학습 축소 차원 표현과 관련하여 개별 다중 오믹스 기능의 중요성을 도출하는 알고리즘을 구축했습니다.

이 접근법을 통해 분자적으로 유사한 모듈과 환자의 표현형 특성과의 연관성을 식별할 수 있습니다. Deep-omics AE는 환자의 표현형 형질과 질병의 분자 구성을 연관시키는 데 도움이 됩니다. 예를 들어, 고령 환자에서 알츠하이머병과 가장 관련이 있는 분자 경로는 무엇이고, 젊은 환자에서 가장 관련이 있는 분자 경로는 무엇인지 질문하는 데 사용할 수 있습니다.

교육을 덜 받은 환자와 교육을 많이 받은 환자에서 질병이 발병하는 것과 관련된 것은 무엇입니까?