DeepOmicsAE: Representando Módulos de Sinalização na Doença de Alzheimer com Análise de Aprendizagem Profunda de Proteômica, Metabolômica e Dados Clínicos

Acredita-se que a doença de Alzheimer comece décadas antes do surgimento dos sintomas. Estudos recentes sugerem que traços fenotípicos como obesidade e hipertensão, mas também o nível de escolaridade e engajamento social podem atuar como fatores de risco. Nosso objetivo é tornar-se capaz de decifrar suas contribuições e sua relação com os drivers moleculares da doença para aprender a intervir precocemente e de forma personalizada.

A análise de dados multi-ômicos pode ser usada para integrar várias camadas de dados biológicos, como proteômica, transcriptômica, metabolômica e características fenotípicas para entender de forma abrangente um estado de doença. Os modelos de autoencoder usam aprendizado profundo para reduzir a dimensionalidade de conjuntos de dados multi-ômicos, resumindo efetivamente as informações cruciais, No entanto, é desafiador interpretar quão importantes são as características individuais nos dados originais em relação à saída resumida. Em Deep-omics AE, construímos um algoritmo que deriva a importância das características multi-ômicas individuais em relação à representação de dimensionalidade reduzida aprendida.

Com essa abordagem, podemos identificar módulos molecularmente semelhantes e sua associação com características fenotípicas do paciente. O AE Deep-omics ajuda a relacionar os traços fenotípicos do paciente com a composição molecular da doença. Por exemplo, você pode usá-lo para perguntar, quais são as vias moleculares que estão mais implicadas na doença de Alzheimer em pacientes mais velhos, e quais são aquelas que são mais implicadas em pacientes mais jovens?

Quais são os implicados no desenvolvimento da doença em pacientes menos escolarizados versus pacientes mais escolarizados?