DeepOmicsAE: Представление сигнальных модулей при болезни Альцгеймера с помощью анализа протеомики, метаболомики и клинических данных с помощью глубокого обучения

Считается, что болезнь Альцгеймера начинается за десятилетия до появления симптомов. Недавние исследования показывают, что фенотипические черты, такие как ожирение и гипертония, а также уровень образования и социальной активности могут выступать в качестве факторов риска. Наша цель состоит в том, чтобы научиться расшифровывать их вклад и их связь с молекулярными факторами заболеваний, чтобы научиться вмешиваться на ранней стадии и индивидуально.

Мультиомный анализ данных может быть использован для интеграции различных слоев биологических данных, таких как протеомика, транскриптомика, метаболомика и фенотипические признаки, для всестороннего понимания состояния заболевания. Модели автоэнкодеров используют глубокое обучение для уменьшения размерности мультиомиксных наборов данных, эффективно суммируя важнейшую информацию, однако сложно интерпретировать, насколько важны отдельные признаки в исходных данных по отношению к обобщенным выходным данным. В Deep-omics AE мы встроили алгоритм, который выводит важность отдельных мультиомиксных признаков по отношению к обученному представлению пониженной размерности.

С помощью этого подхода мы можем идентифицировать молекулярно сходные модули и их связь с фенотипическими признаками пациента. Глубокая омиксная АЭ помогает установить связь между фенотипическими признаками пациента и молекулярным составом заболевания. Например, вы можете использовать его, чтобы спросить, какие молекулярные пути наиболее вовлечены в болезнь Альцгеймера у пожилых пациентов, и какие из них наиболее вовлечены в болезнь Альцгеймера у молодых пациентов?

Кто причастен к развитию заболевания у менее образованных пациентов по сравнению с более образованными пациентами?