DeepOmicsAE: Representerar signaleringsmoduler i Alzheimers sjukdom med djupinlärningsanalys av proteomik, metabolomik och kliniska data

Stora omics-dataset blir alltmer tillgängliga för forskning om människors hälsa. I det här dokumentet presenteras DeepOmicsAE, ett arbetsflöde som är optimerat för analys av multi-omics-datamängder, inklusive proteomik, metabolomik och kliniska data. Det här arbetsflödet använder en typ av neuralt nätverk som kallas autoencoder för att extrahera en kortfattad uppsättning funktioner från högdimensionella multi-omics-indata. Dessutom tillhandahåller arbetsflödet en metod för att optimera de nyckelparametrar som behövs för att implementera autoencoder. För att demonstrera detta arbetsflöde analyserades kliniska data från en kohort av 142 individer som antingen var friska eller diagnostiserade med Alzheimers sjukdom, tillsammans med proteomet och metabolomet i deras hjärnprover efter döden. Funktionerna som extraheras från det latenta skiktet i autoencoder behåller den biologiska informationen som separerar friska och sjuka patienter. Dessutom representerar de individuella extraherade egenskaperna distinkta molekylära signalmoduler, som var och en interagerar unikt med individernas kliniska egenskaper, vilket ger ett sätt att integrera proteomik, metabolomik och kliniska data.