DeepOmicsAE: تمثيل وحدات الإشارات في مرض الزهايمر مع تحليل التعلم العميق للبروتينات والأيض والبيانات السريرية

يعتقد أن مرض الزهايمر يبدأ قبل عقود من ظهور الأعراض. تشير الدراسات الحديثة إلى أن السمات المظهرية مثل السمنة وارتفاع ضغط الدم ، ولكن أيضا مستوى التعليم والمشاركة الاجتماعية يمكن أن تكون بمثابة عوامل خطر. هدفنا هو أن نصبح قادرين على فك رموز مساهماتهم وعلاقتهم بالدوافع الجزيئية للمرض لتعلم كيفية التدخل مبكرا وبطريقة شخصية.

يمكن استخدام تحليل البيانات متعددة الأوميك لدمج طبقات مختلفة من البيانات البيولوجية مثل البروتينات ، وعلم النسخ ، والأيض ، وسمات النمط الظاهري لفهم حالة المرض بشكل شامل. تستخدم نماذج التشفير التلقائي التعلم العميق لتقليل أبعاد مجموعات البيانات متعددة الأوميكس ، مما يلخص المعلومات المهمة بشكل فعال ، ومع ذلك ، من الصعب تفسير مدى أهمية الميزات الفردية في البيانات الأصلية فيما يتعلق بالمخرجات الملخصة. في Deep-omics AE ، قمنا ببناء خوارزمية تستمد أهمية ميزات multi-omics الفردية بالنسبة إلى تمثيل تعلم الأبعاد المنخفضة.

باستخدام هذا النهج ، يمكننا تحديد الوحدات المتشابهة جزيئيا وارتباطها بسمات النمط الظاهري للمريض. يساعد Deep-omics AE على ربط سمات النمط الظاهري للمريض بالتركيب الجزيئي للمرض. على سبيل المثال ، يمكنك استخدامه للسؤال ، ما هي المسارات الجزيئية الأكثر تورطا في مرض الزهايمر لدى المرضى الأكبر سنا ، وما هي تلك الأكثر تورطا في المرضى الأصغر سنا؟

ما هم المتورطون في تطوير المرض لدى المرضى الأقل تعليما مقابل المرضى الأكثر تعليما؟