DeepOmicsAE:用深度学习分析蛋白质组学,代谢学和临床数据来表示阿尔茨海默病中的信号模块
1Department of Molecular Medicine, Cornell University; ep465@cornell.edu.
Journal of visualized experiments : JoVE
|January 1, 2024
概括
DeepOmicsAE使用自动编码器分析多omics数据,以识别疾病生物标志物. 这个工作流整合了蛋白质学,代谢学和临床数据,揭示了与阿尔茨海默病相关的分子模块.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 大规模的OMIC数据集 (蛋白质组学,代谢组学,临床) 对于理解人类健康至关重要.
- 分析高维多omics数据带来了重大的计算挑战.
研究的目的:
- 介绍DeepOmicsAE,这是一个针对多omics数据分析的优化工作流.
- 引入一种用于优化omics数据分析中的自动编码器参数的方法.
- 为了证明疾病研究的多omics和临床数据的整合.
主要方法:
- 利用自编码器神经网络从高维的奥米克数据中提取特征.
- 为自动编码器开发了一个参数优化方法.
- 应用工作流来分析阿尔茨海默病患者和健康对照者的蛋白质组学,代谢组学和临床数据.
主要成果:
- 从自编码器隐藏层中提取的特征有效地区分健康和阿尔茨海默病患者.
- 个别特征代表着不同的分子信号模块.
- 在提取的分子特征和临床数据之间展示了独特的相互作用.
结论:
- DeepOmicsAE成功地整合了多omics和临床数据.
- 工作流程有助于发现疾病研究的生物相关特征.
- 提取的特征提供了对阿尔茨海默病背后的分子机制的见解.
更多相关视频
07:08A High Throughput, Multiplexed and Targeted Proteomic CSF Assay to Quantify Neurodegenerative Biomarkers and Apolipoprotein E Isoforms Status
Published on: October 20, 2016
7.8K
04:22Author Spotlight: Exploring Sex-Specific Glial Signatures and Therapeutic Leads for Alzheimer's Disease
Published on: May 20, 2024
865
