整合阿尔茨海默病的多omics数据,通过超图规范的联合深度半非负矩阵分解算法来探索其生物标志物

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 遗传学 遗传学 是一个

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,其病因复杂,涉及遗传,环境和生活方式因素.
• 整合多omics数据 (基因组学,转录组学,成像) 提供了一个强大的方法来探索AD中的分子相互作用.
• 现有的方法可能无法完全捕捉各种AD相关数据集中的高阶相关性.

研究的目的:

• 开发和验证一种新的算法,用于在阿尔茨海默病研究中整合多omics数据.
• 为了确定强大的多omics生物标志物用于AD诊断和治疗目标的发现.
• 用单细胞RNA测序数据探索AD中的细胞差异和通信.

主要方法:

• 提出了一个超图规则化的联合深度半非负矩阵因子化 (HR-JDSNMF) 算法.
• 综合正子发射断层扫描 (PET),单核酸多态 (SNP) 和AD的基因表达数据.
• 利用超图挖掘来发现高阶相关性和单细胞RNA测序 (scRNA-seq) 来进行细胞类型分析.

主要成果:

• 在整合多omics数据方面,HR-JDSNMF算法的性能优于现有的矩阵分解方法.
• 成功识别了与阿尔茨海默病相关的多omics生物标志物.
• 将细胞群分为高风险和低风险组,并分析它们的分化和通信.

结论:

• 开发的算法有效地整合了用于AD研究的各种omics数据.
• 已识别的多omics生物标志物有可能用于AD的临床诊断和药物标发现.
• 进一步探索细胞类型的特异性差异和沟通提供了对AD病变的洞察.