一个基于网络的框架,以发现复杂疾病的治疗反应预测生物标志物
Uday S Shanthamallu1, Casey Kilpatrick2, Alex Jones1
1Department of Data Science and Network Medicine, Scipher Medicine, Waltham, Massachusetts.
The Journal of molecular diagnostics : JMD
|July 27, 2024
概括
针对自身免疫性疾病的精准医学面临着数据挑战. 一个新的网络医学框架,PRoBeNet,识别预测生物标志物,改进机器学习模型与有限的患者数据.
科学领域:
- 生物医学信息学 生物医学信息学
- 网络医学 网络医学
- 精准医学是一门精准的医学.
背景情况:
- 对复杂的自身免疫性疾病的精准医学受到有限的数据和高维的奥米克数据的阻碍.
- 开发有效的治疗方法需要强大的生物标志物来分层患者.
研究的目的:
- 引入PRoBeNet (使用网络医学预测响应生物标志物),这是一个新的框架,用于识别用于自身免疫疾病治疗的预测生物标志物.
- 为了解决精准医学高通量多学科研究中的数据局限性.
主要方法:
- PRoBeNet集成了针对治疗的蛋白质,疾病特征和人类互动组网络.
- 使用回顾性和前性患者数据 (性结肠炎,类风湿关节炎,克罗恩病) 发现和验证生物标志物.
- 机器学习模型是使用PROBeNet生物标志物,所有基因或随机基因构建的.
主要成果:
- PRoBeNet确定了预测对infliximab和MAPK3/1抑制剂反应的生物标志物.
- 使用PRoBeNet生物标志物的模型显著优于其他模型,尤其是在有限的数据的情况下.
- 在性结肠炎,类风湿性关节炎和克罗恩病患者队列中验证的预测生物标志物.
结论:
- PRoBeNet有效地减少了特征维度,并为精准医学建立了强大的机器学习模型,即使数据稀缺.
- PRoBeNet促进了用于临床试验分层和改善自身免疫疾病患者结果的诊断试验的开发.
