使用基于异质药物-蛋白质-疾病网络的深度学习预测心房动患者的缺血性中风风险
Zhiheng Lyu, Jiannan Yang1, Zhongzhi Xu2
1Musketeers Foundation Institute of Data Science, The University of Hong Kong, Hong Kong SAR, China.
APL bioengineering
|April 7, 2025
概括
一个新的深度学习模型,ABioSPath,使用综合药物-蛋白质-疾病途径和临床数据准确预测心房患者的一年缺血性中风风险,提供没有生物标志物的个性化风险评估.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学医学信息学
- 药物基因组学 药物基因组学
背景情况:
- 目前对于心房动 (AF) 患者的缺血性中风 (IS) 风险预测模型缺乏药物效应和复杂的生物相互作用的全面整合.
- 现有的模型往往无法提供个性化的风险评估,因为它不考虑药物-蛋白质-疾病途径和患者特征.
研究的目的:
- 开发和验证一个可解释的深度学习模型,ABioSPath,用于预测AF患者的一年IS风险.
- 将药物-蛋白质-疾病途径与现实世界的临床数据相结合,以提高预测准确性和机械洞察力.
- 提供个性化的IS风险评估,并确定潜在的涉及中风发展的分子途径.
主要方法:
- 开发AF-Biological-IS-Path (ABioSPath),这是一个可解释的深度学习模型,利用异构的多层网络.
- 药物-蛋白-疾病路径与7859名AF患者 (2008-2009) 的电子健康记录 (EHR) 数据的整合.
- 使用包括AUROC,精度,回忆和Brier分数在内的指标对基线模型的模型性能进行评估.
主要成果:
- 与基线模型相比,ABioSPath表现出优异的性能,实现了0.7815.5的AUROC.
- 该模型确定了与IS风险相关的关键蛋白质 (CRP,REN,PTGS2) 和途径 (PIK3/Akt,细胞因子/化学因子信号传递).
- ABioSPath成功地确定了与研究较少的药物相关的IS风险,例如甲酸,并提供了个性化的风险预测.
结论:
- ABioSPath提供了一种强大的数据驱动方法,用于在AF患者中个性化IS风险预测,使用例行收集的临床数据.
- 该模型消除了对昂贵生物标志物的需求,提高了风险评估的可访问性.
- 在预测其他疾病风险和为药物开发策略提供信息方面,ABioSPath具有更广泛应用的潜力.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
916
