通过整合多模式数据和等级本体学的方法,对自身免疫和自身炎症性疾病的疾病关联研究

科学领域:

• 免疫学 免疫学 免疫学
• 遗传学 是一个遗传学.
• 计算生物学 计算生物学

背景情况:

• 自身免疫和自身炎症性疾病 (AIIDs) 呈现复杂的异质性和并发症,具有挑战性的机制性理解和分类.
• 对AIIDs的现有疾病关联研究 (diseasomes) 是不发达的.
• 需要一个新的框架来整合AIID协会探索的多模式数据和生物医学本体.

研究的目的:

• 开发一个新的框架来探索AIID协会,使用多模式数据和生物医学本体学.
• 通过跨规模的证据支持建立综合AIID协会网络.
• 为了提高对AIID病原体,分类和治疗策略的理解.

主要方法:

• 从多个来源 (Mondo,DO,MeSH,ICD) 和AIID知识库中精选疾病术语.
• 484种自身免疫性疾病,110种自身炎症性疾病和284种相关疾病的综合存储库.
• 利用遗传学,转录学 (批量和单细胞) 和表型数据来构建多层关联网络.
• 采用了一个本体学意识的疾病相似性 (OADS) 策略,整合多模式数据和生物医学本体学.

主要成果:

• 通过网络模块化分析,通过网络模块化分析确定了10个具有代表性表型和功能障碍途径的强大疾病社区.
• 为10个高度关注的AIIDs提供了从遗传敏感性到临床表型的信息流的见解.
• 插图共发病机制,如系统性硬化和牛皮中CCL2和CCR7的作用,将遗传因素与细胞和临床结果联系起来.

结论:

• 增强对AIID病原体和共同病变背后的机制的理解.
• 改善疾病分类和潜在治疗点的识别.
• 支持药物重新定位和开发针对AIID的向疗法.