DeepOmicsAE는 다중 오믹스 데이터의 차원을 줄이기 위해 딥 러닝 방법(즉, 오토인코더)을 적용하는 데 중점을 둔 워크플로우로, 여러 계층의 오믹스 데이터를 나타내는 예측 모델 및 신호 모듈을 위한 기반을 제공합니다.
이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.
방법 논문
DeepOmicsAE: 단백질체학, 대사체학 및 임상 데이터의 딥러닝 분석을 통한 알츠하이머병의 신호 모듈 표현
이 논문에서
요약
초록
대규모 오믹스 데이터 세트는 인간 건강 연구에 점점 더 많이 사용되고 있습니다. 이 논문에서는 단백질체학, 대사체학 및 임상 데이터를 포함한 다중 오믹스 데이터 세트 분석에 최적화된 워크플로우인 DeepOmicsAE를 제시합니다. 이 워크플로는 오토인코더라는 일종의 신경망을 사용하여 고차원 다중 오믹스 입력 데이터에서 간결한 특징 세트를 추출합니다. 또한 워크플로는 오토인코더를 구현하는 데 필요한 주요 파라미터를 최적화하는 방법을 제공합니다. 이 워크플로우를 보여주기 위해 건강하거나 알츠하이머병 진단을 받은 142명의 코호트에서 사후 뇌 샘플의 단백질체 및 대사체와 함께 임상 데이터를 분석했습니다. 오토인코더의 잠복층에서 추출된 특징은 건강한 환자와 질병이 있는 환자를 구분하는 생물학적 정보를 유지합니다. 또한 추출된 개별 특징은 별개의 분자 신호 전달 모듈을 나타내며, 각 모듈은 개인의 임상 특징과 고유하게 상호 작용하여 단백질체학, 대사체학 및 임상 데이터를 통합할 수 있는 수단을 제공합니다.
서론
인구의 점점 더 많은 비율이 고령화되고 있으며 신경 퇴행과 같은 노화 관련 질병의 부담은 향후 수십 년 동안 급격히 증가할 것으로 예상됩니다1. 알츠하이머병은 신경퇴행성 질환의 가장 흔한 유형이다2. 치료법을 찾는 진전은 질병의 발병과 진행을 유도하는 근본적인 분자 메커니즘에 대한 우리의 부족한 이해를 감안할 때 더뎠습니다. 알츠하이머병에 대한 대부분의 정보는 뇌 조직 검사를 통해 사후에 얻어지는데, 이로 인해 원인과 결과를 구별하는 것이 어려운 과제가 되었다3. ROSMAP(Religious Orders Study/Memory and Aging Project)는 신경 퇴행에 대한 더 넓은 이해를 얻기 위한 야심 찬 노력으로, 매년 의료 및 심리 검사를 받고 사망 후 연구를 위해 뇌를 기증하기로 약속한 수천 명의 개인에 대한 연구를 포함합니다4. 이 연구는 뇌의 정상적인 기능에서 알츠하이머병으로의 전환에 초점을 맞추고있다 2. 이 프로젝트 내에서 사후 뇌 샘플은 유전체학, 후성유전체학, 전사체학, 단백질체학5 및 대사체학을 포함한 다양한 ....
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
프로토콜
참고: 여기에 사용된 데이터는 AD Knowledge 포털에서 다운로드한 ROSMAP 데이터입니다. 데이터를 다운로드하고 재사용하는 데 정보에 입각한 동의가 필요하지 않습니다. 여기에 제시된 프로토콜은 딥 러닝을 활용하여 다중 오믹스 데이터를 분석하고 예를 들어 진단을 기반으로 특정 환자 또는 샘플 그룹을 구별하는 신호 모듈을 식별합니다. 또한 이 프로토콜은 원래의 대규모 데이터를 요약하고 기계 학습 알고리즘을 사용한 예측 모델 학습과 같은 추가 분석에 사용할 수 있는 추출된 작은 기능 집합을 제공합니다(그림 1). 프로토콜을 수행하기 전에 코드 액세스 및 계산 환경 설정에 대한 정보는 보충 파일 1 및 자료 표를 참조하십시오. 방법은 아래에 지정된 순서에 따라 수행해야 합니다.
그림 1
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
결과
프로토콜을 선보이기 위해 건강하거나 알츠하이머병 진단을 받은 142명의 사후 뇌에서 파생된 단백질체, 대사체 및 임상 정보로 구성된 데이터 세트를 분석했습니다.
데이터를 전처리하기 위해 프로토콜 섹션 1을 수행한 후 데이터 세트에는 6,497개의 단백질, 443개의 대사 산물 및 3가지 임상 특징(성별, 사망 연령 및 교육)이 포함되었습니다. 표적 특징은 사망 시 인지 상태에 대한 임상적 합의 진단으로, 인지 장애(CI)가 없는 경우 1, 알츠하이머 치매 및 CI의 다른 원인에 대해 4의 값을 갖는 cogdx로 코드화됩니다. 80명의 환자는 건강한 상태였고 62명은 알츠하이머병에 걸린 것으로 진단되었습니다. 프로토콜 섹션 2는 매개변수 kprot, kmet 및
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
토론
데이터 세트의 구조는 프로토콜의 성공에 매우 중요하며 주의 깊게 확인해야 합니다. 데이터는 프로토콜 섹션 1에 표시된 대로 형식이 지정되어야 합니다. 컬럼 위치의 올바른 할당도 방법의 성공에 매우 중요합니다. 단백질체학 및 대사체학 데이터는 서로 다른 방식으로 전처리되며, 데이터의 특성이 다르기 때문에 특징 선택이 별도로 수행됩니다. 따라서 프로토콜 단계 1.5, 2.3 및 3.3에서 열 위치를 올바르게 할당하는 것이 중요합니다.
임상 데이터에 숫자가 아닌 데이터 유형(연속 또는 이진 값)이 포함된 경우 프로토콜 섹션 1의 메서드를 실행하는 동안 오류가 발생할 수 있습니다. 이 문제를 해결하기 위해 사용자는 수치 임상 데이터만 포함하도록 데이터 세트를 수정할 수 있습니다. 예를 들어, 성별과 같은 범주형 데이터는 이진 숫자 데이터로 변환될 수 있습니다. 또 다른 문제는 데이터 세트가 프로토콜 섹션 1-단백질체학 데이터, 대사체학, 임상에 지정된 대로 정렬되지 않은 경우 발생할 수.......
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
공개 사항
저자는 이해 상충이 없다고 선언합니다.
감사의 글
이 연구는 NIH 보조금 CA201402와 코넬 척추동물 유전체학 센터(CVG) 우수 학자 상(Distinguished Scholar Award)의 지원을 받았습니다. 여기에 게시된 결과는 전체 또는 일부가 AD 지식 포털(https://adknowledgeportal.org)에서 얻은 데이터를 기반으로 합니다. 연구 데이터는 시카고 러시 대학 메디컬 센터(Rush University Medical Center)의 러시 알츠하이머병 센터(Rush Alzheimer's Disease Center)에서 제공한 샘플을 기반으로 AD를 위한 가속 의학 파트너십(Accelerating Medicine Partnership for AD, U01AG046161 and U01AG061357)을 통해 제공되었습니다. 데이터 수집은 NIA 보조금 P30AG10161, R01AG15819, R01AG17917, R01AG30146, R01AG36836, U01AG32984, U01AG46152, Illinois Department of Public Health 및 Translational Genomics Research Institute의 자금 지원을 통해 지원되었습니다. 대사체학 데이터 세트는 Metabolon에서 생성되었으며 ADMC에 의해 전처리되었습니다.
....액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 컴퓨터 | Apple | Mac Studio | Apple M1 Ultra(20코어 CPU, 48코어 GPU, 32코어 Neural Engine), 64GB 통합 메모리 |
| Conda v23.3.1 | Anaconda, Inc. | N/A | 패키지 관리 시스템 및 환경 관리자 |
| conda environment DeepOmicsAE | 해당 사항 없음 | DeepOmicsAE_env.yml | 실행하는 데 필요한 패키지가 포함되어 |
| Microsoft | https://github.com/elepan84/DeepOmicsAE/ | 스크립트, Jupyter 노트북 및 conda 환경 파일 | |
| 제공 Jupyter notebook v6.5.4 | Project Jupyter | N/A | : 대화형 데이터 과학 및 과학 컴퓨팅을 위한 플랫폼: |
| DT01-대사체학 데이터 | : N/A | ROSMAP_Metabolon_HD4_Brain 514_assay_data.csv | 이 데이터는 기사에 보고된 결과를 생성하는 데 사용되었습니다. 구체적으로, DT01-DT04는 individualID를 기준으로 매칭하여 병합했습니다. 최종 합의 진단(cogdx) 열은 healthy 또는 AD로 분류된 환자만 유지하도록 필터링되었습니다. climnical features는 사망 연령, 성별 및 교육을 유지하기 위해 필터링되었습니다. 마지막으로, 90+로 보고된 연령은 91로 설정되었고, 연령 열은 float64. 로 변환되었습니다.데이터는 다음에서 확인할 수 있습니다 https://adknowledgeportal.synapse.org |
| DT02-TMT 단백질체학 데이터 | N/A | C2.median_polish_corrected_log2 (abundanceRatioCenteredOn MedianOfBatchMediansPer Protein)-8817x400.csv | |
| DT03-clinical data | N/A | ROSMAP_clinical.csv | |
| DT04-biospecimen 메타데이터 | 해당 없음 | ROSMAP_biospecimen_metadata .csv | |
| Python 3.11.3 | Python Software Foundation | N/A | 프로그래밍 언어 |
참고문헌
- Hou, Y., et al. Ageing as a risk factor for neurodegenerative disease. Nature Reviews Neurology. 15 (10), 565-581 (2019).
- Scheltens, P., et al. Alzheimer’s disease. The Lancet. 397 (10284), 1577-1590 (2021).
- Breijyeh, Z., Karaman, R.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
재인쇄 및 허가
