DeepOmicsAE: Representing Signaling Modules in Alzheimer's Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

Elena Panizza

doi:10.3791/65910

DeepOmicsAE: 단백질체학, 대사체학 및 임상 데이터의 딥러닝 분석을 통한 알츠하이머병의 신호 모듈 표현

JoVE Journal
Biology

A subscription to JoVE is required to view this content. Sign in or start your free trial.

JoVE Journal Biology

DeepOmicsAE: Representing Signaling Modules in Alzheimer’s Disease with Deep Learning Analysis of Proteomics, Metabolomics, and Clinical Data

DeepOmicsAE: 단백질체학, 대사체학 및 임상 데이터의 딥러닝 분석을 통한 알츠하이머병의 신호 모듈 표현

Full Text

1,907 Views

09:47 min

December 15, 2023

DOI: 10.3791/65910-v

Elena Panizza¹

¹Department of Molecular Medicine,Cornell University

Please note that some of the translations on this page are AI generated. Click here for the English version.

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.

알츠하이머병은 증상이 나타나기 수십 년 전에 시작되는 것으로 생각됩니다. 최근 연구에 따르면 비만과 고혈압과 같은 표현형 특성뿐만 아니라 교육 수준과 사회적 참여도 위험 요인으로 작용할 수 있습니다. 우리의 목표는 질병의 분자 동인에 대한 기여와 관계를 해독하여 조기에 개인화된 방식으로 개입하는 방법을 배울 수 있도록 하는 것입니다.

다중 오믹 데이터 분석은 단백질체학, 전사체학, 대사체학 및 표현형 형질과 같은 다양한 생물학적 데이터 계층을 통합하여 질병 상태를 종합적으로 이해하는 데 사용할 수 있습니다. 오토인코더 모델은 딥러닝을 사용하여 다중 오믹스 데이터 세트의 차원을 줄이고 중요한 정보를 효과적으로 요약하지만, 요약된 출력과 관련하여 원본 데이터의 개별 특징이 얼마나 중요한지 해석하는 것은 어렵습니다. Deep-omics AE에서는 학습 축소 차원 표현과 관련하여 개별 다중 오믹스 기능의 중요성을 도출하는 알고리즘을 구축했습니다.

View the full transcript and gain access to thousands of scientific videos