Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

DeepOmicsAE: weergave van signaalmodules bij de ziekte van Alzheimer met Deep Learning-analyse van proteomics, metabolomics en klinische gegevens

2.3K weergaven

⸱

DOI:

10.3791/65910

⸱

15 december 2023

1Department of Molecular Medicine, Cornell University

In dit artikel

Samenvatting

DeepOmicsAE is een workflow die is gericht op de toepassing van een deep learning-methode (d.w.z. een auto-encoder) om de dimensionaliteit van multi-omics-gegevens te verminderen en een basis te leggen voor voorspellende modellen en signaleringsmodules die meerdere lagen omics-gegevens vertegenwoordigen.

Samenvatting

Grote omics-datasets komen steeds meer beschikbaar voor onderzoek naar de menselijke gezondheid. Dit artikel presenteert DeepOmicsAE, een workflow die is geoptimaliseerd voor de analyse van multi-omics-datasets, waaronder proteomics, metabolomics en klinische gegevens. Deze workflow maakt gebruik van een type neuraal netwerk, auto-encoder genaamd, om een beknopte set functies te extraheren uit de hoogdimensionale multi-omics-invoergegevens. Bovendien biedt de workflow een methode om de belangrijkste parameters te optimaliseren die nodig zijn om de auto-encoder te implementeren. Om deze workflow te demonstreren, werden klinische gegevens geanalyseerd van een cohort van 142 personen die gezond waren of gediagnosticeerd waren met de ziekte van Alzheimer, samen met het proteoom en metaboloom van hun postmortale hersenmonsters. De kenmerken die uit de latente laag van de auto-encoder worden gehaald, behouden de biologische informatie die gezonde en zieke patiënten scheidt. Bovendien vertegenwoordigen de individueel geëxtraheerde kenmerken verschillende moleculaire signaalmodules, die elk op unieke wijze interageren met de klinische kenmerken van de individuen, waardoor een middel wordt geboden om de proteomics, metabolomics en klinische gegevens te integreren.

Inleiding

Een steeds groter deel van de bevolking vergrijst en de verwachting is dat de last van ouderdomsziekten, zoals neurodegeneratie, de komende decennia sterk zaltoenemen1. De ziekte van Alzheimer is de meest voorkomende vorm van neurodegeneratieve ziekte2. De vooruitgang bij het vinden van een behandeling is traag geweest, gezien ons slechte begrip van de fundamentele moleculaire mechanismen die het begin en de voortgang van de ziekte veroorzaken. De meeste informatie over de ziekte van Alzheimer wordt postmortaal verkregen uit het onderzoek van hersenweefsel, waardoor het onderscheiden van oorzaken en gevolgen een moeilijke taak isgeworden3. Het Religious Orders Study/Memory and Aging Project (ROSMAP) is een ambitieuze poging om een breder begrip te krijgen van neurodegeneratie, waarbij duizenden personen worden bestudeerd die zich ertoe hebben verbonden jaarlijks medische en psychologische onderzoeken te ondergaan en hun hersenen bij te dragen aan onderzoek nahun overlijden. De studie richt zich op de overgang van de normale werking van de hersenen naar de ziekte van Alzheimer2. Binnen het project werden postmortale hersenmonsters geanalyseerd met een overvloed aan omics-benaderingen, waaronder genomics, epigenomics, transcriptomics, proteomics5 en metabolomics.

Omics-technologieën die functionele uitlezingen van cellulaire toestanden bieden (d.w.z. proteomics en metabolomics)6,7 zijn de sleutel tot het interpreteren van ziekte 8,9,10,11,12, vanwege de directe relatie tussen de overvloed aan eiwitten en metabolieten en cellulaire activiteiten. Eiwitten zijn de primaire uitvoerders van cellulaire processen, terwijl metabolieten de substraten en producten zijn voor biochemische reacties. Multi-omics data-analyse biedt de mogelijkheid om de complexe relaties tussen proteomics- en metabolomics-data te begrijpen in plaats van ze afzonderlijk te waarderen. Multi-omics is een discipline die meerdere lagen van hoogdimensionale biologische gegevens bestudeert, waaronder moleculaire gegevens (genoomsequentie en mutaties, transcriptoom, proteoom, metaboloom), klinische beeldvormingsgegevens en klinische kenmerken. Multi-omics-data-analyse is met name gericht op het integreren van dergelijke lagen van biologische gegevens, het begrijpen van hun wederzijdse regulatie en interactiedynamiek, en het leveren van een holistisch begrip van het ontstaan en de progressie van ziekten. Methoden voor de integratie van multi-omics-gegevens bevinden zich echter nog in de beginfase van ontwikkeling13.

Auto-encoders, een soort neuraal netwerk zonder toezicht14, zijn een krachtig hulpmiddel voor multi-omics-gegevensintegratie. In tegenstelling tot gesuperviseerde neurale netwerken, wijzen auto-encoders monsters niet toe aan specifieke doelwaarden (zoals gezond of ziek), noch worden ze gebruikt om resultaten te voorspellen. Een van hun belangrijkste toepassingen ligt in dimensionaliteitsreductie. Auto-encoders bieden echter verschillende voordelen ten opzichte van eenvoudigere methoden voor dimensionaliteitsreductie, zoals principal component analysis (PCA), t-distributed stochastic neighbor embedding (tSNE) of uniform manifold approximation and projection (UMAP). In tegenstelling tot PCA kunnen auto-encoders niet-lineaire relaties in de gegevens vastleggen. In tegenstelling tot tSNE en UMAP kunnen ze hiërarchische en multimodale relaties binnen de gegevens detecteren, omdat ze afhankelijk zijn van meerdere lagen van rekeneenheden die elk niet-lineaire activeringsfuncties bevatten. Daarom zijn het aantrekkelijke modellen om de complexiteit van multi-omics-gegevens vast te leggen. Ten slotte, terwijl de primaire toepassing van PCA, tSNE en UMAP die van het clusteren van de gegevens is, comprimeren auto-encoders de invoergegevens tot geëxtraheerde functies die zeer geschikt zijn voor downstream voorspellende taken15,16.

In het kort bestaan neurale netwerken uit verschillende lagen, die elk meerdere rekeneenheden of 'neuronen' bevatten. De eerste en laatste laag worden respectievelijk de invoer- en uitvoerlaag genoemd. Auto-encoders zijn neurale netwerken met een zandloperstructuur, bestaande uit een invoerlaag, gevolgd door één tot drie verborgen lagen en een kleine "latente" laag die meestal tussen de twee en zes neuronen bevat. De eerste helft van deze structuur staat bekend als de encoder en wordt gecombineerd met een decoder die de encoder spiegelt. De decoder eindigt met een uitvoerlaag met hetzelfde aantal neuronen als de invoerlaag. Auto-encoders nemen de input door het knelpunt en reconstrueren deze in de uitvoerlaag, met als doel een output te genereren die de oorspronkelijke informatie zo goed mogelijk weerspiegelt. Dit wordt bereikt door een parameter die 'reconstructieverlies' wordt genoemd, wiskundig te minimaliseren. De input bestaat uit een reeks kenmerken, die in de hierin getoonde aanvraag eiwit- en metabolietabundanties en klinische kenmerken (d.w.z. geslacht, opleiding en leeftijd bij overlijden) zullen zijn. De latente laag bevat een gecomprimeerde en informatierijke weergave van de input, die kan worden gebruikt voor volgende toepassingen zoals voorspellende modellen17,18.

Dit protocol presenteert een workflow, DeepOmicsAE, die het volgende omvat: 1) voorverwerking van proteomics, metabolomics en klinische gegevens (d.w.z. normalisatie, schaalvergroting, verwijdering van uitschieters) om gegevens te verkrijgen met een consistente schaal voor machine learning-analyse; 2) het selecteren van de juiste invoerfuncties voor auto-encoders, aangezien overbelasting van functies relevante ziektepatronen kan verdoezelen; 3) het optimaliseren en trainen van de auto-encoder, inclusief het bepalen van het optimale aantal te selecteren eiwitten en metabolieten, en van neuronen voor de latente laag; 4) het extraheren van kenmerken uit de latente laag; en 5) het gebruik van de geëxtraheerde kenmerken voor biologische interpretatie door moleculaire signaleringsmodules en hun relatie met klinische kenmerken te identificeren.

Dit protocol is bedoeld om eenvoudig en toepasbaar te zijn door biologen met beperkte rekenervaring die een basiskennis hebben van programmeren met Python. Het protocol richt zich op het analyseren van multi-omics-gegevens, waaronder proteomics, metabolomics en klinische kenmerken, maar het gebruik ervan kan worden uitgebreid naar andere soorten moleculaire expressiegegevens, waaronder transcriptomics. Een belangrijke nieuwe toepassing die door dit protocol wordt geïntroduceerd, is het in kaart brengen van de belangrijkheidsscores van originele kenmerken op individuele neuronen in de latente laag. Als gevolg hiervan vertegenwoordigt elk neuron in de latente laag een signaalmodule, die de interacties tussen specifieke moleculaire veranderingen en de klinische kenmerken van de patiënt beschrijft. Biologische interpretatie van de moleculaire signaleringsmodules wordt verkregen door gebruik te maken van MetaboAnalyst, een openbaar beschikbaar hulpmiddel dat gen-/eiwit- en metabolietgegevens integreert om verrijkte metabole en celsignaleringsroutes af te leiden17.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

OPMERKING: De gegevens die hier worden gebruikt, zijn ROSMAP-gegevens die zijn gedownload van de AD Knowledge-portal. Geïnformeerde toestemming is niet nodig om de gegevens te downloaden en te hergebruiken. Het hierin gepresenteerde protocol maakt gebruik van deep learning om multi-omics-gegevens te analyseren en signaleringsmodules te identificeren die specifieke patiënt- of steekproefgroepen onderscheiden op basis van bijvoorbeeld hun diagnose. Het protocol levert ook een kleine set geëxtraheerde functies die de oorspronkelijke grootschalige gegevens samenvatten en kunnen worden gebruikt voor verdere analyse, zoals het trainen van een voorspellend model met behulp van machine learning-algoritmen (Afbeelding 1). Raadpleeg Aanvullend bestand 1 en de Materiaaltabel voor informatie over toegang tot de code en het instellen van de rekenomgeving voordat het protocol wordt uitgevoerd. De methoden moeten worden uitgevoerd in de onderstaande volgorde.

figure-protocol-1
Figuur 1: Schema van de DeepOmicsAE workflow. Schematische weergave van de workflow voor het analyseren van multi-omics-gegevens met behulp van de workflow. In de weergave van de auto-encoder vertegenwoordigen rechthoeken lagen van het neurale netwerk en cirkels neuronen binnen lagen. Klik hier om een grotere versie van deze figuur te bekijken.

1. Voorbewerking van de gegevens

OPMERKING: Het doel van deze sectie is om de gegevens voor te verwerken, inclusief het verwerken van ontbrekende gegevens; normaliseren en schalen van proteomische, metabolomische expressie en klinische gegevens; en het verwijderen van uitschieters. Het protocol is ontworpen voor een dataset die proteomics-gegevens bevat, uitgedrukt als log2(ratio); metabolomics-gegevens uitgedrukt als vouwverandering; en klinische kenmerken, waaronder continue en categorische kenmerken. De patiënten of monsters moeten worden gegroepeerd op basis van diagnose of andere vergelijkbare parameters. Monsters of patiënten moeten zich in de rijen bevinden en kenmerken in de kolommen.

  1. Als u een nieuw exemplaar van Jupyter Notebook in de browser wilt starten, opent u een nieuw terminalvenster, typt u het volgende en drukt u op Enter.
    Jupyter Notebook
  2. Klik op de startpagina van Jupyter in de browser op het notitieblok M01 - expressiegegevens pre-processing.ipynb om het in een nieuw tabblad te openen (aanvullend bestand 2, stap 1.1).
  3. Typ in de tweede cel van het notitieblok de naam van het gegevenssetbestand in plaats van your_dataset_name.csv.
  4. Typ in de laatste cel van het notitieblok de gewenste naam van het uitvoergegevensbestand in plaats van M01_output_data.csv.
  5. Geef in de vijfde cel van het notitieblok de positie van de kolommen voor elk gegevenstype als volgt op: proteomics-gegevens (cols_prot), metabolomics-gegevens (cols_met), continue klinische gegevens (bijv. leeftijd) (cols_clin_con), binaire klinische gegevens (bijv. geslacht) (cols_clin_bin). Voer de index van de eerste kolom in voor elk gegevenstype in plaats van col_start en de index van de laatste kolom in plaats van col_end; Bijvoorbeeld: cols_prot = plak(0, 8817). Zorg ervoor dat de waarden die zijn opgegeven in de segmentobjecten overeenkomen met de indexen van de eerste en laatste kolom die overeenkomen met elk gegevenstype. Gebruik de opdracht in de vierde cel van hetzelfde notitieblok (df.iloc[:, :]) om de begin- en eindpositie voor elk gegevenstype te bepalen (aanvullend bestand 2, stap 1.2).
  6. Cel selecteren | Voer alles uit vanuit de menubalk in Jupyter om het uitvoergegevensbestand in de opgegeven map te maken (aanvullend bestand 2, stap 1.3).
    OPMERKING: Deze gegevens worden gebruikt als input voor de protocollen die worden beschreven in secties 2, 3 of 4.

2. Aangepaste optimalisatie van de workflow (optioneel)

OPMERKING: Sectie 2 is optioneel omdat het computerintensief is. Gebruikers moeten direct naar sectie 4 gaan als ze besluiten sectie 2 niet uit te voeren. Dit protocol begeleidt de gebruiker bij het op een geautomatiseerde manier optimaliseren van de workflow. In het bijzonder identificeert de methode de parameters die de beste prestaties van de auto-encoder leveren in termen van het genereren van geëxtraheerde functies die de steekproefgroepen goed scheiden. De geoptimaliseerde parameters die als uitvoer worden gegenereerd, omvatten het aantal functies dat moet worden gebruikt voor functieselectie (k_prot en k_met) en het aantal neuronen in de latente laag van de auto-encoder (latent). Deze parameters kunnen vervolgens worden gebruikt in het protocol dat in sectie 3 wordt beschreven om het model te genereren.

  1. Klik op de startpagina van Jupyter in de browser op het notitieblok M02 - DeepOmicsAE model optimization.ipynb om het in een nieuw tabblad te openen (aanvullend bestand 2, stap 2.1).
  2. Typ in de tweede cel van het notitieblok de naam van het invoerbestand in plaats van M01_output_data.csv. De invoer van deze functie zijn de uitvoergegevens uit sectie 1.
  3. Geef in de vijfde cel van het notitieblok de positie van de kolommen voor elk gegevenstype als volgt op: proteomics-gegevens (cols_X_prot), metabolomics-gegevens (cols_X_met), klinische gegevens (cols_clin; bevat alle klinische gegevens), alle moleculaire expressiegegevens, inclusief proteomics- en metabolomics-gegevens (cols_X_expr). Voer de index van de eerste kolom in voor elk gegevenstype in plaats van col_start en de index van de laatste kolommen in plaats van col_end; Bijvoorbeeld: cols_prot = slice(0, 8817). Zorg ervoor dat de waarden die zijn opgegeven in de segmentobjecten overeenkomen met de index van de eerste en laatste kolom die overeenkomen met elk gegevenstype en gebruik de opdrachten in de derde en vierde cel van het notitieblok om de gegevens te verkennen en de begin- en eindposities voor elk gegevenstype te bepalen. Geef de naam op van de kolom met de doelvariabele in plaats van y_column_name als y_label (Aanvullend bestand 2, stap 2.2).
    OPMERKING: De waarden van de indexen die zijn opgegeven in cols_X_prot, cols_X_met, cols_clin en cols_X_expr zullen verschillen van de waarden die worden gebruikt in sectie 1 vanwege de herschikking van het gegevensframe die optreedt tijdens de voorverwerking van gegevens.
  4. Geef in de zesde cel van het notitieblok op hoeveel optimalisatierondes u wilt uitvoeren door een waarde toe te wijzen aan n_comb. De verwerkingstijden zijn ongeveer 4-5 minuten voor 10 rondes; 20 min voor 50 ronden en 40 min voor 100 ronden (aanvullend bestand 2, stap 2.3).
  5. Cel selecteren | Voer alles uit vanuit de menubalk in Jupyter.
    OPMERKING: De uitvoervariabelen kprot, kmet en latent worden opgeslagen en zijn toegankelijk vanuit de andere notebooks, die worden gebruikt om de analytische workflow voort te zetten. De plot AE_optimization_plot.pdf wordt gegenereerd en opgeslagen in de lokale map (Figuur 2).

3. Workflow-implementatie met op maat geoptimaliseerde parameters

OPMERKING: Voer dit protocol alleen uit na methode-optimalisatie (sectie 2). Als gebruikers ervoor kiezen om geen methodeoptimalisatie uit te voeren, gaat u direct naar sectie 4. Dit protocol begeleidt de gebruiker bij het genereren van een model met behulp van de op maat geoptimaliseerde parameters die zijn afgeleid van sectie 2. De auto-encoder genereert 1) een reeks geëxtraheerde functies die de originele gegevens samenvatten en 2) identificeert de belangrijke kenmerken die elk neuron in de latente laag aansturen, waardoor unieke signaalmodules effectief worden weergegeven. De signaleringsmodules worden geïnterpreteerd met behulp van het protocol in sectie 5.

  1. Klik op de startpagina van Jupyter in de browser op de notebook M03a - DeepOmicsAE-implementatie met op maat geoptimaliseerde parameters.ipynb om deze in een nieuw tabblad te openen (aanvullend bestand 2, stap 3.1).
  2. Typ in de tweede cel van het notitieblok de naam van het invoerbestand in plaats van M01_output_data.csv. De invoer van deze functie zijn de uitvoergegevens uit sectie 1.
  3. Geef in de vijfde cel van het notitieblok de positie van de kolommen voor elk gegevenstype als volgt op: proteomics-gegevens (cols_prot), metabolomics-gegevens (cols_met), klinische gegevens (cols_clin; bevat alle klinische gegevens). Voer de index van de eerste kolom in voor elk gegevenstype in plaats van col_start en de index van de laatste kolom in plaats van col_end; Bijvoorbeeld: cols_prot = Slice(0, 8817). Zorg ervoor dat de waarden die zijn opgegeven in de segmentobjecten overeenkomen met de indexen van de eerste en laatste kolom die overeenkomen met elk gegevenstype en gebruik de opdrachten in de derde en vierde cel van het notitieblok om de gegevens te verkennen en de begin- en eindposities voor elk gegevenstype te bepalen. Geef de naam op van de kolom met de doelvariabele (bijv. 0 of 1, overeenkomend met gezond of ziek) in plaats van y_column_name als y_label.
    OPMERKING: De waarde van de indexen die zijn opgegeven in cols_X_prot, cols_X_met, cols_clin en cols_X_expr zal verschillen van de indexen die worden gebruikt in sectie 1 vanwege de herschikking van het gegevensframe die optreedt tijdens de voorverwerking van gegevens.
  4. Cel selecteren | Voer alles uit vanuit de menubalk in Jupyter om de plots PCA_initial_data.pdf, PCA_extracted_features.pdf en distribution_important_feature_scores.pdf te genereren en op te slaan in de lokale map (Figuur 3 en aanvullende afbeelding S1). Bovendien worden lijsten met belangrijke functies voor elke geïdentificeerde signaleringsmodule opgeslagen in tekstbestanden in de lokale map, genaamd module_n.txt, waarbij n wordt vervangen door het modulenummer.

4. Workflow-implementatie met vooraf ingestelde parameters

  1. Raadpleeg sectie 3 voor gedetailleerde instructies over het uitvoeren van deze methode (aanvullend bestand 2, stap 4.1). Het enige verschil tussen deze twee protocollen is dat de parameters kprot, kmet en latent (in de zevende cel van het notitieboekje) wiskundig worden afgeleid op basis van de resultaten van de uitgevoerde optimalisatie zoals weergegeven in figuur 2.
    OPMERKING: Als sectie 4 een slechte scheiding van de steekproefgroepen oplevert, wat wijst op suboptimale modelprestaties, wordt aanbevolen om modeloptimalisatie (sectie 2) uit te voeren met ten minste 15 iteraties en, indien mogelijk, maximaal 50.

5. Biologische interpretatie met behulp van MetaboAnalyst

  1. Open de browser en navigeer naar de onderstaande link om toegang te krijgen tot de Joint Pathway Analysis-functionaliteit op de website van MetaboAnalyst : https://www.metaboanalyst.ca/MetaboAnalyst/upload/JointUploadView.xhtml.
  2. Open de map waar de uitvoerbestanden van methode 3 of methode 4 zijn opgeslagen en open de tekstbestanden module_n.txt voor elke signaleringsmodule n die zijn gegenereerd door methode 3 of door methode 4.
  3. Zoek de eiwitten in de tekstbestanden en kopieer ze.
  4. Plak de lijst met eiwitten in het venster Genen/eiwitten met optionele vouwveranderingen op de MetaboAnalyst-webpagina.
  5. Herhaal de bovenstaande stap voor metabolieten en plak ze in het venster Samengestelde lijst met optionele vouwwijzigingen op dezelfde webpagina.
  6. Selecteer het juiste organisme en ID-type en klik vervolgens op Verzenden onder aan de pagina (Aanvullend bestand 2, stap 5.1).
    OPMERKING: Zorg ervoor dat de identificatoren door MetaboAnalyst worden herkend. Erkende identificatiemiddelen zijn onder meer Entrez-ID, officiële gensymbolen en Uniprot-ID voor eiwitten; samengestelde naam, HMDB ID en KEGG-ID voor metabolieten. Als de identificatoren van andere aard zijn dan deze typen, is een passende conversie nodig voorafgaand aan de analyse.
  7. Controleer op de volgende pagina de ID-toewijzing voordat u op Doorgaan klikt om te controleren of de ID's worden herkend.
  8. Selecteer op de pagina Parameterinstelling de optie Metabole routes (geïntegreerd) of Alle routes (geïntegreerd) om respectievelijk de bijdrage van de invoer aan alleen metabole routes of aan alle signaalroutes te visualiseren (aanvullend bestand 2, stap 5.2). Kies in het deelvenster Algoritmeselectie de optie Verrijkingsanalyse: hypergeometrische test, Topologiemeting: Mate centraliteit en Integratiemethode: p-waarden combineren (padniveau). Klik op Verzenden onderaan de pagina.
  9. De laatste pagina is de resultatenweergave, die de resultaten van de verrijkingsanalyse presenteert. Verrijkte trajecten worden uitgezet op basis van hun impact en betekenis, en de lijst met trajecten wordt ook in tabelvorm weergegeven.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Om het protocol te demonstreren, analyseerden we een dataset bestaande uit het proteoom, metaboloom en klinische informatie afkomstig van postmortale hersenen van 142 personen die gezond waren of gediagnosticeerd waren met de ziekte van Alzheimer.

Na het uitvoeren van het protocolsectie 1 om de gegevens voor te verwerken, omvatte de dataset 6.497 eiwitten, 443 metabolieten en drie klinische kenmerken (geslacht, leeftijd bij overlijden en opleiding). Het doelkenmerk is klinische consens...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

De structuur van de dataset is van cruciaal belang voor het succes van het protocol en moet zorgvuldig worden gecontroleerd. De gegevens moeten worden opgemaakt zoals aangegeven in punt 1 van het protocol. De juiste toewijzing van kolomposities is ook van cruciaal belang voor het succes van de methode. Proteomics- en metabolomics-gegevens worden anders voorverwerkt en de selectie van functies wordt afzonderlijk uitgevoerd vanwege de verschillende aard van de gegevens. Daarom is het van cruciaal belang om kolomposities co...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteur verklaart dat ze geen belangenconflicten hebben.

Dankbetuigingen

Dit werk werd ondersteund door NIH-subsidie CA201402 en de Cornell Center for Vertebrate Genomics (CVG) Distinguished Scholar Award. De hier gepubliceerde resultaten zijn geheel of gedeeltelijk gebaseerd op gegevens verkregen uit het AD Kennisportaal (https://adknowledgeportal.org). Studiegegevens werden verstrekt via het Accelerating Medicine Partnership for AD (U01AG046161 en U01AG061357) op basis van monsters die werden verstrekt door het Rush Alzheimer's Disease Center, Rush University Medical Center, Chicago. Het verzamelen van gegevens werd ondersteund door financiering door NIA-subsidies P30AG10161, R01AG15819, R01AG17917, R01AG30146, R01AG36836, U01AG32984, U01AG46152, het Illinois Department of Public Health en het Translational Genomics Research Institute. De metabolomics-dataset is gegenereerd bij Metabolon en voorbewerkt door de ADMC.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

```html
Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ComputerAppleMac StudioApple M1 Ultra met 20-core CPU, 48-core GPU, 32-core Neural Engine; 64 GB uniforme geheugen
Conda v23.3.1Anaconda, Inc.N/Apakketbeheersysteem en omgevingsbeheerder
conda environment
DeepOmicsAE		N/ADeepOmicsAE_env.ymlbevat pakketten die nodig zijn om de workflow uit te voeren
github repository DeepOmicsAEMicrosofthttps://github.com/elepan84/DeepOmicsAE/bevat scripts, Jupyter notebooks en het conda omgevingsbestand
Jupyter notebook v6.5.4Project JupyterN/Aeen platform voor interactieve datawetenschap en wetenschappelijk rekenen
DT01-metabolomics dataN/AROSMAP_Metabolon_HD4_Brain
514_assay_data.csv		Deze gegevens werden gebruikt om de resultaten te genereren die in het artikel worden gerapporteerd. Specifiek werden DT01-DT04 samengevoegd door ze te matchen op basis van de individualID. De kolom 'final consensus diagnosis' (cogdx) werd gefilterd om alleen patiënten te behouden die geclassificeerd zijn als gezond of AD. Klinische kenmerken werden gefilterd om het volgende te behouden: leeftijd bij overlijden, geslacht en opleiding. Ten slotte werd leeftijd gerapporteerd als 90+ ingesteld op 91, waarna de leeftijdskolom werd omgezet naar float64.
De gegevens zijn beschikbaar op https://adknowledgeportal.synapse.org
DT02-TMT proteomics dataN/AC2.median_polish_corrected_log2
(abundanceRatioCenteredOn
MedianOfBatchMediansPer
Protein)-8817x400.csv
DT03-clinical dataN/AROSMAP_clinical.csv
DT04-biospecimen metadataN/AROSMAP_biospecimen_metadata
.csv
Python 3.11.3 Python Software FoundationN/Aprogrammeertaal
```

Referenties

  1. Hou, Y., et al. Ageing as a risk factor for neurodegenerative disease. Nature Reviews Neurology. 15 (10), 565-581 (2019).
  2. Scheltens, P., et al. Alzheimer’s disease. The Lancet. 397 (10284), 1577-1590 (2021).
  3. Breijyeh, Z., Karaman, R. Comprehensive review on Alzheimer’s disease: causes and treatment. Molecules. 25 (24), 5789(2020).
  4. Bennett, D. A., et al. Religious Orders Study and Rush Memory and Aging Project. Journal of Alzheimer’s Disease. 64 (s1), S161-S189 (2018).
  5. Higginbotham, L., et al. Integrated proteomics reveals brain-based cerebrospinal fluid biomarkers in asymptomatic and symptomatic Alzheimer’s disease. Science Advances. 6 (43), eaaz9360(2020).
  6. Aebersold, R., et al. How many human proteoforms are there. Nature Chemical Biology. 14 (3), 206-214 (2018).
  7. Nusinow, D. P., et al. Quantitative proteomics of the cancer cell line encyclopedia. Cell. 180 (2), 387-402.e16 (2020).
  8. Johnson, E. C. B., et al. Large-scale proteomic analysis of Alzheimer’s disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation. Nature Medicine. 26 (5), 769-780 (2020).
  9. Geyer, P. E., et al. Plasma proteome profiling to assess human health and disease. Cell Systems. 2 (3), 185-195 (2016).
  10. Akbani, R., et al. A pan-cancer proteomic perspective on the cancer genome atlas. Nature Communications. 5, 3887(2014).
  11. Panizza, E., et al. Proteomic analysis reveals microvesicles containing NAMPT as mediators of radioresistance in glioma. Life Science Alliance. 6 (6), e202201680(2023).
  12. Li, Z., Vacanti, N. M. A tale of three proteomes: visualizing protein and transcript abundance relationships in the Breast Cancer Proteome Portal. Journal of Proteome Research. 22 (8), 2727-2733 (2023).
  13. Subramanian, I., Verma, S., Kumar, S., Jere, A., Anamika, K. Multi-omics Data Integration, Interpretation, and Its Application. Bioinformatics and Biology Insights. 14, 1177932219899051(2020).
  14. Wang, Y., Yao, H., Zhao, S. Auto-encoder based dimensionality reduction. Neurocomputing. 184, 232-242 (2016).
  15. Mulla, F. R., Gupta, A. K. A review paper on dimensionality reduction techniques. Journal of Pharmaceutical Negative Results. 13, 1263-1272 (2022).
  16. Shrestha, A., Mahmood, A. Review of deep learning algorithms and architectures. IEEE Access. 7, 53040-53065 (2019).
  17. Pang, Z., et al. MetaboAnalyst 5.0: Narrowing the gap between raw spectra and functional insights. Nucleic Acids Research. 49 (W1), W388-W396 (2021).
  18. Hinton, G. E., Salakhutdinov, R. R. Reducing the dimensionality of data with neural networks. Science. 313 (5786), 504-507 (2006).
  19. Altmann, A., Toloşi, L., Sander, O., Lengauer, T. Permutation importance: a corrected feature importance measure. Bioinformatics. 26 (10), 1340-1347 (2010).
  20. A unified approach to interpreting model predictions. Lundberg, S. M., Allen, P. G., Lee, S. -I. 31st Conference on Neural Information Processing Systems (NIPS 2017), , Long Beach, CA, USA. (2017).
  21. Wang, Q., et al. Deep learning-based brain transcriptomic signatures associated with the neuropathological and clinical severity of Alzheimer’s disease. Brain Communications. 4 (1), (2021).
  22. Beebe-Wang, N., et al. Unified AI framework to uncover deep interrelationships between gene expression and Alzheimer’s disease neuropathologies. Nature Communications. 12 (1), 5369(2021).
  23. Camandola, S., Mattson, M. P. Brain metabolism in health, aging, and neurodegeneration. The EMBO Journal. 36 (11), 1474-1492 (2017).
  24. Verdin, E. NAD+ in aging, metabolism, and neurodegeneration. Science. 350 (6265), 1208-1213 (2015).
  25. Platten, M., Nollen, E. A. A., Röhrig, U. F., Fallarino, F., Opitz, C. A. Tryptophan metabolism as a common therapeutic target in cancer, neurodegeneration and beyond. Nature Reviews Drug Discovery. 18 (5), 379-401 (2019).
  26. Wang, R., Reddy, P. H. Role of glutamate and NMDA receptors in Alzheimer’s disease. Journal of Alzheimer’s Disease. 57 (4), 1041-1048 (2017).
  27. Skaper, S. D., Facci, L., Zusso, M., Giusti, P. Synaptic plasticity, dementia and Alzheimer disease. CNS & Neurological Disorders - Drug Targets. 16 (3), 220-233 (2017).
  28. Reisberg, B., et al. Memantine in moderate-to-severe Alzheimer’s disease. New England Journal of Medicine. 348 (14), 1333-1341 (2003).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Multi omica analyseDeep Learning AutoencoderProteomics gegevensMetabolomics gegevensIntegratie van klinische gegevensKenmerkextractiePathway verrijkingJupyter Notebook workflow
DeepOmicsAE: weergave van signaalmodules bij de ziekte van Alzheimer met Deep Learning-analyse van proteomics, metabolomics en klinische gegevens
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.