Name: DeepOmicsAE: weergave van signaalmodules bij de ziekte van Alzheimer met Deep Learning-analyse van proteomics, metabolomics en klinische gegevens (Video) | JoVE Journal
Uploaded: 2023-12-15T14:00:00.000+00:00
Duration: 9 min 47 s
Description: Verken DeepOmicsAE voor multi-omics analyse van de ziekte van Alzheimer met deep learning. Deze methode integreert proteomics, metabolomics en klinische gegevens om moleculaire signaleringsmodules te identificeren.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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.

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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65910/65910fig01.jpg"> 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. <a href="https://www.jove.com/files/ftp_upload/65910/65910fig01large.jpg" target="_blank">Klik hier om een grotere versie van deze figuur te bekijken.</a>
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.
<ol><li>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</li>
	<li>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).</li>
	<li>Typ in de tweede cel van het notitieblok de naam van het gegevenssetbestand in plaats van your_dataset_name.csv.</li>
	<li>Typ in de laatste cel van het notitieblok de gewenste naam van het uitvoergegevensbestand in plaats van M01_output_data.csv.</li>
	<li>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).</li>
	<li>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.</li>
</ol>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.
<ol><li>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).</li>
	<li>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.</li>
	<li>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.</li>
	<li>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).</li>
	<li>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).</li>
</ol>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.
<ol><li>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).</li>
	<li>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.</li>
	<li>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.</li>
	<li>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.</li>
</ol>4. Workflow-implementatie met vooraf ingestelde parameters
<ol><li>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.</li>
</ol>5. Biologische interpretatie met behulp van MetaboAnalyst
<ol><li>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.</li>
	<li>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.</li>
	<li>Zoek de eiwitten in de tekstbestanden en kopieer ze.</li>
	<li>Plak de lijst met eiwitten in het venster Genen/eiwitten met optionele vouwveranderingen op de MetaboAnalyst-webpagina.</li>
	<li>Herhaal de bovenstaande stap voor metabolieten en plak ze in het venster Samengestelde lijst met optionele vouwwijzigingen op dezelfde webpagina.</li>
	<li>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.</li>
	<li>Controleer op de volgende pagina de ID-toewijzing voordat u op Doorgaan klikt om te controleren of de ID's worden herkend.</li>
	<li>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.</li>
	<li>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.</li>
</ol>

Analyse van signaalmodules bij de ziekte van Alzheimer met Deep Learning

<ol><li>Hou, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Ageing+as+a+risk+factor+for+neurodegenerative+disease%5BTitle%5D)+AND+%22Nature+Reviews+Neurology%22%5BJournal%5D)">Ageing as a risk factor for neurodegenerative disease.</a> Nature Reviews Neurology. 15 (10), 565-581 (2019).</li>
<li>Scheltens, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22The+Lancet%22%5BJournal%5D)">Alzheimer’s disease.</a> The Lancet. 397 (10284), 1577-1590 (2021).</li>
<li>Breijyeh, Z., Karaman, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comprehensive+review+on+Alzheimer%E2%80%99s+disease%3A+causes+and+treatment%5BTitle%5D)+AND+%22Molecules%22%5BJournal%5D)">Comprehensive review on Alzheimer’s disease: causes and treatment.</a> Molecules. 25 (24), 5789(2020).</li>
<li>Bennett, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Religious+Orders+Study+and+Rush+Memory+and+Aging+Project%5BTitle%5D)+AND+%22Journal+of+Alzheimer%E2%80%99s+Disease%22%5BJournal%5D)">Religious Orders Study and Rush Memory and Aging Project.</a> Journal of Alzheimer’s Disease. 64 (s1), S161-S189 (2018).</li>
<li>Higginbotham, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrated+proteomics+reveals+brain-based+cerebrospinal+fluid+biomarkers+in+asymptomatic+and+symptomatic+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Science+Advances%22%5BJournal%5D)">Integrated proteomics reveals brain-based cerebrospinal fluid biomarkers in asymptomatic and symptomatic Alzheimer’s disease.</a> Science Advances. 6 (43), eaaz9360(2020).</li>
<li>Aebersold, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+many+human+proteoforms+are+there%5BTitle%5D)+AND+%22Nature+Chemical+Biology%22%5BJournal%5D)">How many human proteoforms are there.</a> Nature Chemical Biology. 14 (3), 206-214 (2018).</li>
<li>Nusinow, D. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+proteomics+of+the+cancer+cell+line+encyclopedia%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Quantitative proteomics of the cancer cell line encyclopedia.</a> Cell. 180 (2), 387-402.e16 (2020).</li>
<li>Johnson, E. C. B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large-scale+proteomic+analysis+of+Alzheimer%E2%80%99s+disease+brain+and+cerebrospinal+fluid+reveals+early+changes+in+energy+metabolism+associated+with+microglia+and+astrocyte+activation%5BTitle%5D)+AND+%22Nature+Medicine%22%5BJournal%5D)">Large-scale proteomic analysis of Alzheimer’s disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation.</a> Nature Medicine. 26 (5), 769-780 (2020).</li>
<li>Geyer, P. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Plasma+proteome+profiling+to+assess+human+health+and+disease%5BTitle%5D)+AND+%22Cell+Systems%22%5BJournal%5D)">Plasma proteome profiling to assess human health and disease.</a> Cell Systems. 2 (3), 185-195 (2016).</li>
<li>Akbani, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+pan-cancer+proteomic+perspective+on+the+cancer+genome+atlas%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">A pan-cancer proteomic perspective on the cancer genome atlas.</a> Nature Communications. 5, 3887(2014).</li>
<li>Panizza, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Proteomic+analysis+reveals+microvesicles+containing+NAMPT+as+mediators+of+radioresistance+in+glioma%5BTitle%5D)+AND+%22Life+Science+Alliance%22%5BJournal%5D)">Proteomic analysis reveals microvesicles containing NAMPT as mediators of radioresistance in glioma.</a> Life Science Alliance. 6 (6), e202201680(2023).</li>
<li>Li, Z., Vacanti, N. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+tale+of+three+proteomes%3A+visualizing+protein+and+transcript+abundance+relationships+in+the+Breast+Cancer+Proteome+Portal%5BTitle%5D)+AND+%22Journal+of+Proteome+Research%22%5BJournal%5D)">A tale of three proteomes: visualizing protein and transcript abundance relationships in the Breast Cancer Proteome Portal.</a> Journal of Proteome Research. 22 (8), 2727-2733 (2023).</li>
<li>Subramanian, I., Verma, S., Kumar, S., Jere, A., Anamika, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-omics+Data+Integration%2C+Interpretation%2C+and+Its+Application%5BTitle%5D)+AND+%22Bioinformatics+and+Biology+Insights%22%5BJournal%5D)">Multi-omics Data Integration, Interpretation, and Its Application.</a> Bioinformatics and Biology Insights. 14, 1177932219899051(2020).</li>
<li>Wang, Y., Yao, H., Zhao, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Auto-encoder+based+dimensionality+reduction%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Auto-encoder based dimensionality reduction.</a> Neurocomputing. 184, 232-242 (2016).</li>
<li>Mulla, F. R., Gupta, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+paper+on+dimensionality+reduction+techniques%5BTitle%5D)+AND+%22Journal+of+Pharmaceutical+Negative+Results%22%5BJournal%5D)">A review paper on dimensionality reduction techniques.</a> Journal of Pharmaceutical Negative Results. 13, 1263-1272 (2022).</li>
<li>Shrestha, A., Mahmood, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Review+of+deep+learning+algorithms+and+architectures%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Review of deep learning algorithms and architectures.</a> IEEE Access. 7, 53040-53065 (2019).</li>
<li>Pang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MetaboAnalyst+5.0%3A+Narrowing+the+gap+between+raw+spectra+and+functional+insights%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">MetaboAnalyst 5.0: Narrowing the gap between raw spectra and functional insights.</a> Nucleic Acids Research. 49 (W1), W388-W396 (2021).</li>
<li>Hinton, G. E., Salakhutdinov, R. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reducing+the+dimensionality+of+data+with+neural+networks%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Reducing the dimensionality of data with neural networks.</a> Science. 313 (5786), 504-507 (2006).</li>
<li>Altmann, A., Toloşi, L., Sander, O., Lengauer, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Permutation+importance%3A+a+corrected+feature+importance+measure%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Permutation importance: a corrected feature importance measure.</a> Bioinformatics. 26 (10), 1340-1347 (2010).</li>
<li>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).</li>
<li>Wang, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning-based+brain+transcriptomic+signatures+associated+with+the+neuropathological+and+clinical+severity+of+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Brain+Communications%22%5BJournal%5D)">Deep learning-based brain transcriptomic signatures associated with the neuropathological and clinical severity of Alzheimer’s disease.</a> Brain Communications. 4 (1), (2021).</li>
<li>Beebe-Wang, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unified+AI+framework+to+uncover+deep+interrelationships+between+gene+expression+and+Alzheimer%E2%80%99s+disease+neuropathologies%5BTitle%5D)+AND+%22Nature+Communications%22%5BJournal%5D)">Unified AI framework to uncover deep interrelationships between gene expression and Alzheimer’s disease neuropathologies.</a> Nature Communications. 12 (1), 5369(2021).</li>
<li>Camandola, S., Mattson, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain+metabolism+in+health%2C+aging%2C+and+neurodegeneration%5BTitle%5D)+AND+%22The+EMBO+Journal%22%5BJournal%5D)">Brain metabolism in health, aging, and neurodegeneration.</a> The EMBO Journal. 36 (11), 1474-1492 (2017).</li>
<li>Verdin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NAD%2B+in+aging%2C+metabolism%2C+and+neurodegeneration%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">NAD+ in aging, metabolism, and neurodegeneration.</a> Science. 350 (6265), 1208-1213 (2015).</li>
<li>Platten, M., Nollen, E. A. A., Röhrig, U. F., Fallarino, F., Opitz, C. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tryptophan+metabolism+as+a+common+therapeutic+target+in+cancer%2C+neurodegeneration+and+beyond%5BTitle%5D)+AND+%22Nature+Reviews+Drug+Discovery%22%5BJournal%5D)">Tryptophan metabolism as a common therapeutic target in cancer, neurodegeneration and beyond.</a> Nature Reviews Drug Discovery. 18 (5), 379-401 (2019).</li>
<li>Wang, R., Reddy, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Role+of+glutamate+and+NMDA+receptors+in+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22Journal+of+Alzheimer%E2%80%99s+Disease%22%5BJournal%5D)">Role of glutamate and NMDA receptors in Alzheimer’s disease.</a> Journal of Alzheimer’s Disease. 57 (4), 1041-1048 (2017).</li>
<li>Skaper, S. D., Facci, L., Zusso, M., Giusti, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synaptic+plasticity%2C+dementia+and+Alzheimer+disease%5BTitle%5D)+AND+%22CNS+%26+Neurological+Disorders+-+Drug+Targets%22%5BJournal%5D)">Synaptic plasticity, dementia and Alzheimer disease.</a> CNS & Neurological Disorders - Drug Targets. 16 (3), 220-233 (2017).</li>
<li>Reisberg, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Memantine+in+moderate-to-severe+Alzheimer%E2%80%99s+disease%5BTitle%5D)+AND+%22New+England+Journal+of+Medicine%22%5BJournal%5D)">Memantine in moderate-to-severe Alzheimer’s disease.</a> New England Journal of Medicine. 348 (14), 1333-1341 (2003).</li>
</ol>

De auteur verklaart dat ze geen belangenconflicten hebben.

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...

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.

```html
<table><tbody><tr><td>Computer</td><td>Apple</td><td>Mac Studio</td><td>Apple M1 Ultra met 20-core CPU, 48-core GPU, 32-core Neural Engine; 64 GB uniforme geheugen</td></tr><tr><td>Conda v23.3.1</td><td>Anaconda, Inc.</td><td>N/A</td><td>pakketbeheersysteem en omgevingsbeheerder</td></tr><tr><td>conda environment DeepOmicsAE</td><td>N/A</td><td>DeepOmicsAE_env.yml</td><td>bevat pakketten die nodig zijn om de workflow uit te voeren</td></tr><tr><td>github repository DeepOmicsAE</td><td>Microsoft</td><td>https://github.com/elepan84/DeepOmicsAE/</td><td>bevat scripts, Jupyter notebooks en het conda omgevingsbestand</td></tr><tr><td>Jupyter notebook v6.5.4</td><td>Project Jupyter</td><td>N/A</td><td>een platform voor interactieve datawetenschap en wetenschappelijk rekenen</td></tr><tr><td>DT01-metabolomics data</td><td>N/A</td><td>ROSMAP_Metabolon_HD4_Brain 514_assay_data.csv</td><td>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</td></tr><tr><td>DT02-TMT proteomics data</td><td>N/A</td><td>C2.median_polish_corrected_log2 (abundanceRatioCenteredOn MedianOfBatchMediansPer Protein)-8817x400.csv</td><td></td></tr><tr><td>DT03-clinical data</td><td>N/A</td><td>ROSMAP_clinical.csv</td><td></td></tr><tr><td>DT04-biospecimen metadata</td><td>N/A</td><td>ROSMAP_biospecimen_metadata .csv</td><td></td></tr><tr><td>Python 3.11.3&nbsp;</td><td>Python Software Foundation</td><td>N/A</td><td>programmeertaal</td></tr></tbody></table>
```

deepomicsae: weergave van signaalmodules bij de ziekte van alzheimer met deep learning-analyse van proteomics, metabolomics en klinische gegevens

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

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.

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...

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.

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

Large omics datasets are becoming increasingly available for research into human health. This paper presents DeepOmicsAE, a workflow optimized for the ...

Men denkt dat de ziekte van Alzheimer tientallen jaren voordat de symptomen optreden, begint. Recente studies suggereren dat fenotypische kenmerken zoals obesitas en hypertensie, maar ook het opleidingsniveau en sociale betrokkenheid als risicofactoren kunnen fungeren. Ons doel is om hun bijdragen en hun relatie tot moleculaire ziekteveroorzakers te kunnen ontcijferen om te leren hoe we vroegtijdig en op een gepersonaliseerde manier kunnen ingrijpen.Multi-omic data-analyse kan worden gebruikt voor het integreren van verschillende lagen biologische gegevens, zoals proteomics, transcriptomics, metabolomics en fenotypische eigenschappen om een ziektetoestand volledig te begrijpen. Auto-encodermodellen maken gebruik van deep learning om de dimensionaliteit van multi-omics-datasets te verminderen, waardoor de cruciale informatie effectief wordt samengevat, maar het is een uitdaging om te interpreteren hoe belangrijk individuele kenmerken in de oorspronkelijke gegevens zijn met betrekking tot de samengevatte output. In Deep-omics AE hebben we een algoritme ingebouwd dat het belang van individuele multi-omics-kenmerken afleidt ten opzichte van de representatie van de verminderde dimensionaliteit.Met deze aanpak kunnen we moleculair vergelijkbare modules en hun associatie met de fenotypische kenmerken van de patiënt identificeren. Deep-omics AE helpt de fenotypische eigenschappen van de patiënt in verband te brengen met de moleculaire samenstelling van de ziekte. U kunt het bijvoorbeeld gebruiken om te vragen: wat zijn de moleculaire routes die het meest betrokken zijn bij de ziekte van Alzheimer bij oudere patiënten, en wat zijn de routes die het meest betrokken zijn bij jongere patiënten?Wat zijn degenen die betrokken zijn bij het ontwikkelen van de ziekte bij lager opgeleide patiënten versus hoger opgeleide patiënten?

deepomicsae-representing-signaling-modules-alzheimer-s-disease-with

Research

JoVE Journal

Biology

Biologie

We beschrijven een high-throughput, multiplex en gerichte proteomische cerebrospinale vloeistof (CSF) test ontwikkeld met potentieel voor klinische toepassing. De test kan kwantificeren potentiële markers en risicofactoren voor neurodegeneratie zoals de apolipoproteïne E varianten (E2, E3 en E4), en de allelische expressie te meten.

Een High Throughput, multiplexverzending en Gerichte Proteomic CSF Assay te kwantificeren neurodegeneratieve Biomarkers en apolipoproteïne E isovormen Status

Dit artikel presenteert een modulair protocol voor weefsellipideomica en transcriptomica, en plasmalipideomica in neurologische ziektemuismodellen gericht op lipiden die ten grondslag liggen aan ontsteking en neuronale activiteit, membraanlipiden, stroomafwaartse boodschappers en mRNA-coderende enzymen / receptoren die ten grondslag liggen aan de lipidefunctie. Bemonsterings-, monsterverwerkings-, extractie- en kwantificeringsprocedures worden beschreven.

Lipidomics en Transcriptomics bij neurologische aandoeningen

Hier beschrijven we het meten van de axonale transportsnelheid van constitutieve stabilisatoren van mitochondriën-geassocieerde endoplasmatisch reticulum (ER) membranen (MAM's) door de neurotoxische β-amyloïde (Aβ) generatie van neuronen van de ziekte van Alzheimer (AD) in realtime te verhogen of te behouden om te dienen als een directe en kwantitatieve metriek om MAM-stabilisatie te meten en de ontwikkeling van AD-therapieën te ondersteunen.

Kwantitatieve analyse van mitochondriën-geassocieerde endoplasmatisch reticulummembraan (MAM) stabilisatie in een neuraal model van de ziekte van Alzheimer (AD) 

Deze studie analyseerde single-nuclei transcriptomen van drieëndertig personen met de ziekte van Alzheimer (AD), waarbij geslachtsspecifieke DEG's in gliacellen werden onthuld. Functionele verrijkingsanalyse benadrukte synaptische, neurale en hormoongerelateerde routes. De belangrijkste genen, namelijk NLGN4Y en zijn regulatoren, werden geïdentificeerd en potentiële therapeutische kandidaten voor genderspecifieke AD werden voorgesteld.

Identificatie van biomarkers voor genderspecificiteit van de ziekte van Alzheimer op basis van de gliale transcriptoomprofielen

Hier beschrijven we een nieuwe kwantitatieve proteomics-techniek voor het identificeren van eiwitcomplexen in Saccharomyces cerevisiae. In deze studie hebben we gebruik gemaakt van de SILAC methode, samen met affiniteit zuivering, gevolgd door tandem massaspectrometrie te identificeren met een hoge specificiteit van de binding partners van een ER-eiwit, Scs2p.

Identificatie van eiwit-complexen met kwantitatieve proteomics in S. cerevisiae

Stabiele Isotopen Normen en Capture door Anti-peptide antilichamen (SISCAPA) paren affiniteit verrijking van peptiden met stabiele isotoop verdunning massaspectrometrie (MRM-MS) voor kwantitatieve meting van peptiden te bieden als surrogaat voor hun respectievelijke eiwitten. Hier beschrijven we het protocol met behulp van magnetische deeltjes in een deels geautomatiseerde formaat.

Kwantificering van eiwitten met behulp van immuno-peptide Verrijking gekoppeld aan massaspectrometrie

Dit protocol beschrijft regelmatig onderhoud en zorg aan optimale omstandigheden voor zebravis veeteelt te behouden. De video illustreert het protocol dat voor systeem onderhoud, regelmatige huisvesting, voeding, fokkerij, en het verhogen van de zebravis larven.

Regelmatige verzorging en onderhoud van een zebravis (<em&gt; Danio rerio</em&gt;) Laboratorium: Een inleiding

Weefsel-specifieke analyse van een haarfollikel regeneratie model met behulp van lentivirus tot winst-of verlies-van-functie bemiddelen.

Snelle Genetische analyse van epitheliale-mesenchymale signalering tijdens haar regeneratie

Hier beschrijven we een robuuste werkwijze voor de fractionering van plantaardige plasmamembranen in reinigingsmiddelenbestendige en detergent oplosbare membranen gebaseerd op een mengsel van gelabelde en in vivo volledig 15N gemerkt Arabidopsis thaliana celculturen. De procedure wordt toegepast voor vergelijkende proteomics studies om signalering processen te begrijpen.

Metabole Labeling en Membrane Fractionation for Comparative Proteomic analyse van<em&gt; Arabidopsis thaliana</em&gt; Schorsing Celkweken

Dit protocol beschrijft een procedure voor het verrijken van ECM-eiwitten uit weefsels of tumoren en het deglycosyleren en verteren van de ECM-verrijkte preparaten in peptiden om hun eiwitsamenstelling door middel van massaspectrometrie te analyseren.

Verrijking van extracellulaire matrix eiwitten uit weefsels en de spijsvertering in peptiden voor massaspectrometrie Analyse

Verken DeepOmicsAE voor multi-omics analyse van de ziekte van Alzheimer met deep learning. Deze methode integreert proteomics, metabolomics en klinische gegevens om moleculaire signaleringsmodules te identificeren.

DeepOmicsAE: weergave van signaalmodules bij de ziekte van Alzheimer met Deep Learning-analyse van proteomics, metabolomics en klinische gegevens (Video) | JoVE Journal

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

Meer video's verkennen