Artykuł metodologiczny

DeepOmicsAE: Reprezentowanie modułów sygnalizacyjnych w chorobie Alzheimera z analizą proteomiki, metabolomiki i danych klinicznych za pomocą głębokiego uczenia

2.3K wyświetleń

⸱

DOI:

10.3791/65910

⸱

15 grudnia 2023

1Department of Molecular Medicine, Cornell University

W tym artykule

Podsumowanie

DeepOmicsAE to przepływ pracy skoncentrowany na zastosowaniu metody głębokiego uczenia (tj. autoenkodera) w celu zmniejszenia wymiarowości danych multi-omicznych, zapewniając podstawę dla modeli predykcyjnych i modułów sygnalizacyjnych reprezentujących wiele warstw danych omicznych.

Streszczenie

Duże zbiory danych omicznych stają się coraz bardziej dostępne do badań nad ludzkim zdrowiem. W tym artykule przedstawiono DeepOmicsAE, przepływ pracy zoptymalizowany pod kątem analizy zbiorów danych multiomicznych, w tym danych proteomicznych, metabolomicznych i klinicznych. Ten przepływ pracy wykorzystuje typ sieci neuronowej zwanej autoenkoderem, aby wyodrębnić zwięzły zestaw funkcji z wielowymiarowych danych wejściowych multiomiki. Co więcej, przepływ pracy zapewnia metodę optymalizacji kluczowych parametrów potrzebnych do wdrożenia autoenkodera. Aby zaprezentować ten przebieg pracy, przeanalizowano dane kliniczne z kohorty 142 osób, które były zdrowe lub zdiagnozowano chorobę Alzheimera, wraz z proteomem i metabolomem ich pośmiertnych próbek mózgu. Cechy wyodrębnione z utajonej warstwy autoenkodera zachowują informację biologiczną, która oddziela zdrowych i chorych pacjentów. Ponadto poszczególne wyodrębnione cechy reprezentują odrębne moduły sygnalizacji molekularnej, z których każdy w unikalny sposób oddziałuje z cechami klinicznymi poszczególnych osób, zapewniając środek do integracji proteomiki, metabolomiki i danych klinicznych.

Wprowadzenie

Coraz większa część populacji starzeje się, a obciążenie chorobami związanymi z wiekiem, takimi jak neurodegeneracja, ma gwałtownie wzrosnąć w nadchodzących dziesięcioleciach1. Choroba Alzheimera jest najczęstszym rodzajem choroby neurodegeneracyjnej2. Postęp w znalezieniu metody leczenia jest powolny, biorąc pod uwagę nasze słabe zrozumienie podstawowych mechanizmów molekularnych napędzających początek i postęp choroby. Większość informacji na temat choroby Alzheimera uzyskuje się post mortem z badania tkanki mózgowej, co utrudniło rozróżnienie przyczyn i konsekwencji3. Religious Orders Study/Memory and Aging Project (ROSMAP) to ambitny wysiłek mający na celu uzyskanie szerszego zrozumienia neurodegeneracji, który obejmuje badanie tysięcy osób, które zobowiązały się do corocznego poddawania się badaniom medycznym i psychologicznym oraz do udostępnienia swoich mózgów do badań po swojej śmierci4. Badanie koncentruje się na przejściu od normalnego funkcjonowania mózgu do choroby Alzheimera2. W ramach projektu pośmiertne próbki mózgu zostały przeanalizowane przy użyciu wielu podejść omicznych, w tym genomiki, epigenomiki, transkryptomiki, proteomiki5 i metabolomiki.

Technologie omiczne, które oferują funkcjonalne odczyty stanów komórkowych (tj. proteomika i metabolomika)6,7 są kluczem do interpretacji choroby8,9,10,11,12, ze względu na bezpośredni związek między obfitością białek i metabolitów a aktywnością komórkową. Białka są głównymi wykonawcami procesów komórkowych, podczas gdy metabolity są substratami i produktami reakcji biochemicznych. Analiza danych multiomicznych daje możliwość zrozumienia złożonych relacji między danymi proteomicznymi i metabolomicznymi, zamiast doceniania ich w izolacji. Multiomika to dyscyplina, która bada wiele warstw wielowymiarowych danych biologicznych, w tym dane molekularne (sekwencja genomu i mutacje, transkryptom, proteom, metabolom), dane obrazowania klinicznego i cechy kliniczne. W szczególności analiza danych multiomicznych ma na celu zintegrowanie takich warstw danych biologicznych, zrozumienie ich wzajemnej regulacji i dynamiki interakcji oraz zapewnienie całościowego zrozumienia początku i progresji choroby. Jednak metody integracji danych multiomicznych pozostają we wczesnej fazie rozwoju13.

Autoenkodery, rodzaj nienadzorowanej sieci neuronowej14, są potężnym narzędziem do integracji danych multiomicznych. W przeciwieństwie do nadzorowanych sieci neuronowych, autoenkodery nie mapują próbek do określonych wartości docelowych (takich jak zdrowi lub chorzy) ani nie są używane do przewidywania wyników. Jednym z ich głównych zastosowań jest redukcja wymiarowości. Autoenkodery mają jednak kilka zalet w porównaniu z prostszymi metodami redukcji wymiarowości, takimi jak analiza składowych głównych (PCA), osadzanie sąsiadów z rozkładem t (tSNE) lub przybliżanie i projekcja rozmaitości jednorodnej (UMAP). W przeciwieństwie do PCA, autoenkodery mogą rejestrować nieliniowe relacje w danych. W przeciwieństwie do tSNE i UMAP mogą wykrywać hierarchiczne i multimodalne relacje w danych, ponieważ opierają się na wielu warstwach jednostek obliczeniowych, z których każda zawiera nieliniowe funkcje aktywacji. W związku z tym stanowią one atrakcyjne modele do uchwycenia złożoności danych multiomicznych. Wreszcie, podczas gdy podstawowym zastosowaniem PCA, tSNE i UMAP jest grupowanie danych, autokodery kompresują dane wejściowe do wyodrębnionych funkcji, które dobrze nadają się do dalszych zadań predykcyjnych15,16.

Krótko mówiąc, sieci neuronowe składają się z kilku warstw, z których każda zawiera wiele jednostek obliczeniowych lub "neuronów". Pierwsza i ostatnia warstwa są określane odpowiednio jako warstwy wejściowa i wyjściowa. Autoenkodery to sieci neuronowe o strukturze klepsydry, składające się z warstwy wejściowej, po której następuje od jednej do trzech ukrytych warstw i małej "utajonej" warstwy, zwykle zawierającej od dwóch do sześciu neuronów. Pierwsza połowa tej struktury jest znana jako koder i jest połączona z dekoderem odzwierciedlającym koder. Dekoder kończy się warstwą wyjściową zawierającą taką samą liczbę neuronów jak warstwa wejściowa. Autoenkodery pobierają dane wejściowe przez wąskie gardło i rekonstruują je w warstwie wyjściowej, mając na celu wygenerowanie danych wyjściowych, które jak najdokładniej odzwierciedlają oryginalne informacje. Osiąga się to poprzez matematyczną minimalizację parametru określanego jako "strata rekonstrukcyjna". Dane wejściowe składają się z zestawu cech, które w przedstawionej aplikacji będą obfitością białek i metabolitów oraz cechami klinicznymi (tj. płcią, wykształceniem i wiekiem w chwili śmierci). Warstwa ukryta zawiera skompresowaną i bogatą w informacje reprezentację danych wejściowych, która może być używana w kolejnych aplikacjach, takich jak modele predykcyjne17,18.

Ten protokół przedstawia przepływ pracy, DeepOmicsAE, który obejmuje: 1) wstępne przetwarzanie danych proteomicznych, metabolomicznych i klinicznych (tj. normalizację, skalowanie, usuwanie wartości odstających) w celu uzyskania danych o spójnej skali do analizy uczenia maszynowego; 2) wybór odpowiednich cech wejściowych autoenkodera, ponieważ przeciążenie funkcji może przesłonić odpowiednie wzorce chorobowe; 3) optymalizacja i trening autoenkodera, w tym określenie optymalnej liczby białek i metabolitów do selekcji oraz neuronów dla warstwy utajonej; 4) wyodrębnianie cech z warstwy utajonej; oraz 5) wykorzystanie wyodrębnionych cech do interpretacji biologicznej poprzez identyfikację modułów sygnalizacji molekularnej i ich związku z cechami klinicznymi.

Ten protokół ma być prosty i możliwy do zastosowania przez biologów z ograniczonym doświadczeniem obliczeniowym, którzy mają podstawową wiedzę na temat programowania w Pythonie. Protokół koncentruje się na analizie danych multiomicznych, w tym proteomiki, metabolomiki i cech klinicznych, ale jego zastosowanie można rozszerzyć na inne rodzaje danych dotyczących ekspresji molekularnej, w tym transkryptomikę. Jednym z ważnych, nowatorskich zastosowań wprowadzonych przez ten protokół jest mapowanie wyników ważności oryginalnych cech na poszczególnych neuronach w warstwie utajonej. W rezultacie, każdy neuron w warstwie utajonej reprezentuje moduł sygnalizacyjny, szczegółowo opisujący interakcje między określonymi zmianami molekularnymi a charakterystyką kliniczną pacjentów. Biologiczna interpretacja modułów sygnalizacji molekularnej jest uzyskiwana przy użyciu MetaboAnalyst, publicznie dostępnego narzędzia, które integruje dane dotyczące genów/białek i metabolitów w celu uzyskania wzbogaconych szlaków sygnalizacji metabolicznej i komórkowej17.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

UWAGA: Dane wykorzystane w tym opracowaniu to dane ROSMAP pobrane z portalu AD Knowledge. Pobranie i ponowne wykorzystanie tych danych nie wymaga świadomej zgody. Przedstawiony tutaj protokół wykorzystuje głębokie uczenie do analizy danych multiomicznych i identyfikacji modułów sygnalizacyjnych, które odróżniają określone grupy pacjentów lub próbek, na przykład na podstawie postawionej diagnozy. Protokół dostarcza również niewielki zestaw wyodrębnionych cech, które podsumowują oryginalne dane wielkoskalowe i mogą być wykorzystane do dalszych analiz, takich jak trenowanie modelu predykcyjnego z użyciem algorytmów uczenia maszynowego (Rycina 1). Informacje dotyczące dostępu do kodu oraz konfiguracji środowiska obliczeniowego przed przeprowadzeniem protokołu znajdują się w Pliku uzupełniającym 1 oraz w Tabeli materiałów. Metody należy wykonywać zgodnie z poniższą kolejnością.

Schemat DeepOmicsAE; proces autoenkodera; wstępne przetwarzanie danych, wybór cech, interpretacja biologiczna.
Rysunek 1: Schemat przepływu pracy DeepOmicsAE. Schematyczne przedstawienie przepływu pracy służącego do analizy danych multiomicznych przy użyciu tego narzędzia. Na schemacie autoenkodera prostokąty reprezentują warstwy sieci neuronowej, a koła reprezentują neurony w obrębie warstw. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

1. Przetwarzanie wstępne danych

UWAGA: Celem tej sekcji jest wstępne przetwarzanie danych, w tym obsługa brakujących danych; normalizacja i skalowanie danych proteomicznych, metabolomicznych oraz klinicznych; a także usuwanie wartości odstających. Protokół jest przeznaczony dla zbioru danych, który obejmuje dane proteomiczne wyrażone jako log2(ratio); dane metabolomiczne wyrażone jako krotność zmiany (fold change); oraz cechy kliniczne, w tym cechy ciągłe i kategoryczne. Pacjenci lub próbki powinny być pogrupowane na podstawie diagnozy lub innych podobnych parametrów. Próbki lub pacjenci powinni znajdować się w wierszach , a cechy w kolumnach.

  1. Aby uruchomić nową instancję Jupyter Notebook w przeglądarce, otwórz nowe okno terminala, wpisz poniższą komendę i naciśnij Enter.
    jupyter notebook
  2. Na stronie głównej Jupyter w przeglądarce kliknij notatnik M01 - expression data pre-processing.ipynb , aby otworzyć go w nowej karcie (Supplemental File 2, Krok 1.1).
  3. W drugiej komórce notatnika wpisz nazwę pliku ze zbiorem danych w miejsce your_dataset_name.csv.
  4. W ostatniej komórce notatnika wpisz żądaną nazwę wyjściowego pliku danych w miejsce M01_output_data.csv.
  5. W piątej komórce notatnika określ położenie kolumn dla każdego typu danych w następujący sposób: dane proteomiczne (cols_prot), dane metabolomiczne (cols_met), ciągłe dane kliniczne (np. wiek) (cols_clin_con), binarne dane kliniczne (np. płeć) (cols_clin_bin). Wprowadź indeks pierwszej kolumny dla każdego typu danych w miejsce col_start oraz indeks ostatniej kolumny w miejsce col_end; na przykład: cols_prot = slice(0, 8817). Upewnij się, że wartości określone w obiektach slice odpowiadają indeksom pierwszej i ostatniej kolumny dla każdego typu danych. Użyj polecenia w czwartej komórce tego samego notatnika (df.iloc[:, :]), aby ustalić pozycję początkową i końcową dla każdego typu danych (Supplemental File 2, Krok 1.2).
  6. Wybierz Cell | Run all z paska menu w Jupyter, aby utworzyć wyjściowy plik danych w określonym folderze (Supplemental File 2, Krok 1.3).
    UWAGA: Dane te zostaną wykorzystane jako dane wejściowe dla protokołów opisanych w sekcjach 2, 3 lub 4.

2. Własna optymalizacja przepływu pracy (opcjonalnie)

UWAGA: Sekcja 2 jest opcjonalna ze względu na duże zapotrzebowanie na moc obliczeniową. Użytkownicy powinni przejść bezpośrednio do sekcji 4, jeśli zdecydują się nie wykonywać sekcji 2. Niniejszy protokół przeprowadzi użytkownika przez proces optymalizacji przepływu pracy w sposób zautomatyzowany. W szczególności metoda ta identyfikuje parametry, które zapewniają najlepszą wydajność autoenkodera pod kątem generowania wyekstrahowanych cech, które skutecznie oddzielają grupy próbek. Zoptymalizowane parametry wyjściowe obejmują liczbę cech wykorzystanych do selekcji cech (k_prot i k_met) oraz liczbę neuronów w warstwie ukrytej autoenkodera (latent). Parametry te mogą następnie zostać wykorzystane w protokole opisanym w sekcji 3 do wygenerowania modelu.

  1. Na stronie głównej Jupyter w przeglądarce kliknij notatnik M02 - DeepOmicsAE model optimization.ipynb, aby otworzyć go w nowej karcie (Supplemental File 2, Krok 2.1).
  2. W drugiej komórce notatnika wpisz nazwę pliku wejściowego w miejsce M01_output_data.csv. Danem wejściowym dla tej funkcji są dane wyjściowe z sekcji 1.
  3. W piątej komórce notatnika określ pozycje kolumn dla każdego typu danych w następujący sposób: dane proteomiczne (cols_X_prot), dane metabolomiczne (cols_X_met), dane kliniczne (cols_clin; obejmują wszystkie dane kliniczne), wszystkie dane o ekspresji molekularnej, w tym dane proteomiczne i metabolomiczne (cols_X_expr). Wprowadź indeks pierwszej kolumny dla każdego typu danych w miejsce col_start oraz indeks ostatniej kolumny w miejsce col_end; na przykład cols_prot = slice(0, 8817). Upewnij się, że wartości określone w obiektach slice odpowiadają indeksom pierwszej i ostatniej kolumny dla każdego typu danych; użyj poleceń w trzeciej i czwartej komórce notatnika, aby przeanalizować dane i określić pozycje początkowe i końcowe dla każdego typu danych. W miejscu y_column_name określ nazwę kolumny zawierającej zmienną celu jako y_label (Supplemental File 2, Krok 2.2).
    UWAGA: Wartości indeksów określone w cols_X_prot, cols_X_met, cols_clin oraz cols_X_expr będą różnić się od tych użytych w sekcji 1 ze względu na zmianę kształtu ramki danych (dataframe) zachodzącą podczas wstępnego przetwarzania danych.
  4. W szóstej komórce notatnika określ liczbę rund optymalizacji, przypisując wartość do n_comb. Czas przetwarzania wynosi w przybliżeniu 4-5 min dla 10 rund, 20 min dla 50 rund i 40 min dla 100 rund (Supplemental File 2, Krok 2.3).
  5. Wybierz Cell | Run all z paska menu w Jupyter.
    ​UWAGA: Zmienne wyjściowe kprot, kmet oraz latent zostaną zapisane i będą dostępne w innych notatnikach, które posłużą do kontynuowania procesu analitycznego. Wykres AE_optimization_plot.pdf zostanie wygenerowany i zapisany w folderze lokalnym (Rycina 2).

3. Wdrożenie przepływu pracy z optymalizowanymi parametrami

UWAGA: Należy przeprowadzić ten protokół wyłącznie po optymalizacji metody (sekcja 2). Jeśli użytkownicy zdecydują się nie przeprowadzać optymalizacji metody, należy przejść bezpośrednio do sekcji 4. Niniejszy protokół przeprowadzi użytkownika przez proces generowania modelu z wykorzystaniem parametrów zoptymalizowanych indywidualnie, wyznaczonych w sekcji 2. Autoenkoder 1) wygeneruje zestaw wyekstrahowanych cech, które odtwarzają dane oryginalne oraz 2) zidentyfikuje istotne cechy sterujące każdym neuronem w warstwie latentnej, co w efekcie będzie reprezentować unikalne moduły sygnalizacyjne. Moduły sygnalizacyjne zostaną zinterpretowane zgodnie z protokołem przedstawionym w sekcji 5.

  1. Na stronie głównej Jupyter w przeglądarce kliknij notatnik M03a - DeepOmicsAE implementation with custom-optimized parameters.ipynb , aby otworzyć go w nowej karcie (Supplemental File 2, krok 3.1).
  2. W drugiej komórce notatnika wpisz nazwę pliku wejściowego w miejsce M01_output_data.csv. Dane wejściowe dla tej funkcji stanowią dane wyjściowe z sekcji 1.
  3. W piątej komórce notatnika określ pozycje kolumn dla każdego typu danych w następujący sposób: dane proteomiczne (cols_prot), dane metabolomiczne (cols_met), dane kliniczne (cols_clin; obejmuje wszystkie dane kliniczne). Wprowadź indeks pierwszej kolumny dla każdego typu danych w miejsce col_start oraz indeks ostatniej kolumny w miejsce col_end; na przykład: cols_prot = slice(0, 8817). Upewnij się, że wartości określone w obiektach slice odpowiadają indeksom pierwszej i ostatniej kolumny dla każdego typu danych; wykorzystaj polecenia w trzeciej i czwartej komórce notatnika, aby przeanalizować dane i wyznaczyć pozycje początkowe i końcowe dla każdego typu danych. W miejscu y_column_name podaj jako y_label nazwę kolumny zawierającej zmienną celu (np. 0 lub 1, odpowiadające stanom zdrowy lub chory).
    UWAGA: Wartości indeksów określone w cols_X_prot, cols_X_met, cols_clin oraz cols_X_expr będą różnić się od tych użytych w sekcji 1 ze względu na zmianę kształtu ramki danych (dataframe) podczas wstępnego przetwarzania danych.
  4. Wybierz Cell | Run all z paska menu w Jupyter, aby wygenerować i zapisać wykresy PCA_initial_data.pdf, PCA_extracted_features.pdf oraz distribution_important_feature_scores.pdf w folderze lokalnym (Rysunek 3 oraz Supplemental Figure S1). Dodatkowo listy ważnych cech dla każdego zidentyfikowanego modułu sygnalizacyjnego zostaną zapisane w folderze lokalnym w plikach tekstowych o nazwach module_n.txt, gdzie n zostanie zastąpione numerem modułu.

4. Wdrożenie przepływu pracy z zadanymi parametrami

  1. Szczegółowe instrukcje dotyczące wykonania tej metody znajdują się w sekcji 3 (Supplemental File 2, krok 4.1). Jedyną różnicą między tymi dwoma protokołami jest to, że parametry kprot, kmet oraz latent (w siódmej komórce notatnika) są wyprowadzone matematycznie na podstawie wyników optymalizacji przeprowadzonej zgodnie z Rysunkiem 2.
    ​UWAGA: Jeśli sekcja 4 daje słabą separację grup próbek, co wskazuje na nieoptymalną wydajność modelu, zaleca się przeprowadzenie optymalizacji modelu (sekcja 2) z wykorzystaniem co najmniej 15 iteracji, a jeśli to możliwe, do 50.

5. Interpretacja biologiczna z wykorzystaniem MetaboAnalyst

  1. Otwórz przeglądarkę i przejdź pod poniższy link, aby uzyskać dostęp do funkcji Joint Pathway Analysis na stronie internetowej MetaboAnalyst: https://www.metaboanalyst.ca/MetaboAnalyst/upload/JointUploadView.xhtml.
  2. Przejdź do folderu, w którym zapisano pliki wynikowe z Metody 3 lub Metody 4, i otwórz pliki tekstowe module_n.txt dla każdego modułu sygnalizacyjnego n wygenerowanego przez Metodę 3 lub Metodę 4.
  3. Znajdź białka w plikach tekstowych i skopiuj je.
  4. Wklej listę białek w oknie Genes/proteins with optional fold changes na stronie internetowej MetaboAnalyst.
  5. Powtórz powyższy krok dla metabolitów i wklej je w oknie Compound list with optional fold changes na tej samej stronie internetowej.
  6. Wybierz odpowiedni organizm oraz typ identyfikatora (ID type), a następnie kliknij Submit na dole strony (Supplemental File 2, Krok 5.1).
    UWAGA: Upewnij się, że identyfikatory są rozpoznawane przez MetaboAnalyst. Rozpoznawane identyfikatory obejmują Entrez ID, oficjalne symbole genów oraz Uniprot ID dla białek; nazwę związku, HMDB ID oraz KEGG ID dla metabolitów. Jeśli identyfikatory są innego typu, przed analizą konieczna jest odpowiednia konwersja.
  7. Na następnej stronie sprawdź mapowanie identyfikatorów przed kliknięciem Proceed, aby zweryfikować, czy identyfikatory zostały rozpoznane.
  8. Na stronie Parameter Setting wybierz Metabolic pathways (integrated) lub All pathways (integrated, aby zwizualizować odpowiednio wkład danych wejściowych wyłącznie w szlaki metaboliczne lub we wszystkie szlaki sygnalizacyjne (Supplemental File 2, Krok 5.2). W panelu Algorithm selection wybierz Enrichment analysis: Hypergeometric test, Topology measure: Degree centrality oraz Integration method: Combine p values (pathway-level). Kliknij Submit na dole strony.
  9. Ostatnią stroną jest Result View, która prezentuje wyniki analizy wzbogacenia. Wzbogacone szlaki są przedstawione na wykresie w zależności od ich wpływu i istotności; lista szlaków jest również dostępna w formie tabelarycznej.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Aby zaprezentować protokół, przeanalizowano zestaw danych obejmujący proteom, metabolom oraz informacje kliniczne pochodzące z mózgów pośmiertnych 142 osób zdrowych lub zdiagnozowanych z chorobą Alzheimera.

Po przeprowadzeniu etapu 1 protokołu w celu wstępnego przetwarzania danych, zbiór danych obejmował 6 497 białek, 443 metabolity oraz trzy cechy kliniczne (płeć, wiek w chwili śmierci i wykształcenie). Cechą docelową jest kliniczna konsensusowa diagnoza stanu poznawczego w chwili śmi...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Struktura zestawu danych ma kluczowe znaczenie dla powodzenia protokołu i powinna być dokładnie sprawdzana. Dane powinny być sformatowane w sposób wskazany w sekcji 1 protokołu. Prawidłowe przypisanie pozycji kolumn ma również kluczowe znaczenie dla powodzenia metody. Dane proteomiczne i metabolomiczne są wstępnie przetwarzane w różny sposób, a wybór cech jest przeprowadzany oddzielnie ze względu na różny charakter danych. W związku z tym bardzo ważne jest prawidłowe przypisanie pozycji kolumn w krokach protokołu 1.5, 2....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autor oświadcza, że nie ma konfliktu interesów.

Podziękowania

Ta praca była wspierana przez CA201402 grantu NIH oraz nagrodę Cornell Center for Vertebrate Genomics (CVG) Distinguished Scholar Award. Opublikowane tutaj wyniki są w całości lub w części oparte na danych uzyskanych z portalu wiedzy AD (https://adknowledgeportal.org). Dane z badania zostały dostarczone za pośrednictwem Accelerating Medicine Partnership for AD (U01AG046161 i U01AG061357) na podstawie próbek dostarczonych przez Rush Alzheimer's Disease Center, Rush University Medical Center, Chicago. Gromadzenie danych było wspierane przez granty NIA P30AG10161, R01AG15819, R01AG17917, R01AG30146, R01AG36836, U01AG32984, U01AG46152, Departament Zdrowia Publicznego Illinois oraz Instytut Badawczy Genomiki Translacyjnej. Zestaw danych metabolomicznych został wygenerowany w firmie Metabolon i wstępnie przetworzony przez ADMC.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
KomputerAppleMac StudioApple M1 Ultra z 20-rdzeniowym CPU, 48-rdzeniowym GPU, 32-rdzeniowym Neural Engine; 64 GB zunifikowanej pamięci
Conda v23.3.1Anaconda, Inc.Nie dotyczysystemu zarządzania pakietami i menedżera środowiska
conda environment
DeepOmicsAE		Nie dotyczyDeepOmicsAE_env.ymlzawiera pakiety niezbędne do uruchomienia
repozytorium github worflow DeepOmicsAEMicrosofthttps://github.com/elepan84/DeepOmicsAE/dostarcza skrypty, notesy Jupyter i plik środowiska conda
Jupyter notebook v6.5.4Project JupyterNie dotyczyplatformy do interaktywnej nauki o danych i obliczeń naukowych
DT01-dane metabolomiczneNie dotyczyROSMAP_Metabolon_HD4_Brain
514_assay_data.csv		Dane te wykorzystano do wygenerowania wyników przedstawionych w artykule. W szczególności DT01-DT04 zostały scalone poprzez dopasowanie ich na podstawie individualID. Kolumna ostatecznej diagnozy konsensusu (cogdx) została przefiltrowana tak, aby tylko pacjenci zostali sklasyfikowani jako zdrowi lub AD. Cechy klimatu zostały przefiltrowane w celu zachowania następujących elementów: wiek w chwili śmierci, płeć i wykształcenie. Na koniec wiek zgłoszony jako 90+ został ustawiony na 91, a następnie kolumna wieku została przekształcona na float64.
Dane są dostępne pod adresem https://adknowledgeportal.synapse.org
Dane proteomiczne DT02-TMTN/AC2.median_polish_corrected_log2
(abundanceRatioCenteredOn
MedianOfBatchMediansPer
Protein)-8817x400.csv
DT03-dane kliniczneNie dotyczyROSMAP_clinical.csv
DT04-biospecimen metadataN/AROSMAP_biospecimen_metadata
.csv
Python 3.11.3 Język programowaniaPython Software FoundationN/A

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analiza multiomicznaautoenkoder g bokiego uczeniadane proteomicznedane metabolomiczneintegracja danych klinicznychekstrakcja cechwzbogacanie szlak wprzep yw pracy w Jupyter Notebook

Powiązane artykuły