算法有助于区分疾病在分子水平上

机器学习在生物医学研究中发挥着日益增长的作用。慕尼黑工业大学(TUM)的科学家们已经开发出一种新方法,利用分子数据提取子类型的疾病。在未来,这种方法可以帮助支持更大的病人群体的研究。

现在医生定义和诊断的基础上大多数疾病的症状。然而,这并不一定意味着疾病的患者相似的症状会有相同的原因或展示相同的分子变化。在生物医学,一个经常谈到疾病的分子机制。这是指的变化调节基因,蛋白质或代谢途径在发病。分层医学的目的是对病人进行分类成不同的亚型在分子水平上提供更有针对性的治疗。

提取大量的疾病亚型患者数据,新机器学习算法可以帮助。他们被设计成独立的识别模式和相关性在广泛的临床测量。LipiTUM初级研究小组,由博士Josch椅子的康斯坦丁·鲍林实验生物信息学为此开发了一种算法。

复杂的分析通过自动化web工具

他们的方法结合了现有算法获得的结果更精确的和健壮的预测临床亚型。这种结合每个算法的特点和优势,消除耗时的调整。“这使它更容易应用分析在临床研究中,“鲍林博士的报告。”因此,我们开发了一个基于web的工具,允许在线分析从业者没有先验知识分子临床数据的生物信息学”。

在网站上(https://exbio.wzw.tum.de/mosbi/),研究人员可以提交他们的数据进行自动分析,并根据分析的结果来解释他们的研究。“对我们来说另一个重要方面是可视化的结果。以前的方法都没有能产生直观的可视化的患者团体之间的关系,临床因素和分子特征。这将改变我们MoSBi产生的基于网络的可视化工具,”科学家蒂姆·罗斯说,中空的生命科学学院。MoSBi代表“使用Biclustering分子特征”。“Biclustering”技术的名称使用的算法。

申请临床相关问题

的工具,研究人员现在可以,例如,表示数据从癌症研究和模拟各种场景。他们已经证明了他们的方法的潜力在大规模临床研究。合作研究与马克斯普朗克研究所的研究人员在德累斯顿,德累斯顿技术大学和基尔大学诊所,他们研究了肝脏的脂质代谢的变化非酒精脂肪肝患者(NAFLD)。

这种普遍的疾病与肥胖和糖尿病相关。它从非酒精脂肪肝发展(副功拜)在肝细胞的脂质沉积,非酒精性脂肪肝(NASH),肝脏进一步发生炎症,肝硬化和肿瘤的形成。除了饮食方面的调整,目前还没有找到治疗方法。因为疾病诊断的特点是各种脂类的积累在肝脏,重要的是要理解其分子组成。

肝脏疾病的生物标记物

使用MoSBi方法,研究人员能够证明病人的肝脏的异质性的副功拜阶段在分子水平上。“从分子的角度来看,许多副功拜患者的肝细胞几乎相同的纳什的患者,而另一些仍在很大程度上类似于健康的病人。我们也可以使用临床数据证实了我们的预测,“鲍林博士说。“我们能够识别两个潜在的疾病进展脂质生物标志物。“这是重要的对疾病的早期识别及其进展和靶向治疗的发展。

研究小组已经在进一步的应用他们的方法来获得更好的理解其他疾病。“未来算法在生物医学研究中发挥更大的作用比他们今天已经这样做了。他们可以让你明显容易检测复杂机制和找到更多有针对性的治疗方法,”鲍林博士说

参考:玫瑰TD, Bechtler T, Ciora OA, et al。MoSBi:自动签名分子分层开采和子类型化。《科学。2022;119 (16):e2118210119。doi:10.1073 / pnas.2118210119

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。