DeepOmicsAE: Representación de módulos de señalización en la enfermedad de Alzheimer con análisis de aprendizaje profundo de proteómica, metabolómica y datos clínicos

Se cree que la enfermedad de Alzheimer comienza décadas antes de que surjan los síntomas. Estudios recientes sugieren que rasgos fenotípicos como la obesidad y la hipertensión, pero también el nivel de educación y el compromiso social pueden actuar como factores de riesgo. Nuestro objetivo es ser capaces de descifrar sus aportaciones y su relación con los impulsores moleculares de la enfermedad para aprender a intervenir de forma precoz y personalizada.

El análisis de datos multiómicos se puede utilizar para integrar varias capas de datos biológicos, como proteómica, transcriptómica, metabolómica y rasgos fenotípicos, para comprender de manera integral el estado de una enfermedad. Los modelos de autocodificador utilizan el aprendizaje profundo para reducir la dimensionalidad de los conjuntos de datos multiómicos, resumiendo de manera efectiva la información crucial, sin embargo, es un desafío interpretar qué tan importantes son las características individuales en los datos originales con respecto a la salida resumida. En Deep-omics AE, construimos un algoritmo que deriva la importancia de las características multiómicas individuales en relación con la representación de dimensionalidad reducida aprendida.

Con este enfoque, podemos identificar módulos molecularmente similares y su asociación con los rasgos fenotípicos del paciente. La EA de Deep-Omics ayuda a relacionar los rasgos fenotípicos del paciente con la composición molecular de la enfermedad. Por ejemplo, puede usarlo para preguntar, ¿cuáles son las vías moleculares que están más implicadas en la enfermedad de Alzheimer en pacientes mayores y cuáles son las que están más implicadas en pacientes más jóvenes?

¿Cuáles son las implicadas en el desarrollo de la enfermedad en pacientes menos educados frente a pacientes más educados?