Ученые разработали новый метод использования молекулярных данных для выделения подтипов заболеваний

Прочитано: 117 раз(а)


Машинное обучение играет все более важную роль в биомедицинских исследованиях. Ученые Мюнхенского технического университета (TUM) разработали новый метод использования молекулярных данных для выделения подтипов заболеваний. В будущем этот метод может помочь в исследовании больших групп пациентов.

В настоящее время врачи определяют и диагностируют большинство заболеваний на основе симптомов. Однако это не обязательно означает, что заболевания пациентов с похожими симптомами будут иметь идентичные причины или будут демонстрировать одинаковые молекулярные изменения . В биомедицине часто говорят о молекулярных механизмах болезни. Это относится к изменениям в регуляции генов, белков или метаболических путей в начале заболевания. Цель стратифицированной медицины состоит в том, чтобы классифицировать пациентов на различные подтипы на молекулярном уровне, чтобы обеспечить более целенаправленное лечение.

Для извлечения подтипов заболеваний из больших пулов данных о пациентах могут помочь новые алгоритмы машинного обучения . Они предназначены для независимого распознавания закономерностей и корреляций в обширных клинических измерениях. Младшая исследовательская группа LipiTUM, возглавляемая доктором Джошем Константином Полингом из кафедры экспериментальной биоинформатики, разработала алгоритм для этой цели.

Комплексный анализ с помощью автоматизированного веб-инструмента

Их метод объединяет результаты существующих алгоритмов для получения более точных и надежных прогнозов клинических подтипов. Это объединяет характеристики и преимущества каждого алгоритма и исключает трудоемкую их настройку. «Это значительно упрощает применение анализа в клинических исследованиях », — сообщает д-р Полинг. «По этой причине мы разработали веб-инструмент, который позволяет проводить онлайн-анализ молекулярных клинических данных практикующими врачами без предварительных знаний в области биоинформатики».

На веб-сайте исследователи могут отправлять свои данные для автоматического анализа и использовать результаты для интерпретации своих исследований. «Другим важным аспектом для нас была визуализация результатов. Предыдущие подходы не были способны генерировать интуитивно понятные визуализации взаимосвязей между группами пациентов, клиническими факторами и молекулярными сигнатурами. Это изменится с веб-визуализацией, созданной нашим инструментом MoSBi», — говорит Тим ​​Роуз, ученый из Школы естественных наук ТУМ. MoSBi означает молекулярные подписи с использованием бикластеризации. Бикластеризация — это название технологии, используемой алгоритмом.

Заявка на клинически значимые вопросы

С помощью этого инструмента исследователи теперь могут, например, представлять данные исследований рака и моделирования для различных сценариев. Они уже продемонстрировали потенциал своего метода в крупномасштабном клиническом исследовании. В совместном исследовании, проведенном с исследователями из Института Макса Планка в Дрездене, Технического университета Дрездена и Университетской клиники Киля, они изучили изменение липидного обмена в печени у пациентов с неалкогольной жировой болезнью печени (НАЖБП).

Это широко распространенное заболевание связано с ожирением и диабетом. Развивается от неалкогольной жировой дистрофии печени (НАЖП), при которой липиды откладываются в клетках печени, до неалкогольного стеатогепатита (НАСГ), при котором печень дополнительно воспаляется, до цирроза печени и образования опухолей. Помимо корректировки диеты, на сегодняшний день не найдено никаких методов лечения. Поскольку заболевание характеризуется и диагностируется по накоплению различных липидов в печени , важно понимать их молекулярный состав.

Биомаркеры заболеваний печени

Используя методы MoSBi, исследователи смогли продемонстрировать неоднородность печени пациентов в стадии НАЖЛ на молекулярном уровне. «С молекулярной точки зрения клетки печени многих пациентов с НАЖЛ были почти идентичны клеткам пациентов с НАСГ, в то время как другие по-прежнему в значительной степени были похожи на клетки здоровых пациентов. Мы также могли подтвердить наши прогнозы, используя клинические данные», — говорит доктор Полинг. «Тогда мы смогли определить два потенциальных биомаркера липидов для прогрессирования заболевания». Это важно для раннего выявления заболевания и его прогрессирования, а также для разработки целенаправленных методов лечения.

Исследовательская группа уже работает над дальнейшим применением своего метода, чтобы лучше понять другие заболевания. «В будущем алгоритмы будут играть еще большую роль в биомедицинских исследованиях , чем они уже играют сегодня. Они могут значительно упростить обнаружение сложных механизмов и найти более целенаправленные подходы к лечению», — говорит доктор Полинг.

Исследование было опубликовано в Proceedings of the National Academy of Sciences.

Ученые разработали новый метод использования молекулярных данных для выделения подтипов заболеваний



Новости партнеров