今天，分享一篇科学家利用深度学习模型探究药物与多组学数据间的关联，希望以下科学家利用深度学习模型探究药物与多组学数据间的关联的内容对您有用。
患有糖尿病等基础疾病患者的药物反应模式是相对复杂的，可能涉及多个器官和因素，而大部分影响机制仍然是未知的。近年来，表型和多组学筛查可用于揭示疾病特征，并为研究药物在疾病进展中发挥的作用机制提供了新的手段。然而，多组学数据分析面临着数据降维、数据异质性与整合困难等多方面挑战。
近期，丹麦哥本哈根大学研究团队开发了一个基于深度学习的框架，即MOVE（multi-omics variational autoencoders），并且将其应用于789名刚被诊断患有2型糖尿病患者的多组学表型数据，旨在探究药物与组学表型之间的关系。该团队开展了一系列试验，使用MOVE探究20多种常见的糖尿病用药的药物组学关联特征。研究结果显示，二甲双胍与2型糖尿病的12个临床标志物均有显著关联，且与7个蛋白显著相关。此外，还发现二甲双胍和奥美拉唑与微生物组之间有显著关联。研究团队指出，可以基于此类关联来量化药物相似性，发现新的潜在生物标志物，可能协助疾病诊断或增加治疗有效性。相关研究结果于2023年1月2日以“Discovery of drug–omics associations in type 2 diabetes with generative deep-learning models”为题发表在《Nature Biotechnology》杂志上。
注：此研究成果摘自《Nature Biotechnology》，文章内容不代表本网站观点和立场。
