Génomique, protéomique, métabolomique, transcriptomique – les progrès rapides des systems biomédicales à haut débit ont permis la collecte de données avec des détails sans précédent à partir du nombre croissant d’omiques. Mais remark tirer le meilleur parti des interactions et des informations complémentaires dans les données omics ?
Pour utiliser pleinement les avancées des technologies omiques afin d’obtenir une compréhension furthermore complète des processus biologiques sous-jacents aux maladies humaines, des chercheurs du Regenstrief Institute et des universités d’Indiana, Purdue et Tulane ont développé et testé MOGONET, un nouvel algorithme d’analyse de données multi-omique et une méthodologie de calcul.. L’intégration des données de divers omiques fournit une vue in addition holistique des processus biologiques sous-jacents aux maladies humaines. Les créateurs ont rendu MOGONET open up resource, gratuit et accessible à tous les chercheurs.
Dans une étude publiée dans Character Communications, les scientifiques ont démontré que MOGONET, abréviation de Multi-Omics Graph cOnvolutional NETworks, surpasse les approches d’analyse intégrative multi-omiques supervisées existantes de différentes programs de classification biomédicale à l’aide de données d’expression d’ARNm, de données de méthylation d’ADN et de données d’expression de microARN..
Ils ont également déterminé que MOGONET peut identifier des signatures omics et des biomarqueurs importants à partir de différents styles de données omics.
« Avec MOGONET, notre nouvelle IA outil, nous utilisons l’apprentissage automatique basé sur un réseau de neurones, pour capturer des relations de processus biologiques complexes. Nous avons approfondi la compréhension des omiques et en apprenons également davantage sur les sous-types de maladies que les biomarqueurs nous aident à différencier », a déclaré le chercheur scientifique du Regenstrief Institute, Kun Huang, PhD, qui a dirigé l’étude. « L’objectif ultime est d’améliorer le pronostic de la maladie et d’améliorer prédictions des résultats de la maladie. » Bioinformaticien, il attribue à la diversité du groupe de recherche MOGONET, qui comprenait des informaticiens ainsi que des scientifiques des données et des bioinformaticiens, avec leurs views variées, un rôle déterminant dans son développement et son succès. Il est directeur des données sciences et informatique pour l’Indiana University Precision Wellness Initiative.
Les chercheurs ont testé MOGONET sur des ensembles de données liés à la maladie d’Alzheimer, aux gliomes, au cancer du rein et au carcinome invasif du sein ainsi que sur des ensembles de données de sufferers sains. Ils ont déterminé que MOGONET surpassait largement les méthodes d’intégration multi-omiques supervisées existantes.
« En apprenant et en intégrant la reconnaissance intuitive, MOGONET pourrait générer de nouveaux candidats aux maladies biomarqueurs », a déclaré le co-auteur de l’étude, scientifique affilié au Regenstrief Institute, Jie Zhang, PhD, bioinformaticien. « MOGONET pourrait également prédire de nouveaux sous-forms de cancer, le quality tumoral et la development de la maladie. Il peut identifier une activité cérébrale normale par rapport à la maladie d’Alzheimer. »
Drs. Huang et Zhang prévoient d’étendre ce travail au-delà de l’omique pour inclure des données d’imagerie, notant l’abondance d’images cérébrales pour la MA et les visuals de pathologies liées au cancer qui peuvent apprendre à MOGONET à reconnaître même les cas qu’il n’avait pas rencontrés auparavant. Les deux scientifiques notent qu’à la suite d’études cliniques rigoureuses, MOGONET pourrait favoriser l’amélioration des soins aux individuals dans de nombreux domaines.
En plus des Drs. Huang et Zhang, auteurs de « MOGONET intègre des données multi-omiques à l’aide de réseaux convolutifs de graphes permettant la classification des individuals et l’identification de biomarqueurs » sont Tongxin Wang, PhD, et Haixu Tang, PhD, de l’Université de l’Indiana, Wei Shao, PhD, de l’IU University of Drugs Zhi Huang de la faculté de médecine de l’UI et de l’université Purdue et Zhengming Ding, PhD de l’Université de Tulane. Le Dr Wang travaillait dans le laboratoire du Dr Huang. Le Dr Ding, anciennement de l’Université d’Indiana, est un qualified dans le domaine de l’apprentissage automatique.
Le développement et les assessments de MOGONET ont été soutenus par les subventions R01EB025018 et U54AG065181 des National Institutes of Health and fitness et par l’Indiana College Precision Well being Initiative.
