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》，文章内容不代表站观点和立场。

原文链接：https://www.most.gov.cn/gnwkjdt/202302/t20230221_184662.html
[免责声明] 本文来源于网络转载，仅供学习交流使用，不构成商业目的。版权归原作者所有，如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间处理。