【Nat Biotech】药物多组学结合AI模型挖掘2型糖尿病患者用药相关性

文章摘要

针对 DIRECT联盟中789名新诊断的T2D患者，研究者开发了一个基于VAE（variational autoencoders）深度学习计算框架，并进行了广泛的多组学表征，包括基因组学、转录组学、蛋白质组学、代谢组学和微生物组学，以及药物、饮食问卷和临床测量的数据。该方法能够将多组学数据与临床分类数据整合，并且能够抵抗数据中的系统性偏差以及大量缺失数据。使用生成性VAE模型、特征摄动、单变量统计方法和贝叶斯决策理论的集合，确定了交叉组学的关联。通过比较药物的多组学特征，进而发现不同药物的独特临床/分子特征。作者的方法MOVE方法易于扩展，可集成任意数量的分类和连续数据集，并能够识别多组学关联的特征（如下图）。

 ●  用药（二甲双胍）后生物标志物改变

 ●  二甲双胍和奥美拉唑与肠道菌群相关性

在近期研究报道中发现，用药后会造成人体肠道菌群改变，且可能与治疗效果相关。研究团队进一步研究后发现，二甲双胍和奥美拉唑用药后，有11个宏基因组物种指标上升，同时6个其他宏基因组物种指标下降。值得注意的是，在干预研究中发现，服用二甲双胍的健康个体中大肠杆菌增加、巴氏肠杆菌和胃链球菌科细菌水平下降。该研究首次报告了在健康个体中的研究结果，这些变化很有可能仅与二甲双胍治疗相关。而服用蛋白质泵抑制剂（PPI）奥美拉唑后，研究发现三种链球菌明显增加。（如下图）

写在最后

研究结果证明借助AI无监督深度学习模型，整合并提取多组学深度表型与T2D患者用药后临床结果关联的研究是可行的。其中，二甲双胍和奥美拉唑用药后多组学数据的影响最为显著，在辛伐他汀累积效应则较小。该研究验证了所有组学数据都可以评估数据集之间的关联，并以此为基础发现潜在多层面的新型生物标志物组合，在高维分子数据中评估药物潜在治疗影响，从而得出可进一步用于精准医疗和个性化用药的测试假设。

参考文献：

1.  Discovery of drug–omics associations in type 2 diabetes with generative deep-learning models. Nature Biotechnology volume 41, pages399–408 (2023)