RasmussenLab/MOVE

🧬 MOVE — Mô hình VAE đa omics phát hiện liên hệ giữa thuốc và dữ liệu sinh học

Khám phá mối liên hệ giữa các modal omics bằng mô hình VAE đa mô hình, áp dụng thành công trong nghiên cứu bệnh tiểu đường type 2.

MOVE (Multi-Omics Variational autoEncoder) là một khung công nghệ sinh học phát triển bởi nhóm nghiên cứu từ Rasmussen Lab. Dự án dùng để tích hợp đa dạng dữ liệu omics cùng dữ liệu lâm sàng, sau đó sử dụng mô hình VAE (Variational Autoencoder) để xây dựng không gian tiềm ẩn và khám phá các mối liên hệ liên modal. Phương pháp đã được công bố trên tạp chí Nature Biotechnology và áp dụng cụ thể trên bộ dữ liệu bệnh nhân tiểu đường type 2 từ dự án IMI DIRECT với 789 bệnh nhân.

✨ Điểm nổi bật

• Tích hợp đa omics: Hỗ trợ genomics, transcriptomics, proteomics, metabolomics, metagenomics cùng dữ liệu lâm sàng và khẩu phát ngôn.
• Mô hình VAE đa mô hình: Huấn luyện bằng PyTorch, hỗ trợ chạy trên CPU hoặc GPU tùy cấu hình phần cứng.
• Pipeline 6 bước rõ ràng: Từ mã hóa dữ liệu, tối ưu kiến trúc mạng, phân tích không gian tiềm ẩn đến khám phá liên hệ giữa các modal.
• Phân tích liên hệ lai chất: Sử dụng ensemble VAE kết hợp kiểm định t-test và lý thuyết quyết định Bayes.
• Dữ liệu mẫu mở: Cung cấp bộ dữ liệu mô phỏng và dữ liệu vi sinh vật rễ cây ngô công cộng để thử nghiệm.
• Hỗ trợ cài đặt qua pip: Cài đặt dễ dàng bằng lệnh pip install move-dl.

💡 Vì sao đáng chú ý

MOVE khác biệt so với các phương pháp truyền thống bởi việc kết hợp mô hình VAE với các thí nghiệm đột biến in silico, giúp khám phá sâu các mối liên hệ giữa các modal sinh học mà không cần can thiệp thực nghiệm. Phương pháp này đặc biệt hiệu quả trong việc phát hiện liên hệ giữa thuốc và dữ liệu omics trong bệnh tiểu đường type 2, như được chứng minh trong nghiên cứu xuất bản trên Nature Biotechnology. Nhờ thiết kế pipeline linh hoạt và kh khả năng chạy trên CPU, MOVE phù hợp với cả nghiên cứu sinh viên và môi trường tính toán hạn chế.

---

#MultiOmics #VariationalAutoencoder #BayesianInference #DrugOmics #OpenScience #TiniX