Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος

Η σχιζοφρένεια αποτελεί μια πολύπλοκη και πολυπαραγοντική ψυχιατρική ασθένεια η οποία κατατάσσεται στους δέκα κυριότερους λόγους αναπηρίας και η οποία έχει συσχετιστεί με υπέρογκα ποσά περίθαλψης των ασθενών. Η ευτελής ποιότητα ζωής των πασχόντων και οι κοινωνικές επιδράσεις της ασθένειας καθιστούν...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Μικρός, Ιωάννης
Άλλοι συγγραφείς: Mikros, John
Γλώσσα:Greek
Έκδοση: 2021
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/15575
id nemertes-10889-15575
record_format dspace
institution UPatras
collection Nemertes
language Greek
topic Σχιζοφρένεια
Πρωτεομική
Μηχανική μάθηση
Μείωση διαστατικότητας
Βιοδείκτες
Ορός αίματος
Δίκτυα συν-έκφρασης
Schizophrenia
Proteomics
Machine learning
Dimensionality reduction
Biomarkers
Serum
Co-expression networks
spellingShingle Σχιζοφρένεια
Πρωτεομική
Μηχανική μάθηση
Μείωση διαστατικότητας
Βιοδείκτες
Ορός αίματος
Δίκτυα συν-έκφρασης
Schizophrenia
Proteomics
Machine learning
Dimensionality reduction
Biomarkers
Serum
Co-expression networks
Μικρός, Ιωάννης
Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
description Η σχιζοφρένεια αποτελεί μια πολύπλοκη και πολυπαραγοντική ψυχιατρική ασθένεια η οποία κατατάσσεται στους δέκα κυριότερους λόγους αναπηρίας και η οποία έχει συσχετιστεί με υπέρογκα ποσά περίθαλψης των ασθενών. Η ευτελής ποιότητα ζωής των πασχόντων και οι κοινωνικές επιδράσεις της ασθένειας καθιστούν αναγκαία τη μελέτη της, με στόχο την ανάδειξη του βιολογικού υπόβαθρου της. Η σχιζοφρένεια θεωρείται ασθένεια με ετερογενές βιολογικό υπόβαθρο με τις κυριότερες υποθέσεις να την αποδίδουν είτε σε εμφάνιση σφαλμάτων κατά τη φυσιολογική ανάπτυξη των νευρώνων του εγκεφάλου είτε σε αποτέλεσμα φλεγμονώδους αντίδρασης του οργανισμού. Η καλύτερη κατανόηση των μηχανισμών που σχετίζονται με την ασθένεια μπορεί να οδηγήσει τόσο στη δυνατότητα πρόγνωσης με βάση βιολογικές μετρήσεις όσο και στην ανάπτυξη νέων εξατομικευμένων θεραπειών. Έως σήμερα η διάγνωση της σχιζοφρένειας βασίζεται στην κατάλληλη αξιολόγηση από ψυχιάτρους. Η ανάγκη για ανακάλυψη βιοδεικτών που θα αποτελούν μέτρα για την πρόγνωση της ασθένειας έχει στρέψει την μελέτη της σχιζοφρένειας στη χρήση ομικών τεχνολογικών για τη λήψη των απαραίτητων δεδομένων προς ανάλυση. Ενδιαφέρον παρουσιάζουν οι πρωτεoμικές έρευνες σε επίπεδο του ορού ή του πλάσματος του αίματος καθώς μπορούν να αναδείξουν βιοδείκτες οι οποίοι είναι εύκολο να ληφθούν με επαναληψιμότητα και μη-επεμβατικό τρόπο. Επίσης, όσον αφορά την τεχνολογία με την οποία λαμβάνεται το πρωτέoμα οι τεχνικές μη επισημασμένης, συζευγμένης φασματομετρίας μάζας έχουν μεγάλη αποδοχή στην ανάλυση βιοδειγμάτων λόγω του χαμηλού τους κόστους. Η παρούσα εργασία σχετίζεται με την ανάλυση πρωτεoμικών δεδομένων από τον ορό του αίματος ατόμων με διάγνωση σχιζοφρένειας και υγειών ατόμων, τα οποία έχουν ληφθεί με μη επισημασμένη, συζευγμένη φασματοσκοπική τεχνική υψηλής ευκρίνειας \cite{Butkova2020}. Στόχος της μελέτης ήταν η ανάδειξη βιοδεικτών από τη σύγκριση του πρωτεόματος των υγιών και των ατόμων με σχιζοφρένεια καθώς και η εκπαίδευση και αξιολόγηση ταξινομητών, με χρήση τεχνικών μηχανικής μάθησης, μέσω των οποίων προβλέπεται αν ένα άτομο πάσχει από σχιζοφρένεια με πληροφορία εισόδου το πρωτεομικό προφίλ του ορού του αίματος του. Πιο συγκεκριμένα, χρησιμοποιήθηκαν κατάλληλα εργαλεία για την ανάλυση των σημάτων που προκύπτουν από τα πειράματα φασματογραφίας μάζας με σκοπό τον υπολογισμό των σχετικών ποσοτήτων πεπτιδίων και πρωτεϊνών. Τα αποτελέσματα αυτά υποβλήθηκαν σε κατάλληλη προεπεξεργασία και μέσω στατιστικών μεθόδων αλλά και με την τεχνική δικτύων συν-έκφρασης εντοπίστηκαν οι βιουπογραφές που διαφοροποιούν τις δύο καταστάσεις. Οι βιοδείκτες αυτοί χρησιμοποιήθηκαν έπειτα για την εκπαίδευση προβλεπτικών ταξινομήτων Τυχαία Δάσων, Μηχανών Διανυσμάτων Υποστήριξης, Λογιστικής Παλινδρόμηση καθώς και του βελτιστοποιήμενου από την Insybio μοντέλου EnsembleGASVR. Η εκπαίδευση των ταξινομητών συνδυάστηκε με μεθόδους μείωσης διαστατικότητας για την ανάδειξη του βέλτιστου, μικρού πλήθους συνόλου βιοδεικτών που μπορεί να προβλέψει με μεγάλη ακρίβεια την ασθένεια. Στο τελικό σύνολο βιοδεικτών και στο υποσύνολο που ανέδειξε το βέλτιστο μοντέλο, μέσω κατάλληλων εργαλείων, πραγματοποιήθηκε ανάλυση εμπλουτισμού βιολογικών μονοπατιών, βιολογικών διεργασιών, μοριακών λειτουργιών και κυτταρικών διαμερισμάτων. Ο εμπλουτισμός αυτός ανέδειξε μοριακές λειτουργίες και βιολογικά μονοπάτια συσχετισμένα με το ανοσοποιητικό σύστημα και με φλεγμονικές αντιδράσεις του οργανισμού, γεγονός που ενισχύει την υπόθεση φλεγμονικού υποβάθρου για τη σχιζοφρένεια.
author2 Mikros, John
author_facet Mikros, John
Μικρός, Ιωάννης
author Μικρός, Ιωάννης
author_sort Μικρός, Ιωάννης
title Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
title_short Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
title_full Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
title_fullStr Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
title_full_unstemmed Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
title_sort ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος
publishDate 2021
url http://hdl.handle.net/10889/15575
work_keys_str_mv AT mikrosiōannēs anadeixēbiodeiktōnkaianaptyxēdiagnōstikōnmontelōngiatēschizophreneiamebasēdedomenatouprōteomikouprophiltouoroutouaimatos
AT mikrosiōannēs biomarkersdiscoveryanddiagnostictooldeploymentforschizophreniabasedonserumproteomeprofiledata
_version_ 1771297159535132672
spelling nemertes-10889-155752022-09-05T05:38:39Z Ανάδειξη βιοδεικτών και ανάπτυξη διαγνωστικών μοντέλων για τη σχιζοφρένεια με βάση δεδομένα του πρωτεoμικού προφίλ του ορού του αίματος Biomarkers discovery and diagnostic tool deployment for schizophrenia based on serum proteome profile data Μικρός, Ιωάννης Mikros, John Σχιζοφρένεια Πρωτεομική Μηχανική μάθηση Μείωση διαστατικότητας Βιοδείκτες Ορός αίματος Δίκτυα συν-έκφρασης Schizophrenia Proteomics Machine learning Dimensionality reduction Biomarkers Serum Co-expression networks Η σχιζοφρένεια αποτελεί μια πολύπλοκη και πολυπαραγοντική ψυχιατρική ασθένεια η οποία κατατάσσεται στους δέκα κυριότερους λόγους αναπηρίας και η οποία έχει συσχετιστεί με υπέρογκα ποσά περίθαλψης των ασθενών. Η ευτελής ποιότητα ζωής των πασχόντων και οι κοινωνικές επιδράσεις της ασθένειας καθιστούν αναγκαία τη μελέτη της, με στόχο την ανάδειξη του βιολογικού υπόβαθρου της. Η σχιζοφρένεια θεωρείται ασθένεια με ετερογενές βιολογικό υπόβαθρο με τις κυριότερες υποθέσεις να την αποδίδουν είτε σε εμφάνιση σφαλμάτων κατά τη φυσιολογική ανάπτυξη των νευρώνων του εγκεφάλου είτε σε αποτέλεσμα φλεγμονώδους αντίδρασης του οργανισμού. Η καλύτερη κατανόηση των μηχανισμών που σχετίζονται με την ασθένεια μπορεί να οδηγήσει τόσο στη δυνατότητα πρόγνωσης με βάση βιολογικές μετρήσεις όσο και στην ανάπτυξη νέων εξατομικευμένων θεραπειών. Έως σήμερα η διάγνωση της σχιζοφρένειας βασίζεται στην κατάλληλη αξιολόγηση από ψυχιάτρους. Η ανάγκη για ανακάλυψη βιοδεικτών που θα αποτελούν μέτρα για την πρόγνωση της ασθένειας έχει στρέψει την μελέτη της σχιζοφρένειας στη χρήση ομικών τεχνολογικών για τη λήψη των απαραίτητων δεδομένων προς ανάλυση. Ενδιαφέρον παρουσιάζουν οι πρωτεoμικές έρευνες σε επίπεδο του ορού ή του πλάσματος του αίματος καθώς μπορούν να αναδείξουν βιοδείκτες οι οποίοι είναι εύκολο να ληφθούν με επαναληψιμότητα και μη-επεμβατικό τρόπο. Επίσης, όσον αφορά την τεχνολογία με την οποία λαμβάνεται το πρωτέoμα οι τεχνικές μη επισημασμένης, συζευγμένης φασματομετρίας μάζας έχουν μεγάλη αποδοχή στην ανάλυση βιοδειγμάτων λόγω του χαμηλού τους κόστους. Η παρούσα εργασία σχετίζεται με την ανάλυση πρωτεoμικών δεδομένων από τον ορό του αίματος ατόμων με διάγνωση σχιζοφρένειας και υγειών ατόμων, τα οποία έχουν ληφθεί με μη επισημασμένη, συζευγμένη φασματοσκοπική τεχνική υψηλής ευκρίνειας \cite{Butkova2020}. Στόχος της μελέτης ήταν η ανάδειξη βιοδεικτών από τη σύγκριση του πρωτεόματος των υγιών και των ατόμων με σχιζοφρένεια καθώς και η εκπαίδευση και αξιολόγηση ταξινομητών, με χρήση τεχνικών μηχανικής μάθησης, μέσω των οποίων προβλέπεται αν ένα άτομο πάσχει από σχιζοφρένεια με πληροφορία εισόδου το πρωτεομικό προφίλ του ορού του αίματος του. Πιο συγκεκριμένα, χρησιμοποιήθηκαν κατάλληλα εργαλεία για την ανάλυση των σημάτων που προκύπτουν από τα πειράματα φασματογραφίας μάζας με σκοπό τον υπολογισμό των σχετικών ποσοτήτων πεπτιδίων και πρωτεϊνών. Τα αποτελέσματα αυτά υποβλήθηκαν σε κατάλληλη προεπεξεργασία και μέσω στατιστικών μεθόδων αλλά και με την τεχνική δικτύων συν-έκφρασης εντοπίστηκαν οι βιουπογραφές που διαφοροποιούν τις δύο καταστάσεις. Οι βιοδείκτες αυτοί χρησιμοποιήθηκαν έπειτα για την εκπαίδευση προβλεπτικών ταξινομήτων Τυχαία Δάσων, Μηχανών Διανυσμάτων Υποστήριξης, Λογιστικής Παλινδρόμηση καθώς και του βελτιστοποιήμενου από την Insybio μοντέλου EnsembleGASVR. Η εκπαίδευση των ταξινομητών συνδυάστηκε με μεθόδους μείωσης διαστατικότητας για την ανάδειξη του βέλτιστου, μικρού πλήθους συνόλου βιοδεικτών που μπορεί να προβλέψει με μεγάλη ακρίβεια την ασθένεια. Στο τελικό σύνολο βιοδεικτών και στο υποσύνολο που ανέδειξε το βέλτιστο μοντέλο, μέσω κατάλληλων εργαλείων, πραγματοποιήθηκε ανάλυση εμπλουτισμού βιολογικών μονοπατιών, βιολογικών διεργασιών, μοριακών λειτουργιών και κυτταρικών διαμερισμάτων. Ο εμπλουτισμός αυτός ανέδειξε μοριακές λειτουργίες και βιολογικά μονοπάτια συσχετισμένα με το ανοσοποιητικό σύστημα και με φλεγμονικές αντιδράσεις του οργανισμού, γεγονός που ενισχύει την υπόθεση φλεγμονικού υποβάθρου για τη σχιζοφρένεια. Schizophrenia is a complex and multifactorial psychiatric disorder that is categorized as one of the top ten causes of disability and is related to huge economical burden for the patient’s treatment. The patient’s diminished quality of life and the societal factors of schizophrenia indicate the need for further study of its biological background. Schizophrenia is considered as a disease with heterogeneous biological background with main theories relating the disease to abrupted normal neurodevelopment or inflammatory response. Better understanding of the mechanisms that underlie the disease can lead to better prognosis based on biological measures as well as in development of novel treatments. To date, the diagnosis of schizophrenia is solely achieved through evaluation by psychiatrists. The need for biomarkers that will be measures for schizophrenia diagnosis indicates the importance of data acquisition and analysis based on omics technologies. Serum and plasma proteome is of central interest since they may contain biomarkers which are easily and repeatably accessible. The study of proteome is mainly achieved with shotgun, label free mass spectrometry due to its low cost. The current study is based on the analysis of serum proteome data from healthy and schizophrenic individuals, acquired by shotgun, label-free and high resolution mass spectrometry [1]. The analysis aimed at discovering biomarkers by comparing the proteome of healthy and schizophrenic individuals as well as at deployment of diagnostic tools, based on Machine Learning principles, for the classification of the health condition of an individual based on his/her serum proteome profile. Appropriate tools were used for the identification and quantification of peptides and proteins based on the raw mass spectrometer’s data. The resulting data were supplied to preprocessing steps and by a combination of statistical methods and co-expression networks techniques the most discriminating biosignatures were uncovered. These biomarkers where then used to deploy Random Forest, Support Vector Machine and Logistic Regression classifiers as well as the EnsembleGASVR classifier provided by Insybio. This process was coupled with dimensionallity reduction techniques for the identification of the optimal subset of biomarkers that leads to high prediction accuracy. The final set of biomarkers and the set of biomarkers indicated by the best model were then supplied to enrichment analysis concerning biological processes, molecular function, cellular compartments and biological pathways. This enrichment indicated molecular functions and biological pathways related to the immune system and inflammation, enhancing the idea of an inflammation background for schizophrenia. 2021-11-11T06:45:30Z 2021-11-11T06:45:30Z 2021-11-03 http://hdl.handle.net/10889/15575 gr application/pdf