multi-omics数据的大量生物医学数据发现带来了前所未有的机遇。然而,数据的复杂性和异构性也给较快准确分析带来了巨大挑战。Multi-omics数据集通常是组织在两个董事会方面,垂直或水平,取决于感兴趣的具体问题。

在垂直设置,多种技术用于生成数据从研究问题的不同方面,包括,但不限于,基因组、表观基因组、转录组、蛋白质组、代谢组、或微生物。分析这些复杂的多层数据模式的主要挑战包括识别内部和之间的交互数据形式,以及网络的建设和解释。在水平设置,生成的从一个或多个数据集两种技术为一个特定的研究问题。这些数据集通常来自不同世界各地的人口,代表高度真实的生物和技术异质性。分析这些异构multi-cohort数据集的主要挑战包括数据集成,荟萃分析,识别最强劲的信号包括数据的异构性。对应的垂直和水平结构的复杂性和异质性multi-omics数据。

这个特殊问题的目的是向调查人员提供一个平台来分享他们的研究与利用multi-omics数据的复杂性和异构性生物医学数据发现,可以申请更好的诊断,治疗,预后,和预防人类疾病,在未来精密医学的时代。

潜在的主题包括但不限于以下:

• 算法、方法、框架和最佳实践multi-omics数据分析,解决垂直复杂性和水平异质性在数据分析方面
• 识别不同的数据模式之间的相互作用的方法
• 网络建设方法的基准
• 回顾分析框架
• 将生物医学成像数据集成方法,如计算机断层扫描或hematoxylin-eosin染色
• 集成非图像数据的方法,例如下一代测序数据
• 合并来自不同批次的数据的方法,特别是对于数据与强大的批处理效果,如单个细胞RNA序列数据
• 应用程序的算法、方法或框架的疾病诊断、治疗、预后和预防
• Multi-omics分析和网络识别特定的疾病
• multi-cohort数据集对特定疾病的荟萃分析
• 实验验证的生物标志物识别multi-omics数据分析
• 疾病的诊断和预后预测从成像和非图像数据分析
• 临床应用或验证multi-omics数据分析的结果