随着高通量测序成本的下降,大量的生物和医学数据从不同的测序平台产生多个分子水平,包括基因组、转录组、蛋白质组、表观基因组,代谢物,等等。很长一段时间,数据分析在单分子水平上回答许多重要研究问题铺平了道路。然而,许多神经退行性疾病(NDs)涉及来自多个分子的相互作用的分子水平,结论基于单分子的水平通常是不完整的,有时会误导。在这些场景中,multi-omics数据分析空前帮助诊断获取更多有用的信息,治疗,预后和药物发现的。multi-omics分析的第一步是建立可靠和健壮的multi-omics数据集。在过去的几年中,重要ND-associated multi-omics数据库就像艾伦大脑构造,立即提出需要像数据管理,规范化,解释和可视化综合multi-omics勘探的意义。尽管有几个老牌multi-omics NDs的数据库如阿尔茨海默病,类似的数据库其他NDs仍急需。

数据库建立后,许多计算工具和经验的策略应该是专为他们开发的。首先,multi-omics数据通常非常嘈杂,复杂、异构、高维度,提出了合适的去噪和降维方法的必要性。其次,由于multi-omics和non-omics病理和临床数据通常是在不同的数据空间,一个有用的算法映射到相同的数据空间和整合他们也是不容忽视的。在multi-omics时代,有许多以数据为中心的工具集成的multi-omics数据集,通常可以分为三个类别:不受监督,监督和semi-supervised方法。常用的算法包括但不限于Bayesian-based方法、基于网络的方法,多步骤的分析方法和多个内核的学习方法。第三,方法需要研究和验证两个或两个以上的multi-omics水平之间的关系数据和non-omics数据。例如,表达式(eQTL)数量性状分析被广泛用于推断之间的联系单核苷酸多态性(SNP)和基因的表达。最近,组学数据和更复杂的数据之间的关系像病理和临床成像数据一直是研究热点。结果可能会揭示出其潜在的分子机制,促进新创药物设计和药物NDs的再利用。

这个特殊的问题欢迎调查人员分享他们的原始研究和评论文章multi-omics相关的研究,可以申请更好的诊断、治疗、预后和药物发现的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:

• 集成的方法、解释或可视化两个或两个以上的组学数据
• 识别不同的数据模式之间的相互作用的方法
• 疾病生物标志物预测子类型化的方法
• 减少机器学习或深度学习方法在空间和特征选择对大噪声数据
• 方法研究协会在不同组学数据或组学和non-omics数据之间喜欢临床,病理和影像数据
• 回顾关于NDs的multi-omics资源
• 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/或非图像数据分析
• 临床应用或验证multi-omics数据分析的结果