本文轉自中國生物技術發展中心，轉發僅為學習交流，若侵犯版權請聯系小編刪除。

患有糖尿病等基礎疾病患者的藥物反應模式是相對復雜的，可能涉及多個器官和因素，而大部分影響機制仍然是未知的。近年來，表型和多組學篩查可用于揭示疾病特征，并為研究藥物在疾病進展中發揮的作用機制提供了新的手段。然而，多組學數據分析面臨著數據降維、數據異質性與整合困難等多方面挑戰。

近期，丹麥哥本哈根大學研究團隊開發了一個基于深度學習的框架，即MOVE（multi-omics variational autoencoders），并且將其應用于789名剛被診斷患有2型糖尿病患者的多組學表型數據，旨在探究藥物與組學表型之間的關系。該團隊開展了一系列試驗，使用MOVE探究20多種常見的糖尿病用藥的藥物組學關聯特征。研究結果顯示，二甲雙胍與2型糖尿病的12個臨床標志物均有顯著關聯，且與7個蛋白顯著相關。此外，還發現二甲雙胍和奧美拉唑與微生物組之間有顯著關聯。研究團隊指出，可以基于此類關聯來量化藥物相似性，發現新的潛在生物標志物，可能協助疾病診斷或增加治療有效性。相關研究結果于2023年1月2日以“Discovery of drug–omics associations in type 2 diabetes with generative deep-learning models”為題發表在《Nature Biotechnology》雜志上。

論文鏈接：https://www.nature.com/articles/s41587-022-01520-x

注：此研究成果摘自《Nature Biotechnology》，文章內容不代表本網站觀點和立場。