Title :

Discovery of drug-omics associations in type 2 diabetes with generative deep-learning models

Author(s) :

Allesøe, Rosa Lundbye [Auteur]
Lundgaard, Agnete Troen [Auteur]
Hernández Medina, Ricardo [Auteur]
Aguayo-Orozco, Alejandro [Auteur]
Johansen, Joachim [Auteur]
Nissen, Jakob Nybo [Auteur]
Brorsson, Caroline [Auteur]
Mazzoni, Gianluca [Auteur]
Niu, Lili [Auteur]
Biel, Jorge Hernansanz [Auteur]
Rodríguez, Cristina Leal [Auteur]
Brasas, Valentas [Auteur]
Webel, Henry [Auteur]
Benros, Michael Eriksen [Auteur]
Pedersen, Anders Gorm [Auteur]
Chmura, Piotr Jaroslaw [Auteur]
Jacobsen, Ulrik Plesner [Auteur]
Mari, Andrea [Auteur]
Koivula, Robert [Auteur]
Mahajan, Anubha [Auteur]
Vinuela, Ana [Auteur]
Tajes, Juan Fernandez [Auteur]
Sharma, Sapna [Auteur]
Haid, Mark [Auteur]
Hong, Mun-Gwan [Auteur]
Musholt, Petra B. [Auteur]
De Masi, Federico [Auteur]
Vogt, Josef [Auteur]
Pedersen, Helle Krogh [Auteur]
Gudmundsdottir, Valborg [Auteur]
Jones, Angus [Auteur]
Kennedy, Gwen [Auteur]
Bell, Jimmy [Auteur]
Thomas, E. Louise [Auteur]
Frost, Gary [Auteur]
Thomsen, Henrik [Auteur]
Hansen, Elizaveta [Auteur]
Hansen, Tue Haldor [Auteur]
Vestergaard, Henrik [Auteur]
Muilwijk, Mirthe [Auteur]
Blom, Marieke T [Auteur]
't Hart, Leen M. [Auteur]
Pattou, Francois [Auteur]
Institut Européen de Génomique du Diabète - European Genomic Institute for Diabetes - FR 3508 [EGID]
Recherche translationnelle sur le diabète (RTD) - U1190
Raverdy, Violeta [Auteur]
Recherche translationnelle sur le diabète (RTD) - U1190
Institut Européen de Génomique du Diabète - European Genomic Institute for Diabetes - FR 3508 [EGID]
Brage, Soren [Auteur]
Kokkola, Tarja [Auteur]
Heggie, Alison [Auteur]
Mcevoy, Donna [Auteur]
Mourby, Miranda [Auteur]
Kaye, Jane [Auteur]
Hattersley, Andrew [Auteur]
Mcdonald, Timothy [Auteur]
Ridderstråle, Martin [Auteur]
Walker, Mark [Auteur]
Forgie, Ian [Auteur]
Giordano, Giuseppe N. [Auteur]
Pavo, Imre [Auteur]
Ruetten, Hartmut [Auteur]
Pedersen, Oluf [Auteur]
Hansen, Torben [Auteur]
Dermitzakis, Emmanouil [Auteur]
Franks, Paul W. [Auteur]
Schwenk, Jochen M. [Auteur]
Adamski, Jerzy [Auteur]
Mccarthy, Mark I. [Auteur]
Pearson, Ewan [Auteur]
Banasik, Karina [Auteur]
Rasmussen, Simon [Auteur]
Brunak, Søren [Auteur]

Journal title :

Nature Biotechnology

Abbreviated title :

Nat Biotechnol

Volume number :

41

Pages :

399–408

Publisher :

Nature Publishing Group

Publication date :

2023-01-02

ISSN :

1546-1696

English keyword(s) :

Data integration
Machine learning
Systems biology
Type 2 diabetes

HAL domain(s) :

Sciences du Vivant [q-bio]

English abstract : [en]

The application of multiple omics technologies in biomedical cohorts has the potential to reveal patient-level disease characteristics and individualized response to treatment. However, the scale and heterogeneous nature ...
Show more >The application of multiple omics technologies in biomedical cohorts has the potential to reveal patient-level disease characteristics and individualized response to treatment. However, the scale and heterogeneous nature of multi-modal data makes integration and inference a non-trivial task. We developed a deep-learning-based framework, multi-omics variational autoencoders (MOVE), to integrate such data and applied it to a cohort of 789 people with newly diagnosed type 2 diabetes with deep multi-omics phenotyping from the DIRECT consortium. Using in silico perturbations, we identified drug–omics associations across the multi-modal datasets for the 20 most prevalent drugs given to people with type 2 diabetes with substantially higher sensitivity than univariate statistical tests. From these, we among others, identified novel associations between metformin and the gut microbiota as well as opposite molecular responses for the two statins, simvastatin and atorvastatin. We used the associations to quantify drug–drug similarities, assess the degree of polypharmacy and conclude that drug effects are distributed across the multi-omics modalities.Show less >

Language :

Anglais

Peer reviewed article :

Oui

Audience :

Internationale

Popular science :

Non

Administrative institution(s) :

Université de Lille
Inserm
CHU Lille

Collections :

• Recherche translationnelle sur le diabète (RTD) - U1190

Submission date :

2024-01-19T22:27:58Z
2024-09-19T14:54:38Z