INTEGRATIVE GRAPHICAL MODELS FOR LARGE MULTI-MODAL BIOMEDICAL DATA

大型多模态生物医学数据的集成图形模型

基本信息

项目摘要

 DESCRIPTION (provided by applicant): The new cost-effective high-throughput genomic and imaging technologies have revolutionized the field of clinical diagnosis and research, but they have also created a number of new and significant challenges. The new datasets are large and frequently multi-modal, i.e. the measured variables are of different types: continuous (omics, fMRI measurements), binary (SNPs, gender), numerical (age, drug dosage), categorical (family history of disease, tissue of metastasis), ordinal (tumor stage, smoking). A key analysis aspect is to discover the direct (causal) associations between variables. This is important for many reasons: it can be used for classification, biomarker selection, drug effect, or for mechanistic studies of network perturbations in disease. Graphical models have been used in the past but they are not tuned for (a) multi-modal data and (b) large datasets. The objective of this application is to develop novel methodologies that will identify causal or partially causal networks, which can be used to support and enhance accurate disease prediction, and sub disease classification and help identify key interactions of the molecular mechanisms of diseases. We will develop and test new methodologies based on mixed variable partially causal graphical (MVPCG) models. Evaluation will be done on synthetic and real datasets, including parallel datasets with genomic, genetic and epigenetic data, clinical information and time series diagnostic image data. Our central hypothesis is that an integrative, computational analysis of different modalities of diagnostic patient data can identify complex associations and causal relations between clinical and other disease relevant features and thus help decipher the molecular disease mechanisms. The deliverables will be (1) new graphical approaches for integration and co-analysis of multi-modal biomedical and clinical data; (2) a new, fully documented software package for MatLab and R that can be seamlessly incorporated in other algorithms; (3) a new fully supported graphical user interface (GUI) to further disseminate our methodologies to non computer-savvy users; (4) results on the pathogenesis and predictive features of metastatic melanoma patients; and (5) results on predictive features of autistic spectrum subjects and neurotypicals. If successful, this cross-disciplinary team project will have a positive impact beyond the above deliverables, since the generality of our approaches makes them suitable for studying of any disease and makes them easily integratable into personalized medicine strategies in the future when massive high-throughput data collection will become a routine diagnostic procedure in all hospitals.
 描述(由适用提供):新的具有成本效益的高通量基因组和成像技术已彻底改变了临床诊断和研究领域,但它们也带来了许多新的新挑战。新的数据集是大型且经常多模式的,即测得的变量具有不同的类型:连续(OMICS,FMRI测量值),二进制(SNP,性别),数值(年龄,药物剂量),分类(疾病的家族史,疾病,转移的组织),orialtal阶段(tumor阶段,specer阶段,吸烟)。关键分析方面是发现变量之间的直接(因果关系)关联。由于许多原因,这很重要:它可用于分类,生物标志物选择,药物效应或疾病网络扰动的机械研究。过去已经使用了图形模型,但并未针对(a)多模式数据和(b)大数据集进行调整。该应用的目的是开发新的方法来识别因果或部分灾难性的网络,这些方法可用于支持和增强准确的疾病预测以及亚疾病分类,并有助于确定疾病分子机制的关键相互作用。我们将基于混合变量部分开发和测试新方法,部分灾难性图形(MVPCG)模型。评估将对合成和真实数据集进行,包括具有基因组,遗传和表观遗传学数据的并行数据集,临床信息和时间序列诊断图像数据。我们的中心假设是,对诊断患者数据的不同方式进行了综合的计算分析,可以识别临床和其他疾病相关特征之间的复杂关联和催化关系,从而有助于破译分子疾病机制。可交付成果将是(1)多模式生物医学和临床数据的整合和共分析的新图形方法; (2)一个针对MATLAB和R的新的,完整的已记录的软件包,可以在其他算法中无缝合并; (3)一个全新的全面支持的图形用户界面(GUI),以进一步将我们的方法传播给非计算机的用户; (4)关于转移性黑色素瘤患者的发病机理和预测特征的结果; (5)基于加速频谱受试者和神经型的预测特征的结果。如果成功的话,这个跨科学科的团队项目将产生以上可交付成果以外的积极影响,因为我们的方法的一般性使它们适合于研究任何疾病,并使它们在将来很容易整合到个性化的医学策略中,而当大量的高通量数据收集将成为所有医院的常规诊断程序。

项目成果

期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

PANAGIOTIS V BENOS其他文献

PANAGIOTIS V BENOS的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('PANAGIOTIS V BENOS', 18)}}的其他基金

COPD SUBTYPES AND EARLY PREDICTION USING INTEGRATIVE PROBABILISTIC GRAPHICAL MODELS R01HL157879
使用集成概率图形模型进行 COPD 亚型和早期预测 R01HL157879
  • 批准号:
    10705838
  • 财政年份:
    2022
  • 资助金额:
    $ 32.54万
  • 项目类别:
COPD SUBTYPES AND EARLY PREDICTION USING INTEGRATIVE PROBABILISTIC GRAPHICAL MODELS R01HL157879
使用集成概率图形模型进行 COPD 亚型和早期预测 R01HL157879
  • 批准号:
    10689580
  • 财政年份:
    2022
  • 资助金额:
    $ 32.54万
  • 项目类别:
Interpretable graphical models for large multi-modal COPD data (R01HL159805)
大型多模态 COPD 数据的可解释图形模型 (R01HL159805)
  • 批准号:
    10689574
  • 财政年份:
    2021
  • 资助金额:
    $ 32.54万
  • 项目类别:
COPD SUBTYPES AND EARLY PREDICTION USING INTEGRATIVE PROBABILISTIC GRAPHICAL MODELS
使用综合概率图模型进行慢性阻塞性肺病亚型和早期预测
  • 批准号:
    10206417
  • 财政年份:
    2021
  • 资助金额:
    $ 32.54万
  • 项目类别:
Interpretable graphical models for large multi-modal COPD data (R01HL159805)
大型多模态 COPD 数据的可解释图形模型 (R01HL159805)
  • 批准号:
    10705824
  • 财政年份:
    2021
  • 资助金额:
    $ 32.54万
  • 项目类别:
Mapping Age-Related Changes in the Lung
绘制肺部与年龄相关的变化
  • 批准号:
    10440882
  • 财政年份:
    2019
  • 资助金额:
    $ 32.54万
  • 项目类别:
Mapping Age-Related Changes in the Lung
绘制肺部与年龄相关的变化
  • 批准号:
    10020437
  • 财政年份:
    2019
  • 资助金额:
    $ 32.54万
  • 项目类别:
Mapping Age-Related Changes in the Lung
绘制肺部与年龄相关的变化
  • 批准号:
    10473606
  • 财政年份:
    2019
  • 资助金额:
    $ 32.54万
  • 项目类别:
Systems Biology of Diffusion Impairment in HIV
HIV扩散损伤的系统生物学
  • 批准号:
    10188612
  • 财政年份:
    2018
  • 资助金额:
    $ 32.54万
  • 项目类别:
Systems Biology of Diffusion Impairment in HIV
HIV扩散损伤的系统生物学
  • 批准号:
    9753361
  • 财政年份:
    2018
  • 资助金额:
    $ 32.54万
  • 项目类别:

相似国自然基金

基于自适应分级多层图注意力机制的疾病关联微生物预测模型及算法研究
  • 批准号:
  • 批准年份:
    2022
  • 资助金额:
    54 万元
  • 项目类别:
    面上项目
基于自适应分级多层图注意力机制的疾病关联微生物预测模型及算法研究
  • 批准号:
    62272064
  • 批准年份:
    2022
  • 资助金额:
    54.00 万元
  • 项目类别:
    面上项目
注意力引导的复杂场景精确室内定位关键算法研究
  • 批准号:
    62102459
  • 批准年份:
    2021
  • 资助金额:
    24.00 万元
  • 项目类别:
    青年科学基金项目
注意力引导的复杂场景精确室内定位关键算法研究
  • 批准号:
  • 批准年份:
    2021
  • 资助金额:
    30 万元
  • 项目类别:
    青年科学基金项目
面向电力系统安全评估的深度稀疏图注意力卷积集成模型和增量学习算法研究与应用
  • 批准号:
  • 批准年份:
    2020
  • 资助金额:
    55 万元
  • 项目类别:
    面上项目

相似海外基金

Characterizing neuroimaging 'brain-behavior' model performance bias in rural populations
表征农村人口神经影像“大脑行为”模型的表现偏差
  • 批准号:
    10752053
  • 财政年份:
    2023
  • 资助金额:
    $ 32.54万
  • 项目类别:
Quantitative imaging of choroid plexus function and neurofluid circulation in Alzheimer's Disease Related Dementia
阿尔茨海默病相关痴呆症脉络丛功能和神经液循环的定量成像
  • 批准号:
    10718346
  • 财政年份:
    2023
  • 资助金额:
    $ 32.54万
  • 项目类别:
Methods for Estimating Disease Burden of Seasonal Influenza
估计季节性流感疾病负担的方法
  • 批准号:
    10682150
  • 财政年份:
    2023
  • 资助金额:
    $ 32.54万
  • 项目类别:
A Wearable Haptic Feedback System for Home-based Gait Training for Older Adults
用于老年人家庭步态训练的可穿戴触觉反馈系统
  • 批准号:
    10653458
  • 财政年份:
    2023
  • 资助金额:
    $ 32.54万
  • 项目类别:
Promoting Universal Screening and Early Identification of Child ADHD via Integrated Automatic EHR Supports in Primary Care
通过初级保健中的集成自动 EHR 支持促进儿童 ADHD 的普遍筛查和早期识别
  • 批准号:
    10883975
  • 财政年份:
    2023
  • 资助金额:
    $ 32.54万
  • 项目类别:
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了