Intelligent systems for personalized and precise risk prediction and diagnosis of non-communicable diseases

Dette prosjektet skal utvikle intelligente datasystemer for personlig og presis risikoprognose og diagnose av kardiovaskulære sykdommer og andre "livsstilssykdommer" fra genomdata og målinger av sirkulerende proteinkonsentrasjoner i blodet. Livsstilssykdommer skyldes funksjonsfeil i flere organer, som kommuniserer ved å skille ut proteiner i blodet. Ved å fange opp disse signalene, tar vi sikte på å oppdage biologiske prosesser med funksjonfeil før sykdommen manifesterer seg i kliniske symptomer. Moderne "omics" teknologier måler konsentrasjonen av tusenvis av blodproteiner samtidig, og utvider drastisk grunnlaget for medisinsk diagnostikk. For de fleste av disse proteinene vet vi imidlertid ikke hvilken rolle de har i sykdommer. Vi kan med andre ord fange opp kommunikasjonssignalene mellom organer, men vi kjenner ikke språket som blir brukt i disse meldingene. For å utvikle nye metoder for å løse dette problemet, har dette prosjektet prioritert tilgang til en unik ressurs med anonymiserte målinger av genomdata, blodproteinkonsentrasjoner og molekylær aktivitetsnivå i organer fra hjertesykdomspasienter som har gjennomgått kirurgiske inngrep og fra epidemiologiske studier. For å skille årsakssammenheng fra korrelasjon i slike store data, har prosjektet implementert en teknikk kalt "Mendelian randomisation" som etterligner randomiserte kontrollerte studier ved å tilordne individer til grupper basert på deres genetiske profiler. Prosjektet skal nå bygge statistiske maskinlæringsmodeller basert på slike årsakssammenhenger. Vi forventer at disse vil resultere i virkelig prediktive, intelligente systemer for risikoprognose og diagnose av komplekse livsstilsykdommer.

This project will create intelligent systems for personalized and precise risk prediction and diagnosis of non-communicable diseases using multi-omics data, by developing, implementing and validating novel algorithms for structure learning and inference in large-scale, multi-organ causal Bayesian gene networks, based on computational methods that we have developed previously to infer, characterize and validate gene regulatory networks in complex diseases. Risk prediction algorithms are used to identify high-risk patients for early intervention to reduce the premature mortality from non-communicable diseases, but we have yet to discover models that can integrate the tens of thousands of data points that can be measured by omics technologies in a single drop of blood. To distinguish causation from correlation in multi-omics data we will develop non-parametric models for causal inference between tens of thousands of variables. To link multi-omics causal networks from multiple organs to disease states we will develop novel algorithms for large-scale Bayesian network structure learning. To create intelligent systems for risk prediction and diagnosis of non-communicable diseases that only use blood-based measurements we will develop efficient methods for inference in large-scale Bayesian networks. To implement a proof-of-concept application in cardiovascular medicine we will apply newly developed methods on a unique resource of multi-omics data from more than twenty thousand Nordic individuals to which the project will have privileged access. This project is an international and interdisciplinary collaboration in bioinformatics, systems biology, computer engineering, machine learning and cardiovascular medicine that will deliver a well-validated and scalable platform to create intelligent systems for personalized and precise risk prediction and diagnosis of non-communicable diseases that will identify high risk individuals more accurately than existing methods.