为了从大量患者数据中提取疾病亚型，新的机器学习算法可以提供帮助。他们的目的是独立识别模式和广泛的临床测量的相关性。由实验生物信息学主席Josch Konstantin Pauling博士领导的LipiTUM初级研究小组为此开发了一种算法。

通过自动化网络工具进行复杂分析

他们的方法结合了现有算法的结果，以获得更精确和可靠的临床亚型预测。这统一了每种算法的特点和优点，消除了它们的调整时间。“这使得在临床研究中应用分析变得容易得多，”鲍林博士报告说。“出于这个原因，我们开发了一个基于网络的工具，允许从业者在没有生物信息学知识的情况下在线分析分子临床数据。”

在网站(https://exbio.wzw.tum.de/mosbi/)上，研究人员可以提交他们的数据进行自动分析，并使用结果来解释他们的研究。“对我们来说，另一个重要的方面是结果的可视化。以前的方法不能产生患者群体、临床因素和分子特征之间关系的直观可视化。这将随着我们的MoSBi工具产生的基于网络的可视化而改变，”TUM生命科学学院的科学家蒂姆·罗斯说。MoSBi代表“使用双聚类的分子签名”。“双聚类”是该算法使用的技术名称。

临床相关问题的申请

例如，有了这个工具，研究人员现在可以表示来自癌症研究的数据，并对各种情况进行模拟。他们已经在一项大规模临床研究中证明了这种方法的潜力。在与德累斯顿马克斯普朗克研究所、德累斯顿技术大学和基尔大学诊所的研究人员进行的一项合作研究中，他们研究了非酒精性脂肪性肝病(NAFLD)患者肝脏脂质代谢的变化。

这种广泛存在的疾病与肥胖和糖尿病有关。它从脂质沉积在肝细胞中的非酒精性脂肪肝(NAFL)发展到肝脏进一步发炎的非酒精性脂肪性肝炎(NASH)，再到肝硬化和肿瘤的形成。除了饮食调整，迄今为止还没有找到治疗方法。由于这种疾病的特征和诊断是通过肝脏中各种脂质的积累，因此了解它们的分子组成非常重要。

肝脏疾病的生物标志物

使用MoSBi方法，研究人员能够在分子水平上证明NAFL患者肝脏的异质性。“从分子的角度来看，许多NAFL患者的肝细胞与NASH患者的肝细胞几乎相同，而其他患者的肝细胞仍与健康患者大致相似。我们也可以用临床数据来证实我们的预测，”鲍林博士说。“然后我们能够确定两种潜在的疾病进展的脂质生物标志物。”这对于疾病的早期识别及其进展以及靶向治疗的发展非常重要。

该研究小组已经在研究他们的方法的进一步应用，以更好地了解其他疾病。“在未来，算法将在生物医学研究中发挥比现在更大的作用。它们可以使检测复杂机制和找到更有针对性的治疗方法变得更加容易，”Pauling博士说。