BigData: Nagy és heterogén adatmennyiségek az orvostudományi kutatásokban Szalai Csaba Semmelweis Egyetem Genetikai Sejt és Immunbiológiai Intézet.

Az előadások a következő témára: "BigData: Nagy és heterogén adatmennyiségek az orvostudományi kutatásokban Szalai Csaba Semmelweis Egyetem Genetikai Sejt és Immunbiológiai Intézet."— Előadás másolata:

1 BigData: Nagy és heterogén adatmennyiségek az orvostudományi kutatásokban Szalai Csaba Semmelweis Egyetem Genetikai Sejt és Immunbiológiai Intézet

2 Humán genom projekt Craig Venter Új módszer (shot gun sequencing) Francis Collins

3 Big data!

4

5 BGI: a világ legnagyobb szekvenáló szervezete

6

7 Affymetrix 1,8 millió genetikai variáció/chip

8 Illumina : 5 millió marker/ array

9 Teljes genom génexpressziós mérés pl.: 44k chip: 44 ezer mRNS expresszióját méri egyszerre.

10 Protein network

11

12 80 ügynök 80 feladat ……………. F1F2F3F4………………………………………………………F79 F80 80! = 7,156946e+118 Világ leggyorsabb szuperkomputere: Tianhe-2: 33,89 × 10 15 művelet/s → 6,70 × 10 94 év számítási idő

13 Szalai Csaba és mtsai.: DesensIT projekt: Allergén-specifikus immunterápia vizsgálata (GOP-1.1.1-11-2011-0016)

14 Parlagfű allergia Magyarországon: 20% parlagfű allergiás 700 ezer hektár erősen fertőzött Tüneti kezelés Allergén-specifikus immunterápia: Staloral

15 Allergén specifikus immunterápia Egyetlen oki kezelés SLIT: sublingualis immunterápia Hosszú a kezelés (3 év) Nagy a lemorzsolódás A kezeltek egy kis része nem reagál OEP nem támogatja  drága

16 Célkit ű zések Biomarkerek, döntéstámogatás Informatikai, bioinformatikai fejlesztések Új tudományos ismeretek, összefüggések feltárása.

17 Genetikai adatok Immunológiai adatok Klinikai adatok Közvetlenül a betegtől származó adatok Génexpressziós adatok Környezeti adatok eredményes immunterápia? Pollenterhelés Meteorológia Légszennyezettség Tüneti gyógyszerhasználat Szubjektív tünetértékelés SLIT használata Ajánlott tüneti gyógyszerhasználat Demográfiai és környezeti adatok Pszichológiai attitűd Életminőség (RQLQ) Teljes genom variáns és génexpresszió analízis Sejtaktiváció Sejtfelszíni és intracelluláris markerek Teljes vérből meghatározható paraméterek Szérum/plazma Klinikai változást leíró végpontok Tüneti és gyógyszerhasználati score Prick/spec IgE Légzésfunkció

18 V-VI VIII-IXXI-IIV-VI VIII-IXXI-II V-VI VIII-IXXI 1. év 2. év 3. év PROS1 PROS2 parlagfű Vizit PROS3 Staloral kezelés RETRO Betegtoborzási ágakBevonások N= 125 N= 223 N = 90

19 Betegektől gyűjtött adatok Betegszintű; pl.: kor, nem, testtömeg, allergiára, asztmára, lakóhelyre stb. vonatkozó kérdések Vizitszintű; az előző vizit óta eltelt időszakban a tünetekre, kezelésre vonatkozó adatok és pl.: RTSS: Rhinoconjunctivitis Total Symptom Score; RQLQ. Betegnapló Összesen: 167 féle adat/beteg

20

21 Időjárási, légszennyezettségi és allergén koncentrációkra vonatkozó adatok

22 Pszichológiai adatok

23 FL1 FL2 FL3 FL4 FL5 CD nom.NévCD nom.NévCD nom.NévCD nom.NévCD nom.Név 1. csőCD45RO CD4 CD8 CD3 CD197CCR7 2. csőCD35CR1CD13741-BBCD14 CD154CD40LCD3 3. csőCD161NK1.1CD4 CD56N-CAMCD196CCR6CD3 4. csőCD25IL-2RαCD4 CD195CXCR3CD127IL-7RCD197CCR7 5. csőCD95FasCD4 CD28 CD152CTLA-4CD3 6. csőCD123IL-3RαCD11c CD14 CD19 HLA DR 7. csőCD284TLR4CD203c CD14 CD282 (TLR2)FcεRI 8. csőCD69AIMCD125IL-5RαCD14 CD19 CD5 9. csőCD64FcγRICD125IL-5RαCD14 CD19 CD23FcεRII 10. csőCD35CR1CD16FcγRIIICD14 CD19 CD11b TRU CD4 CD14 FACS panel - Predikcióra használt paraméterek #SejttípusokFunkcionális markerek 2. CsőMo, Eo, T, B (CD3- ly)T: CD137, CD154; Eo: CD35; CD3- ly: CD35; T: CD35 3. CsőTh, NK norm, Nk bright,NKT, Th17 NKT: CD4, CD196; 5. CsőT, Th, Tc (CD4- T)Th: CD28, CD95, CD152; Tc: CD28, CD95, CD152 7. CsőMo, Eo, Ba, FcεRI high BaMo: CD284,; Ba: CD203c; FcεRI high Ba: CD203c TRUCD14+ Mo, CD4+ Ly

24

25 Értékelés

26 Az egyes allergiás tünetek változása a kezelés hatására

27 A pszichológia kérdőív egyes kérdéseire adott válaszok alkotta mintázatok hasonlóság szerint exploratív céllal rendezve

28 Parlagfű-specifikus antitest-osztályok változása (ELISA) a kezelés során az egyes kezelési ágakon, (szezonban mért értékek)

29 GWAS

30 Adatok elemzése BN BMLA módszerrel BN BMLA = Bayesian network based Bayesian Multilevel Analysis of relevance

31 Példa a BN BMLA elemzés egy eredményére

32 A projekt néhány kiemelked ő személyisége Adminisztratív vezető: dr. Cserta Gábor, PhD (Csertex) Bicskei Labor Laborvezető: dr. Molnár Viktor Dr. Kozma T Gergely, PhD Dr. Farkas Anita, PhD Schuszter Kitti Berta András Debreceni Egyetem Laborvezető: Dr. Bálint L Bálint, PhD Informatikai vezető: Dr. Antal Péter (BME), PhD Klinikusok Dr. Nagy Adrienne, PhD, a projekt orvosi vezetője Dr: Csontos Zoltán Dr. Kurucz Anikó Dr. Kurucz Edina Dr. Csáki Csilla Dr. Krasznai Magdolna Dr. Csoma Zsuzsanna Dr. Gálffy Gabriella Dr. Tamási Lilla Dr. Czaller Ibolya Dr. Böcskei Renáta Dr. Zsigmond Györgyi Dr. Fábos Beáta

33 Köszönöm a figyelmet!