Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
多组学整合如何揭示疾病机制？
摘要
随着生物技术的迅速发展，多组学整合已成为理解疾病机制的重要工具。传统的单一组学研究虽能提供特定层面的生物信息，但往往无法全面揭示疾病的复杂性。多组学整合通过结合不同组学的数据，从多个层面系统性分析生物体状态，帮助研究人员识别关键生物标志物、发现新的治疗靶点，并优化个性化医疗方案。本文首先介绍多组学整合的概念与方法，强调其在癌症和自身免疫疾病等复杂疾病研究中的应用。通过具体案例分析，展示了多组学整合如何揭示疾病机制，推动临床应用的发展。尽管当前多组学整合面临数据处理与分析的复杂性、不同组学数据的异质性等挑战，但其在疾病机制研究中的潜力仍在不断拓展。未来，研究者需着重于技术创新与标准化，以促进多组学整合在临床和基础医学中的应用。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 多组学整合的概念与方法
- 2.1 多组学的定义与分类
- 2.2 数据整合的方法与技术
- 3 多组学整合在疾病机制研究中的应用
- 3.1 癌症研究中的多组学整合
- 3.2 自身免疫疾病的多组学分析
- 4 案例分析
- 4.1 具体疾病的多组学整合研究案例
- 4.2 研究成果与临床应用
- 5 挑战与前景
- 5.1 数据处理与分析的挑战
- 5.2 多组学整合的未来发展方向
- 6 总结
1 引言
随着生物技术的迅速发展，特别是高通量测序和多组学技术的进步，多组学整合（multi-omics integration）已成为理解疾病机制的重要工具。传统的单一组学研究虽然能够提供特定层面的生物信息，但往往无法全面揭示疾病的复杂性。单一组学的分析局限于特定生物层面，例如基因组学、转录组学、蛋白质组学或代谢组学，难以从整体上理解疾病的发生与发展[1]。而多组学整合则通过结合不同组学的数据，从多个层面系统性地分析生物体的状态，进而更好地理解疾病的机制。
多组学整合的研究意义重大。通过整合不同来源的数据，研究人员能够识别关键的生物标志物，发现新的治疗靶点，并优化个性化医疗方案[2][3]。例如，在癌症研究中，多组学整合不仅有助于揭示肿瘤的异质性，还能推动肿瘤分型、预后评估及早期诊断的进展[1]。此外，多组学还能够揭示环境因素与遗传因素之间的相互作用，为疾病的预防和干预提供新的思路[4]。
当前，多组学整合的研究现状表明，尽管在技术和方法上取得了一定的进展，但在实际应用中仍面临诸多挑战。数据处理与分析的复杂性、不同组学数据的异质性，以及如何有效整合多层次的数据以揭示生物学意义，都是当前研究的重点[2][5]。例如，如何利用机器学习和深度学习等先进算法对多组学数据进行有效分析，已成为研究者们关注的热点[2]。尽管如此，多组学整合在疾病机制研究中的应用仍在不断拓展，涵盖了从癌症、自身免疫疾病到神经系统疾病等多个领域[3][6]。
本报告将围绕多组学整合在疾病机制研究中的应用展开，内容组织如下：首先，介绍多组学整合的概念与方法，包括多组学的定义与分类，以及数据整合的技术[2]。其次，探讨多组学整合在不同疾病机制研究中的应用，重点分析癌症和自身免疫疾病的案例[1][3]。随后，通过具体疾病的多组学整合研究案例，展示研究成果与临床应用的潜力[4]。最后，讨论当前面临的挑战与未来的发展方向，旨在为研究人员提供一个全面的视角，以促进多组学研究在临床和基础医学中的应用。
综上所述，多组学整合为深入理解复杂疾病机制提供了新的视角和工具，未来的研究有望通过进一步的发展和应用，推动精准医学的进步。
2 多组学整合的概念与方法
2.1 多组学的定义与分类
多组学整合是一种通过结合来自不同生物分子层次的数据（如基因组学、转录组学、蛋白质组学、代谢组学等）来深入理解复杂生物过程的研究方法。其核心在于利用不同组学数据的互补性，揭示疾病机制及其相关生物学功能。
多组学整合的概念基于这样一个认识：单一组学技术往往无法充分解释疾病的复杂性。随着高通量技术的发展，研究者们能够获得大量的组学数据，但这些数据的单层分析通常不能提供因果关系。因此，采用多组学数据整合策略，可以跨越不同的细胞功能层次，提供对复杂疾病（如癌症、衰老等）更深入的理解（Menyhárt & Győrffy, 2021）[1]。
多组学的定义包括多个组学领域的交叉应用，例如基因组学、转录组学、蛋白质组学、代谢组学等。这些领域的整合能够系统地揭示生物分子之间的相互作用，从而阐明疾病的发生机制和潜在的治疗靶点（Wu et al., 2021）[7]。例如，在对甲基丙二酸尿症（MMA）的研究中，通过整合基因组、转录组、蛋白质组和代谢组数据，研究者们能够识别出与疾病相关的关键分子通路，并揭示谷胱甘肽代谢在MMA发病机制中的重要性（Fu et al., 2025）[8]。
多组学整合的主要方法包括数据驱动和知识引导的整合策略。这些方法利用不同的降维技术和整合手段来处理多组学数据集，从而帮助识别与疾病相关的生物标志物和分子机制（Lu et al., 2025）[9]。此外，网络基础的整合方法也被提出，旨在通过构建多组学网络，揭示不同组学层次之间的动态关系及其在疾病发展中的作用（Bodein et al., 2022）[10]。
尽管多组学整合在理解疾病机制方面具有显著优势，但其临床应用仍面临诸多挑战，包括数据异质性、平台变异性以及高维数据分析的“维度诅咒”等（Shi et al., 2024）[11]。为克服这些挑战，研究者们正在积极推动样本处理和分析流程的标准化，以及多学科专家的培训，以促进理论发现的转化（Menyhárt & Győrffy, 2021）[1]。
总之，多组学整合为揭示疾病机制提供了强有力的工具，通过系统地整合不同层次的生物数据，能够更全面地理解疾病的发生和发展过程，并为精准医疗提供重要依据。
2.2 数据整合的方法与技术
多组学整合是一种先进的方法，通过结合不同生物分子层次的数据（如基因组学、转录组学、蛋白质组学和代谢组学），以全面理解健康与疾病的复杂生物过程。这种整合不仅有助于揭示疾病机制，还能促进新疗法和生物标志物的发现。
在多组学整合中，数据整合的方法和技术主要包括以下几种：
数据驱动的方法：这种方法依赖于算法和模型，通过对不同组学数据的共同分析，识别潜在的生物学关系和功能模块。例如，图注意力网络可以用于处理样本间的共同功能网络，从而提高特征表示的效果[4]。
知识驱动的方法：此类方法利用已有的生物学知识和数据库，来指导数据的整合过程。通过整合不同来源的数据，可以更好地理解复杂的生物学现象，尤其是在揭示基因间的相互作用和调控机制时，知识驱动的方法显得尤为重要[9]。
网络基础的整合：在这种方法中，研究者构建混合的多组学网络，结合已知的和推断的关系，以揭示不同组学层次之间的动态关系。这种网络不仅可以帮助识别关键的调控机制，还能发现新的生物学功能模块，从而为疾病的理解提供更深入的视角[10]。
机器学习和深度学习：这些技术被广泛应用于多组学数据的整合分析中，能够处理高维数据，并从中提取有意义的特征。这些方法在生物标志物的发现和疾病预后模型的构建中表现出色，能够识别与疾病相关的复杂模式[2]。
多组学纵向数据的整合：结合纵向实验设计的多组学整合方法，可以揭示组学层次之间的动态关系和关键交互作用。这种方法能够提供对生物过程的深入理解，尤其是在研究复杂表型和疾病进展时具有重要意义[10]。
尽管多组学整合提供了无与伦比的优势，但其临床应用仍面临诸多挑战，如数据的异质性和分析技术的复杂性。因此，推动样本处理和分析流程的标准化，以及多学科专家的培训，对于促进理论发现的临床转化至关重要[1]。
3 多组学整合在疾病机制研究中的应用
3.1 癌症研究中的多组学整合
多组学整合在癌症研究中的应用具有重要意义，它通过将来自不同生物层面的数据进行整合，帮助研究人员深入理解疾病机制。多组学分析涉及基因组学、转录组学、蛋白质组学、代谢组学等多个层面，这种整合策略能够揭示复杂疾病如癌症的生物学基础。
首先，多组学数据的整合能够提供对癌症发生和发展的全面视角。例如，Zhao等人（2024）指出，在小细胞肺癌（SCLC）研究中，整合多组学分析有助于全面理解疾病的发病机制和发展过程，并推动新疗法和生物标志物的开发[3]。通过分析不同组学层面之间的相互作用，研究者能够识别出关键的致病基因和信号通路，这些都是理解癌症生物学的关键。
其次，多组学整合为识别癌症亚型、病理机制和驱动基因变异提供了有效的算法框架。Menyhárt和Győrffy（2021）强调，单一数据层的分析往往无法建立因果关系，而多组学数据整合策略则能够跨越不同的细胞功能层面，揭示癌症的潜在生物学机制和转化研究的方向[1]。通过综合不同组学数据，研究者可以更准确地进行肿瘤分类、诊断和预后评估。
此外，整合多组学数据也面临一些挑战，例如不同组学方法的成熟度不均和数据处理能力的差距。Chakraborty等人（2024）提到，尽管多组学整合在癌症生物学中的应用具有无与伦比的优势，但其临床应用仍然缓慢，这主要是由于数据生成和处理之间的鸿沟[12]。为了解决这些问题，推动样本处理和分析流程的标准化，以及多学科专家在数据分析和解释方面的培训是至关重要的。
总之，多组学整合在癌症研究中提供了前所未有的机会，通过揭示不同生物层面之间的相互作用，帮助研究者更深入地理解癌症的复杂机制。这不仅推动了肿瘤分类和治疗策略的发展，也为个性化医学提供了新的思路和方向。
3.2 自身免疫疾病的多组学分析
多组学整合在研究疾病机制方面提供了深刻的洞见，尤其是在自身免疫疾病（AID）的研究中。自身免疫疾病是一类复杂的疾病，涉及多种遗传、环境和免疫因素的相互作用。传统的单一组学研究往往无法全面揭示这些疾病的复杂机制，而多组学整合则通过整合基因组、转录组、蛋白质组、代谢组等多层次的数据，帮助研究者更全面地理解疾病的发生发展。
在自身免疫疾病的研究中，多组学方法能够通过分析不同生物分子层面的数据，识别出与疾病相关的关键生物通路和分子机制。例如，Borrego-Yaniz等人（2024年）指出，利用组学技术生成的海量数据，可以帮助我们理解系统性自身免疫性风湿病（SARDs）的复杂性。这些数据的整合不仅能够丰富我们对疾病的生物学理解，还能促进临床应用的发展[13]。
此外，Kruta等人（2024年）开发的机器学习框架，能够将多组学数据与临床值结合，提升自身免疫疾病的诊断精度。通过这种方法，研究者能够识别出与疾病相关的生物标志物，并在此基础上实现高达96%的预测准确率[14]。这种整合策略不仅提高了疾病的诊断能力，还为后续的个性化治疗提供了可能的生物标志物和靶点。
在另一项研究中，Fukushima-Nomura等人（2025年）强调了多组学在过敏机制和精准医学中的重要性。他们指出，通过整合基因组、转录组、蛋白质组等多种数据，可以识别出疾病的不同表型和生物标志物，从而推动精准医疗的发展[15]。这种整合方法不仅有助于揭示疾病的分子异质性，还能为患者分层和治疗策略的制定提供依据。
综上所述，多组学整合在自身免疫疾病的研究中，能够通过全面的生物数据分析，揭示复杂的疾病机制，识别生物标志物，进而推动精准医疗的发展。这一方法的成功应用不仅为基础研究提供了新思路，也为临床实践带来了潜在的变革。
4 案例分析
4.1 具体疾病的多组学整合研究案例
多组学整合在揭示疾病机制方面发挥了重要作用，通过综合分析不同层次的生物数据（如基因组、转录组、蛋白质组和代谢组），能够深入理解复杂疾病的病理过程。以下是几个具体疾病的多组学整合研究案例，展示了其在揭示疾病机制方面的应用。
首先，甲基丙二酸尿症（Methylmalonic aciduria, MMA）作为一种遗传代谢障碍，研究者们利用多组学数据分析了其复杂的病理机制。通过整合来自230名个体的基因组、转录组、蛋白质组和代谢组数据，研究发现谷胱甘肽代谢在MMA的发病机制中具有重要作用。这一发现得到了蛋白质定量性状位点（protein-quantitative trait loci）分析和相关网络分析的支持，这些分析结合了蛋白质组和代谢组数据，揭示了在MMA患者中溶酶体功能的损害，进而影响了代谢平衡[8]。
其次，在败血症的研究中，多组学整合被用于揭示宿主与微生物组之间的复杂相互作用。败血症的病理机制涉及宿主对感染的失调反应，通过整合多组学数据，研究者能够识别与败血症相关的新型诊断生物标志物，并开发个性化的动态治疗策略。然而，数据整合面临技术挑战，如数据异质性和平台变异性，这些问题的解决对于推动多组学在败血症中的应用至关重要[9]。
另外，在癌症研究中，多组学整合同样展现出其潜力。通过结合组织学、转录组学和蛋白质组学的空间和时间背景，研究者能够揭示低级别浆液性癌中的特定生物学特征和RNA-蛋白质解耦合现象。这种综合方法有助于发现新的分子机制，为精准肿瘤学提供指导[16]。
此外，随着多组学技术的不断进步，研究者们还在环境毒理学领域开展了多组学整合分析，以理解环境污染物的毒性机制。传统的单组学研究难以揭示分子变化与毒性结果之间的因果关系，而多组学整合分析能够提供对特定生物过程的整体生物机制的理解，从而发现新的毒性靶点和潜在的分子机制[11]。
总之，多组学整合通过提供多维度的数据视角，不仅揭示了复杂疾病的潜在机制，还推动了疾病的诊断和治疗策略的创新。通过整合不同层次的生物信息，研究者能够识别出关键的分子通路和生物标志物，为精准医疗的实施奠定了基础。
4.2 研究成果与临床应用
多组学整合在揭示疾病机制方面发挥了重要作用，尤其是在处理复杂和不完全理解的病理机制时。通过结合来自不同生物分层的数据，如基因组学、转录组学、蛋白质组学和代谢组学，研究人员能够获得更全面的疾病生物学视角。
例如，在一项关于甲基丙二酸尿症（MMA）的研究中，研究者们通过整合基因组、转录组、蛋白质组和代谢组的数据，深入探讨了这一遗传代谢疾病的分子机制。他们分析了230名个体的数据（210名MMA患者和20名对照），揭示了谷胱甘肽代谢在MMA发病机制中的重要性，并通过相关网络分析整合了蛋白质组和代谢组数据，从而支持了这些发现。这种多组学分析框架有效地解决了通过多层次生物信息整合优先考虑分子通路干扰的问题，从而为理解疾病机制提供了新见解[8]。
另一个案例是针对败血症的研究，其中多组学整合被用于揭示宿主与微生物组之间的相互作用机制。研究表明，多组学技术能够识别新的诊断生物标志物，并推动个性化和动态治疗策略的发展。尽管面临数据异质性和平台变异性等技术挑战，研究者们已开发出数据驱动和知识引导的整合策略，以应对这些复杂的多组学数据集[9]。
此外，近年来在癌症研究中，整合空间和时间上下文的多组学数据，已被用于揭示低级别浆液性癌症中的特定生物学和分子模式。这种整合能够帮助发现新的机制并指导精准肿瘤学的发展[16]。例如，Schweizer等人通过整合组学数据，揭示了肿瘤转化过程中的RNA-蛋白质解耦合现象，突显了多组学整合在癌症研究中的潜力。
尽管多组学整合提供了无与伦比的优势，推动了对疾病机制的深入理解，但其在临床应用中的实施仍面临挑战。这些挑战包括不同组学方法的不均衡成熟度，以及生成大量数据与数据处理能力之间的差距。因此，推进样本处理和分析流程的标准化，以及培养多学科专家以进行数据分析和解释，是促进理论发现转化为临床实践的关键[1]。
综上所述，多组学整合通过提供跨越不同生物层次的全面视角，不仅揭示了复杂疾病的潜在机制，还为临床应用和个性化治疗提供了新的方向和策略。
5 挑战与前景
5.1 数据处理与分析的挑战
多组学整合在揭示疾病机制方面展现出重要价值，但在数据处理与分析过程中面临诸多挑战。多组学整合涉及将来自不同生物层次的数据（如基因组、转录组、蛋白质组和代谢组）进行综合分析，以便全面理解复杂疾病的生物学基础。然而，这一过程受到多种因素的制约。
首先，数据的异质性是多组学整合中的一个主要挑战。不同的组学数据可能来源于不同的实验平台，这些平台之间存在技术差异，导致数据在质量、格式和解析度上的不一致。这种异质性使得在整合时难以保证数据的可比性和一致性，从而影响分析结果的可靠性[9]。
其次，数据的高维性也是一个显著的挑战。多组学数据通常包含大量变量，这不仅增加了计算的复杂性，还可能导致“维度诅咒”现象，即在高维空间中，数据点之间的距离变得不再有意义。这使得传统的统计分析方法在处理这些数据时可能失效，因此需要开发新的算法和模型来有效处理和分析这些高维数据[8]。
此外，当前的多组学整合方法往往侧重于提高预测准确性，而忽视了发现有意义生物标志物的任务。这在生物医学领域尤其重要，因为分子通常是相互作用的，而不是单独发挥作用。为了克服这一局限，研究者们提出了包括图注意力架构在内的多阶段框架，以增强特征表示和分类信心评估，从而更好地解释疾病结果[4]。
最后，尽管多组学整合在理论上具有巨大的潜力，但在临床应用中仍面临诸多障碍。现有的多组学技术和分析管道的标准化程度不高，导致从理论研究到临床实践的转化进展缓慢。为了促进多组学研究成果的临床转化，迫切需要对样本处理和分析流程进行标准化，同时加强对数据分析和解释的多学科培训[1]。
综上所述，多组学整合在揭示疾病机制方面的潜力巨大，但要克服数据处理与分析的挑战，需持续努力以改进技术和方法，从而推动其在临床实践中的应用。
5.2 多组学整合的未来发展方向
多组学整合在揭示疾病机制方面发挥着至关重要的作用。通过结合基因组学、转录组学、蛋白质组学、代谢组学等多个层面的数据，多组学整合能够提供对复杂疾病生物学的全面理解。传统的单组学研究往往无法充分捕捉到生物系统的复杂性，而多组学方法则通过整合不同类型的数据，揭示了不同生物层次之间的相互作用和关系。
首先，多组学整合能够帮助识别疾病过程中的关键分子通路。例如，Fu等人（2025年）在研究甲基丙二酸尿症（MMA）时，利用多组学数据分析揭示了谷胱甘肽代谢在疾病发病机制中的重要性。通过整合基因组、转录组、蛋白质组和代谢组数据，研究者能够识别出在MMA患者中受损的分子途径，并提供了对疾病机制的深刻洞察[8]。
其次，多组学整合还能够通过动态观察生物过程，识别系统性生物学的关键交互作用。Bodein等人（2022年）提出了一种基于多组学纵向数据的网络整合方法，能够揭示不同组学层次之间的动态关系，并识别出在复杂表型发展中的关键参与者[10]。这种方法的优势在于，它不仅关注于数据的整合，还致力于解释和理解数据背后的生物学意义。
尽管多组学整合在揭示疾病机制方面展现出巨大潜力，但在临床应用中仍面临许多挑战。数据异质性、平台变异性以及高维数据的“维度诅咒”都是当前研究需要克服的主要技术障碍[9]。为此，研究者们提出了多种整合策略，包括数据驱动和知识引导的方法，这些方法利用降维技术和整合方法来处理多组学数据集，以促进对疾病机制的理解和诊断[9]。
展望未来，多组学整合的前景广阔。随着高通量技术和计算能力的不断进步，未来的研究将更加注重于开发新型的整合算法和工具，以提高数据整合的效率和准确性。同时，随着对个体差异和环境因素的重视，精准医疗的实施将越来越依赖于多组学数据的综合应用[17]。例如，在癌症研究中，通过结合空间组学和时间组学数据，研究者能够更好地理解肿瘤的异质性和进展过程，从而推动精准治疗的发展[16]。
总之，多组学整合在揭示疾病机制方面具有重要意义，其未来发展方向将集中在克服当前技术挑战、推动临床应用以及促进精准医疗的实施等方面。通过不断探索和创新，多组学整合将为理解复杂疾病的生物学提供更为深刻的视角。
6 总结
多组学整合在揭示疾病机制方面的研究成果显示了其在现代生物医学领域的重要性。通过整合基因组、转录组、蛋白质组和代谢组等不同层面的数据，研究者们能够更全面地理解复杂疾病的生物学基础，尤其是在癌症和自身免疫疾病等领域。当前的研究表明，多组学整合不仅能够识别关键的生物标志物，还能推动个性化医疗的进展。尽管在数据异质性、高维数据分析和临床应用转化等方面面临挑战，但未来的发展方向应集中在改进数据处理技术、推动标准化流程以及培养跨学科专家，以促进多组学整合在临床和基础医学中的广泛应用。随着高通量技术和计算能力的不断进步，多组学整合的潜力将得到进一步挖掘，为理解复杂疾病提供更深刻的视角和新的治疗策略。
参考文献
- [1] Otília Menyhárt;Balázs Győrffy. Multi-omics approaches in cancer research with applications in tumor subtyping, prognosis, and diagnosis.. Computational and structural biotechnology journal(IF=4.1). 2021. PMID:33613862. DOI: 10.1016/j.csbj.2021.01.009.
- [2] Chongyang Chen;Jing Wang;Donghui Pan;Xinyu Wang;Yuping Xu;Junjie Yan;Lizhen Wang;Xifei Yang;Min Yang;Gong-Ping Liu. Applications of multi-omics analysis in human diseases.. MedComm(IF=10.7). 2023. PMID:37533767. DOI: 10.1002/mco2.315.
- [3] Guo Zhao;Yuning Wang;Shuhang Wang;Ning Li. Comprehensive multi-omics analysis provides biological insights and therapeutic strategies for small-cell lung cancer.. MedComm(IF=10.7). 2024. PMID:38817653. DOI: 10.1002/mco2.569.
- [4] Hong Liang;Haoran Luo;Zhiling Sang;Miao Jia;Xiaohan Jiang;Zheng Wang;Shan Cong;Xiaohui Yao. GREMI: An Explainable Multi-Omics Integration Framework for Enhanced Disease Prediction and Module Identification.. IEEE journal of biomedical and health informatics(IF=6.8). 2024. PMID:39110558. DOI: 10.1109/JBHI.2024.3439713.
- [5] Anita Sathyanarayanan;Tamara T Mueller;Mohammad Ali Moni;Katja Schueler; ;Bernhard T Baune;Pietro Lio;Divya Mehta;Bernhard T Baune;Mara Dierssen;Bjarke Ebert;Chiara Fabbri;Paolo Fusar-Poli;Massimo Gennarelli;Catherine Harmer;Oliver D Howes;Joost G E Janzing;Pietro Lio;Eduard Maron;Divya Mehta;Alessandra Minelli;Lara Nonell;Claudia Pisanu;Marie-Claude Potier;Filip Rybakowski;Alessandro Serretti;Alessio Squassina;David Stacey;Roos van Westrhenen;Laura Xicota. Multi-omics data integration methods and their applications in psychiatric disorders.. European neuropsychopharmacology : the journal of the European College of Neuropsychopharmacology(IF=6.7). 2023. PMID:36706689. DOI: 10.1016/j.euroneuro.2023.01.001.
- [6] Sarah E Blutt;Cristian Coarfa;Josef Neu;Mohan Pammi. Multiomic Investigations into Lung Health and Disease.. Microorganisms(IF=4.2). 2023. PMID:37630676. DOI: 10.3390/microorganisms11082116.
- [7] Lei Wu;Xinqiang Xie;Tingting Liang;Jun Ma;Lingshuang Yang;Juan Yang;Longyan Li;Yu Xi;Haixin Li;Jumei Zhang;Xuefeng Chen;Yu Ding;Qingping Wu. Integrated Multi-Omics for Novel Aging Biomarkers and Antiaging Targets.. Biomolecules(IF=4.8). 2021. PMID:35053186. DOI: 10.3390/biom12010039.
- [8] Jianbo Fu;Vito R T Zanotelli;Cedric Howald;Nylsa Chammartin;Ilya Kolpakov;Ioannis Xenarios;D Sean Froese;Bernd Wollscheid;Patrick G A Pedrioli;Sandra Goetze. A Multi-Omics Framework for Decoding Disease Mechanisms: Insights From Methylmalonic Aciduria.. Molecular & cellular proteomics : MCP(IF=5.5). 2025. PMID:40436252. DOI: 10.1016/j.mcpro.2025.100998.
- [9] Jiamin Lu;Wen Zhang;Yuzhou He;Mei Jiang;Zhankui Liu;Jirong Zhang;Lanzhi Zheng;Bingzhi Zhou;Jielian Luo;Chenming He;Yunan Shan;Runze Zhang;KaiLiang Fan;Bangjiang Fang;Chuanqi Wan. Multi-omics decodes host-specific and environmental microbiome interactions in sepsis.. Frontiers in microbiology(IF=4.5). 2025. PMID:40641871. DOI: 10.3389/fmicb.2025.1618177.
- [10] Antoine Bodein;Marie-Pier Scott-Boyer;Olivier Perin;Kim-Anh Lê Cao;Arnaud Droit. Interpretation of network-based integration from multi-omics longitudinal data.. Nucleic acids research(IF=13.1). 2022. PMID:34883510. DOI: 10.1093/nar/gkab1200.
- [11] Chengcheng Shi;Lin Cheng;Ying Yu;Shuangshuang Chen;Yubing Dai;Jiajia Yang;Haijun Zhang;Jiping Chen;Ningbo Geng. Multi-omics integration analysis: Tools and applications in environmental toxicology.. Environmental pollution (Barking, Essex : 1987)(IF=7.3). 2024. PMID:39103035. DOI: 10.1016/j.envpol.2024.124675.
- [12] Sohini Chakraborty;Gaurav Sharma;Sricheta Karmakar;Satarupa Banerjee. Multi-OMICS approaches in cancer biology: New era in cancer therapy.. Biochimica et biophysica acta. Molecular basis of disease(IF=4.2). 2024. PMID:38484941. DOI: 10.1016/j.bbadis.2024.167120.
- [13] Gonzalo Borrego-Yaniz;Laura C Terrón-Camero;Martin Kerick;Eduardo Andrés-León;Javier Martin. A holistic approach to understanding immune-mediated inflammatory diseases: bioinformatic tools to integrate omics data.. Computational and structural biotechnology journal(IF=4.1). 2024. PMID:38089468. DOI: 10.1016/j.csbj.2023.11.045.
- [14] Jan Kruta;Raphael Carapito;Marten Trendelenburg;Thierry Martin;Marta Rizzi;Reinhard E Voll;Andrea Cavalli;Eriberto Natali;Patrick Meier;Marc Stawiski;Johannes Mosbacher;Annette Mollet;Aurelia Santoro;Miriam Capri;Enrico Giampieri;Erik Schkommodau;Enkelejda Miho. Machine learning for precision diagnostics of autoimmunity.. Scientific reports(IF=3.9). 2024. PMID:39537649. DOI: 10.1038/s41598-024-76093-7.
- [15] Ayano Fukushima-Nomura;Hiroshi Kawasaki;Masayuki Amagai. Integrative omics redefining allergy mechanisms and precision medicine.. Allergology international : official journal of the Japanese Society of Allergology(IF=6.7). 2025. PMID:40975691. DOI: 10.1016/j.alit.2025.08.007.
- [16] Ada Junquera;Anniina Färkkilä. Tracing cancer progression through interpretable spatial multi-omics.. Trends in cancer(IF=17.5). 2025. PMID:41260975. DOI: 10.1016/j.trecan.2025.11.002.
- [17] Mohan Babu;Michael Snyder. Multi-Omics Profiling for Health.. Molecular & cellular proteomics : MCP(IF=5.5). 2023. PMID:37119971. DOI: 10.1016/j.mcpro.2023.100561.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
© 2025 MaltSci 麦伴科研