Analysnod - Biomarkörer

Vi erbjuder samverkande partners tillgång till högskolans forskning och kompetens inom identifiering och validering av biomarkörer. Biomarkörsdemonstratorn är en illustration av vårt arbetsflöde för att identifiera potentiella biomarkörer utifrån storskalig biologisk data. Demonstratorn kan t.ex. tillämpas för utveckling av bättre diagnostik och vid validering av läkemedelskandidater. I nuläget tillämpas och valideras demonstratorn i projekt inom sepsisdiagnostik och läkemedelsutveckling tillsammans med Skaraborgs sjukhus och företag. Är ni intresserade av att veta mer om hur biomarkörsdemonstratorn fungerar eller om den skulle kunna appliceras på er verksamhet, kontakta vår projektledare.

Vad är en biomarkör?

En biomarkör är en biologisk molekyl eller ett tillstånd som går att mäta och fungerar som en indikator på en biologisk process. Biomarkörer används bl. a inom vården för diagnostisering eller för individbaserad medicinering vilket innebär att läkemedel skräddarsys för enskilda patienter. Biomarkörer kan också användas för miljöövervakning, t.ex. för att upptäcka förorening eller andra former av miljöpåverkan.  

Vår biomarkörsdemonstrators användningsområde

High-throughput screeningmetoder generar stora mängder biologisk data. Biomarkörsdemonstratorn bygger (se figur nedan) på data-mining där metoder inom bioinformatik, statistik och matematik tillämpas, t.ex. olika klassificeringsmodeller och klustringsalgoritmer. Data-mining gör det möjligt att hitta kombinationer av variabler, samband och trender i stora datamängder. Det kan t.ex. vara att hitta kombinationer av variabler som kan särskilja mellan patientgrupper med en viss sjukdom eller att identifiera grupper som har gemensamma kännetecken.Illustration över testmiljön Biomarkörer Data mining

Data-mining av storskalig biologisk data
INPUT: Storskalig data
OUTPUT: Relevanta, stabila och mätbara biomarkörer för t.ex. diagnostik, läkemedelsutveckling eller individbaserad medicinering. 

I första skedet sorteras relevant och signifikant data ut, det kan t.ex. vara genom att rensa bort bakgrundsbrus, skala ner och ranka datan. Vid ”supervised learning” är grupperna kända på förhand t.ex. man har kännedom om huruvida patienterna är sjuka eller friska. Målsättningen är då att identifiera en optimal kombination av ett mindre antal biomarkörer som särskiljer patientgrupperna. Vid ”unsupervised learning” så är grupperna inte kända och målsättningen är att hitta grupper som korrelerar med varandra och förstå varför de grupperas.

Hur valideras biomarkörer?

För att validera biomarkörer separerar man ofta datan i en träningsgrupp och i en testgrupp. Träningsgruppen används för att skapa modeller i syfte att hitta lämpliga kombinationer av biomarkörer. Testgruppen används för att validera modellen, för att se hur bra modellen och biomarkörerna lyckas prediktera på ny data, t.ex. hur väl biomarkörerna kan avgöra om patienten är sjuk eller frisk. 

När denna data-mining ägt rum får du ett output  som kan sedan ge dig ett antal relevanta, stabila och mätbara biomarkörer för att kunna gå vidare i din frågeställning t.ex. inom diagnostik, läkemedelsutveckling eller utveckling av personlig medicin. 

Skaraborgs Innovativa Miljöer finansieras av:

Logotyp för Europeiska regionala utvecklingsfonden


Högskolan i Skövde Logga  Logotype Skaraborgs kommunalförbundLogotype Västra Götalandsregionen  

 

Kontakt

Projektledare testmiljö biomarkörer
Ida Emanuelsson 
Forskarassistent
Institutionen för biovetenskap
ida.emanuelsson@his.se
0500-448461