Multi-Disease Characterization and Classification through Transcriptomics–Based Multi-Omics Analysis
Tid: On 2026-06-10 kl 13.00
Plats: Air and Fire, SciLifeLab, Tomtebodavägen 23
Videolänk: https://kth-se.zoom.us/j/67142088168
Språk: Engelska
Ämnesområde: Bioteknologi
Respondent: Mengzhen Li , Systembiologi, Science for Life Laboratory, SciLifeLab
Opponent: Professor Ming Chen, Zhejiang University, Kina
Handledare: Professor Adil Mardinoglu, Systembiologi, Science for Life Laboratory, SciLifeLab, King's College London; Senior Lecturer Cheng Zhang, Science for Life Laboratory, SciLifeLab, Systembiologi, King's College London
QC 2026-05-18
Abstract
Transkriptomik fungerar som en brygga mellan genomik och fenotypiska utfall och utgör ett kraftfullt verktyg för att förstå systemnivåförändringar i human biologi, tack vare dess höga täckning, dynamiska regleringsförmåga och förmåga att fånga tidiga biologiska responser. Denna avhandling fokuserar på att karakterisera transkriptomiska signaturer över olika vävnader och sjukdomar samt integrerar proteomiska och metabola data för att ge en mer omfattande bild av olika hälsotillstånd.
I artikel I och II tillämpade vi transkriptomiska analyser på cellinjemodeller för att karakterisera egenskaper hos en in vitro-modell för steatos samt för att undersöka effekterna av växtbaserad behandling på cancercellinjer. I artikel III undersökte vi huruvida helblodstranskriptomik (WBT) kan fånga sjukdomsassocierade egenskaper och utvecklade en WBT-baserad prediktionspipeline, där vi adresserade utmaningar relaterade till kohortheterogenitet och batch-effekter från olika transkriptomiska plattformar. I artikel IV etablerade vi en storskalig kohort bestående av 4 444 deltagare över 98 hälsotillstånd och konstruerade en omfattande helblodstranskriptomatlas (WBT Atlas). Vi karakteriserade systematiskt sjukdomsspecifika egenskaper ur immunologiska och metabola perspektiv på gen-, genmodul- och signalvägsnivå. Dessutom integrerade vi matchade proteomiska data för att belysa den komplementära naturen hos transkriptomik och proteomik. Slutligen utvecklade vi modeller för multipelsjukdomsdetektion som möjliggör individuell prediktion av sjukdomsrisk. I artikel V utvidgade vi den transkriptomiska analysen till den metabola nivån genom att konstruera 32 vävnadsspecifika och 81 celltypsspecifika enzymbegränsade genome-scale metabola modeller (ecGEMs) över människokroppen, vilket kopplar genuttryck till metabol funktion.
Sammanfattningsvis tillämpar denna avhandling ett transkriptomikcentrerat ramverk för multi-omisk integration över olika vävnader och sjukdomar, vilket ger insikter i sjukdomsmekanismer och möjliggör biomarkörbaserad prediktion av sjukdom.