内分泌和代谢疾病是生物医学研究中一个关键且不断发展的领域，涵盖糖尿病、肥胖症和代谢综合征等疾病，这些疾病深受遗传、分子和环境因素的影响。这些疾病的复杂性源于多个生物层面——基因组、转录组、蛋白质组、代谢组和微生物组之间的相互作用。近年来，高通量多组学技术的出现显著提高了我们对这些疾病的理解，使我们能够系统地探索分子机制和通路间的相互作用。同时，人工智能(AI)和机器学习彻底改变了生物医学数据分析，提供了从高维数据集中提取有意义模式的工具。尽管取得了这些进展，但在将计算洞察转化为临床应用方面仍存在重大挑战。目前的研究往往缺乏组学层面之间的整合，或未能将分子数据与患者层面的结果联系起来。因此，迫切需要开展协作性、跨学科研究，架起数据驱动发现与临床实施之间的桥梁，以推动精准内分泌学的发展。
本研究主题旨在促进多组学和人工智能方法在内分泌和代谢疾病研究、诊断和管理中的整合，推动相关进展。它致力于培育应用型和转化型研究，利用多层次生物和临床数据，加深对疾病病理生理学的理解，并开发预测性、诊断性和预后性模型。主要目标包括识别疾病亚型、改进风险分层，以及发现可操作的生物标志物，从而实现个性化治疗干预。最终目标是加强计算创新与临床实用性的联系，推动内分泌和代谢疾病个性化医疗的进步。
为了进一步深入了解内分泌系统研究中以数据为驱动且具有临床相关性的方法，我们欢迎涉及但不限于以下主题的文章：
• 整合多组学数据集（基因组学、转录组学、代谢组学等）以深入理解代谢疾病的机制
• 用于疾病亚型划分、风险分层和预后预测的人工智能和机器学习方法
• 用于内分泌疾病特征描述和治疗靶点识别的系统生物学和基于网络的建模
• 数字健康技术和真实世界证据在内分泌和代谢疾病管理中的应用
• 具有潜在临床效用的新生物标志物的发现和验证
• 支持糖尿病、肥胖症及相关疾病精准医疗的计算框架开发
【全文结束】
