 |
Bayesian, systems-based methods for analyzing large health data sets
|
Help 
Print 
|
Here you can view and search the projects funded by NKFI since 2004
Back »
|
| |
Details of project |
|
|
| Identifier |
119866 |
| Type |
K |
| Principal investigator |
Antal, Péter |
| Title in Hungarian |
Bayesi, rendszeralapú módszerek nagy mennyiségű egészségügyi adatok elemzésére |
| Title in English |
Bayesian, systems-based methods for analyzing large health data sets |
| Keywords in Hungarian |
valószínűségi gráfos modellek, neurális hálózatok, döntési gráfok, kernel módszerek, Bayes-statisztika,kemoinformatika, bionformatika |
| Keywords in English |
probabilistic graphical models, neural networks, decision graphs, kernel methods, Bayesian statistics, chemoinformatics, bionformatics |
| Discipline |
| Information Technology (Council of Physical Sciences) | 60 % | | Ortelius classification: Applied informatics | | Biostatistics (Council of Medical and Biological Sciences) | 30 % | | Bioinformatics (Council of Medical and Biological Sciences) | 10 % |
|
| Panel |
Informatics and Electrical Engineering |
| Department or equivalent |
Department of Measurement and Information Systems (Budapest University of Technology and Economics) |
| Participants |
Bagdy, György
Bolgár, Bence Márton
Bruncsics, Bence
Dobrowiecki, Tadeusz
Guenfoud, Zeyneb
Hadházi, Dániel
Horváth, Gábor
Hullám, Gábor
Juhász, Gabriella
Pataki, Béla
Strausz, György
Szalai, Csaba
|
| Starting date |
2016-10-01 |
| Closing date |
2020-12-31 |
| Funding (in million HUF) |
47.967 |
| FTE (full time equivalent) |
8.78 |
| state |
closed project |
Summary in Hungarian A kutatás összefoglalója, célkitűzései szakemberek számára
Itt írja le a kutatás fő célkitűzéseit a témában jártas szakember számára.
A nagy mintaszámú kohorsz adatgyűjtések, amelyek életmód, környezeti, fiziológiai, klinikai és molekuláris biológiai adatokat, például a résztvevők genetikai adatait is lefedik, merőben új lehetőséget kínálnak egy átfogó, rendszerszemléletű elemzésre. Valószínűségszámítási és oksági kutatásban gyökerező helyzetük miatt a Bayes-hálókat használó megközelítések egzakt megoldást kínálnak a többváltozós összefüggési-függetlenségi mintázatok feltérképezésére, különösen Bayes-statisztikai keretben történő alkalmazásuk esetében. Ezen módszerek felskálázásához, főként teljes genomi szélességú genetikai adatok elemzésének biztosításához, a következőket vizsgáljuk meg:
• Döntési gráfok, kernel módszerek és mély neurális hálózatok lokális modellként való használata Bayes-hálókban.
• Osztott paraméterek és relációs kiterjesztések használata Bayes-hálókban.
• Markov Lánc Monte Carlo módszerek következtetésre és tanulásra, amelyek hiányos adatkezelést is lehetővé tesznek.
• Szemantikai technológiák felhasználása adatelőkészítésre és adatelemzési eredmények értelmezésére.
• Nyílt, kapcsolt adatbázisok felhasználása a priori eloszlások konstruálására.
• Bayes-háló alapú modellek strukturális tulajdonságainak (jegyeinek) vizsgálata, ahol a modelltulajdonságok komplexitása szisztematikusan változó.
• Bayesi, rendszeralapú módszerek integrálása teljes genomi szélességű genetikai adatelemzési folyamatokba.
Mi a kutatás alapkérdése?
Ebben a részben írja le röviden, hogy mi a kutatás segítségével megválaszolni kívánt probléma, mi a kutatás kiinduló hipotézise, milyen kérdéseket válaszolnak meg a kísérletek.
A gyenge és feltételes hatások komplex hálózata, például a multifaktoriális betegségeknél megfigyelt gén-környezet interakciók rendszere, komoly kihívást jelent az egészségügyi adatok elemzésében. Ezen adatok átfogó elemzésére a Bayes-hálózatok ideális jelöltek, de a teljes modell identifikációja gyakorlatban elérhetetlen mintaszámot igényel. A bayesi modellátlagolás egy olyan alternatívát kínál, amely a többszörös hipotézistesztelés kezelésére egy automatizált, optimális korrekciót biztosít, azonban a számítási igény ekkora adatméretnél elérhetetlenül nagy, illetve az eredmények értelmezését nehezíti az a posteriori eloszlás egyenletes jellege, elkentsége.
Feltevésünk szerint a speciális lokális modellekkel, például döntési gráfokkal, kernel gépekkel, mély neurális hálókkal és relációs technikákkal kiterjesztett Bayes-hálózatok egy rugalmasabb, felskálázhatóbb eszközt jelentenek, amely a Bayes-statisztikai keretben automatikusan származtatott a priori eloszlásokkal is segíthető a hatékony adatelemzés érdekében. Ennek egyik felhasználási lehetősége, ha olyan strukturális modelltulajdonságokat definiálunk, amelyek komplexitása szisztematikusan változik, egymásba ágyazottak és így egyfajta hierarchiát, hálózatot alkotnak. Ezen modelltulajdonságok tereire a teljes modell feletti a posteriori eloszlás vetítéssel egyedi a posteriori eloszlásokat definiál. Az így származtatott, koherens eloszlások már koncentráltabbak, pontosabban az adatmérethez igazodóan a modelltulajdonságok csökkenő komplexitásásával várható a koncentráltabb eloszlások megjelenése. Ezek értelmezését szemantikus technológiák is segíthetik valószínűségi tudásbázisok kialakításával.
Mi a kutatás jelentősége?
Röviden írja le, milyen új perspektívát nyitnak az alapkutatásban az elért eredmények, milyen társadalmi hasznosíthatóságnak teremtik meg a tudományos alapját. Mutassa be, hogy a megpályázott kutatási területen lévő hazai és a nemzetközi versenytársaihoz képest melyek az egyediségei és erősségei a pályázatának!
A javasolt kutatás egy több elemből álló módszercsaládot fog fejleszteni a nagy dimenziós, nagy elemszámú kohorsz egészségügyi adatok elemzésére, amely alkalmas lesz akár milliós betegszám és milliós genetikai markerszám esetében is az elemzésre, figyelembe véve környezeti tényezőket, gyógyszerfogyasztási és életmódbeli tényezőket, mint például táplálkozási és sportolási szokásokat. Speciális módszereket fejlesztünk gén-környezet interakciók felderítésére, különös tekintettel kapcsolódó, komorbid betegségek közös genetikai hátterének a felderítésére. A módszercsalád elemei a következők lesznek.
A kontextuális függetlenségek bayesi rendszeralapú elemzése két elemzési módszert integrál: a döntési fák bayesi felhasználását, illetve a Bayes-hálók elemi tulajdonságai feletti eloszlásokból alkotott “térképek” használatát. Továbbá a Bayes-hálók keretet kínálnak feltételes modellek, kernel gépek és mély neurális hálók rendszerszintű integrálására is. További előnye a Bayes-hálóknak, hogy egzakt valószínűségi és oksági értelmezésük segíti a szemantikus háttértudás bevonását mind az a priori eloszlások származtatása, mind az a posteriori eloszlások értelmezése esetében. A kutatás központi eleme olyan modelltulajdonságok definiálása, amelyek komplexitása szisztematikusan változik, mint például egy adott változót közvetlenül vagy okilag befolyásoló változók gráfos reprezentációjának jegyei. Ezen modelltulajdonságok egy hiearchiát vagy akár komplex ontológiát is alkothatnak, amely szemantikai annotációkkal is gazdagítható és a teljes modell a posteriori eloszlása ezen egyszerűbb modelltulajdonságok terein koherens eloszlások sokaságát definiálja.
A fő alkalmazási terület a pszichiátriai betegségek és hangulatzavarok elemzése lesz, amely az egyik legnagyobb terhet jelentő betegségcsoport a munkaképes korúak körében. A kutatás célja itt genetikai-környezeti interakciók felfedezésének támogatása, amelyek nem csupán a betegség genetikai faktoraira vonatkozó ismereteinket bővítik és így potenciális gyógyszercélpontokat jeleznek, hanem direkt hatású környezeti faktorokat is. Ezek sok esetben befolyásolhatóak, és így a prevenció, egészséges életvitel és az egészséges öregedés szempontjából is közvetlen szerepük lehet.
A kutatás összefoglalója, célkitűzései laikusok számára
Ebben a fejezetben írja le a kutatás fő célkitűzéseit alapműveltséggel rendelkező laikusok számára. Ez az összefoglaló a döntéshozók, a média, illetve az érdeklődők tájékoztatása szempontjából különösen fontos az NKFI Hivatal számára.
Az orvosbiológiai kutatások módszertanát alapvetően változtatta meg az új molekuláris biológiai méréstechnikai eljárások által generált nagy mennyiségű, átfogó adat. Az adatok reméltnél lassabb klinikai hasznosulása azonban egyre inkább felhívta a figyelmet az integrált adatelemzés fontosságára. Ezenfelül az egyes betegségekre vonatkozó vizsgálatok mellett megjelentek és egyre nagyobb szerepet töltenek be olyan adatgyűjtések is, amelyek a népesség egy átfogó részét fedik le és teljes körű egészségügyi, klinikai és gyógyszerfogyasztási adatokat gyűjtenek, valós életből származó adatokkal kiegészítve. Az ilyen jellegű adatgyűjtést a viselhető elektronikai eszközök és a támogatott életvitel technológiáinak az elterjedése is segíti.
Ez az új, sokrétű, a népességnek akár milliós részét lefedő, esetenként akár megfigyelések millióit tartalmazó egészségügyi adathalmaznak az elemzése új lehetőségek sorát nyitja meg. Különösen fontos lehetőség a rendszerszintű, összetett összefüggések felderítése, mint például a genetikai adottságok, környezeti tényezők és a személyes döntések együtteseinek a vizsgálata, illetve ezek egészségmegőrzésre, betegségek megelőzésére vonatkozó hatásának a megértése.
Kutatásunkban olyan módszereket fejlesztünk és alkalmazunk, amely ennek a nagy mennyiségű egészségügyi adatnak az elemzését támogatja, mesterséges intelligencia alapú módszerekkel kihasználva az utóbbi évtizedekben létrejött orvosbiológiai adatbázisokat és tudásbázisokat is.
A fő alkalmazási terület a pszichiátriai betegségek és hangulatzavarok elemzése lesz, segítve a genetikai háttér megismerését, diagnosztikai markerek kifejlesztését és hatékonyabb személyre szabott gyógyítást.
| Summary Summary of the research and its aims for experts
Describe the major aims of the research for experts.
Large-scale cohort studies collecting life style, environmental, physiological, clinical and molecular level data, especially genetic information about the participants, provide unprecedented opportunity for a systems-based investigation of genetic, personal, environmental and societal aspects of health, ageing and diseases. Bayesian approaches, such using Bayesian networks (BNs), are ideal candidate for the exploration of multivariate dependency patterns, particularly in case of systematically incomplete data, because of their comprehensive probabilistic and optionally causal interpretations. To scale-up these methods for high-dimensional data sets, such as for genome-wide polymorphisms data, we investigate the following topics:
• Use of decision graphs, kernel methods and deep neural networks as local models in BNs (a.k.a. hybrid BNs).
• Use of parameter sharing and relational extensions in BNs, as steps towards dynamic BNs and probabilistic logics.
• Markov Chain Monte Carlo methods to perform efficient Bayesian inference and learning, especially in case of systematically incomplete data.
• Use of semantic technologies in preparation of heterogeneous health data sets for data analysis and in interpretation of the results.
• Use of open linked databases to generate a priori distributions for Bayesian learning of BNs.
• Linked spaces of model properties (a.k.a. features) - where these feature spaces have scalable, varying complexity to bridge the gap between elementary model properties and complete models.
• Integration of Bayesian systems-based methods into genome-wide association analysis pipelines.
What is the major research question?
Describe here briefly the problem to be solved by the research, the starting hypothesis, and the questions addressed by the experiments.
The network of weak and conditional effects, such as multitude of gene-environment interactions for complex diseases poses a challenge for the exploration of large health data sets. Bayesian networks are ideal candidates for their comprehensive analysis, but model identification requires unrealistically large sample size. Bayesian model averaging offers an alternative, which also comprises automated, optimal correction against multiple hypothesis testing, but the computational complexity is frequently prohibitive at this scale and the interpretation of the results is hindered by the dispersed a posteriori distribution.
Our hypothesis is that extended Bayesian networks with special local models, such as decision graphs, kernel methods, deep neural networks, parameter sharing and relational extensions, together with automatically derived a priori distributions provides more a versatile approach for data exploration. Specifically, linked spaces of model properties (a.k.a. features) - where these feature spaces have scalable, varying complexity – can be defined and, respectively, linked a posteriori distributions can be induced over these feature spaces by marginalizing (projecting) the typically dispersed a posteriori distribution over the models.
Thus, the spectrum and network of linked feature spaces with the coherently induced distributions offer an automated support for finding feature spaces with properly concentrated a posteriori distributions, i.e. optimal feature complexity fitting to the data. The linked open data and semantic technologies can be used to support the interpretation as well, e.g. by forming a probabilistic logic knowledge base.
What is the significance of the research?
Describe the new perspectives opened by the results achieved, including the scientific basics of potential societal applications. Please describe the unique strengths of your proposal in comparison to your domestic and international competitors in the given field.
The proposed research will develop a method with many synergistic elements to support tractable, systems-based analysis of high-dimensional health data sets from millions of patients, containing e.g. full polymorphic genetic profile, onsets of diseases and drug consumption together with environmental and life style data, such as diet and sporting. These methods will be able to explore gene-environment interactions for complex diseases and common genetic architecture for complex, related comorbidities, by the following extensions.
The use of context-specific independencies in Bayesian, systems-based analysis integrates two successful directions: the Bayesian learning with decision trees (a.k.a. random forest) and the Bayesian learning with Bayesian networks (a.k.a. Bayesian dependency maps). Bayesian networks also offer a systems-based approach to integrate kernel methods and deep neural networks as local submodels. Their interpretable nature also allows efficient prior incorporation and posterior post-processing using semantic information sources. The application of semantic technologies for data engineering will allow more efficient derivation of prior distributions from linked open chemo- and bioinformatics databases. The central goal of the project is the extension of the repertoire of linked spaces of model properties (“features”) to support relevance and causal analysis. This network of linked feature spaces with the coherently induced distributions offers many perspectives, a kind of scientific lenses, for the investigation of the raw result, i.e. the a posteriori distribution over the space of complete models. These views are syntactic aggregations, but the application of semantic technologies after data engineering and prior derivation can also support the definition of semantic views and maps, which can further facilitate the interpretation of the results.
The main application areas will be allergy, psychiatric diseases and mood disorders. Our work will support the systems-based investigation of genetic, personal, environmental and societal aspects of health, ageing and diseases, hopefully leading to novel drug targets, biomarkers and more effective personalized treatments.
Summary and aims of the research for the public
Describe here the major aims of the research for an audience with average background information. This summary is especially important for NRDI Office in order to inform decision-makers, media, and others.
New molecular measurement technologies, particularly in genetics, fundamentally changed the way of biomedical research by the generation of massive amount of data. However, the slower than expected clinical utilization of these information sources led to the realization that further development in life sciences depends at least as much on the fusion of data and knowledge, as on further technological breakthroughs in data generation. Additionally, the focus has been shifting towards the collection of real-life data in very large populations, covering information about life style, environment and general health state, including detailed information about morbidities and drug usage. This collection is supported by the spread of wearable electronic devices and other supportive technologies of ambient assisted living.
This novel “big health data” provides an unprecedented opportunity for a systems-based investigation of genetic, personal, environmental and societal aspects of health, ageing and diseases.
In our research, we will develop and apply methods for the analysis of such large population based health data and biomedical knowledge bases. The main application areas will be psychiatric diseases and mood disorders with particular emphases on gene-environment-life style interactions and related comorbidities. This disease group, specifically depressive disorders are the leading cause of burden for health systems, mainly present in working age, disrupting also personal life and families. Our work will support the exploration of the underlying genetic architecture, hopefully leading to novel drug targets, biomarkers and more effective personalized treatments.
|
|
|
|
|
|
|
|
| |
List of publications |
|
|
| Bolgar B, Antal P: VB-MK-LMF: fusion of drugs, targets and interactions using variational Bayesian multiple kernel logistic matrix factorization., BMC BIOINFORMATICS 18: (1) 440, 2017 | | Fodor LE, Gezsi A, Ungvari L, Semsei AF, Gal Z, Nagy A, Galffy G, Tamasi L, Kiss A, Antal P, Szalai C: Investigation of the Possible Role of the Hippo/YAP1 Pathway in Asthma and Allergy., ALLERGY ASTHMA IMMUN 9: (3) 247-256, 2017 | | Juhasz G, Csepany E, Magyar M, Edes AE, Eszlari N, Hullam G, Antal P, Kokonyei G, Anderson IM, Deakin JF, Bagdy G: Variants in the CNR1 gene predispose to headache with nausea in the presence of life stress., GENES BRAIN BEHAV 16: (3) 384-393, 2017 | | Marx P, Antal P, Bolgar B, Bagdy G, Deakin B, Juhasz G: Comorbidities in the diseasome are more apparent than real: What Bayesian filtering reveals about the comorbidities of depression., PLOS COMPUT BIOL 13: (6), 2017 | | N Eszlari, A Millinghoffer, P Petschner, X Gonda, D Baksa, A J Pulay, J Rethelyi, R Elliott, I M Anderson, J F W Deakin, P Antal, G Bagdy, G Juhasz: Genome-wide gene-based tests replicate the association of the SORCS3 gene with neuroticism, In: 30th ECNP Congress: For the science and treatment of disorders of the brain. Paris, Franciaország, 2017.09.02-2017.09.05. Kiadvány: 2017. pp. 34 Paper P.1.a.005. , 2017 | | Nóra Eszlári, András Millinghoffer, Péter Petschner, Xénia Gonda, Dániel Baksa, Péter Antal, György Bagdy, Gabriella Juhász: SORCS3 GENE REPLICATED IN THE GENE-BASED GENOMIC BACKGROUND OF NEUROTICISM, In: PhD Scientific Days 2017 . Budapest, Magyarország, 2017.04.11-2017.04.12. Kiadvány: 2017. Paper Poszter. , 2017 | | Sarkozy P, Jobbágy Á, Antal P: Calling homopolymer stretches from raw nanopore reads by analyzing k-mer dwell times, In: Eskola H, Vaisanen O, Viik J, Hyttinen J (szerk.) (szerk.) EMBEC & NBC 2017. Singapore: Springer Nature, 2017. pp. 241-244. (IFMBE Proceedings; 65.), 2017 | | Gabor Hullam, Gabriella Juhasz, Bill Deakin and Peter Antal: Structural and parametric uncertainties in full Bayesian and graphical lasso based approaches: beyond edge weights in psychological networks, IEEE International Conference on Computational Intelligence in Bioinformatics and Computational Biology (IEEE CIBCB 2017), Manchester, UK, 23-25 August 2017, 2017 | | 3. V. Molnár, A. Nagy, L. Tamási, G. Gálffy, R. Böcskei, A. Bikov, I. Czaller, Z. Csoma, M. Krasznai, C. Csáki, G. Zsigmond, Z. Csontos, A. Kurucz, E. Kurucz, B. Fábos, B. L. Bálint, M. Sasvári-Székely, A. Székely, E. Kótyuk, G. T. Kozma, G. Cserta, A. Farkas, Z. Gál, A. Gézsi, A. Millinghoffer, P. Antal, C. Szalai: From genomes to diaries: a 3-year prospective, real-life study of ragweed specific sublingual immunotherapy, Immunotherapy, 2017 | | Gonda, X., Hullam, G., Antal, P., Eszlari, N., Petschner, P., Hökfelt, T. G., Juhasz, G. & Bagdy, G.: Significance of risk polymorphisms for depression depends on stress exposure, Scientific reports, 2018 | | Gonda, X., Petschner, P., Eszlári, N., Baksa, D., Edes, A., Antal, P., Juhasz, G., & Bagdy, G.: Genetic variants in major depressive disorder: From pathophysiology to therapy, Pharmacology & therapeutics, 2018 | | Hullam, G., Antal, P., Petschner, P., Gonda, X., Bagdy, G., Deakin, B. and Juhasz, G.: The UKB envirome of depression: from interactions to synergistic effects, Scientific reports, 2019 | | Nora Eszlari Andras Millinghoffer, Peter Petschner, Xenia Gonda, Daniel Baksa, Attila J. Pulay, Janos Rethelyi, John Francis William Deakin, Peter Antal, Gyorgy Bagdy, Gabriella Juhasz: Genome-wide association analysis reveals KCTD12 and miR-383-binding genes in the background of rumination, Translational Psychiatry, 2019 | | Bence Bruncsics, Peter Antal: A multi-trait evaluation of network propagation for GWAS results, IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB), 2019 | | Fuellen, G., Jansen, L., Cohen, A.A., Luyten, W., Gogol, M., Simm, A., Saul, N., Cirulli, F., Berry, A., Antal, P. and Köhling, R.: Health and Aging: Unifying Concepts, Scores, Biomarkers and Pathways, Aging and disease, 2019 | | Eszlari Nora, Millinghoffer Andras, Petschner Peter, Gonda Xenia, Baksa Daniel, Pulay Attila J, Réthelyi János M, Breen Gerome, Deakin John Francis William, Antal Peter, Bagdy Gyorgy, Juhasz Gabriella: Genome-wide association analysis reveals KCTD12 and miR-383-binding genes in the background of rumination, TRANSLATIONAL PSYCHIATRY 9: (1) 119, 2019 | | Möller, S., Saul, N., Cohen, A.A., Köhling, R., Sender, S., Escobar, H.M., Junghanss, C., Cirulli, F., Berry, A., Antal, P. and Adler, P.: Healthspan pathway maps in C. elegans and humans highlight transcription, proliferation/biosynthesis and lipids, Aging, 2020 | | Errington, W.J.; Bruncsics, B.; Sarkar, C.A.: Mechanisms of noncanonical binding dynamics in multivalent protein–protein interactions., Proceedings of the National Academy of Sciences, 2019 | | B. Pataki, E. Sirály, and G. Strausz: Improving Estimation of Mental Wellness Using Computer Games, EMBEC2020 8 European Medical and Biological Engineering Conference, Portoroz, Slovenija, 2020 | | D. Hadházi, G. Horváth: Anisotropic iteratively re-weighted TV regularized reconstruction for linear tomosynthesis, EMBEC2020 8 European Medical and Biological Engineering Conference, Portoroz, Slovenija, 2020 | | Eszlari Nora, Millinghoffer Andras, Petschner Peter, Gonda Xenia, Baksa Daniel, Pulay Attila J, Réthelyi János M, Breen Gerome, Deakin John Francis William, Antal Peter, Bagdy Gyorgy, Juhasz Gabriella: Genome-wide association analysis reveals KCTD12 and miR-383-binding genes in the background of rumination, TRANSLATIONAL PSYCHIATRY 9: (1) 119, 2019 | | Gonda X, Petschner P, Eszlari N, Baksa D, Edes A, Antal P, Juhasz G, Bagdy G: Genetic variants in major depressive disorder: From pathophysiology to therapy, PHARMACOLOGY & THERAPEUTICS 194: pp. 22-43., 2019 | | Hullam Gabor, Antal Peter, Petschner Peter, Gonda Xenia, Bagdy Gyorgy, Deakin Bill, Juhasz Gabriella: The UKB envirome of depression, SCIENTIFIC REPORTS 9: (1) 9723, 2019 | | Gonda X, Hullam G, Antal P, Eszlari N, Petschner P, Hokfelt TG, Anderson IM, Deakin JFW, Juhasz G, Bagdy G: Significance of risk polymorphisms for depression depends on stress exposure., SCIENTIFIC REPORTS 8: (1) p. 3946., 2018 | | Bolgar B, Antal P: VB-MK-LMF: fusion of drugs, targets and interactions using variational Bayesian multiple kernel logistic matrix factorization., BMC BIOINFORMATICS 18: (1) 440, 2017 | | Hegyi M, Arany A, Semsei AF, Csordas K, Eipel O, Gezsi A, Kutszegi N, Csoka M, Muller J, Erdelyi DJ, Antal P, Szalai C, Kovacs GT: Pharmacogenetic analysis of high-dose methotrexate treatment in children with osteosarcoma., ONCOTARGET 8: (6) pp. 9388-9398., 2017 | | Juhasz G, Csepany E, Magyar M, Edes AE, Eszlari N, Hullam G, Antal P, Kokonyei G, Anderson IM, Deakin JF, Bagdy G: Variants in the CNR1 gene predispose to headache with nausea in the presence of life stress., GENES BRAIN AND BEHAVIOR 16: (3) pp. 384-393., 2017 | | Marx P, Antal P, Bolgar B, Bagdy G, Deakin B, Juhasz G: Comorbidities in the diseasome are more apparent than real: What Bayesian filtering reveals about the comorbidities of depression, PLOS COMPUTATIONAL BIOLOGY 13: (6) e1005487, 2017 |
|
|
|
|
|
|
|
|
|
