Autoimmuna sjukdomar är en samling komplexa, kroniska, inflammatoriska sjukdomstillstånd som kännetecknas av dysreglering av immunsystemet, vilket resulterar i inflammation och skada av vävnader, celler och organ. Dessa sjukdomar har en betydande inverkan på individens livskvalitet och bidrar ofta till ökad dödsrisk där komorbiditeter föreligger. Emellertid medför den varierande symptombilden för olika autoimmuna sjukdomar betydande utmaningar för att uppnå noggrann diagnos, prognos och utvärdering av behandling. Det finns därför ett påtagligt behov av att upptäcka nya biomarkörer.  I denna studie utfördes en omfattande analys av 944 plasmaprover med hjälp av OlinkR Explore-plattformen, vilket genererade data för 1463 unika proteiner. Baserat på uttrycksdata identifierades proteiner förknippade med de sex utvalda autoimmuna sjukdomarna multipel skleros, myosit, reumatoid artrit, systemisk skleros, Sjögrens sjukdom och systemisk lupus erythematosus samt några av deras definierade subgrupper. Dessa potentiella biomarkörer kommer eventuellt att underlätta tidig diagnos, sjukdomsdifferentiering och prognos. Flertalet av dessa proteiner har ännu aldrig kopplats till de här specifika sjukdomarna i litteraturen, särskilt inte från plasmaprover, vilket ger spännande nya perspektiv för biomarkörsutveckling. Det är dock av största vikt att genomföra robusta valideringsstudier i oberoende kohorter.  Sammanfattningsvis belyser våra resultat den potentiella brukbarheten hos dessa proteomiska plasmabiomarkörer för att förbättra tidig sjukdomsdetektering, karakterisering av subgrupper och sjukdomsdifferentiering att stimulera. Förhoppningsvis kan dessa resultat stimulera till vidare forskning inom området för biomarkörer och potentiella framsteg inom individbaserad medicin. / Autoimmune diseases are complex, chronic, inflammatory conditions characterized by dysregulation of the immune system, resulting in inflammation and damage to various tissues, cells and organs. These diseases significantly impact individuals’ quality of life and often contribute to increased mortality risk in the presence of comorbidities. However, due to the diverse array of symptoms associated with different autoimmune diseases, accurate diagnosis, prognosis, and treatment evaluation pose significant challenges. Thus, there is a pressing need for the discovery of novel biomarkers.  In this study, a comprehensive analysis of 944 plasma samples using the OlinkR Explore platform was conducted, generating data on 1463 unique proteins. Based on the expression data, associated proteins were identified for six selected autoimmune diseases, namely multiple sclerosis, myositis, rheumatoid arthritis, systemic sclerosis, Sjögren’s syndrome, and systemic lupus erythematosus, as well as some of their defined subgroups. These are prospective biomarkers and have the potential to aid in early diagnosis, therapeutic intervention, subgroup identification, disease differentiation, and disease prognosis. Notably, some of these proteins have not been previously associated with the specific diseases in the existing literature, especially not in plasma samples, thereby offering intriguing new perspectives for biomarker development. However, it is of great importance to conduct robust validation studies in independent cohorts to confirm the outcomes of this study.  In summary, our findings highlight the potential utility of these proteomic plasma biomarkers in improving the early detection, subgroup characterization, and disease differentiation of autoimmune diseases. The identification of these proteins will hopefully stimulate further investigation in the field of biomarker research and potential advancements in personalized medicine.

Venös tromboembolism (VTE) inkluderar både djup ventrombos (DVT) och lungemboli (PE) och är en vanlig och komplex kardiovaskulär sjukdom med allvarliga kortsiktiga och långsiktiga komplikationer. I dagens kliniska praxis skulle diagnoseringen av VTE gynnas av en plasmaproteinpanel som antingen kan utesluta fall av akut VTE på egen hand eller komplettera den nuvarande biomarkören D-dimer, som i sig är begränsad av låg specificitet. På grund av den höga återfallsfrekvensen och de allvarliga post-syndromen skulle en plasmaproteinpanel som kan bedöma risken för återkommande VTE underlätta för kliniker i efterbehandlingsbeslut. Mot denna bakgrund syftade denna studie till att föreslå två separata plasmaproteinpaneler, en för att utesluta akuta VTE-patienter och en annan för att bedöma risken för återkommande VTE. Med 1463 unika plasmaproteiner screenades plasmaproteomet hos 194 individer från två undergrupper av venös tromboembolism-biomarkörstudien (VEBIOS), närmare bestämt VEBIOS ER och VEBIOS Coag, med hjälp av proximity extension assay (PEA). Både genuttryck (DE) -analys och maskininlärning (ML) -algoritmer användes för att identifiera signifikanta respektive viktiga proteiner. För akut VTE identifierades 10 signifikanta proteiner genom DE, samt en panel bestående av fem proteiner tillsammans med D-dimer hade tillsammans en area under kurvan (AUC) på 0,97 genom ML. För återkommande VTE identifierades inga signifikanta proteiner och den bästa proteinpanelen hade en AUC på 0,62. Vissa av dessa proteiner har tidigare rapporterats vara associerade med VTE och vissa inte, vilket resulterar i ortogonal validering eller påvisande av en potentiell ny biomarkör. Sammanfattningsvis hittades flera intressanta plasmaproteiner som potentiellt skulle kunna användas för att utesluta fall av akut VTE. GP1BA och S100A12 var särskilt intressanta då de var återkommande som högt ansenliga enligt DE och ML. Resultaten från denna studie kommer förhoppningsvis bidra till forskningen gällande förbättrad diagnos av VTE-patienter genom användning av plasmaproteinmarkörer och argumentationen för ytterligare undersökningar för dessa identifierade plasmaproteiner. / Venous thromboembolism (VTE) is a common and complex cardiovascular disorder with serious short- and long-term complications, comprising both deep vein thrombosis (DVT) and pulmonary embolism (PE). In current clinical practice, diagnosis of acute VTE would greatly benefit from a plasma protein panel that can exclude cases of VTE on its own or complement the current biomarker, D-dimer, which is limited by low specificity. Because of the high recurrence rate and serious post-syndromes, a protein panel that can assess the risk of VTE recurrence would help clinicians in post-treatment decision-making. Hence, this study sought out to propose two separate plasma biomarker panels, one to exclude acute VTE patients and another to risk-assess VTE recurrence.  To accomplish this, 1463 unique plasma proteins were used to investigate the plasma proteome of 194 individuals from two subgroups of the venous thromboembolism biomarker study (VEBIOS), specifically VEBIOS ER and VEBIOS Coag, using proximity extension assay (PEA). Both differential expression (DE) analysis and machine learning (ML) algorithms were used to find significant and important proteins respectively. For acute VTE, 10 significant proteins were identified through DE, and a panel of five proteins together with D-dimer had together an area under the curve (AUC) of 0.97 through ML. For VTE recurrency, no significant proteins were identified, and the best protein panel had an AUC of 0.62. Some of these proteins have previously been reported as associated to VTE and some not, resulting in some orthogonal validation or novelty. In summary, several interesting plasma proteins were found that could potentially be used to exclude cases of VTE in an acute setting. GP1BA and S100A12 were particularly interesting as they performed well in both DE and ML. The results in this study will hopefully aid the research of improving diagnosis of VTE patients using plasma biomarkers, strengthening the claim and further investigations for these identified plasma proteins.

Patients not responding to therapy as expected is one of the most pressing healthcare concerns of today. It causes economical, medical and societal issues along with suffering for patients. This project aimed to address this problem and evaluate how to find the best suited drug treatments for individual patients to treat Covid-19. This project was carried out in collaboration with the company AB Mavatar, that have two networks, one experimental and one predicted, which produce drug treatment rankings differently. Different methods are used to connect drug targets to disease associated genes and thus evaluate what drugs are best suited for specific patients to treat Covid-19. The aim of this project is to examine how network, method and drug category affect the ranking of a drug treatment for four mapped Covid-19 patients. Which drug category a drug belongs to did not seem to significantly affect the drug ranking. Yet, certain drug subcategories were closely correlated. However, these subcategories were not those that are typically associated with Covid-19. The method used to connect drug targets to disease associated genes heavily impacts the ranking of the drug treatment. The methods should be further evaluated to see if some should be excluded or weighted less in drug ranking calculations. The two networks are similar in how they rank different drugs, especially in severely ill patients. Through this project and the evaluation of the impact of method choice, one can start to figure out what should be prioritized among disease related changes. Also, important parameters for personalized treatment can be evaluated. / Patienter som inte svarar på terapi som förväntat är en av de största utmaningarna inom hälso- och sjukvård idag. Det orsakar ekonomiska, medicinska och samhälleliga problem samt lidande för patienter. Det här projektet adresserade detta problem och evaluerade hur man kan hitta det bäst lämpade läkemedlet för specifika patienter för att behandla Covid-19. Projektet gjordes tillsammans med företaget AB Mavatar, som har två interaktom, en experimentell och en datadriven, som rangordnar läkemedelsrekommendationer på olika sätt. Olika metoder används för att koppla samman läkemedelsmål med sjukdomsrelaterade gener och således evaluera vilka läkemedel som är bäst lämpade för specifika patienter för behandling av Covid-19. Syftet med projektet var att undersöka hur nätverk, metod och läkemedelskategori påverkar hur läkemedel rangordnas för fyra kartlagda Covid-19-patienter.  Vilken läkemedelskategori ett läkemedel tillhör tycks inte märkbart påverka läkemedelsrangordning. Trots detta var vissa läkemedelsunderkategorier nära korrelerade. Dock var dessa underkategorier inte typiskt associerade med Covid-19. Metoden för att koppla samman läkemedelsmål med sjukdomsassocierade gener påverkade läkemedelsrangordningen väsentligt. Metoderna borde dock evalueras ytterligare för att eventuellt exkludera eller vikta vissa mindre i uträkningar av läkemedelsrang. De två nätverken är lika i hur de rangordnar olika läkemedel, särskilt för svårt sjuka patienter. Genom detta projekt och genom evaluering av metodvalets påverkan kan man börja begripa hur man borde priorita bland sjukdomsrelaterade förändringar. Dessutom kunde viktiga parametrar inom personlig behandling evalueras.

Since February 2020, the world is in a COVID-19 pandemic [1]. Researchers around the globe are pitching in to develop a fast reliable, non-invasive testing methodology to solve this problem and one of the key directions of research is to utilize coughs and their corresponding vocal biomarkers for diagnosis of COVID-19. In this thesis, we propose a fast, real-time cough detection pipeline that can be used to detect and localize coughs from audio samples. The core of the pipeline utilizes the yolo-v3 model [2] from vision domain to localize coughs in the audio spectrograms by treating them as objects. This outcome is transformed to localize the boundaries of cough utterances in the input signal. The system to detect coughs from CoughVid dataset [3] is then evaluated. Furthermore, the pipeline is compared with other existing algorithms like tinyyolo-v3 to test for better localization and classification. Average precision(AP@0.5) of yolo-v3 and tinyyolo-v3 model are 0.67 and 0.78 respectively. Based on the AP values, tinyyolo-v3 performs better than yolo-v3 by atleast 10% and based on its computational advantage, its inference time was also found to be 2.4 times faster than yolo-v3 model in our experiments. This work is considered to be novel and significant in detection and localization of cough in an audio stream. In the end, the resulting cough events are used to extract MFCC features from it and classifiers were trained to predict whether a cough has COVID-19 or not. The performance of different classifiers were compared and it was observed that random forest outperformed other models with a precision of 83.04%. It can also be inferred from the results that the classifier looks promising, however, in future this model has to be trained using clinically approved dataset and tested for its reliability in using this model in a clinical setup. / Sedan februari 2020 är världen inne i en COVID-19-pandemi [1]. Forskare runt om i världen satsar på att utveckla en snabb tillförlitlig, icke-invasiv testmetodik för att lösa detta problem och en av de viktigaste forskningsriktningarna är att använda hosta och deras motsvarande vokala biomarkörer för diagnos av COVID-19. I denna avhandling föreslår vi en snabb pipeline för hostdetektering i realtid som kan användas för att upptäcka och lokalisera hosta från ljudprover. Kärnan i rörledningen använder yolo-v3-modellen [2] från syndomänen för att lokalisera hosta i ljudspektrogrammen genom att behandla dem som objekt. Detta resultat transformeras för att lokalisera gränserna för hosta yttranden i insignalen. Systemet för att upptäcka hosta från CoughVid dataset [3] utvärderas sedan. Dessutom jämförs rörledningen med andra befintliga algoritmer som tinyyolo-v3 för att testa för bättre lokalisering och klassificering. Genomsnittlig precision (AP@0.5) för modellen yolo-v3 och tinyyolo-v3 är 0,67 respektive 0,78. Baserat på AP-värdena fungerar tinyyolo-v3 bättre än yolo-v3 med minst 10% och baserat på dess beräkningsfördel befanns dess inferenstid också vara 2,4 gånger snabbare än yolo-v3- modellen i våra experiment. Detta arbete anses vara nytt och viktigt för att upptäcka och lokalisera hosta i en ljudström. I slutändan används de resulterande hosthändel-serna för att extrahera MFCC-funktioner från det och klassificerare utbildades för att förutsäga om en hosta har COVID-19 eller inte. Prestanda för olika klassificerare jämfördes och det observerades att slumpmässig skog överträffade andra modeller med en precision på 83.04%. Av resultaten kan man också dra slutsatsen att klassificeraren ser lovande ut, men i framtiden måste denna modell utbildas med hjälp av kliniskt godkänd dataset och testas med avseende på dess tillförlitlighet vid användning av denna modell i ett kliniskt upplägg.