Questa tesi è organizzata in due parti. La Parte~I costituisce il progetto principale e presenta un framework metodologico per la costruzione e l'analisi statistica di reti di co-occorrenza di malattie a partire da Cartelle Cliniche Elettroniche~(EHR). La Parte~II descrive un progetto complementare e in corso di sviluppo per l'automazione della pipeline, svolto durante una visita di ricerca presso l'EMBL-EBI. Le reti di co-occorrenza di malattie, o \emph{diseasome}, rappresentano le malattie come nodi e le loro co-occorrenze a coppie statisticamente significative come archi, fornendo un framework principiato per lo studio della multimorbilità. Gli approcci esistenti sono stati tipicamente costruiti senza distinguere le associazioni specifiche di una condizione dai pattern di co-occorrenza di fondo condivisi con la popolazione generale, una limitazione che indebolisce l'interpretabilità clinica. Il contributo centrale di questa tesi è una pipeline innovativa e disease-agnostic che integra una \emph{popolazione di controllo} lungo l'intera analisi epidemiologica, insieme a un'implementazione del codice completamente riproducibile e pubblicamente disponibile. Le associazioni tra malattie sono quantificate tramite il Rischio Relativo~(RR), il Coefficiente di Correlazione di Matthews~(φ\varphi φ) e test di ipotesi basati su permutazione (Label Permutation Test, con correzione FDR di Benjamini--Hochberg). Strategie di normalizzazione basate sul rango e zz z-score robusto sono introdotte per consentire confronti tra coorti indipendentemente dalle differenze di dimensione campionaria e di base-rate. Il framework è applicato a due dataset su larga scala: una coorte EHR codificata ICD-9 pubblicamente disponibile di circa 9,25×1059{,}25\times10^5 9,25×105 individui del Dipartimento degli Affari dei Veterani degli Stati Uniti, con l'ipertensione come condizione target, e un dataset di circa 3,69×1063{,}69\times10^6 3,69×106 schede di dimissione ospedaliera italiane, con la demenza come condizione target. In entrambi i casi studio, l'inclusione di una popolazione di controllo raffina le reti risultanti, producendo associazioni specifiche della condizione che sono statisticamente robuste e non semplicemente riflessive dei pattern generali di co-occorrenza. L'integrazione con la piattaforma gene--malattia DISEGNET ha consentito la formulazione di ipotesi sui meccanismi biologici condivisi alla base delle associazioni ritenute, fornendo una prospettiva molecolare indipendente. La pipeline può supportare direttamente la stratificazione del rischio clinico e lo screening delle comorbilità nella gestione delle malattie croniche. La Parte~II descrive il lavoro svolto presso l'EMBL-EBI nell'ambito del progetto COFUN per il rilevamento di firme di selezione naturale positiva nei genomi core batterici tramite stima Bayesiana del rapporto dN/dS\mathrm{d}N/\mathrm{d}S dN/dS. Dopo un'introduzione ai fondamenti teorici dell'analisi dN/dS\mathrm{d}N/\mathrm{d}S dN/dS e della pan-genomica batterica, questa parte descrive il contributo computazionale apportato: una pipeline Snakemake generalizzata, guidata da configurazione e batch-agnostic, che automatizza il workflow upstream di COFUN (annotazione del genoma con Bakta, inferenza del pan-genoma con Panaroo e ricerca di omologia con BLAST), distribuita sul cluster HPC presso EBI-EMBL.
This thesis is organized in two parts. Part~I constitutes the primary project and presents a methodological framework for the construction and statistical analysis of disease co-occurrence networks from Electronic Health Records~(EHRs). Part~II describes a complementary, ongoing project for pipeline automation carried out during a research visit at EMBL-EBI. Disease co-occurrence networks or \emph{diseasomes} represent diseases as nodes and their statistically significant pairwise co-occurrences as edges, providing a principled framework for investigating multimorbidity. Existing approaches have typically been built without distinguishing condition-specific associations from background co-occurrence patterns shared with the general population, a limitation that weakens clinical interpretability. The central contribution of this thesis is a novel, disease-agnostic pipeline that integrates a \emph{control population} throughout the entire epidemiological analysis, together with a fully reproducible, publicly available implementation of the code. Disease associations are quantified using Relative Risk~(RR), the Matthews Correlation Coefficient~($\varphi$), and permutation-based hypothesis testing (Label Permutation Test, with Benjamini--Hochberg FDR correction). Rank-based and robust $z$-score normalisation strategies are introduced to enable cross-cohort comparisons independently of sample-size and base-rate differences. The framework is applied to two large-scale datasets: a publicly available ICD-9--coded EHR cohort of approximately $9.25\times10^5$ individuals from the U.S.\ Department of Veterans Affairs, with hypertension as the target condition, and a dataset of approximately $3.69\times10^6$ Italian hospital discharge records, with dementia as the target condition. In both case studies, the inclusion of a control population refines the resulting networks, yielding condition-specific associations that are statistically robust and not merely reflective of general co-occurrence patterns. Integration with the DISEGNET gene--disease platform allowed hypothesis generation about the shared biological mechanisms underlying the retained associations, providing an independent molecular-level perspective. The pipeline can directly support clinical risk stratification and comorbidity screening in chronic disease management. Part~II describes work carried out at EMBL-EBI within the COFUN project for the detection of positive natural selection signatures in bacterial core genomes via Bayesian estimation of the $\mathrm{d}N/\mathrm{d}S$ ratio. After an introduction to the theoretical foundations of $\mathrm{d}N/\mathrm{d}S$ analysis and bacterial pan-genomics, this part describes the computational contribution made: a generalised, configuration-driven, batch-agnostic Snakemake pipeline automating the upstream COFUN workflow (genome annotation with Bakta, pan-genome inference with Panaroo, and homology search with BLAST), deployed on the HPC cluster at EBI-EMBL.
Disease Co-occurrence Networks: Statistical Methods and Bioinformatic Pipelines for Biomedical Big Data
MAGNONI, ALICE
2026
Abstract
Questa tesi è organizzata in due parti. La Parte~I costituisce il progetto principale e presenta un framework metodologico per la costruzione e l'analisi statistica di reti di co-occorrenza di malattie a partire da Cartelle Cliniche Elettroniche~(EHR). La Parte~II descrive un progetto complementare e in corso di sviluppo per l'automazione della pipeline, svolto durante una visita di ricerca presso l'EMBL-EBI. Le reti di co-occorrenza di malattie, o \emph{diseasome}, rappresentano le malattie come nodi e le loro co-occorrenze a coppie statisticamente significative come archi, fornendo un framework principiato per lo studio della multimorbilità. Gli approcci esistenti sono stati tipicamente costruiti senza distinguere le associazioni specifiche di una condizione dai pattern di co-occorrenza di fondo condivisi con la popolazione generale, una limitazione che indebolisce l'interpretabilità clinica. Il contributo centrale di questa tesi è una pipeline innovativa e disease-agnostic che integra una \emph{popolazione di controllo} lungo l'intera analisi epidemiologica, insieme a un'implementazione del codice completamente riproducibile e pubblicamente disponibile. Le associazioni tra malattie sono quantificate tramite il Rischio Relativo~(RR), il Coefficiente di Correlazione di Matthews~(φ\varphi φ) e test di ipotesi basati su permutazione (Label Permutation Test, con correzione FDR di Benjamini--Hochberg). Strategie di normalizzazione basate sul rango e zz z-score robusto sono introdotte per consentire confronti tra coorti indipendentemente dalle differenze di dimensione campionaria e di base-rate. Il framework è applicato a due dataset su larga scala: una coorte EHR codificata ICD-9 pubblicamente disponibile di circa 9,25×1059{,}25\times10^5 9,25×105 individui del Dipartimento degli Affari dei Veterani degli Stati Uniti, con l'ipertensione come condizione target, e un dataset di circa 3,69×1063{,}69\times10^6 3,69×106 schede di dimissione ospedaliera italiane, con la demenza come condizione target. In entrambi i casi studio, l'inclusione di una popolazione di controllo raffina le reti risultanti, producendo associazioni specifiche della condizione che sono statisticamente robuste e non semplicemente riflessive dei pattern generali di co-occorrenza. L'integrazione con la piattaforma gene--malattia DISEGNET ha consentito la formulazione di ipotesi sui meccanismi biologici condivisi alla base delle associazioni ritenute, fornendo una prospettiva molecolare indipendente. La pipeline può supportare direttamente la stratificazione del rischio clinico e lo screening delle comorbilità nella gestione delle malattie croniche. La Parte~II descrive il lavoro svolto presso l'EMBL-EBI nell'ambito del progetto COFUN per il rilevamento di firme di selezione naturale positiva nei genomi core batterici tramite stima Bayesiana del rapporto dN/dS\mathrm{d}N/\mathrm{d}S dN/dS. Dopo un'introduzione ai fondamenti teorici dell'analisi dN/dS\mathrm{d}N/\mathrm{d}S dN/dS e della pan-genomica batterica, questa parte descrive il contributo computazionale apportato: una pipeline Snakemake generalizzata, guidata da configurazione e batch-agnostic, che automatizza il workflow upstream di COFUN (annotazione del genoma con Bakta, inferenza del pan-genoma con Panaroo e ricerca di omologia con BLAST), distribuita sul cluster HPC presso EBI-EMBL.I documenti in SFERA sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
