Aplicación del análisis factorial multiómico no supervisado para descubrir patrones de variación y procesos moleculares relacionados con las enfermedades cardiovasculares
20 de septiembre de 2024
Presentamos un flujo de trabajo flexible y extensible basado en Jupyter-lab para el análisis no supervisado de conjuntos de datos multiómicos complejos que combina diferentes pasos de preprocesamiento, estimación del modelo de análisis factorial multiómico y varios análisis posteriores.
Nuestro flujo de trabajo permite analizar fácilmente conjuntos de datos multiómicos complejos de diferentes resoluciones. El enfoque extrae patrones principales de variantes que son únicas o compartidas con los tipos de datos específicos y los agrega. Los llamados factores resultantes pueden vincularse a procesos moleculares y covariables clínicas o técnicas.
Nuestro análisis fue uno de los primeros en aplicar el modelo MOFA a datos multiómicos y de una sola célula de múltiples muestras. Es importante destacar que estas muestras pertenecían a una cohorte clínica de pacientes con ataque cardíaco. Esto nos permitió identificar firmas inmunitarias multicelulares que se asocian con el resultado y el estado de la enfermedad.
Por lo tanto, la disponibilidad de conjuntos de datos de una sola célula y multiómicos aumenta, pero a menudo, las características de esos conjuntos de datos solo se analizan por separado. Esto limita la comprensión porque, por lo general, los procesos biológicos son el resultado de las interacciones entre múltiples características y tipos de células. Con nuestros protocolos, los usuarios pueden realizar fácilmente un análisis integrado del conjunto de datos completo e identificar esos programas multicelulares.
Creemos que la aplicación de este protocolo a conjuntos de datos multiómicos adicionales generará nuevos conocimientos sobre otras enfermedades o contextos. Estos conocimientos servirán de base para futuros estudios terapéuticos o de biomarcadores.
Descripción general
Este artículo presenta un flujo de trabajo flexible y ampliable basado en Jupyter-lab para el análisis no supervisado de conjuntos de datos multi-ómicos complejos. El flujo de trabajo permite la extracción de los patrones principales de variantes vinculadas a procesos moleculares y covariables clínicas.
Componentes Clave del Estudio
Área de la ciencia
- Análisis multi-ómico
- Investigación clínica
- Metodologías de análisis de datos
Antecedentes
- Los conjuntos de datos de multi-ómica pueden variar en resolución y complejidad.
- Comprender las relaciones entre diferentes tipos de datos es crucial para la investigación biomédica.
- Los enfoques anteriores carecían de flexibilidad para analizar dichos conjuntos de datos.
- Los cohortes clínicos proporcionan información valiosa sobre los mecanismos de las enfermedades.
Objetivo del estudio
- Desarrollar un flujo de trabajo para analizar conjuntos de datos multi-ómicos.
- Identificar firmas inmunitarias multicelulares asociadas con resultados clínicos.
- Aplicar el modelo MOFA a datos multi-ómicos y de una sola célula.
Métodos Utilizados
- Análisis no supervisado de conjuntos de datos multi-ómicos.
- Estimación del modelo de análisis de factores multi-ómicos (MOFA).
- Integración de diferentes pasos de preprocesamiento.
- Análisis posteriores que vinculan factores con covariables clínicas.
Resultados principales
- Identificación de patrones únicos y compartidos entre los tipos de datos.
- Asociación de factores con procesos moleculares y resultados clínicos.
- Información sobre las firmas inmunitarias en pacientes con infarto de miocardio.
- Exposición de la eficacia del flujo de trabajo en la investigación clínica.
Conclusiones
- El flujo de trabajo desarrollado mejora el análisis de conjuntos de datos complejos.
- Proporciona un marco robusto para vincular datos multi-ómicos con hallazgos clínicos.
- Este enfoque puede aplicarse a diversos contextos de investigación biomédica.
Preguntas frecuentes
Relevancia Ejecutiva para la Industria
La integración del análisis de factores multi-ómicos no supervisado (MOFA) en flujos de trabajo de descubrimiento permite a los equipos de biofármacos descubrir patrones moleculares complejos y programas multicelulares subyacentes a las enfermedades cardiovasculares. Este enfoque mejora la confianza predictiva al vincular datos ómicos de alta dimensión con procesos relevantes para la enfermedad, apoyando la validación temprana de dianas y el descubrimiento de biomarcadores traslacionales. La escalabilidad y adaptabilidad del flujo de trabajo lo posicionan como una capacidad reutilizable para la desestimación mecanicista y la priorización en toda la cartera.
Aplicaciones Estratégicas en I+D de Biotecnología Farmacéutica
Descubrimiento Temprano y Validación de Blancos
- Permite el análisis de firmas inmunitarias multicelulares asociadas con estados patológicos.
- Apoya la validación funcional de objetivos mediante la integración de diversas covariables clínicas y omicas.
- Facilita la reducción de riesgos biológicos mediante la identificación de factores moleculares comunes y únicos.
- Mejora la confianza predictiva en las decisiones de selección y clasificación de objetivos.
Desarrollo de Cribado y Ensayos
- Prepara conjuntos de datos multi-ómicos armonizados y controlados en calidad para análisis posteriores.
- Normaliza la integración y estandarización de datos entre ensayos y puntos temporales.
- Genera salidas cuantitativas de factores adecuadas para cribado comparativo y pruebas de hipótesis.
- Permite la extracción reproducible de patrones moleculares para el desarrollo de ensayos.
Investigación Traductiva y Preclínica
- Relaciona factores moleculares con fenotipos clínicos y progresión de la enfermedad.
- Apoya la continuidad desde el descubrimiento hasta la validación preclínica de biomarcadores.
- Proporciona información para el avance ajustado al riesgo mediante la vinculación de firmas ómicas con subgrupos de pacientes.
- Ofrece conocimientos mecanicistas para la investigación traslacional en enfermedades cardiovasculares y otras patologías.
Integración de la tubería y flujo de trabajo
Este flujo de trabajo basado en MOFA conecta el descubrimiento inicial, la identificación de candidatos prometedores y la investigación traslacional mediante el análisis integrado de datos multi-ómicos y clínicos.
- Biología del Descubrimiento: Apoya la comprobación de hipótesis y la clarificación de rutas mediante la extracción de los ejes principales de variación molecular.
- Examen: Proporciona resultados cuantitativos armonizados para garantizar la preparación y reproducibilidad del ensayo.
- Análisis: Ofrece la descomposición estadística de la varianza y la asociación de factores con covariables clínicas.
- Investigación Traducional: Conecta los patrones moleculares con estados de enfermedad y resultados en pacientes para alinear biomarcadores.
- Reutilización Empresarial: Ofrece un flujo de trabajo escalable y adaptable, aplicable a diversos conjuntos de datos multi-ómicos y contextos de enfermedad.
Impacto Operativo y Empresarial
- Valor científico: Aumenta la confianza predictiva y reduce la ambigüedad mecanicista en la validación de dianas.
- Valor operativo: Estandariza el procesamiento y análisis de datos multi-ómicos para garantizar reproducibilidad y escalabilidad.
- Valor estratégico: Permite tomar decisiones informadas de avance o interrupción (go/no-go) y una gestión eficiente del portafolio en términos de capital.
- Impacto en el portafolio: Apoya la priorización y el avance ajustados al riesgo de los programas de descubrimiento.
Consideraciones de Implementación
- Requiere experiencia en la integración de datos multi-ómicos y modelado estadístico.
- Depende de una infraestructura computacional robusta y de la gestión de flujos de trabajo basados en Jupyter.
- Necesita preprocesamiento estandarizado de datos y armonización entre ensayos.
- Adaptable a diversas plataformas ómicas y sistemas modelo relevantes para enfermedades.
- Limitado por la calidad de los datos de entrada y la complejidad de las covariables clínicas incluidas.
