Aplicação de análise fatorial multiômica não supervisionada para descobrir padrões de variação e processos moleculares ligados a doenças cardiovasculares
20 de setembro de 2024
Apresentamos um fluxo de trabalho flexível e extensível baseado em laboratório Jupyter para a análise não supervisionada de conjuntos de dados multiômicos complexos que combina diferentes etapas de pré-processamento, estimativa do modelo de análise fatorial multiômica e várias análises downstream.
Nosso fluxo de trabalho possibilita analisar facilmente conjuntos de dados multiômicos complexos de diferentes resoluções. A abordagem extrai os principais padrões de variantes que são exclusivas ou compartilhadas com os tipos de dados específicos e os agrega. Os chamados fatores resultantes podem então ser ligados a processos moleculares e covariáveis clínicas ou técnicas.
Nossa análise foi uma das primeiras a aplicar o modelo MOFA a dados multiômicos e de célula única de várias amostras. É importante ressaltar que essas amostras eram de uma coorte clínica de pacientes com ataque cardíaco. Isso nos permitiu identificar assinaturas imunes multicelulares associadas ao resultado e ao estado da doença.
Portanto, a disponibilidade de conjuntos de dados de célula única e multiômica aumenta, mas muitas vezes, os recursos desses conjuntos de dados são analisados apenas separadamente. Isso limita os insights porque, geralmente, os processos biológicos são o resultado das interações entre vários recursos e tipos de células. Com nossos protocolos, os usuários podem facilmente realizar uma análise integrada do conjunto de dados completo e identificar esses programas multicelulares.
Acreditamos que a aplicação deste protocolo a conjuntos de dados multiômicos adicionais gerará novos insights sobre outras doenças ou contextos. Esses insights informarão futuros estudos terapêuticos ou de biomarcadores.
Visão Geral
Este artigo apresenta um fluxo de trabalho flexível e extensível baseado no Jupyter-lab para a análise não supervisionada de conjuntos de dados multi-ômicos complexos. O fluxo de trabalho permite a extração dos principais padrões de variantes associados a processos moleculares e covariáveis clínicas.
Componentes Principais do Estudo
Área da Ciência
- Análise multi-ômica
- Pesquisa clínica
- Metodologias de análise de dados
Antecedentes
- Conjuntos de dados de multi-ômica podem variar em resolução e complexidade.
- Compreender as relações entre diferentes tipos de dados é crucial para a pesquisa biomédica.
- Abordagens anteriores apresentavam falta de flexibilidade na análise desses conjuntos de dados.
- Cohortes clínicas fornecem informações valiosas sobre os mecanismos das doenças.
Objetivo do Estudo
- Desenvolver um fluxo de trabalho para analisar conjuntos de dados multi-ômicos.
- Identificar assinaturas imunes multicelulares associadas a desfechos clínicos.
- Aplicar o modelo MOFA a dados multi-ômicos e de célula única.
Métodos Utilizados
- Análise não supervisionada de conjuntos de dados multi-ômicos.
- Estimativa do modelo de análise de fatores multi-ômicos (MOFA).
- Integração de diferentes etapas de pré-processamento.
- Análises downstream que associam fatores a covariáveis clínicas.
Resultados Principais
- Identificação de padrões únicos e compartilhados entre os tipos de dados.
- Associação de fatores a processos moleculares e desfechos clínicos.
- Compreensão das assinaturas imunológicas em pacientes com infarto do miocárdio.
- Demonstração da eficácia do fluxo de trabalho na pesquisa clínica.
Conclusões
- O fluxo de trabalho desenvolvido aprimora a análise de conjuntos de dados complexos.
- Ele fornece uma estrutura robusta para vincular dados multi-ômicos a informações clínicas.
- Essa abordagem pode ser aplicada a diversos contextos de pesquisa biomédica.
Perguntas Frequentes
Relevância Executiva para a Indústria
A integração da análise fatorial multi-ômica não supervisionada (MOFA) em fluxos de trabalho de descoberta permite que equipes biofarmacêuticas identifiquem padrões moleculares complexos e programas multicelulares subjacentes à doença cardiovascular. Essa abordagem aumenta a confiança preditiva ao associar dados ômicos de alta dimensão a processos relevantes para a doença, apoiando a validação precoce de alvos e a descoberta de biomarcadores translacionais. A escalabilidade e adaptabilidade do fluxo de trabalho o posicionam como uma capacidade reutilizável para desvio mecanicista e priorização em toda a carteira.
Aplicações Estratégicas em P&D de Biotecnologia e Farmacêuticos
Descoberta Inicial e Validação de Alvo
- Permite a investigação de assinaturas imunes multicelulares associadas a estados de doenças.
- Apóia a validação funcional de alvos ao integrar diferentes covariáveis ômicas e clínicas.
- Facilita a redução de riscos biológicos mediante a identificação de fatores moleculares comuns e exclusivos.
- Aprimora a confiança preditiva para decisões de seleção e triagem de alvos.
Triagem e Desenvolvimento de Ensaios
- Prepara conjuntos de dados multi-ômicos harmonizados e com controle de qualidade para análises posteriores.
- Padroniza a integração e normalização de dados entre ensaios e pontos temporais.
- Gera saídas quantitativas de fatores adequadas para triagem comparativa e testes de hipóteses.
- Permite a extração reproduzível de padrões moleculares para o desenvolvimento de ensaios.
Pesquisa Translacional e Pré-clínica
- Alinha fatores moleculares com fenótipos clínicos e progressão da doença.
- Apoia a continuidade desde a descoberta até a validação pré-clínica de biomarcadores.
- Informa o avanço ajustado ao risco ao vincular assinaturas ômicas a subgrupos de pacientes.
- Fornece insights mecanicistas para pesquisas translacionais em doenças cardiovasculares e outras.
Integração de Pipeline e Fluxo de Trabalho
Este fluxo de trabalho baseado em MOFA integra a descoberta inicial, a identificação de compostos promissores e a pesquisa translacional ao permitir a análise integrada de dados multi-ômicos e clínicos.
- Biologia da Descoberta: Apoia a verificação de hipóteses e a clarificação de vias ao extrair os principais eixos de variação molecular.
- Triagem: Fornece saídas quantitativas harmonizadas para garantir prontidão e reprodutibilidade robustas dos ensaios.
- Análises: Oferece decomposição estatística da variância e associação de fatores com covariáveis clínicas.
- Pesquisa Translacional: Conecta padrões moleculares a estados de doença e desfechos de pacientes para alinhamento de biomarcadores.
- Reutilização Corporativa: Oferece um fluxo de trabalho escalável e adaptável, aplicável a diversas bases de dados multi-ômicas e contextos de doenças.
Impacto Operacional e Empresarial
- Valor Científico: Aumenta a confiança preditiva e reduz a ambiguidade mecanicista na validação de alvos.
- Valor Operacional: Padroniza o processamento e análise de dados multi-ômicos para reprodutibilidade e escalabilidade.
- Valor Estratégico: Permite decisões informadas de avançar/não avançar e gestão eficiente de portfólio em termos de capital.
- Impacto no Portfólio: Apoia a priorização ajustada ao risco e o avanço de programas de descoberta.
Considerações de Implementação
- Requer experiência na integração de dados multi-ômicos e modelagem estatística.
- Depende de uma infraestrutura computacional robusta e gerenciamento de fluxo de trabalho baseado em Jupyter.
- Necessita de pré-processamento e harmonização padronizados dos dados entre ensaios.
- Adaptável a diversas plataformas ômicas e sistemas modelo relevantes para doenças.
- Limitado pela qualidade dos dados de entrada e pela complexidade das covariáveis clínicas incluídas.
