我们提出了一种灵活且可扩展的基于 Jupyter-lab 的工作流程，用于对复杂的多组学数据集进行无监督分析，该流程整合了不同的预处理步骤、多组学因子分析模型的估计以及多种下游分析方法。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
疾病机制通常十分复杂，由多种不同的分子过程相互作用所决定。复杂且多维度的数据集是深入理解这些过程的宝贵资源，但由于高维度性（例如来自不同疾病状态、时间点以及在不同分辨率下获取的组学数据）使得此类数据集的分析具有挑战性。
本文展示了一种无监督分析方法，通过将多组学因子分析（MOFA）应用于来自血液样本的数据集，以分析和探索急性与慢性冠状动脉综合征中免疫应答的复杂多组学数据。该数据集包含多种不同分辨率的检测数据，包括样本水平的细胞因子数据、血浆蛋白质组学和中性粒细胞prime-seq，以及单细胞RNA测序（scRNA-seq) 数据。此外，每位患者在多个不同时间点进行了测量，并包含多个患者亚组，进一步增加了数据的复杂性。
分析工作流程概述了如何分多个步骤整合和分析数据：（1）数据预处理与标准化，（2）MOFA模型的估计，（3）下游分析。步骤1概述了如何处理不同数据类型的特征，过滤低质量特征，并对其进行标准化以统一其分布，为后续分析做准备。步骤2展示了如何应用MOFA模型，并探索在整个数据集所有组学数据和特征中主要的变异来源。步骤3介绍了多种针对所捕获模式的下游分析策略，将其与疾病状态及可能调控这些状态的分子过程相联系。
总体而言，我们提出了一种针对复杂多组学数据集的无监督数据探索工作流程，可用于识别由不同分子特征构成的主要变异轴，该方法也可应用于其他场景和多组学数据集（包括示例性应用案例中所示的其他检测方法）。
引言
疾病机制通常十分复杂，由多种不同的分子过程相互作用所决定。解析导致特定疾病或调控疾病进展的复杂分子机制是一项具有重要医学意义的任务，因为这可能为理解和治疗疾病提供新的见解。
近年来的技术进步使得能够在更高分辨率（例如单细胞水平）和多个生物层面（例如DNA、mRNA、染色质可及性、DNA甲基化、蛋白质组学）上同时测量这些过程。这导致了大规模多维生物数据集的不断增多，这些数据集可进行联合分析，从而更深入地揭示潜在的生物学过程。与此同时，以符合生物学意义的方式整合并分析不同数据来源仍是一项具有挑战性的任务1。
不同组学技术之间的技术限制、噪声水平以及变异范围差异构成了一个挑战。例如，单细胞RNA测序（scRNA-seq）数据通常非常稀疏，并常受到较大的技术偏差或批次效应影响。此外，其特征空间通常非常庞大，涵盖数千个被检测的基因或蛋白质，而样本量却有限。复杂的实验设计进一步加剧了这一问题，这些设计可能包含多种疾病状态、混杂因素、时间点以及不同分辨率。例如，在本展示的应用案例中，不同类型的数据分别来自单细胞水平或样本（批量）水平。除此之外，数据可能不完整，并非所有分析对象都具备全部测量值。
由于这些挑战，不同的组学及其包含的特征通常仍被单独分析2，尽管整合分析不仅能够提供对整个过程....
访问受限。请登录或开始试用以查看此内容。
方案
1. 准备工作：技术设置与安装
注意：运行此程序前，请确保设备上已预安装 wget、git 和 Apptainer。有关在不同系统（Linux、Windows、Mac）上安装 Apptainer 的指南，请访问：https://apptainer.org/docs/admin/main/installation.html。有关 git 安装的信息，请参见：https://git-scm.com/book/en/v2/Getting-Started-Installing-Git。根据输入数据集的大小，建议在配置合适的计算机上运行该工作流（16 核 CPU，64 GB 内存）。可使用提供的示例数据在本地机器上执行冒烟测试。在示例数据上运行本实验方案的操作说明及预期结果详见补充文件 1。有关在上述数据集上执行的关键实验步骤，请参见补充视频文件 1。
- 打开控制台，选择或创建一个文件夹用于存储所有分析代码和输出结果。在终端中输入命令：cd path_to_folder ，进入该文件夹。
- 从 Github 下载或克隆代码仓库（https://github.com/heiniglab/mofa_workflow），或在终端窗口中输入命令：git clone https://git....
访问受限。请登录或开始试用以查看此内容。
结果
成功执行工作流程后，将生成多个表格和图示，如图2所示。图示文件将存放于/figures文件夹中（图6、图7、图8、补充图1、补充图2、补充图3、补充图4），表格文件将存放于指定的/results文件夹中。
如果工作流执行未成功，可能主要由以下原因导致：技术性错误，例如内存不足（尤其是在第一步加载大型单细胞数据集时）、数据格式不正确（例如，不同数据集之间的 sample_id 列不匹配）或配置文件中的参数设置错误（例如，排除了过多的特征）。在这种情况下，通常会在 Jupyter Notebook 脚本执行期间出现错误提示，且不会生成任何图表或数据。.......
访问受限。请登录或开始试用以查看此内容。
讨论
通过本方案，介绍了一种基于 Jupyter Notebook 的模块化且可扩展的工作流程，可用于快速探索复杂的多组学数据集。该工作流程的主要部分包括数据预处理与数据整合（提供多种标准步骤用于数据的过滤与标准化）、MOFA9 模型的估计以及一些示例性的下游分析。其中最关键的步骤之一是对不同的组学数据集进行预处理、整合与标准化。本文介绍了一种针对包含单细胞 RNA 测序（scRNA-seq）数据、prime-seq 大量 RNA 测序、细胞因子检测、血浆蛋白质组学及临床指标的数据集的处理策略， 最终获得了一个整合且标准化的数据集，可用于识别心肌梗死（MI）11 中相关的重要生物学过程。若其他组学数据需要额外的预处理方法，则应在 MOFA 分析之前完成这些步骤。预处理后的数据可作为当前工作流程的输入。该模型的输出结果可用于评估不同数据集整合的质量以及预处理对识别潜在技术偏差的影响。例如，可首先仅应用最少的预处理和标准化步骤，随后评估进一步标准化的效果。在本应用中观察到，加入“按特征进行的分位数标准化”可使蛋白质组学 与其他检测方.......
访问受限。请登录或开始试用以查看此内容。
披露
作者声明无利益冲突。
致谢
C.L. 由亥姆霍兹协会在联合研究生院"Munich School for Data Science - MUDS"项目下提供资助。
....访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Apptainer | NA | NA | https://apptainer.org/docs/admin/main/installation.html |
| 计算服务器、工作站或云平台 （Linux、Mac 或 Windows 环境）。 根据不同输入数据集的大小，建议在合适的设备上运行该工作流程（在我们的设置中使用：16 核 CPU，64GB 内存） | 任意厂商 | 16 CPU, 64GB Memory | 大内存仅在处理原始单细胞数据时需要。预处理完成后，后续分析步骤也可在普通台式机或笔记本电脑上进行 |
| git | NA | NA | https://git-scm.com/book/en/v2/Getting-Started-Installing-Git |
| GitHub | GitHub | NA | https://github.com/heiniglab/mofa_workflow |
参考文献
- Lähnemann, D., et al. Eleven grand challenges in single-cell data science. Genome Biol. 21 (1), 31(2020).
- Colomé-Tatché, M., Theis, F. J. Statistical single cell multi-omics integration. Curr Opin Syst Biol. 7, 54-59 (2018).
- Hawe, J., Theis, F., Heinig, M.
访问受限。请登录或开始试用以查看此内容。
重印与许可
