Method Article

生物研究中多组学整合的综合方案和分步指南

DOI:

10.3791/66995

⸱

August 8th, 2025

 ,  ,  , 
1Nestlé Institute of Food Safety & Analytical Sciences, Nestlé Research, 2D-USYS, ETH Zürich, 3Statistical Genetics Group, University of Lausanne (UNIL)

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

这项工作详细介绍了整合多组学数据的方法（串联、转换和基于模型）。通过结合基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、宏基因组学、脂质组学和糖组学的数据，实现对生物系统的全面了解。该手稿提供了分步指南，强调了多组学集成的局限性、优势和可视化工具。

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本手稿为在生物学研究中整合多组学数据提供了全面的分步指南。

多组学数据整合是指将同一组生物样品上测量的数据与基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、微生物组学、脂质组学和糖组学等不同组学技术进行组合和分析的过程。尽管多组学方法与单组或单组学分析具有相似的目标（例如，描述、区分、分类或预测），但它们能够捕获更广泛的分子信息，从而提供对生物系统及其复杂相互作用的更深入的理解。事实上，多组学数据集的组合可以提高预测准确性并产生更稳健的结果，特别是在可用样本数量有限的情况下。此外，由于机器学习技术的最新发展，多组学分析如今适用于揭示不同生物化合物中出现的隐藏模式和复杂现象。

这项工作的主要目的是提出多组学研究中常用的完整方案，从问题的初始表述到对结果进行生物学解释有用的工具。该手稿详细描述了整合多组学数据的各种方法，包括基于串联（低级）、基于转换（中级）和基于模型（高级）的方法，并强调了它们的局限性和优势，并介绍了通用可视化和诊断工具。

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

近年来，生物学研究领域取得了重大进展，特别是在组学技术领域。这些技术为了解生物系统的复杂性提供了宝贵的见解。然而，每种组学技术都提供了对生物成分的独特视角，需要整合多组学数据才能获得全面的理解。

多组学涵盖了各种类别的生物分子，由于新的、强大的高通量测序技术的出现，这些生物分子可以被定量定义。不同类型的组学技术包括基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、宏基因组学、脂质组学和糖组学。基因组学涉及生物体基因组的研究，而表观基因组学则侧重于基因组的支持结构，包括蛋白质和 RNA 结合剂、替代 DNA 结构以及 DNA 的化学修饰。转录组学包括对所有 RNA 分子的研究，包括 mRNA、rRNA、tRNA 和其他非编码 RNA。蛋白质组学涉及蛋白质的研究，包括对特定蛋白质组的修饰。代谢组学侧重于生物基质内小分子（代谢物）的集合。宏基因组学涉及对具有特定物理化学特性的明确栖息地中的微生物群落的研究。脂质组学包括对细胞脂质的整个补体的研究，而糖组学则侧重于对糖组的研究，包括碳水化合物和糖1。

多组学数据的整合因其揭示复杂生物现象的潜力而受到科学界的日益关注。通过结合来自多种组学技术的数据，研究人员可以克服单个数据集的局限性，并获得更全面的生物系统视图。这种综合方法能够识别新的生物标志物、发现疾病机制以及阐明复杂的生物途径。

多年来，PubMed 中术语“多组学”和“多组学”的引用次数显着增加，从 2018 年的 307 次增加到 2021 年的 1414 次，再到 2023 年的 3933 次。不同类型组学变量的整合变得越来越普遍，因为它可以更深入地研究生物体疾病和功能障碍的潜在机制。单组学方法提供了隐藏生物学的有限、部分视图，因为它们专注于单一视角。然而，通过整合多组学数据，我们可以揭示不同生物分子的相互作用，了解多层内的关系，并弥合基因型和表型之间的差距。总体而言，多组学方法可以帮助回答重要问题，例如对疾病的不同亚组进行分类、预测与疾病相关的基本生物标志物以及更好地了解生物途径和机制。在以下部分中，不同的组学数据集也可以称为数据“视图”或数据“块”。

多组学整合技术可分为三个主要亚组，如Reel等人（2021）2 和Ritchie等人（2015）3 所述（图1）。

低级、早期集成或连接：此方法涉及将每个单个数据集中的变量连接成单个矩阵。然而，早期整合不考虑每种组学数据类型的唯一分布，并且可能会为某些具有更大维度的组学数据类型分配更多权重。它还带来了挑战，例如维度诅咒的风险增加、噪声增加、高度相关的变量以及计算可扩展性问题。尽管有这些局限性，早期整合可以识别多个组学层之间的协调变化并增强生物学解释。

基于中间层、中间整合或基于转化：在这种方法中，数学整合模型应用于组学数据的多层。中间集成侧重于从源中提取的子集或表示的融合。中整合中的两个子方法是中上方法和中下方法。中间方法涉及从每个块的降维中获得的串联分数，使其适合处理异构数据。然而，它可能缺乏可解释性。中下方法涉及局部变量选择和对级联变量子集的后续分析，从而更容易解释模型。中间集成具有提高信噪比、降低维度和提高统计功效等优点。

高级、后期整合或基于模型：这种方法涉及在每个单个组学水平上执行分析，并以临时方式组合结果。它包括融合单块模型的结果，以识别来自每个来源的生物标志物并提供对结果的联合解释。后期整合不会增加输入空间的维度，并且适用于每个组学数据的唯一分布。当一个组学层比其他组学层更具预测性时，它特别合适。然而，后期整合可能会忽视跨组学关系，并面临与缺乏对初始数据块之间联系的理解以及通过个体建模可能丢失生物信息相关的挑战。

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 研究问题定义

  1. 清楚地阐明将通过多组学集成解决的具体研究问题。例如，研究问题 1：与治疗反应相关的蛋白质表达和代谢物谱的变化是什么？研究问题 2：遗传变异如何影响特定疾病患者的基因表达模式？研究问题3：特定组学层的整合如何提供对特定生物过程或疾病机制的全面理解？
  2. 考虑纳入多种组学技术来搜索生物标志物或获得对复杂疾病的机制见解。请注意，患者分层可能需要增加样本量。

2. 组学选择

  1. 确定与研究问题和所研究的生物系统最相关的组学技术。例如，在问题1的情况下，相关的组学技术是蛋白质组学和代谢组学;研究问题2，基因组学和转录组学;对于研究问题 3，几种组学技术。
  2. 在选择理想的组学层时，请考虑研究的目的和可用资源。例子包括用于营养研究的代谢组学、用于癌症生物学的基因组学和转录组学以及用于各种疾病的蛋白质组学。

3. 确保数据质量

注意：确保按照下述步骤生成的组学数据的数据可靠性和可重复性。

  1. 仔细设计实验，并在所有组学层保持一致的实验条件和样品收集方法，以尽量减少批次效应。
  2. 在每个组学数据集的数据生成过程中遵循既定协议并实施质量控制措施。
    1. 在适当的情况下使用内部或外部标准。
    2. 在单个组学数据集中执行质量检查。
      1. 对于基因组学数据，评估读取质量评分、碱基组成和测序深度等指标，以确保高质量的测序数据，以及比对和映射质量以及变异检出质量，包括等位基因频率、读取深度和变异注释。
      2. 对于转录组学数据，在评估读取质量时评估读长分布、碱基组成和Phred质量评分等指标，在评估转录本定量质量时评估每百万转录本（TPM）或每千碱基转录本片段数（FPKM）。
      3. 对于蛋白质组学数据，在评估蛋白质鉴定和定量质量时，在评估质谱数据质量和肽序列覆盖率、蛋白质鉴定评分、错误发现率和蛋白质丰度测量的可重复性时，请考虑相关指标，例如峰强分布、信噪比和质量准确度。
      4. 对于代谢组学数据，在评估质谱数据质量并将质谱与参考数据库匹配或在评估代谢物鉴定质量时使用碎裂模式进行结构阐明时，评估相关指标，如峰强分布、信噪比和质量准确度。

4. 数据预处理

  1. 重叠样本
    1. 仅包括在多个组学数据集中重叠的样本。
    2. 排除与其他块相比重叠样本数量不足的块。
  2. 缺失值插补
    1. 使用统计或机器学习方法处理缺失值。
    2. 采用最小二乘自适应 （LSA） 方法等技术进行缺失值插补。
    3. 避免删除缺少数据的行，尤其是在处理有限样本时。
    4. 排除缺失值百分比较高的变量（例如，样本中缺失值为 25% 或 30%）。
  3. 标准化
    1. 执行数据作以确保特征的一致缩放。
    2. 防止具有较大效果的特征主导具有较小效果的特征。
    3. 应用常见的变换，如对数变换、居中和缩放。
      注意：应仔细选择转换，以保持原始数据的可解释性。
  4. 异常值识别
    1. 使用箱线图或与值中位数的距离等工具检测异常值和极值。
    2. 通过适当的方法（例如数据转换或删除）解决异常值。

5. 降维

注意：降维有两种方法：去除嘈杂和冗余变量（特征选择）或组合特征以创建更有意义的变量（特征提取）。

  1. 确定研究的目的是预测性的（例如，建立一个能够预测受试者是否健康或生病的模型）还是分析性的（例如，哪些变量是疾病的生物标志物）。
    注意：如果研究的目的是分析，则特征选择更合适，因为特征提取可能会导致可解释性丧失。
  2. 在处理高维数据时，重要的是选择与所研究现象相关的变量，以简化分析和解释，减少所需的计算资源，并消除会混淆结果的噪声和冗余信息。
  3. 功能选择
    1. 确定感兴趣现象的信息特征子集。
    2. 使用分类为筛选方法、包装方法、嵌入式方法和混合方法等类别的特征选择方法。在多组学的情况下，也可以应用生物标志物选择方法。
      注意：选择适当的方法时，请考虑数据集特征。包装器方法提供最准确的预测模型，但它们需要比筛选器或嵌入式方法长得多的计算时间。 表1提供了不同特征选择和提取方法的优缺点汇总表。
    3. 平衡最终模型的性能与特征选择所需的计算工作量。
    4. 优化所选特征的数量以避免欠拟合或过度拟合。
      注意：过拟合风险的示例在之前发表的著作中进行了讨论。
    5. 使用准确性、曲线下面积 （AUC） 分数或平衡错误率 （BER） 等指标评估模型的性能。
  4. 特征提取
    1. 将原始数据转换为一组精简的有意义特征：
      1. 应用主成分分析 （PCA） 等技术，通过将数据投影到低维空间来识别重要的模式和关系。
      2. 利用 t-SNE 可视化高维数据，同时保留局部相似性。
      3. 考虑线性判别分析 （LDA） 以最大限度地提高类可分离性。
      4. 探索自动编码器，使用神经网络学习数据的压缩表示。
        注意：特征提取可能会导致更难解释的表示。 表1 列出了特征选择和特征提取方法的选定示例5。

6、积分方式选择

  1. 确定要应用于数据的最相关的积分方法。
    1. 如果样本匹配并且有足够多的完整受试者，则继续采用早期整合方法。
    2. 如果必须考虑层间相互作用，则不要继续使用后期积分方法。
    3. 如果信号可能很微妙，但跨层一致，那么早期积分方法可能比晚期积分方法更合适。
    4. 如果利用不同组学层之间的数据相互关系很重要，那么选择中间整合方法。
    5. 串联的低级集成
      1. 如果一个（或多个）组学块的特征（变量）数量仍然比其余组块大得多，请按照第 5 节中的步骤降低其（它们）的维度。
      2. 将每个组学数据集中的变量连接成一个宽矩阵。
      3. 转换串联变量，使其具有相似的范围和分布。
      4. 使用串联的数据矩阵进行后续分析，例如应用机器学习算法或降维策略。
        注意：执行低级集成的最常见方法是通过串联。但是，这些方法可能会导致块或特定于块的见解之间的关系丢失。
  2. 中级集成
    1. 根据分析目标，从中级集成的六个主要类别中进行选择。
      1. 基于相似性：在关系先验未知的探索性数据分析中，使用此方法评估不同样本或特征之间的相似性，以识别疾病中的模式或亚型。示例：SNF6。
      2. 基于相关性：采用此方法来识别和量化不同变量之间的关联，特别是评估一个变量如何随着另一个变量的变化而变化。示例：CNA第7 项。
      3. 基于网络：使用基于网络的方法表示要素之间的复杂关系。它对于发现数据结构中的聚类和预测生物标志物特别有用。示例：NetICS8、PARADIGM9、scMoMtF10。
      4. 基于贝叶斯：使用此方法将先验知识纳入分析或处理数据中的不确定性。它对于推断疾病亚型和基于概率模型预测生物标志物特别有用。例如：MOFA11、iClusterPlus12。
      5. 基于多变量：使用此方法同时分析多个变量，特别是当这些变量之间的相互作用对于理解生物系统至关重要时。它对于聚类和生物标志物发现都很有用。示例：mixOmics13、JIVE14、15。
      6. 基于融合：使用此方法将来自不同组学层的数据组合到一个框架中，以利用每种类型数据的优势。它对于需要集成不同数据集的综合分析特别有用。例如：PFA16、PSDF17。
        注意：基于强大的统计处理或机器学习技术建模，它可能会限制低级或高级集成中存在的问题。
    2. 将所选方法应用于多组学数据集。
  3. 高水平集成
    1. 独立对每个组学模块进行完整的数据分析。
    2. 共同解释上一步得到的结果。

7. 统计分析

  1. 差异表达 （DE） 分析
    1. 通过确保数据格式正确和规范化来准备数据。
      注意：根据所使用的软件包，数据格式和结构可能会有所不同。建议使用 R 包（例如 limma18、edgeR19 或 DESeq220 ）进行 DE 分析。
    2. 构造一个设计矩阵，其中包括每个实验组的单独系数，指定实验条件和组分配。
    3. 实现线性模型并将其应用于每个特征，并合并设计矩阵。
    4. 计算调节的 t 统计量和 F 统计量以评估差异表达。
    5. 使用标准误差的经验贝叶斯调节来估计差异表达的对数几率。
    6. 确定显著性阈值
      1. 考虑 p 值截止值 0.05 以确定统计显着性。
      2. 根据特征类型设置对数倍变化阈值：
      3. 对于代谢物和蛋白质，使用 log2（1.1） 的对数倍变化。
      4. 对于转录本，使用 log2（1.5） 的对数倍数变化。
  2. 聚类
    1. 选择要使用的聚类分析方法/算法。
      注意：有专门为多组学数据设计的聚类算法，例如 NEMO21、iCluster22 和 JIVE23。
    2. 如果方法需要，请确定聚类数。一些替代方法是肘部法、轮廓分数或间隙统计量，以估计最佳聚类数量。
    3. 对清理的数据运行选定的聚类算法。
    4. 根据需要优化特定于算法的参数。
    5. 使用内部或外部验证指标（例如轮廓分数或调整后的兰德指数）评估聚类结果的质量。
    6. 如果适当且可行，请使用独立数据或先前从聚类分析中排除的测试数据集来验证聚类分配。
  3. 预测建模
    1. 评估在多组学研究中执行预测建模的必要性。
      注意：预测模型可以在多组学整合后应用，以比较结果分类预测的准确性如何根据不同方法选择的特征而变化。
    2. 如果在步骤 7.3.1 中做出的决定是肯定的，则继续执行以下步骤;否则，请转至步骤 8。
    3. 选择合适的预测模型进行应用。
      注意：要使用的模型的一个示例是随机森林 （RF），这是一种机器学习算法，它集成了多个决策树以获得最终结果。
    4. 微调模型参数（例如，使用 R 插入符号包）。
    5. 以平衡的方式将数据集分为训练和测试（60-40% 或 80-20%），以获得来自不同组的相同比例的样本。
    6. 在列车集上运行模型。
    7. 计算测试集中的准确性和 F1 分数，以评估模型性能。
    8. 多次重复步骤 2 到 4（例如，1000）以增加随机性。
    9. 计算步骤 5 结果的平均值。
    10. 报告平均准确性和 F1 分数。如果不满意，请继续执行步骤 1 以改进参数选择。
    11. 使用准确度平均下降 （DMA） 和杂质平均减少 （MDI） 确定特征重要性。

8. 生物学解释：

  1. 选择通路富集工具（常用的PEA工具有DAVID、GSEA、Enrichr和Metascape）。
  2. 将基因或蛋白质列表输入到选定的通路富集分析工具中。
  3. 选择适当的通路数据库，例如 KEGG、Reactome 或 GO，以执行分析。
    注意：一种专门为多组学数据设计的工具是 Paintomics，它使用数据库（KEGG、Reactome 或 Mapman）来提供有关这些生物标志物之间的功能关系以及它们参与特定生物过程的信息25。
  4. 使用所选工具和数据库运行通路富集分析。
  5. 根据需要调整参数，例如显着性阈值、基因背景列表或校正方法。
  6. 可视化和评估最终结果（富集途径、FDR、途径图、热图等）。

9. 验证和后续实验

  1. 技术验证
    1. 验证当对同一样品使用不同的分析技术时，也发现了等效的结果。
      注意：例如，使用基于质谱 （MS） 的蛋白质组学获得的结果可以在以后使用免疫学测定（例如酶联免疫吸附测定 （ELISA））进行验证。
  2. 确定后续实验以验证获得的结果。
  3. 如果可能，通过分析来自独立队列的组学数据来复制发现。
  4. 对于临床应用，进行随机临床试验以证明研究结果的临床有效性。
    1. 设计和实施具有适当样本量和随机化的对照研究，以评估已识别生物标志物或靶标的有效性和安全性。
    2. 收集相关的临床终点并衡量已识别因素对患者结果的影响。

10. 可视化和诊断工具

注意：可以使用各种类型的图来说明数据分析的结果，提供关键发现的直观表示。常用的地块包括火山地块、热图、马戏团地块和曼哈顿地块。

  1. 火山图：
    1. 使用火山图总结差异表达分析 （DEA） 结果。
    2. 显示统计显着性和测试组之间变化幅度之间的关系。
    3. 根据关键特征在绘图中的位置确定它们以供进一步检查。
  2. 热图：
    1. 利用热图可视化不同类别的变量大小。
    2. 使用颜色来指示变量的强度，便于识别数据集中的模式和聚类。
  3. 曼哈顿地块：
    1. 使用曼哈顿图有效地总结 DEA 的结果，并在同一图上可视化多个数据点。
    2. 常用于全基因组关联研究（GWAS），但也适用于多组学研究。
  4. 马戏团情节：
    1. 使用圆环图、圆形可视化来探索各种分子特征之间的相互作用和相关性。
    2. 以全面且具有视觉吸引力的方式描绘不同元素之间的关系和联系。
      注意：本研究使用癌症测试数据集提供了上述每种地块类型的代表性结果示例。
  5. 诊断工具：
    注意：可视化工具与性能指标一起，对于诊断目的非常重要。
    1. 利用受试者工作特征 （ROC） 曲线来评估分类模型的性能。
    2. 使用载荷图和主成分分析 （PCA） 图来可视化数据中的关系和模式。
      注意：使用癌症测试数据集的每个图的代表性结果示例显示在“代表性结果”部分。
  6. 二元分类的性能指标
    注意：以下指标都可以适用于多类分类，例如在所提供的示例中，通过考虑每个类的每个类与其他类。
    1. 混淆矩阵：使用混淆矩阵（表 2）指示对角线中的真阳性和真阴性，右下块中的真阴性，右上方块中的假阳性，左下方块中的假阴性。
    2. 精度：它是正确的阳性识别的比例。使用公式 TP/（TP + FP） 计算精度。精度为 1 的模型没有误报。如果模型的精度为 0.5，则该模型有一半的时间是正确的。
      figure-protocol-1
    3. 召回率或灵敏度：也称为真阳性率或命中率，它是正确识别的实际阳性比例。使用公式 TP/（TP + FN） 或 TP/pos 计算召回率或灵敏度，其中 pos = TP + FN 是正示例的总数。
      figure-protocol-2
    4. 特异性：它是正确识别的实际阴性比例。使用公式 TN/neg 计算，其中 neg = TN + FP 是负示例的总数。
      figure-protocol-3
    5. 准确性：正确预测的比例（正面和负面）。使用以下公式计算准确度：
      figure-protocol-4
    6. F 分数：F 分数是召回率和精度之间的调和平均值。使用以下公式计算：
      figure-protocol-5
    7. 平衡准确度：平衡准确度 （BAC） 是灵敏度和特异性的平均值。使用以下公式计算：
      figure-protocol-6
      其中 TPR 代表真阳性率并对应于召回率，TNR 代表真阴性率并对应于特异性。
    8. 平衡错误率：平衡错误率 （BER） 是每个类错误的平均值。使用以下公式计算：
      figure-protocol-7
      注意：BER 的优点是通过创建错误率的平衡度量来考虑类之间的性能差异，从而限制不平衡数据集的影响。错误率 0.5 表示与随机猜测类似的性能。对于 DIABLO，BER 是每个块的加权分类错误率，具体取决于组件与感兴趣条件之间的相关性。BER 是 BA 与 1 的补码，即 BER = （1 - BAC）。
    9. 曲线下面积：将曲线下面积 （AUC） 计算为 ROC 以下的面积（在下一节中描述），通过绘制敏感性与特异性来获得。
      注意：这些指标中哪一个最适合任务取决于漏报的重要性以及类之间的平衡或不平衡。精确度侧重于最大限度地减少误报，而召回率侧重于最大限度地减少误报。如果阳性个案的比例较低，那么仅靠精度可能不是评估模型性能的最佳指标。Code.R 作为 补充文件 1 提供。

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

与单组学分析一样，可视化是数据探索、数据集成、模式识别、假设生成和结果沟通的关键。具体来说，在数据预处理步骤中，大数据的良好可视化非常重要，有助于验证归一化、识别异常值等等。在多组学中，可视化至关重要，因为它可以帮助评估不同组学层/块的趋势，并且每个块的信息叠加可以帮助识别它们之间的共享信息。

个案研究
为了举例说明多组学方法，我们选择了“mixOmics TCGA数据集”26作为测试数据集，这是由癌症基因组图谱网络27生成的三种乳腺癌亚型（即LumA，Her2和Basal）的组学数据的两个归一化和清洁子集：

训练数据：训练数据集由 150 个样本组成：75 个 LumA、45 个基础样本和 30 个 Her2 训练样本，其中测量了蛋白质组学、miRNA 和 mRNA，每个样本对应一个不同的组学块。

测试数据：测试数据集由 70 个样本组...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

确定最相关的组学数据集是多组学整合研究的第一步。在营养研究中，代谢组学是最早需要关注的组学层之一，因为它可以突出饮食干预或对食物摄入的代谢反应的代谢途径和生化过程。另一方面，例如，在癌症生物学中，基因组学和转录组学提供有关 DNA、遗传变异和基因表达失调的信息，可以帮助了解肿瘤病因或异质性，并导致识别新的生物标志物。蛋白质组学在心血管、自身免疫性疾病和神经退行性疾病等多种疾病中也发挥着至关重要的作用。总体而言，它可以帮助寻找疾病特异性蛋白质、翻译后修饰和蛋白质-蛋白质相互作用，这对于识别生物标志物和开发靶向疗法至关重要。

在处理高维数据时，重要的是选择与所研究现象相关的变量，以简化分析和解释，减少所需的计算资源，并消除会混淆结果的噪声和冗余信息。

在多组学整合中，需要考虑几个关键步骤，以确保多个组学数据集的成功整合。预处理是任何多组学方法的第一个关键步骤，对单个组学数据集进行清理和预处理2,3

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

E.A.、R.R.和O.C.是Société des Produits Nestlé SA的雇员。

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者感谢 Michael Affolter 博士、Loïc Dayon 博士、Jean Philippe Godin 博士、Francesca Giuffrida 博士、Eugenia Migliavacca 博士、Anne-Florence Bitbol 教授和 Zoltan Kutalik 教授的支持。

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
苹果 M2 Pro macOS 苹果14.3 （23D56）处理计算机
ggplot2 R 包r-project.org3.4.4创建数据可视化
ggpubr R 包r-project.org 0.6.0创建发布就绪图
ggrepel R 包r-project.org0.9.5使用 ggplot2 自动定位不重叠的文本标签
格子 R 包r-project.org 0.22-5用于 R 的 Tellis 图形
利马 R 包r-project.org3.58.1微阵列数据混合的线性模型
组学 R 包r-project.org6.25.1Omic 数据集成项目
NEMO R 包r-project.org0.1.0基于邻域的多组学聚类
R r-project.org4.3.2 （2023-10-31）统计计算与图形编程语言
R StudioRStudio2023.12.1+402 （2023.12.1+402）R SNFtool
R 包r-project.org2.3.1相似性网络融合
tidyr R 包r-project.org1.3.1整齐杂乱的数据
标尺 R包r-project.org1.3.0模型性能的整洁表征

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasin, Y., Seldin, M., Lusis, A. Multi-omics approaches to disease. Genome Biol. 18 (1), 83(2017).
  2. Reel, P. S., Reel, S., Pearson, E., Trucco, E., Jefferson, E. Using machine learning approaches for multi-omics data analysis: a review. Biotechnol Adv. 49, (2021).
  3. Ritchie, M. D., Holzinger, E. R., Li, R., Pendergrass, S. A., Kim, D. Methods of integrating data to uncover genotype-phenotype interactions. Nat Rev Genet. 16 (2), 85-97 (2015).
  4. Lan, W., He, G., Liu, M., Chen, Q., Cao, J., Peng, W. Transformer-Based Single-Cell Language Model: a survey. Big Data Min Analyt. 7 (4), 1169-1186 (2024).
  5. Li, Y., Mansmann, U., Du, S., Hornung, R. Benchmark study of feature selection strategies for multi-omics data. BMC Bioinformatics. 23 (1), (2022).
  6. Li, L., et al. Multi-omics data integration for subtype identification of Chinese lower-grade gliomas: a joint similarity network fusion approach. Comput Struct Biotechnol J. 20, 3482-3492 (2022).
  7. Louhimo, R., Hautaniemi, S. CNAmet: an R package for integrating copy number, methylation and expression data. Bioinformatics. 27 (6), 887-888 (2011).
  8. Dimitrakopoulos, C., et al. Network-based integration of multi-omics data for prioritizing cancer genes. Bioinformatics. 34 (14), 2441-2448 (2018).
  9. McLendon, R. Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature. 455 (7216), 1061(2008).
  10. Lan, W., Ling, T., Chen, Q., Zheng, R., Li, M., Pan, Y. scMoMtF: an interpretable multitask learning framework for single-cell multi-omics data analysis. PLoS Comput Biol. 20 (12), e1012679(2024).
  11. Argelaguet, R., et al. MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biol. 21 (1), (2020).
  12. Mo, Q., et al. Pattern discovery and cancer gene identification in integrated cancer genomic data. Proc Natl Acad Sci USA. 110 (11), 4245-4250 (2013).
  13. Rohart, F., Gautier, B., Singh, A., Lê Cao, K. A. mixOmics: an R package for 'omics feature selection and multiple data integration. PLoS Comput Biol. 13 (11), (2017).
  14. O'Connell, M. J., Lock, E. F. R.JIVE for exploration of multi-source molecular data. Bioinformatics. 32 (18), 2877-2879 (2016).
  15. Lock, E. F., Hoadley, K. A., Marron, J. S., Nobel, A. B. Joint and individual variation explained (JIVE) for integrated analysis of multiple data types. Ann Appl Stat. 7 (1), 523-542 (2013).
  16. Shi, Q. Pattern fusion analysis by adaptive alignment of multiple heterogeneous omics data. Bioinformatics. 33 (17), 2706-2714 (2017).
  17. Yuan, Y., Savage, R. S., Markowetz, F. Patient-Specific Data Fusion defines prognostic cancer subtypes. PLoS Comput Biol. 7 (10), e1002227(2011).
  18. Smyth, G. K. Linear models and empirical bayes methods for assessing differential expression in microarray experiments. Stat Appl Genet Mol Biol. 3 (1), (2004).
  19. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139(2010).
  20. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), (2014).
  21. Rappoport, N., Shamir, R. NEMO: cancer subtyping by integration of partial multi-omic data. Bioinformatics. 35 (18), 3348-3356 (2019).
  22. Shen, R., Olshen, A. B., Ladanyi, M. Integrative clustering of multiple genomic data types using a joint latent variable model with application to breast and lung cancer subtype analysis. Bioinformatics. 25 (22), 2906-2912 (2009).
  23. Biau, G., Scornet, E. A random forest guided tour. Test. 25 (2), 197-227 (2016).
  24. Rigatti, S. J. Random Forest. J Insur Med. 47 (1), 31-39 (2017).
  25. Hernández-De-Diego, R., et al. PaintOmics 3: a web resource for the pathway analysis and visualization of multi-omics data. Nucleic Acids Res. 46 (W1), W503-W509 (2018).
  26. Singh, A., et al. DIABLO - an integrative, multi-omics, multivariate method for multi-group classification. BioRxiv. , (2016).
  27. Koboldt, D. C., et al. Comprehensive molecular portraits of human breast tumours. Nature. 490 (7418), 61-70 (2012).
  28. Welham, Z., Déjean, S., LêCao, K. A. Multivariate analysis with the R package mixOmics. Methods Mol Biol. 2426, 333-359 (2023).
  29. Sharifi-Noghabi, H., Zolotareva, O., Collins, C. C., Ester, M. MOLI: multi-omics late integration with deep neural networks for drug response prediction. Bioinformatics. 35 (14), i501-i509 (2019).
  30. Chicco, D., Cumbo, F., Angione, C. Ten quick tips for avoiding pitfalls in multi-omics data integration analyses. PLoS Comput Biol. 19 (7), e1011224(2023).
  31. Lan, W., Liao, H., Chen, Q., Zhu, L., Pan, Y., Chen, Y. P. P. DeepKEGG: a multi-omics data integration framework with biological insights for cancer recurrence prediction and biomarker discovery. Brief Bioinform. 25 (3), 185(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Multi Omics IntegrationOmics Data AnalysisBiological ResearchData IntegrationGenomics ProteomicsMetabolomics TranscriptomicsMachine LearningMolecular InteractionsVisualization ToolsModel Based Integration

Related Articles