Name: Anwendung der unüberwachten Multi-Omik-Faktorenanalyse zur Aufdeckung von Variationsmustern und molekularen Prozessen im Zusammenhang mit Herz-Kreislauf-Erkrankungen (Video) | JoVE Journal
Uploaded: 2024-09-20T13:10:00.000+00:00
Duration: 8 min 51 s
Description: Lernen Sie die unüberwachte Multi-Omik-Faktorenanalyse mit dem MOFA-Modell kennen, um Variationsmuster bei Herzinfarktpatienten zu identifizieren. Diese Methode verknüpft molekulare Prozesse mit klinischen Ergebnissen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<meta charset="utf8"></head><body>Unüberwachte Analyse von Multi-Omics-Daten bei Koronarsyndromen mittels MOFA

<ol><li>Lähnemann, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Eleven+grand+challenges+in+single-cell+data+science%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Eleven grand challenges in single-cell data science.</a> Genome Biol. 21 (1), 31(2020).</li>
<li>Colomé-Tatché, M., Theis, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Statistical+single+cell+multi-omics+integration%5BTitle%5D)+AND+%22Curr+Opin+Syst+Biol%22%5BJournal%5D)">Statistical single cell multi-omics integration.</a> Curr Opin Syst Biol. 7, 54-59 (2018).</li>
<li>Hawe, J., Theis, F., Heinig, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+interaction+networks+from+multi-omics+data%5BTitle%5D)+AND+%22Front+Genet%22%5BJournal%5D)">Inferring interaction networks from multi-omics data.</a> Front Genet. 10, 535(2019).</li>
<li>Hawe, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+reconstruction+for+trans+acting+genetic+loci+using+multi-omics+data+and+prior+information%5BTitle%5D)+AND+%22Genome+Med%22%5BJournal%5D)">Network reconstruction for trans acting genetic loci using multi-omics data and prior information.</a> Genome Med. 14 (1), 125(2022).</li>
<li>Koh, H. W. L., Fermin, D., Vogel, C., Choi, K. P., Ewing, R. M., Choi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((iOmicsPASS%3A+network-based+integration+of+multiomics+data+for+predictive+subnetwork+discovery%5BTitle%5D)+AND+%22NPJ+Syst+Biol+Appl%22%5BJournal%5D)">iOmicsPASS: network-based integration of multiomics data for predictive subnetwork discovery.</a> NPJ Syst Biol Appl. 5, 22(2019).</li>
<li>Ogris, C., Hu, Y., Arloth, J., Müller, N. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Versatile+knowledge+guided+network+inference+method+for+prioritizing+key+regulatory+factors+in+multi-omics+data%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Versatile knowledge guided network inference method for prioritizing key regulatory factors in multi-omics data.</a> Sci Rep. 11, 6806(2021).</li>
<li>Lee, C., vander Schaar, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+variational+information+bottleneck+approach+to+multi-omics+data+integration%5BTitle%5D)+AND+%22Proceedings+of+The+24th+International+Conference+on+Artificial+Intelligence+and+Statistics%22%5BJournal%5D)">A variational information bottleneck approach to multi-omics data integration.</a> Proceedings of The 24th International Conference on Artificial Intelligence and Statistics. 130, 1513-1521 (2021).</li>
<li>Singh, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DIABLO%3A+an+integrative+approach+for+identifying+key+molecular+drivers+from+multi-omics+assays%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">DIABLO: an integrative approach for identifying key molecular drivers from multi-omics assays.</a> Bioinformatics. 35 (17), 3055-3062 (2019).</li>
<li>Argelaguet, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-omics+factor+analysis-a+framework+for+unsupervised+integration+of+multi-omics+data+sets%5BTitle%5D)+AND+%22Mol+Syst+Biol%22%5BJournal%5D)">Multi-omics factor analysis-a framework for unsupervised integration of multi-omics data sets.</a> Mol Syst Biol. 14 (6), e8124(2018).</li>
<li>Cantini, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Benchmarking+joint+multi-omics+dimensionality+reduction+approaches+for+the+study+of+cancer%5BTitle%5D)+AND+%22Nature+Commun%22%5BJournal%5D)">Benchmarking joint multi-omics dimensionality reduction approaches for the study of cancer.</a> Nature Commun. 12 (1), 124(2021).</li>
<li>Pekayvaz, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiomic+analyses+uncover+immunological+signatures+in+acute+and+chronic+coronary+syndromes%5BTitle%5D)+AND+%22Nature+Medicine%22%5BJournal%5D)">Multiomic analyses uncover immunological signatures in acute and chronic coronary syndromes.</a> Nature Medicine. 30 (6), 1696-1710 (2024).</li>
<li>Swirski, F. K., Nahrendorf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cardioimmunology%3A+the+immune+system+in+cardiac+homeostasis+and+disease%5BTitle%5D)+AND+%22Nat+Rev+Immunol%22%5BJournal%5D)">Cardioimmunology: the immune system in cardiac homeostasis and disease.</a> Nat Rev Immunol. 18 (12), 733-744 (2018).</li>
<li>Janjic, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prime-seq%2C+efficient+and+powerful+bulk+RNA+sequencing%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Prime-seq, efficient and powerful bulk RNA sequencing.</a> Genome Biol. 23 (1), 88(2022).</li>
<li>Wolf, F. A., Angerer, P., Theis, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SCANPY%3A+large-scale+single-cell+gene+expression+data+analysis%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">SCANPY: large-scale single-cell gene expression data analysis.</a> Genome Biol. 19 (1), 15(2018).</li>
<li>Cao, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrated+analysis+of+multimodal+single-cell+data+with+structural+similarity%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Integrated analysis of multimodal single-cell data with structural similarity.</a> Nucleic Acids Res. 50 (21), e121(2022).</li>
<li>Get Started - JupyterLab 4.1.0a4 documentation. , Available from: 
 <a target="_blank" href="https://jupyterlab.readthedocs.io/en/latest/getting_started/overview.html">https://jupyterlab.readthedocs.io/en/latest/getting_started/overview.html</a> (2024).</li>
<li>MOFA2: training a model in R. , Available from: 
 <a target="_blank" href="https://raw.githack.com/bioFAM/MOFA2_tutorials/master/R_tutorials/getting_started_R.html">https://raw.githack.com/bioFAM/MOFA2_tutorials/master/R_tutorials/getting_started_R.html</a> (2020).</li>
<li>De Silva, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust+T+cell+activation+requires+an+eIF3-driven+burst+in+T+cell+receptor+translation%5BTitle%5D)+AND+%22eLife%22%5BJournal%5D)">Robust T cell activation requires an eIF3-driven burst in T cell receptor translation.</a> eLife. 10, e74272(2021).</li>
<li>Li, G., Liang, X., Lotze, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((HMGB1%3A+The+central+cytokine+for+all+lymphoid+cells%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">HMGB1: The central cytokine for all lymphoid cells.</a> Front Immunol. 4, 68(2013).</li>
<li>Jassal, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+reactome+pathway+knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The reactome pathway knowledgebase.</a> Nucleic Acids Res. 48 (D1), D498-D503 (2020).</li>
<li>Argelaguet, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MOFA%2B%3A+a+statistical+framework+for+comprehensive+integration+of+multimodal+single-cell+data%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">MOFA+: a statistical framework for comprehensive integration of multimodal single-cell data.</a> Genome Biol. 21 (1), 111(2020).</li>
<li>Velten, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+temporal+and+spatial+patterns+of+variation+from+multimodal+data+using+MEFISTO%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Identifying temporal and spatial patterns of variation from multimodal data using MEFISTO.</a> Nat Methods. 19 (2), 179-186 (2022).</li>
<li>Qoku, A., Buettner, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Encoding+domain+knowledge+in+multi-view+latent+variable+models%3A+A+Bayesian+approach+with+structured+sparsity%5BTitle%5D)+AND+%22Proceedings+of+The+26th+International+Conference+on+Artificial+Intelligence+and+Statistics%22%5BJournal%5D)">Encoding domain knowledge in multi-view latent variable models: A Bayesian approach with structured sparsity.</a> Proceedings of The 26th International Conference on Artificial Intelligence and Statistics. 206, 11545-11562 (2022).</li>
<li>Multi-Omics Factor Analysis. MOFA. , Available from: 
 <a target="_blank" href="https://biofam.github.io/MOFA2/">https://biofam.github.io/MOFA2/</a> (2024).</li>
<li>Mitchel, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tensor+decomposition+reveals+coordinated+multicellular+patterns+of+transcriptional+variation+that+distinguish+and+stratify+disease+individuals%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Tensor decomposition reveals coordinated multicellular patterns of transcriptional variation that distinguish and stratify disease individuals.</a> bioRxiv. , (2023).</li>
</ol>

Krankheitsmechanismen sind in der Regel komplex und werden durch das Zusammenspiel mehrerer unterschiedlicher molekularer Prozesse bestimmt. Die komplexen molekularen Mechanismen zu entschlüsseln, die zu bestimmten Krankheiten führen oder die Evolution einer Krankheit steuern, ist eine Aufgabe von hoher medizinischer Relevanz, da sie neue Erkenntnisse für das Verständnis und die Behandlung von Krankheiten liefern kann.
Jüngste technologische Fortschritte ermöglichen es, diese Prozesse mit höherer Auflösung (z.B. auf Einzelzellebene) und gleichzeitig auf verschiedenen biologischen Schichten (z.B. DNA, MRNA, Chromatinzugänglichkeit, DNA-Methylierung, Proteomik) zu messen. Dies führt dazu, dass zunehmend große mehrdimensionale biologische Datensätze generiert werden, die gemeinsam analysiert werden können, um mehr Einblicke in die zugrundeliegenden Prozesse zu gewinnen. Gleichzeitig bleibt die Kombination und Analyse der verschiedenen Datenquellen auf biologisch sinnvolle Weise eine herausfordernde Aufgabe1.
Unterschiedliche technologische Grenzen, Geräusche und Variabilitätsbereiche zwischen verschiedenen Omics stellen eine Herausforderung dar. Zum Beispiel sind die Daten zur Einzelzell-RNA-Sequenzierung (scRNA-seq) sehr spärlich und werden oft von großen technischen oder Batch-Effekten beeinflusst. Darüber hinaus ist der Merkmalsraum oft sehr groß und erstreckt sich über mehrere tausend gemessene Gene oder Proteine, während die Stichprobengrößen begrenzt sind. Dies wird durch komplexe Designs weiter erschwert, die mehrere Krankheitszustände, Störfaktoren, Zeitpunkte und Auflösungen umfassen können. So standen im vorgestellten Anwendungsfall unterschiedliche Datentypen entweder auf Einzelzell- oder Stichprobenebene (Bulk) zur Verfügung. Darüber hinaus können die Daten unvollständig sein und nicht alle Messungen für alle analysierten Probanden verfügbar sein.
Aufgrund dieser Herausforderungen werden verschiedene Omics und enthaltene Merkmale immer noch oft nur separat analysiert2, obwohl eine integrierte Analyse nicht nur ein vollständiges Bild des Prozesses liefern kann, sondern biologische und technische Geräusche von einem Omics auch durch andere Omics kompensiert werden können 3,4. Um eine integrierte Analyse von Multi-Omics-Daten durchzuführen, wurden verschiedene Methoden vorgeschlagen, darunter Bayes'sche Methoden, netzwerkbasierte Methoden 5,6, multimodales Deep Learning7 und Methoden zur Dimensionalitätsreduktion durch Matrixfaktorisierung 8,9. Für Letzteres haben die Ergebnisse einer großen Benchmarking-Studie10 gezeigt, dass die MOFA9-Methode (Multi-omic factor analysis) eines der besser geeigneten Instrumente ist, wenn Daten mit klinischen Annotationen verknüpft werden sollen.
Insbesondere in komplexen Umgebungen sind unüberwachte Matrixfaktorisierungsmethoden ein nützlicher Ansatz, um die Komplexität zu reduzieren und gemeinsame und komplementäre Signale aus verschiedenen Datenquellen und Merkmalen zu extrahieren. Durch die Zerlegung des komplexen Raums in latente Repräsentationen niedrigerer Ränge können die Hauptquellen der Varianz innerhalb der Daten schnell untersucht und mit bekannten Kovariaten verknüpft werden. Falls das gleiche Variationsmuster über mehrere Merkmale (z. B. Gene oder Proteine) hinweg auftritt, kann dies auf einige wenige Faktoren aggregiert werden, während das Rauschen reduziert wird. Die Regularisierung kann verwendet werden, um die Seltenheit der Modellkoeffizienten zu erhöhen, wodurch der Ansatz gut in Umgebungen geeignet ist, in denen der Merkmalsraum groß ist, während die Anzahl der Stichproben begrenzt ist9.
Dieses Protokoll stellt einen flexiblen Analyse-Workflow dar, der das MOFA-Modell verwendet, um zu zeigen, wie ein komplexer Multi-Omics-Datensatz schnell untersucht und die Hauptvariationsmuster herausgefiltert werden können, die diesen Datensatz charakterisieren. Der Workflow besteht aus drei Hauptschritten. Im ersten Schritt, Datenvorverarbeitung und -harmonisierung, werden verschiedene Strategien zur Datenvorverarbeitung auf Basis unterschiedlicher Eingabedatentypen (scRNA-seq, Proteomik, Zytokin, klinische Daten) vorgestellt. Das Protokoll erläutert, wie die Merkmale der verschiedenen Eingabedatensätze verarbeitet, Merkmale von geringer Qualität herausgefiltert und normalisiert werden, um ihre Verteilungen zu harmonisieren. Wir zeigen auch, wie sich diese Vorverarbeitungsentscheidungen auf die nachgelagerten Ergebnisse auswirken können. Im zweiten Schritt wird das MOFA-Modell auf die Daten angewendet, und die resultierende Varianzzerlegung kann verwendet werden, um die Integration der verschiedenen Datensätze zu bewerten. Der dritte Schritt zeigt, wie man die erfassten Faktoren mit Kovariaten verknüpft und die molekularen Programme aufdeckt, die diese Faktoren definieren. Mit dem vorgestellten Workflow konnten wir mehrere latente Faktoren, die mit klinischen Kovariaten verbunden sind, in einem Datensatz von Patienten mit Koronarsyndromen extrahieren und potenziell zugrunde liegende multizelluläre Immunprogramme aus einem früheren Projektidentifizieren 11. Wir werden diesen Datensatz hier verwenden, aber das Protokoll kann leicht auf andere Kontexte angewendet werden, einschließlich anderer Omics.
Der Datensatz besteht aus Proben von Patienten mit stabilen chronischen Koronarsyndromen (CCS), akuten Koronarsyndromen (ACS) und einer Kontrollgruppe mit gesunden Koronarsyndromen (ohne CCS) (Abbildung 1). ACS wird durch eine Plaqueruptur bei bereits bestehendem CCS verursacht, die zu einer akuten Störung des Blutflusses zum Myokard und einer anschließenden ischämischen Verletzung des Herzens führt. Diese Schädigung führt zu einer Entzündungsreaktion des Immunsystems, gefolgt von einer Reparaturphase, die bis mehrere Tage nach dem akuten Ereignis andauert12. Um diese Immunantwort bei ACS-Patienten charakterisieren zu können, wurden Blutproben zu vier verschiedenen Zeitpunkten entnommen: akut (TP1); nach Rekanalisation (14 [± 8] h) (TP2); 60 [± 12] h später (TP3); vor der Entlassung (6,5 [±1,5] Tage) (TP4) (Abbildung 1A). Für CCS und Patienten mit gesunden Herzkranzgefäßen stand nur ein Zeitpunkt zur Verfügung (TP0). Für alle Patienten und Zeitpunkte wurden verschiedene Assays auf Basis der Blutproben gemessen: klinische Marker für Entzündungen (Kreatinkinase (CK), CK-MB, Troponin, C-reaktives Protein (CRP)), scRNA-seq von mononukleären Zellen des peripheren Blutes (PBMCs), Zytokinanalyse, Plasmaproteomik und prime-seq13-Daten von Neutrophilen.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66659/66659fig01v2.jpg"> Abbildung 1: Multi-OMIC-Eingabedatensatz für Myokardinfarkt. Eingabedatensatz: Die analysierten Daten umfassen Blutproben von Patienten (n = 62) mit akutem Koronarsyndrom (ACS), chronischem Koronarsyndrom (CCS) und Patienten mit gesunden Koronargefäßen (nicht-CCS). Bei ACS-Patienten wurden Blutproben zu vier verschiedenen Zeitpunkten (TP1-4) eingeschlossen, bei CCS- und Nicht-CCS-Patienten zu einem einzigen Zeitpunkt (TP0). Jede Kombination aus Patient und Zeitpunkt wird in der Analyse als separate Probe behandelt. An den Proben wurden verschiedene omische Assays gemessen: klinische Bluttests (n = 125), scRNA-seq (n = 121), Plasma-Proteomics (n = 119), Zytokin-Assay (n = 127) und neutrophile prime-seq (n = 121). Anschließend wurde das beschriebene Protokoll angewendet, um die Daten über alle Omics hinweg zu integrieren und mit Hilfe des MOFA-Modells und weiterer nachgelagerter Analysen (Faktorenanalyse, Pathway Enrichment) zu untersuchen. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig01largev2.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Als Input für den hier vorgestellten Workflow nehmen wir Rohzählungen aus scRNA-seq-Daten nach der Verarbeitung mit cellranger und Qualitätskontrolle (QC), wie z.B. im scanpy14 Preprocessing Tutorial beschrieben. Für die Zelltyp-Annotation haben wir die automatisierte Azimuth15-Pipeline verwendet. Die Zählungen werden dann auf Stichprobenebene für jeden Zelltyp aggregiert, indem der Mittelwert für alle Zellen für jede Probe und jeden Zelltyp gemessen wird (Pseudobulk-Aggregation). Die Plasma-Proteomik wird als normalisierte und medianzentrierte Intensitäten eingeschlossen, und für Neutrophile nehmen wir die UMI-Exonzahlen (UMI) aus dem Prime-Seq. Bei den Zytokin- und klinischen Werten wurde keine vorherige Vorverarbeitung durchgeführt. Weitere Einzelheiten zur (experimentellen) Datengenerierung sind im entsprechenden Manuskript11 enthalten. Da die hier vorgestellten Ergebnisse auf der Verwendung der automatisierten Azimut-Annotation für Zelltypen in den scRNA-seq-Daten basieren, verglichen mit der markerbasierten Strategie, die in der referenzierten Publikation verwendet wurde, sind die hier vorgestellten Ergebnisse ähnlich, aber nicht genau die gleichen wie in der Publikation. Im Manuskript konnte gezeigt werden, dass die Zelltyp-Annotationsstrategie die Hauptmuster und biologischen Interpretationen der Analyse nicht verändert, aber kleine Änderungen in den genauen Werten, die sich aus dem Modell ergeben, variieren können. Insgesamt handelte es sich bei den Eingabedaten um einen komplexen, mehrdimensionalen Datensatz mit verschiedenen Zeitpunkten und Messniveaus (Einzelzellen vs. Volumen) von mehr als 10.000 verschiedenen Merkmalen (Gene, Proteine, klinische Werte). Es hat sich gezeigt, dass eine strenge Vorverarbeitungs- und Datenharmonisierungsstrategie, gefolgt von einer MOFA-Analyse, ein nützliches und schnelles Werkzeug ist, um die Daten zu untersuchen und relevante Immunprogramme zu extrahieren. Jeder Zeitpunkt und jede Patientenkombination wird in der MOFA-Analyse als eigenständige Probe behandelt. Jeder Datentyp und jeder Zellentyp wird in der MOFA-Analyse als separate Ansicht betrachtet.
Dieses Protokoll enthält Anweisungen zum Vorbereiten der Eingabedaten für den Workflow, zum Ausführen der verschiedenen Workflow-Schritte, zum Anpassen von Konfigurationen, zum Interpretieren der resultierenden Zahlen und zum iterativen Anpassen der Konfigurationen auf der Grundlage der Interpretationen. Einen Überblick über die verschiedenen Schritte des Protokolls, die erforderlichen Eingabedatensätze bei jedem Schritt und die daraus resultierenden Zahlen und Datensätze bietet die technische Workflow-Übersicht (Abbildung 2).
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66659/66659fig02v2.jpg"> Abbildung 2: Überblick über den technischen Workflow. Skizzierung des Workflows für die Analyse des Multi-Omics-Datensatzes. Die verschiedenen Elemente werden durch unterschiedliche Farben und Symbole hervorgehoben. Jupyter Notebooks, die zum Schritt Datenvorverarbeitung und -harmonisierung (1) gehören, sind blau eingefärbt. Jupyter Notebooks, die zur Stufe 'MOFA Model' (2) gehören, sind orange eingefärbt. Jupyter Notebooks, die zum Schritt "Downstream-Analyse" (3) gehören, sind grün eingefärbt. Ein Jupyter Notebook, das zum Vergleich der Ergebnisse verwendet werden soll, ist gelb eingefärbt. Konfigurationsdateien, in denen Parameter für die Ausführung des Workflows geändert werden können, sind violett hervorgehoben. Eingabedatasets, die zum Ausführen des Workflows erforderlich sind, werden durch das Datensatzsymbol gekennzeichnet und grau hervorgehoben. Alle Abbildungsausgaben, die während der Workflow-Ausführung erzeugt werden, sind durch das Lupensymbol gekennzeichnet. Datensätze, die während der Workflow-Ausführung generiert werden, werden als Tabellen angezeigt. Im Allgemeinen wird der Workflow sequentiell ausgeführt: (1) Die Datenvorverarbeitung und -harmonisierung besteht aus zwei Schritten: der ersten Generierung einer Pseudobulk-Tabelle auf der Grundlage der scRNA-seq-Eingabedaten (01_Prepare_Pseudobulk) und der anschließenden Integration und Normalisierung dieser Daten zusammen mit allen anderen Eingaben auf Probenebene (Bulk) (02_Integrate_and_Normalize_Data). Innerhalb dieses Schritts ist es über die Konfigurationsdateien möglich, für jeden Datensatz separat zu konfigurieren, welcher der angegebenen Vorverarbeitungs- und Normalisierungsschritte (z.B. Sample Filter) angewendet werden soll. (2) "MOFA-Modell": führt das MOFA-Modell auf der generierten Eingabe des ersten Schritts mit den in der Konfigurationsdatei angegebenen Konfigurationen aus (03_MOFA_configs.csv). (3) "Downstream-Analyse": besteht aus drei verschiedenen Notebooks, die unabhängig voneinander ausgeführt werden können, um Einblicke in die generierten MOFA-Ergebnisse zu generieren und sie mit Beispiel-Metadaten (Kovariaten) zu verknüpfen, die als Eingabe über die Datei "Sample Meta Data.csv" bereitgestellt werden. (4) "Modellvergleich": ist ein kleiner separater Schritt, der zum Vergleich verschiedener in Schritt 2 erstellter Modelle verwendet werden kann. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig02largev2.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
Der Workflow besteht aus mehreren Jupyter Notebooks, die in R und Python geschrieben sind (Kenntnisse der Sprache R und Python sind zum Ausführen des Workflows nicht erforderlich, können aber hilfreich sein, falls Fehler auftreten). In verschiedenen Schritten des Protokolls werden Parameter über Konfigurationsdateien geändert ('.csv'-Dateien, die den Zusatz '_Configs' im Namen enthalten). Innerhalb des Protokolls skizzieren wir nur die Parameter, die ausgehend von der Standardkonfiguration geändert werden müssen.
Es können auch einige andere Parameter geändert werden, um beispielsweise die Vorverarbeitung anzupassen. Eine Dokumentation dieser Parameter und Erläuterungen finden Sie in der Datei 'Documentation_Config_Parameter', die im heruntergeladenen Repository enthalten ist.

<table><tbody><tr><td>Apptainer</td><td>NA</td><td></td><td>NA https://apptainer.org/docs/admin/main/installation.html</td></tr><tr><td>Compute Server oder Workstation oder Cloud&nbsp; (Linux-, Mac- oder Windows-Umgebung). Abhängig von der Größe der verschiedenen Eingabedatensätze empfehlen wir, den Workflow auf einer geeigneten Maschine auszuführen (in unserer Einstellung verwenden wir: 16 CPU, 64GB Speicher)</td><td>Jeder Hersteller</td><td>16 CPUs, 64GB Speicher</td><td>Large Memory wird nur für die Verarbeitung der Rohdaten einer einzelnen Zelle benötigt. Nach der Vorverarbeitung können die späteren Analyseschritte auch auf normalen Desktop- oder Laptop-Computern durchgeführt werden</td></tr><tr><td>:</td><td>git</td><td>NA</td><td>https://git-scm.com/book/en/v2/Getting-Started-Installing-Git</td></tr><tr><td>GitHub</td>, <td>GitHub NA</td><td></td><td>https://github.com/heiniglab/mofa_workflow</td></tr></tbody></table>

anwendung der unüberwachten multi-omik-faktorenanalyse zur aufdeckung von variationsmustern und molekularen prozessen im zusammenhang mit herz-kreislauf-erkrankungen

Application of Unsupervised Multi-Omic Factor Analysis to Uncover Patterns of Variation and Molecular Processes Linked to Cardiovascular Disease

Anwendung der unüberwachten Multi-Omik-Faktorenanalyse zur Aufdeckung von Variationsmustern und molekularen Prozessen im Zusammenhang mit Herz-Kreislauf-Erkrankungen

Disease mechanisms are usually complex and governed by the interaction of several distinct molecular processes. Complex, multidimensional datasets are a ...

application-unsupervised-multi-omic-factor-analysis-to-uncover

Research

Forschung

JoVE Journal

Genetics

Genetik

DeepOmicsAE ist ein Workflow, der sich auf die Anwendung einer Deep-Learning-Methode (d. h. eines Autoencoders) konzentriert, um die Dimensionalität von Multi-Omics-Daten zu reduzieren, und bietet eine Grundlage für Vorhersagemodelle und Signalisierungsmodule, die mehrere Schichten von Omics-Daten darstellen.

DeepOmicsAE: Darstellung von Signalmodulen bei der Alzheimer-Krankheit mit Deep-Learning-Analyse von Proteomik, Metabolomik und klinischen Daten

Hier beschreiben wir ein Protokoll zur Verwendung von vierdimensionaler In-vivo-Ultraschallbildgebung und ex vivo-Massenspektrometrie-Bildgebung zur Beurteilung biomechanischer und biomolekularer Veränderungen im kardiovaskulären System der Maus. Diese Technik wird zur Analyse des kardialen Umbaus bei chirurgisch induziertem Myokardinfarkt und vaskulären Veränderungen bei alternden Tieren eingesetzt.

Multimodale Studie des kardiovaskulären Umbaus von Mäusen: Vierdimensionale Ultraschall- und Massenspektrometrie-Bildgebung

Hier präsentieren wir menschliche Zellkulturprotokolle zur Analyse von Translationsinitiationsfaktoren, die die 5'-Kappe von mRNA unter physiologischen Sauerstoffbedingungen binden. Diese Methode verwendet ein Agarose-gebundenes m7GTP Kappenanalogon und eignet sich zur Untersuchung von Kappenbindungsfaktoren und deren interagierenden Partnern.

Analyse von Cap-bindende Proteine ​​in menschlichen Zellen zu Physiologische Sauerstoffbedingungen ausgesetzt

Oogenese bei Säugetieren ist bekanntermaßen anfällig für Fehler, vor allem auf Chromosom Missegregation. Dieses Manuskript beschreibt Chromatin verteilt Präparationsmethoden für Maus Prophase, Metaphase I und II inszeniert Eizellen. Diese grundlegenden Techniken ermöglichen die Untersuchung der Chromatin-gebundene Proteine und Chromosom Morphologie in Säugetieren Oogenese.

Chromatin verteilt die Vorbereitungen für die Analyse der Maus Eizelle Progression von Prophase, Metaphase II

Dieses Protokoll beschreibt die kombinatorische Verwendung von ChIP-Seq, 4sU-Seq, total RNA-Seq und Ribosom profiling für Zelllinien und Primärzellen. Nachverfolgen von Änderungen im Transkriptionsfaktor verbindlich, de Novo Transkription, RNS-Verarbeitung, Umsatz und Übersetzung im Laufe der Zeit und zeigt den gesamten Verlauf der Ereignisse in aktivierten und/oder sich rasch verändernden Zellen ermöglicht.

Echtzeit-Analyse des Transkriptionsfaktors verbindlich, Transkription, Übersetzung und Umsatz, globale Ereignisse während der zellulären Aktivierung anzuzeigen

In diesem Protokoll wird Baculovirus von Transiente Transfektion von Baculovirus Plasmid in Sf9 Zellen produziert und verstärkt in serumfreien SUSPENSIONSKULTUR. Der Überstand wird durch Heparin Affinitätschromatographie gereinigt und weiter durch Ultrazentrifugation konzentriert. Dieses Protokoll eignet sich für die Herstellung und Reinigung des Baculovirus für Gen-Therapie Anwendung.

Herstellung und Reinigung des Baculovirus für Gentherapie Anwendung

Hier präsentieren wir Ihnen ein Protokoll zu analysieren von Zelle zu Zelle Übertragung der oszillierenden Informationen durch optogenetische Kontrolle und Überwachung der Genexpression zu leben. Dieser Ansatz bietet eine einzigartige Plattform, um eine funktionale Bedeutung der dynamischen Ausdruck Genprogramme in mehrzelligen Systeme zu testen.

Eine optogenetische Methode zu kontrollieren und analysieren gen Expressionsmuster in Zell-Zell-Interaktionen

Gezielte Sequenzierung der nächsten Generation ist eine Zeit- und kosteneffiziente Ansatz, der in der Erforschung von Krankheiten und der klinischen Diagnostik immer beliebter wird. Das hier beschriebene Protokoll stellt die komplexen Workflow für die Sequenzierung erforderlich und der Bioinformatik-Prozess verwendet, um Genvarianten identifizieren, die zur Krankheit beitragen.

Gezielte Sequenzierung der nächsten Generation und Bioinformatik-Pipeline, um genetische Determinanten der konstitutionelle Krankheit zu bewerten

Bulk-gen Ausdruck Messungen Wolke Einzelzelle Unterschiede in heterogenen Zellpopulationen. Hier beschreiben wir ein Protokoll wie einzellige gen Expressionsanalyse und Index Sortierung durch die Blüte aktiviert Zelle sortieren (FACS) kann kombiniert werden, um die Heterogenität zu umreißen und immunophenotypisch charakterisieren molekular unterschiedliche Zellpopulationen.

Eine kombinatorische einzellige Ansatz zur molekularen Charakterisierung und Immunophenotypic Heterogenität der menschlichen Stammzellen und Vorläuferzellen Populationen

Aminosäure-Niveau Signal-Rausch-Analyse bestimmt die Prävalenz der genetischen Variation an einer bestimmten Aminosäure-Position auf Hintergrund genetische Variation einer bestimmten Population normalisiert. Dies ermöglicht eine Identifizierung der Variante "Hotspots" in eine Proteinsequenz (Signal), die über die Häufigkeit der seltenen Varianten gefunden in einer Population (Lärm) steigt.

Bestimmen die Wahrscheinlichkeit einer Variante Pathogenität mit Aminosäure-Niveau Signal-Rausch-Analyse genetischer Variation

Lernen Sie die unüberwachte Multi-Omik-Faktorenanalyse mit dem MOFA-Modell kennen, um Variationsmuster bei Herzinfarktpatienten zu identifizieren. Diese Methode verknüpft molekulare Prozesse mit klinischen Ergebnissen.

Anwendung der unüberwachten Multi-Omik-Faktorenanalyse zur Aufdeckung von Variationsmustern und molekularen Prozessen im Zusammenhang mit Herz-Kreislauf-Erkrankungen (Video) | JoVE Journal

Anwendung der unüberwachten Multi-Omik-Faktorenanalyse zur Aufdeckung von Variationsmustern und molekularen Prozessen im Zusammenhang mit Herz-Kreislauf-Erkrankungen

Weitere Videos entdecken