Method Article

Un protocolo completo y una guía paso a paso para la integración multiómica en la investigación biológica

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

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

Este trabajo detalla métodos para integrar datos multiómicos (concatenación, transformación y basados en modelos). Al combinar datos de genómica, epigenómica, transcriptómica, proteómica, metabolómica, metagenómica, lipidómica y glicómica, se logra una comprensión integral de los sistemas biológicos. El manuscrito proporciona pautas paso a paso, destacando las limitaciones, ventajas y herramientas de visualización para la integración multiómica.

Abstract

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

Este manuscrito proporciona una guía completa paso a paso para integrar datos multiómicos en la investigación biológica.

La integración de datos multiómicos se refiere al proceso de combinar y analizar datos medidos en el mismo conjunto de muestras biológicas con diferentes tecnologías ómicas, como genómica, epigenómica, transcriptómica, proteómica, metabolómica, microbiomas, lipidómica y glicómica. Aunque los enfoques multiómicos tienen objetivos similares a los análisis de un solo bloque o de una sola ómica (por ejemplo, descripción, discriminación, clasificación o predicción), son capaces de capturar un espectro más amplio de información molecular, proporcionando así una comprensión más profunda de los sistemas biológicos y sus complejas interacciones. De hecho, la combinación de conjuntos de datos multiómicos permite mejorar la precisión de la predicción y produce resultados más sólidos, especialmente en los casos en que el número de muestras disponibles es limitado. Además, gracias también al desarrollo más reciente de las técnicas de aprendizaje automático, los análisis multiómicos son hoy en día adecuados para descubrir patrones ocultos y fenómenos complejos que surgen entre diferentes compuestos biológicos.

El objetivo principal de este trabajo es presentar el protocolo completo que se utiliza comúnmente en los estudios multiómicos, desde la formulación inicial del problema hasta las herramientas útiles para la interpretación biológica de los resultados. El manuscrito describe en detalle los diversos métodos de integración de datos multiómicos, incluidos los enfoques basados en la concatenación (bajo nivel), basados en la transformación (nivel medio) y basados en modelos (alto nivel), y destaca sus limitaciones y ventajas, junto con la presentación de herramientas generales de visualización y diagnóstico.

Introduction

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

El campo de la investigación biológica ha sido testigo de avances significativos en los últimos años, particularmente en el área de las tecnologías ómicas. Estas tecnologías proporcionan información valiosa sobre la naturaleza compleja de los sistemas biológicos. Sin embargo, cada tecnología ómica ofrece una perspectiva única sobre los componentes biológicos, lo que requiere la integración de datos multiómicos para obtener una comprensión integral.

La multiómica abarca varias clases de biomoléculas que pueden definirse cuantitativamente gracias a la llegada de nuevas y potentes técnicas de secuenciación de alto rendimiento. Entre los diferentes tipos de tecnologías ómicas se encuentran la genómica, la epigenómica, la transcriptómica, la proteómica, la metabolómica, la metagenómica, la lipidómica y la glicómica. La genómica implica el estudio de los genomas de un organismo, mientras que la epigenómica se centra en la estructura de soporte del genoma, incluidos los aglutinantes de proteínas y ARN, las estructuras alternativas del ADN y las modificaciones químicas en el ADN. La transcriptómica abarca el estudio de todas las moléculas de ARN, incluidos el ARNm, el ARNr, el ARNt y otros ARN no codificantes. La proteómica implica el estudio de las proteínas, incluidas las modificaciones realizadas en grupos específicos de proteínas. La metabolómica se centra en el conjunto de pequeñas moléculas (metabolitos) dentro de una matriz biológica. La metagenómica implica el estudio de comunidades microbianas en hábitats bien definidos con propiedades físico-químicas específicas. La lipidómica abarca el estudio de todo el complemento de lípidos celulares, mientras que la glicómica se centra en el estudio del glicoma, incluidos los carbohidratos y los azúcares1.

La integración de datos multiómicos ha ganado cada vez más atención en la comunidad científica debido a su potencial para desentrañar fenómenos biológicos complejos. Al combinar datos de múltiples tecnologías ómicas, los investigadores pueden superar las limitaciones de los conjuntos de datos individuales y obtener una visión más holística de los sistemas biológicos. Este enfoque integrado permite la identificación de nuevos biomarcadores, el descubrimiento de mecanismos de enfermedades y la elucidación de intrincadas vías biológicas.

El número de citas de los términos "Multiomics" y "Multi-omics" en PubMed ha aumentado significativamente a lo largo de los años, de 307 en 2018 a 1414 en 2021 y a 3933 en 2023. La integración de diferentes tipos de variables ómicas es cada vez más común, ya que permite una investigación más profunda de los mecanismos subyacentes a las enfermedades y disfunciones de los organismos. Los enfoques ómicos únicos proporcionan una visión limitada y parcial de la biología oculta, ya que se centran en una sola perspectiva. Sin embargo, al integrar datos multiómicos, podemos arrojar luz sobre la interacción de diferentes biomoléculas, comprender las relaciones dentro de múltiples capas y cerrar la brecha entre genotipo y fenotipo. En general, los enfoques multiómicos pueden ayudar a responder preguntas importantes como clasificar diferentes subgrupos de enfermedades, predecir biomarcadores fundamentales asociados a enfermedades y obtener una mejor comprensión de las vías y mecanismos biológicos. En las siguientes secciones, los diferentes conjuntos de datos ómicos también se pueden denominar "vistas" de datos o "bloques" de datos.

Las técnicas para la integración multiómica se pueden clasificar en tres subgrupos principales, como lo describen Reel et al. (2021)2 y Ritchie et al. (2015)3 (Figura 1).

Integración o concatenación temprana de bajo nivel: este enfoque implica concatenar variables de cada conjunto de datos en una sola matriz. Sin embargo, la integración temprana no considera la distribución única de cada tipo de datos ómicos y puede asignar más peso a ciertos tipos de datos ómicos con dimensiones más grandes. También plantea desafíos como un mayor riesgo de la maldición de la dimensionalidad, ruido adicional, variables altamente correlacionadas y problemas de escalabilidad computacional. A pesar de estas limitaciones, la integración temprana permite la identificación de cambios coordinados en múltiples capas ómicas y mejora la interpretación biológica.

Nivel medio, integración intermedia o basada en la transformación: En este enfoque, los modelos de integración matemática se aplican a las múltiples capas de datos ómicos. La integración intermedia se centra en la fusión de subconjuntos o representaciones extraídas de las fuentes. Dos subenfoques dentro de la integración intermedia son el enfoque intermedio y el enfoque intermedio. El enfoque intermedio implica puntuaciones concatenadas obtenidas de la reducción de dimensionalidad en cada bloque, lo que lo hace adecuado para el manejo de datos heterogéneos. Sin embargo, puede carecer de interpretabilidad. El enfoque intermedio implica la selección de variables locales y el análisis posterior en subconjuntos de variables concatenadas, lo que permite una interpretación más fácil de los modelos. La integración intermedia ofrece ventajas como una mejor relación señal-ruido, una dimensionalidad reducida y una potencia estadística mejorada.

Integración tardía de alto nivel o basada en modelos: este enfoque implica realizar análisis en cada nivel ómico y combinar los resultados de manera ad-hoc. Incluye la fusión de resultados de modelos de un solo bloque para identificar biomarcadores de cada fuente y proporcionar una interpretación conjunta de los resultados. La integración tardía no aumenta la dimensionalidad del espacio de entrada y funciona con la distribución única de cada dato ómico. Es particularmente apropiado cuando una capa ómica es más predictiva que otras. Sin embargo, la integración tardía puede pasar por alto las relaciones entre ómicas y enfrentar desafíos relacionados con la falta de comprensión de las conexiones entre los bloques de datos iniciales y la posible pérdida de información biológica a través del modelado individual.

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

Protocol

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

1. Definición de pregunta(s) de investigación

  1. Articular claramente la(s) pregunta(s) de investigación específica(s) que se abordará a través de la integración multiómica. Por ejemplo, pregunta de investigación 1: ¿Cuáles son los cambios en la expresión de proteínas y los perfiles de metabolitos que se correlacionan con la respuesta al tratamiento? Pregunta de investigación 2: ¿Cómo influyen las variaciones genéticas en los patrones de expresión génica en pacientes con una enfermedad determinada? Pregunta de investigación 3: ¿Cómo la integración de capas ómicas específicas proporciona una comprensión integral de un proceso biológico específico o un mecanismo de enfermedad?
  2. Considere la inclusión de múltiples tecnologías ómicas para buscar biomarcadores u obtener información mecanicista sobre enfermedades complejas. Tenga en cuenta que puede ser necesario aumentar el tamaño de la muestra para la estratificación del paciente.

2. Selección ómica

  1. Identificar las tecnologías ómicas más relevantes para la(s) pregunta(s) de investigación y el sistema biológico en estudio. Por ejemplo, en el caso de la pregunta 1, las tecnologías ómicas relevantes son la proteómica y la metabolómica; para la pregunta de investigación 2, genómica y transcriptómica; y para la pregunta de investigación 3, varias tecnologías ómicas.
  2. Considere el propósito del estudio y los recursos disponibles al elegir las capas ómicas ideales. Los ejemplos incluyen metabolómica para la investigación nutricional, genómica y transcriptómica para la biología del cáncer y proteómica para diversas enfermedades.

3. Garantizar la calidad de los datos

NOTA: Garantice la confiabilidad de los datos y la reproducibilidad de los datos ómicos generados siguiendo los pasos que se describen a continuación.

  1. Diseñe cuidadosamente el experimento y mantenga condiciones experimentales consistentes y métodos de recolección de muestras en todas las capas ómicas para minimizar los efectos del lote.
  2. Siga los protocolos establecidos e implemente medidas de control de calidad durante la generación de datos para cada conjunto de datos ómicos.
    1. Utilice estándares internos o externos cuando sea apropiado.
    2. Realice controles de calidad en conjuntos de datos ómicos individuales.
      1. Para los datos genómicos, evalúe métricas como las puntuaciones de calidad de lectura, la composición base y la profundidad de secuenciación para garantizar datos de secuenciación de alta calidad, así como la calidad de alineación y mapeo y la calidad de las llamadas variantes, incluida la frecuencia alélica, la profundidad de lectura y la anotación de variantes.
      2. Para los datos transcriptómicos, evalúe métricas como la distribución de la longitud de lectura, la composición de la base y las puntuaciones de calidad de Phred al evaluar la calidad de lectura, y la transcripción por millón (TPM) o fragmentos por kilobase de transcripción por millón de lecturas mapeadas (FPKM) al evaluar la calidad de la cuantificación de la transcripción.
      3. Para los datos de proteómica, considere métricas relevantes como la distribución de intensidad máxima, la relación señal-ruido y la precisión de la masa al evaluar la calidad de los datos de espectrometría de masas y la cobertura de la secuencia de péptidos, la puntuación de identificación de proteínas, la tasa de descubrimiento falso y la reproducibilidad de las mediciones de abundancia de proteínas al evaluar la calidad de la identificación y cuantificación de proteínas.
      4. Para los datos metabolómicos, evalúe métricas relevantes como la distribución de intensidad máxima, la relación señal-ruido y la precisión de masas al evaluar la calidad de los datos de espectrometría de masas y hacer coincidir los espectros de masas con las bases de datos de referencia o usar patrones de fragmentación para la elucidación estructural al evaluar la calidad de la identificación de metabolitos.

4. Preprocesamiento de datos

  1. Muestras superpuestas
    1. Incluya solo muestras que se superpongan en varios conjuntos de datos ómicos.
    2. Excluya bloques con un número insuficiente de muestras superpuestas en comparación con otros bloques.
  2. Imputación de valores faltantes
    1. Controle los valores faltantes mediante métodos estadísticos o de aprendizaje automático.
    2. Emplee técnicas como el método adaptativo de mínimos cuadrados (LSA) para la imputación de valores faltantes.
    3. Evite eliminar filas con datos faltantes, especialmente cuando se trata de muestras limitadas.
    4. Excluya las variables con un alto porcentaje de valores faltantes (p. ej., 25% o 30% de valores faltantes en las muestras).
  3. Normalización
    1. Realice la manipulación de datos para garantizar un escalado coherente de las características.
    2. Evite que las entidades con efectos más grandes dominen a las que tienen efectos más pequeños.
    3. Aplique transformaciones comunes como la transformación logarítmica, el centrado y el escalado.
      NOTA: Las transformaciones deben elegirse cuidadosamente para mantener la interpretabilidad de los datos originales.
  4. Identificación de valores atípicos
    1. Detecte valores atípicos y extremos utilizando herramientas como diagramas de caja o distancia desde la mediana de los valores.
    2. Abordar los valores atípicos mediante métodos apropiados, como la transformación o eliminación de datos.

5. Reducción de dimensionalidad

NOTA: Hay dos enfoques para la reducción de la dimensionalidad: la eliminación de variables ruidosas y redundantes (selección de características) o la combinación de características para crear variables más significativas (extracción de características).

  1. Identificar si el objetivo del estudio es predictivo (por ejemplo, construir un modelo capaz de predecir si un sujeto está sano o enfermo) o analítico (por ejemplo, qué variables son biomarcadores de una enfermedad).
    NOTA: Si el objetivo del estudio es analítico, la selección de características es más apropiada porque la extracción de características puede resultar en una pérdida de interpretabilidad.
  2. Cuando se trata de datos altamente dimensionales, es importante seleccionar variables relevantes para el fenómeno estudiado para facilitar el análisis y la interpretación, reducir los recursos computacionales necesarios y eliminar el ruido y la información redundante que confundirán los resultados.
  3. Selección de características
    1. Identificar el subconjunto de características informativas para el fenómeno de interés.
    2. Utilice métodos de selección de entidades clasificados en categorías como métodos de filtro, envoltorio, incrustados e híbridos. En el caso de la multiómica, también se pueden aplicar métodos de selección de biomarcadores.
      NOTA: Tenga en cuenta las características del conjunto de datos al elegir el método adecuado. Los métodos de envoltura proporcionan los modelos de predicción más precisos, pero requieren un tiempo de cálculo mucho más largo que los métodos de filtro o incrustados. En la Tabla 1 se proporciona una tabla resumen con las ventajas y desventajas de los diferentes métodos de selección y extracción de características.
    3. Equilibre el rendimiento del modelo final con el esfuerzo computacional necesario para la selección de características.
    4. Optimice el número de características seleccionadas para evitar el ajuste insuficiente o excesivo.
      NOTA: Los ejemplos de riesgos de sobreajuste se discuten en un trabajo publicado anteriormente.
    5. Evalúe el rendimiento del modelo utilizando métricas como la precisión, la puntuación del área bajo la curva (AUC) o la tasa de error equilibrada (BER).
  4. Extracción de características
    1. Transforme los datos sin procesar en un conjunto reducido de características significativas:
      1. Aplique técnicas como el análisis de componentes principales (PCA) para identificar patrones y relaciones importantes proyectando datos en un espacio de menor dimensión.
      2. Utilice t-SNE para visualizar datos de alta dimensión mientras preserva las similitudes locales.
      3. Considere el análisis discriminante lineal (LDA) para maximizar la separabilidad de clases.
      4. Explore los autocodificadores para aprender representaciones comprimidas de los datos mediante redes neuronales.
        NOTA: La extracción de características puede dar lugar a representaciones que son más difíciles de interpretar. En el Cuadro 1 se enumeran ejemplos seleccionados de métodos de selección y extracción de características5.

6. Selección del método de integración

  1. Identifique los métodos de integración más relevantes para aplicar a los datos.
    1. Si las muestras se emparejan y hay suficientes sujetos completos, proceda con un método de integración temprana.
    2. Si se deben tener en cuenta las interacciones entre capas, no proceda con un método de integración tardía.
    3. Si las señales pueden ser sutiles pero consistentes en todas las capas, entonces un método de integración temprana puede ser más adecuado que un método de integración tardía.
    4. Si es importante aprovechar la interrelación de los datos entre las diferentes capas ómicas, elija un método de integración intermedia.
    5. Integración de bajo nivel de concatenación
      1. Si uno (o más) de los bloques ómicos sigue siendo mucho mayor en número de características (variables) que el resto, reduzca su dimensionalidad siguiendo los pasos de la sección 5.
      2. Concatene las variables de cada conjunto de datos ómicos en una matriz amplia.
      3. Transforme las variables concatenadas para que tengan rangos y distribuciones similares.
      4. Utilice la matriz de datos concatenada para el análisis posterior, como la aplicación de algoritmos de aprendizaje automático o estrategias de reducción de dimensionalidad.
        NOTA: La forma más común de realizar una integración de bajo nivel es a través de la concatenación. Sin embargo, estos métodos pueden resultar en la pérdida de relaciones entre bloques o información específica del bloque.
  2. Integración de nivel medio
    1. Elija entre las seis categorías principales de integración de nivel medio según el objetivo del análisis.
      1. Basado en la similitud: Utilice este enfoque para evaluar la similitud entre diferentes muestras o características para identificar patrones o subtipos dentro de las enfermedades, en el análisis exploratorio de datos donde las relaciones no se conocen a priori. Ejemplo: SNF6.
      2. Basado en correlaciones: Emplee este método para identificar y cuantificar asociaciones entre diferentes variables, en particular para evaluar cómo cambia una variable con los cambios en otra. Ejemplo: CNAMet7.
      3. Basado en redes: utilice métodos basados en redes para representar relaciones complejas entre entidades. Es particularmente útil para descubrir clústeres dentro de la estructura de datos y predecir biomarcadores. Ejemplos: NetICS8, PARADIGM9, scMoMtF10.
      4. Basado en Bayesian: utilice este enfoque para incorporar conocimientos previos en el análisis o cuando se trate de incertidumbres en los datos. Es particularmente útil para inferir subtipos de enfermedades y predecir biomarcadores basados en modelos probabilísticos. Ejemplos: MOFA11, iClusterPlus12.
      5. Basado en multivariantes: Utilice este método para analizar múltiples variables simultáneamente, especialmente cuando las interacciones entre estas variables son esenciales para comprender el sistema biológico. Es útil tanto para la agrupación como para el descubrimiento de biomarcadores. Ejemplos: mixOmics13, JIVE14,15.
      6. Basado en fusión: utilice este método para combinar datos de diferentes capas ómicas en un único marco para aprovechar las fortalezas de cada tipo de datos. Es particularmente útil para análisis integrales que requieren la integración de diversos conjuntos de datos. Ejemplos: PFA16, PSDF17.
        NOTA: Basado en un sólido procesamiento estadístico o modelado mediante técnicas de aprendizaje automático, podría limitar los problemas que están presentes en el caso de integraciones de bajo o alto nivel.
    2. Aplique el método seleccionado al conjunto de datos multiómico.
  3. Integración de alto nivel
    1. Realice un análisis completo de datos en cada bloque ómico de forma independiente.
    2. Interpretar conjuntamente los resultados obtenidos en el paso anterior.

7. Análisis estadístico

  1. Análisis de expresión diferencial (DE)
    1. Prepare los datos asegurándose de que los datos tengan el formato y la normalización adecuados.
      NOTA: Dependiendo de los paquetes utilizados, el formato y la estructura de los datos pueden diferir. Se recomienda el uso de paquetes de R como limma18, edgeR19 o DESeq220 para el análisis de DE.
    2. Construir una matriz de diseño que incluya coeficientes separados para cada grupo experimental, especificando las condiciones experimentales y las asignaciones de grupo.
    3. Implemente un modelo lineal y aplíquelo a cada característica, incorporando la matriz de diseño.
    4. Calcule los estadísticos t moderados y los estadísticos F para evaluar la expresión diferencial.
    5. Utilice la moderación empírica de Bayes de los errores estándar para estimar las probabilidades logarítmicas de expresión diferencial.
    6. Determinar umbrales de significación
      1. Considere un valor de corte de p de 0,05 para determinar la significación estadística.
      2. Establezca umbrales de cambio de plegamiento logarítmico según el tipo de característica:
      3. Para metabolitos y proteínas, use un cambio de log2 (1.1).
      4. Para las transcripciones, use un cambio de log-fold de log2(1.5).
  2. Agrupamiento
    1. Seleccione un método/algoritmo de agrupación en clústeres para usar.
      NOTA: Existen algoritmos de agrupación en clústeres diseñados específicamente para datos multiómicos, como NEMO21, iCluster22 y JIVE23.
    2. Determine el número de clústeres si el método lo requiere. Algunas alternativas son el método del codo, la puntuación de la silueta o la estadística de brecha para estimar el número óptimo de clústeres.
    3. Ejecute el algoritmo de agrupación en clústeres seleccionado en los datos limpios.
    4. Optimice los parámetros específicos del algoritmo según sea necesario.
    5. Evalúe la calidad de los resultados de la agrupación mediante métricas de validación internas o externas, como la puntuación de la silueta o el índice de Rand ajustado.
    6. Si es apropiado y factible, valide la asignación de clústeres utilizando datos independientes o un conjunto de datos de prueba previamente excluido del análisis de clústeres.
  3. Modelado predictivo
    1. Evaluar la necesidad de realizar modelos predictivos en un estudio multiómico.
      NOTA: Los modelos predictivos se pueden aplicar después de la integración multiómica para comparar cómo cambia la precisión de la predicción en la clasificación de resultados en función de las características seleccionadas por diferentes métodos.
    2. Si la decisión tomada en el paso 7.3.1 es positiva, continúe con los siguientes pasos; De lo contrario, vaya al paso 8.
    3. Elija un modelo predictivo adecuado para aplicar.
      NOTA: Un ejemplo de un modelo a utilizar es Random Forest (RF), un algoritmo de aprendizaje automático que integra múltiples árboles de decisión para obtener un resultado final.
    4. Ajuste los parámetros del modelo (por ejemplo, mediante el paquete de intercalación de R).
    5. Divida el conjunto de datos en entrenamiento y prueba (60-40% o 80-20%), de manera equilibrada para tener la misma proporción de muestras de diferentes grupos.
    6. Ejecute el modelo en el conjunto de trenes.
    7. Precisión de cálculo y puntuación F1 en el conjunto de pruebas para evaluar el rendimiento del modelo.
    8. Repita los pasos 2 a 4 varias veces (p. ej., 1000) para aumentar la aleatoriedad.
    9. Calcule el promedio de los resultados del paso 5.
    10. Informe de precisión promedio y puntuación F1. Si no es satisfactorio, continúe con el paso 1 para mejorar la selección de parámetros.
    11. Determine la importancia de las características mediante la disminución media de la precisión (DMA) y la disminución media de la impureza (MDI).

8. Interpretación biológica:

  1. Seleccione una herramienta de enriquecimiento de vías (las herramientas de PEA de uso común son DAVID, GSEA, Enrichr y Metascape).
  2. Introduzca la lista de genes o proteínas en la herramienta de análisis de enriquecimiento de vías seleccionada.
  3. Seleccione la base de datos de ruta adecuada, como KEGG, Reactome o GO, para realizar el análisis.
    NOTA: Una herramienta que ha sido diseñada específicamente para datos multiómicos es Paintomics, que utiliza bases de datos (KEGG, Reactome o Mapman) para proporcionar información sobre las relaciones funcionales entre estos biomarcadores, así como su participación en procesos biológicos específicos25.
  4. Ejecute el análisis de enriquecimiento de rutas utilizando la herramienta y la base de datos seleccionadas.
  5. Ajuste los parámetros según sea necesario, como el umbral de significación, la lista de antecedentes de genes o el método de corrección.
  6. Visualizar y evaluar los resultados finales (rutas enriquecidas, FDR, diagramas de rutas, mapas de calor, entre otros).

9. Experimentos de validación y seguimiento

  1. Validación técnica
    1. Verifique que al utilizar diferentes técnicas analíticas en las mismas muestras, también se encuentren resultados equivalentes.
      NOTA: Por ejemplo, los resultados obtenidos mediante proteómica basada en espectrometría de masas (MS) se pueden validar posteriormente mediante un ensayo inmunológico como el ensayo inmunoabsorbente ligado a enzimas (ELISA).
  2. Identificar experimentos de seguimiento para validar los resultados obtenidos.
  3. Si es posible, replique el hallazgo analizando los datos ómicos de una cohorte independiente.
  4. Para aplicaciones clínicas, realice ensayos clínicos aleatorizados para demostrar la validez clínica de los hallazgos.
    1. Diseñar e implementar un estudio controlado con un tamaño de muestra adecuado y aleatorización para evaluar la eficacia y seguridad de los biomarcadores o dianas identificados.
    2. Recopilar criterios de valoración clínicos relevantes y medir el impacto de los factores identificados en los resultados de los pacientes.

10. Herramientas de visualización y diagnóstico

NOTA: Se pueden utilizar varios tipos de gráficos para ilustrar los resultados del análisis de datos, proporcionando representaciones visuales de los hallazgos clave. Los gráficos de uso común incluyen gráficos de volcanes, mapas de calor, gráficos de circos y gráficos de Manhattan.

  1. Parcelas de volcanes:
    1. Utilice gráficos de volcanes para resumir los resultados del análisis de expresiones diferenciales (DEA).
    2. Mostrar la relación entre la significación estadística y la magnitud del cambio entre los grupos evaluados.
    3. Identifique las características clave para un examen más detallado en función de su posición en la parcela.
  2. Mapas de calor:
    1. Utilice mapas de calor para visualizar la magnitud de una variable en diferentes categorías.
    2. Utilice colores para indicar la intensidad de la variable, facilitando la identificación de patrones y clústeres dentro de los conjuntos de datos.
  3. Parcelas de Manhattan:
    1. Emplee gráficos de Manhattan para resumir de manera eficiente los resultados de DEA y visualizar numerosos puntos de datos en el mismo gráfico.
    2. Comúnmente utilizado en estudios de asociación de genoma completo (GWAS), pero también aplicable en estudios multiómicos.
  4. Parcelas de Circos:
    1. Utilice gráficos de circos, visualizaciones circulares, para explorar interacciones y correlaciones entre varias características moleculares.
    2. Representar las relaciones y conexiones entre diferentes elementos de una manera integral y visualmente atractiva.
      NOTA: Este estudio proporciona ejemplos de resultados representativos para cada tipo de gráfico presentado anteriormente utilizando un conjunto de datos de prueba de cáncer.
  5. Herramientas de diagnóstico:
    NOTA: Las herramientas de visualización, junto con las métricas de rendimiento, son muy importantes para fines de diagnóstico.
    1. Utilice curvas de características operativas del receptor (ROC) para evaluar el rendimiento de los modelos de clasificación.
    2. Utilice gráficos de carga y gráficos de análisis de componentes principales (PCA) para visualizar las relaciones y patrones dentro de los datos.
      NOTA: En la sección Resultados representativos se muestran ejemplos de resultados representativos para cada uno de estos gráficos utilizando un conjunto de datos de pruebas de cáncer.
  6. Métricas de rendimiento para la clasificación binaria
    NOTA: Las siguientes métricas se pueden adaptar para la clasificación de varias clases, como en el ejemplo presentado, considerando cada clase frente al resto, para cada clase.
    1. Matriz de confusión: Utilice una matriz de confusión (Tabla 2) para indicar los verdaderos positivos y verdaderos negativos en la diagonal, los verdaderos negativos en los bloques inferiores derechos, los falsos positivos en los bloques superiores derechos y los falsos negativos en los bloques inferiores izquierdos.
    2. Precisión: Es la proporción de identificaciones positivas que fueron correctas. Calcule la precisión usando la fórmula TP / (TP + FP). Un modelo con una precisión de 1 no tiene falsos positivos. Si un modelo tiene una precisión de 0,5, entonces el modelo es correcto la mitad de las veces.
      figure-protocol-1
    3. Recuerdo o sensibilidad: También conocido como tasa de verdaderos positivos o tasa de aciertos, es la proporción de positivos reales que se identificaron correctamente. Calcule el recuerdo o la sensibilidad usando la fórmula, TP / (TP + FN) o TP / pos, donde pos = TP + FN es el número total de ejemplos positivos.
      figure-protocol-2
    4. Especificidad: Es la proporción de negativos reales que se identificaron correctamente. Calcúlalo usando la fórmula, TN / neg, donde neg = TN + FP es el número total de ejemplos negativos.
      figure-protocol-3
    5. Precisión: Proporción de predicciones correctas (tanto positivas como negativas). Calcule la precisión usando la fórmula:
      figure-protocol-4
    6. Puntuación F: La puntuación F es la media armónica entre la recuperación y la precisión. Calcúlalo usando la fórmula:
      figure-protocol-5
    7. Precisión equilibrada: La precisión equilibrada (BAC) es el promedio de la sensibilidad y la especificidad. Calcúlalo usando la fórmula:
      figure-protocol-6
      donde TPR significa Tasa Positiva Verdadera y corresponde a la recuperación, y TNR significa Tasa Negativa Verdadera y corresponde a la especificidad.
    8. Tasa de error equilibrada: La tasa de error equilibrada (BER) es el promedio de los errores en cada clase. Calcúlalo usando la fórmula:
      figure-protocol-7
      NOTA: La BER tiene la ventaja de considerar la diferencia de calidad de funcionamiento entre las clases creando una medida equilibrada de la tasa de error, limitando así el efecto de un conjunto de datos desequilibrado. Una tasa de error de 0,5 representa un rendimiento similar al de las conjeturas aleatorias. Para DIABLO, la BER es la tasa de error de clasificación ponderada de cada bloque, dependiendo de la correlación entre los componentes y la condición de interés. BER es el complemento de BA a 1, es decir, BER = (1 - BAC).
    9. Área bajo la curva: calcule el área bajo la curva (AUC) como el área debajo del ROC (descrita en la siguiente sección), obtenida trazando la sensibilidad versus la especificidad.
      NOTA: Cuál de estas métricas es la más adecuada para la tarea depende de la importancia de los falsos negativos y del equilibrio o desequilibrio entre las clases. La precisión se centra en minimizar los falsos positivos, mientras que la recuperación se centra en minimizar los falsos negativos. Si hay una baja proporción de casos positivos, entonces la precisión por sí sola puede no ser el mejor indicador para evaluar el rendimiento de un modelo. Code.R se proporciona como archivo complementario 1.

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

Results

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

Al igual que en el análisis de ómica única, la visualización es clave para la exploración de datos, la integración de datos, el reconocimiento de patrones, la generación de hipótesis y la comunicación de resultados. Específicamente, una buena visualización de grandes datos es muy importante durante los pasos de preprocesamiento de datos, lo que ayuda en la verificación de la normalización, la identificación de valores atípicos y muchos más. En multiómica, más aún, la visualización es vital, ya que puede ayudar en la eval...

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

Discussion

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

Identificar el conjunto de datos ómicos más relevante es uno de los primeros pasos en un estudio de integración multiómica. En la investigación nutricional, la metabolómica representa una de las primeras capas ómicas a tener en cuenta, ya que puede resaltar las vías metabólicas y los procesos bioquímicos en la base de la intervención dietética o la respuesta metabólica a la ingesta de alimentos. Por otro lado, por ejemplo, en la biología del cáncer, la genómica y la transcriptómica que b...

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

Disclosures

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

E. A., R. R y O. C son empleados de la Société des Produits Nestlé SA.

Acknowledgements

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

Los autores agradecen el apoyo del Dr. Michael Affolter, el Dr. Loïc Dayon, el Dr. Jean Philippe Godin, la Dra. Francesca Giuffrida, la Dra. Eugenia Migliavacca, la Prof. Anne-Florence Bitbol y el Prof. Zoltan Kutalik.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apple M2 Pro macOSApple14.3 (23D56)Equipo de procesamiento
ggplot2 Paquete Rr-project.org3.4.4Crear visualizaciones de datos
ggpubr R packager-project.org0.6.0Crear gráficos listos para publicación
ggrepel R package r-project.org0.9.5Posicionar automáticamente etiquetas de texto no superpuestas con ggplot2
Paquete R de celosíar-project.org0.22-5Gráficos Tellis para el
paquete R limma Rr-project.org3.58.1Modelos lineales para
microarraysPaquete Omics Rr-project.org6.25.1Proyecto de integración de datos ómicos
Paquete NEMO Rr-project.org0.1.0Agrupación multiómica basada en vecindarios
Rr-project.org4.3.2 (2023-10-31)Lenguaje de programación para computación estadística y gráficos
R StudioRStudio2023.12.1+402 (2023.12.1+402)Entorno de desarrollo integrado para R
SNFtool Paquete Rr-project.org2.3.1Fusión de red de similitud
tidyr R packager-project.org1.3.1Criterio de datos ordenado y desordenado
R paqueter-project.org1.3.0Caracterizaciones ordenadas de la calidad de funcionamiento del modelo
la mezcla de datos de

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