Aplicación del análisis factorial multiómico no supervisado para descubrir patrones de variación y procesos moleculares relacionados con las enfermedades cardiovasculares
20 de septiembre de 2024
Presentamos un flujo de trabajo flexible y extensible basado en Jupyter-lab para el análisis no supervisado de conjuntos de datos multiómicos complejos que combina diferentes pasos de preprocesamiento, estimación del modelo de análisis factorial multiómico y varios análisis posteriores.
Nuestro flujo de trabajo permite analizar fácilmente conjuntos de datos multiómicos complejos de diferentes resoluciones. El enfoque extrae patrones principales de variantes que son únicas o compartidas con los tipos de datos específicos y los agrega. Los llamados factores resultantes pueden vincularse a procesos moleculares y covariables clínicas o técnicas.
Nuestro análisis fue uno de los primeros en aplicar el modelo MOFA a datos multiómicos y de una sola célula de múltiples muestras. Es importante destacar que estas muestras pertenecían a una cohorte clínica de pacientes con ataque cardíaco. Esto nos permitió identificar firmas inmunitarias multicelulares que se asocian con el resultado y el estado de la enfermedad.
Por lo tanto, la disponibilidad de conjuntos de datos de una sola célula y multiómicos aumenta, pero a menudo, las características de esos conjuntos de datos solo se analizan por separado. Esto limita la comprensión porque, por lo general, los procesos biológicos son el resultado de las interacciones entre múltiples características y tipos de células. Con nuestros protocolos, los usuarios pueden realizar fácilmente un análisis integrado del conjunto de datos completo e identificar esos programas multicelulares.
Creemos que la aplicación de este protocolo a conjuntos de datos multiómicos adicionales generará nuevos conocimientos sobre otras enfermedades o contextos. Estos conocimientos servirán de base para futuros estudios terapéuticos o de biomarcadores.
Visión general
Este artículo presenta un flujo de trabajo basado en Jupyter-lab flexible y ampliable para el análisis no supervisado de conjuntos de datos multi-ómicos complejos. El flujo de trabajo permite la extracción de patrones principales de variantes vinculadas a procesos moleculares y covariables clínicas.
Componentes clave del estudio
Área de la ciencia
- Análisis multi-ómico
- Investigación clínica
- Metodologías de análisis de datos
Antecedentes
- Los conjuntos de datos multi-ómicos pueden variar en resolución y complejidad.
- Comprender las relaciones entre diferentes tipos de datos es crucial para la investigación biomédica.
- Los enfoques anteriores carecían de flexibilidad para analizar dichos conjuntos de datos.
- Las cohortes clínicas proporcionan información valiosa sobre los mecanismos de las enfermedades.
Propósito del estudio
- Desarrollar un flujo de trabajo para analizar conjuntos de datos multi-ómicos.
- Identificar firmas inmunes multicelulares asociadas con resultados clínicos.
- Aplicar el modelo MOFA a datos multi-ómicos y de una sola célula.
Métodos utilizados
- Análisis no supervisado de conjuntos de datos multi-ómicos.
- Estimación del modelo de análisis factorial multi-ómico (MOFA).
- Integración de diferentes pasos de preprocesamiento.
- Análisis posteriores vinculando factores a covariables clínicas.
Resultados principales
- Identificación de patrones únicos y compartidos entre tipos de datos.
- Vinculación de factores a procesos moleculares y resultados clínicos.
- Perspectivas sobre las firmas inmunes en pacientes con ataque cardíaco.
- Demostración de la efectividad del flujo de trabajo en la investigación clínica.
Conclusiones
- El flujo de trabajo desarrollado mejora el análisis de conjuntos de datos complejos.
- Proporciona un marco robusto para vincular datos multi-ómicos a conocimientos clínicos.
- Este enfoque puede aplicarse a varios contextos de investigación biomédica.
Preguntas frecuentes
Executive Industry Relevance
Integrating unsupervised multi-omic factor analysis (MOFA) into discovery-stage workflows enables biopharma teams to uncover complex molecular patterns and multicellular programs underlying cardiovascular disease. This approach enhances predictive confidence by linking high-dimensional omics data to disease-relevant processes, supporting early target validation and translational biomarker discovery. The workflow's scalability and adaptability position it as a reusable capability for portfolio-wide mechanistic de-risking and prioritization.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of multicellular immune signatures associated with disease states.
- Supports functional target validation by integrating diverse omics and clinical covariates.
- Facilitates biological de-risking through identification of shared and unique molecular factors.
- Improves predictive confidence for target selection and triage decisions.
Screening & Assay Development
- Prepares harmonized, quality-controlled multi-omics datasets for downstream analysis.
- Standardizes data integration and normalization across assays and timepoints.
- Generates quantitative factor outputs suitable for comparative screening and hypothesis testing.
- Enables reproducible extraction of molecular patterns for assay development.
Translational & Preclinical Research
- Aligns molecular factors with clinical phenotypes and disease progression.
- Supports continuity from discovery through preclinical biomarker validation.
- Informs risk-adjusted advancement by linking omics signatures to patient subgroups.
- Provides mechanistic insights for translational research in cardiovascular and other diseases.
Pipeline & Workflow Integration
This MOFA-based workflow bridges early discovery, lead identification, and translational research by enabling integrated analysis of multi-omics and clinical data.
- Discovery Biology: Supports hypothesis testing and pathway clarification by extracting major axes of molecular variation.
- Screening: Delivers harmonized, quantitative outputs for robust assay readiness and reproducibility.
- Analytics: Provides statistical decomposition of variance and factor association with clinical covariates.
- Translational Research: Connects molecular patterns to disease states and patient outcomes for biomarker alignment.
- Enterprise Reuse: Offers a scalable, adaptable workflow applicable to diverse multi-omics datasets and disease contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in target validation.
- Operational Value: Standardizes multi-omics data processing and analysis for reproducibility and scalability.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of discovery programs.
Implementation Considerations
- Requires expertise in multi-omics data integration and statistical modeling.
- Depends on robust computational infrastructure and Jupyter-based workflow management.
- Necessitates standardized data pre-processing and harmonization across assays.
- Adaptable to various omics platforms and disease-relevant model systems.
- Limited by input data quality and the complexity of clinical covariates included.
