Aplicación del análisis factorial multiómico no supervisado para descubrir patrones de variación y procesos moleculares relacionados con las enfermedades cardiovasculares
September 20th, 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.
