Name: Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires (Vidéo) | JoVE Journal
Uploaded: 2024-09-20T13:10:00.000+00:00
Duration: 8 min 51 s
Description: Découvrez l'analyse multi-omique non supervisée pour identifier les signatures immunitaires multicellulaires liées aux maladies cardiovasculaires. Ce protocole MOFA intègre données cliniques et moléculaires.

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>Analyse non supervisée de données multi-omiques dans les syndromes coronariens à l’aide de 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>

Les mécanismes de la maladie sont généralement complexes et régis par l’interaction de plusieurs processus moléculaires distincts. Déchiffrer les mécanismes moléculaires complexes qui conduisent à des maladies spécifiques ou régissent l’évolution d’une maladie est une tâche d’une grande pertinence médicale car elle pourrait révéler de nouvelles perspectives pour la compréhension et le traitement des maladies.
Les progrès technologiques récents permettent de mesurer ces processus à une résolution plus élevée (par exemple, au niveau de la cellule unique) et à diverses couches biologiques (par exemple, l’ADN, l’ARNm, l’accessibilité de la chromatine, la méthylation de l’ADN, la protéomique) en même temps. Cela conduit à la génération croissante de grands ensembles de données biologiques multidimensionnelles, qui peuvent être analysés conjointement pour générer plus d’informations sur les processus sous-jacents. Dans le même temps, la combinaison et l’analyse des différentes sources de données d’une manière biologiquement significative restent une tâche difficile1.
Les différentes limites technologiques, les bruits et les plages de variabilité entre les différentes chambres omiques posent un défi. Par exemple, les données de séquençage de l’ARN sur cellule unique (scRNA-seq) sont très rares et souvent influencées par des effets techniques ou de lots importants. De plus, l’espace des caractéristiques est souvent très grand, couvrant plusieurs milliers de gènes ou de protéines mesurés, tandis que la taille des échantillons est limitée. Cela est encore compliqué par des conceptions complexes, qui peuvent inclure plusieurs maladies, facteurs de confusion, points temporels et résolutions. Par exemple, dans le cas d’utilisation présenté, différents types de données étaient disponibles au niveau de la cellule unique ou de l’échantillon (en vrac). En outre, les données peuvent être incomplètes et toutes les mesures peuvent ne pas être disponibles pour tous les sujets analysés.
En raison de ces défis, les différentes omiques et les caractéristiques incluses sont encore souvent analysées uniquement séparément2, même si la réalisation d’une analyse intégrée peut non seulement fournir une image complète du processus, mais les bruits biologiques et techniques d’une omique peuvent également être compensés par d’autres omiques 3,4. Plusieurs méthodes différentes ont été proposées pour effectuer une analyse intégrée de données multi-omiques, notamment les méthodes bayésiennes, les méthodes basées sur le réseau 5,6, l’apprentissage profond multimodal7 et les méthodes de réduction de la dimensionnalité par factorisation matricielle 8,9. Pour ces derniers, les résultats d’une vaste étude comparative10 ont montré que la méthode MOFA9 (analyse multi-omique factorielle) est l’un des outils les mieux adaptés lorsque les données doivent être liées à des annotations cliniques.
En particulier dans les environnements complexes, les méthodes de factorisation matricielle non supervisée sont une approche utile pour réduire la complexité et extraire des signaux partagés et complémentaires à partir de différentes sources de données et fonctionnalités. En décomposant l’espace complexe en représentations latentes de rang inférieur, les principales sources de variance au sein des données peuvent être rapidement explorées et liées à des covariables connues. Dans le cas où le même modèle de variation est partagé entre plusieurs caractéristiques (par exemple, des gènes ou des protéines), cela peut être agrégé à quelques facteurs tout en réduisant le bruit. La régularisation peut être utilisée pour augmenter la rareté des coefficients du modèle, ce qui rend l’approche bien adaptée aux contextes où l’espace des caractéristiques est grand alors que le nombre d’échantillons est limitéà 9.
Ce protocole présente un flux d’analyse flexible qui utilise le modèle MOFA pour montrer comment explorer rapidement un ensemble de données multi-omiques complexe et distiller les principaux modèles de variation qui caractérisent cet ensemble de données. Le flux de travail se compose de trois étapes principales. Dans un premier temps, le prétraitement et l’harmonisation des données, différentes stratégies de prétraitement des données basées sur différents types de données d’entrée (scRNA-seq, protéomique, cytokine, données cliniques) sont présentées. Le protocole explique comment traiter les caractéristiques des différents ensembles de données d’entrée, filtrer les caractéristiques de faible qualité et les normaliser pour harmoniser leurs distributions. Nous montrons également comment ces décisions de prétraitement peuvent affecter les résultats en aval. Dans la deuxième étape, le modèle MOFA est appliqué aux données, et la décomposition de la variance résultante peut être utilisée pour évaluer l’intégration des différents ensembles de données. La troisième étape montre comment relier les facteurs capturés aux covariables et découvrir les programmes moléculaires qui définissent ces facteurs. Avec le flux de travail présenté, nous avons pu extraire plusieurs facteurs latents liés à des covariables cliniques dans un ensemble de données de patients souffrant de syndromes coronariens et identifier des programmes immunitaires multicellulaires sous-jacents potentiels d’un projet précédent11. Nous utiliserons cet ensemble de données ici, mais le protocole peut facilement être appliqué à d’autres contextes, y compris d’autres omiques.
L’ensemble de données se compose d’échantillons provenant de patients atteints de syndromes coronariens chroniques stables (SCC), de syndromes coronariens aigus (SCA) et d’un groupe témoin atteint de coronaires saines (non-SCC) (Figure 1). Le SCA est causé par une rupture de plaque dans un SCC préexistant, entraînant une perturbation aiguë du flux sanguin vers le myocarde et une lésion ischémique ultérieure du cœur. Cette lésion provoque une réponse inflammatoire du système immunitaire suivie d’une phase réparatrice, qui dure jusqu’à plusieurs jours après l’événement aigu12. Pour pouvoir caractériser cette réponse immunitaire chez les patients atteints de SCA, des échantillons de sang ont été prélevés à quatre moments différents : aiguë (TP1) ; après recanalisation (14 [± 8] h) (TP2) ; 60 [± 12] h plus tard (TP3) ; avant le congé (6,5 [±1,5] jours) (TP4) (figure 1A). Pour la SCC et les patients ayant des coronaires saines, un seul point temporel était disponible (TP0). Pour tous les patients et à tous les points temporels, différents dosages basés sur les échantillons de sang ont été mesurés : marqueurs cliniques de l’inflammation (créatine-kinase (CK), CK-MB, TROPONINE, PROTÉINE C-réactive (CRP)), scRNA-seq des cellules mononucléées du sang périphérique (PBMC), analyse des cytokines, protéomique plasmatique et données prime-seq13 des neutrophiles.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66659/66659fig01v2.jpg"> Figure 1 : Ensemble de données d’entrée multi-omiques sur l’infarctus du myocarde. Ensemble de données d’entrée : Les données analysées comprennent des échantillons de sang de patients (n = 62) atteints de syndrome coronarien aigu (SCA), de syndromes coronariens chroniques (SCC) et de patients atteints de coronaires saines (non-SCC). Pour les patients atteints de SCA, des échantillons de sang ont été inclus à quatre moments différents (TP1-4), pour les patients atteints de SCC et les patients non SCC à un seul point temporel (TP0). Chaque combinaison de patient et de point temporel est traitée comme un échantillon distinct dans l’analyse. Différents tests omiques ont été mesurés sur les échantillons : tests sanguins cliniques (n = 125), scRNA-seq (n = 121), plasma-protéomique (n = 119), test de cytokines (n = 127) et neutrophiles prime-seq (n = 121). Par la suite, le protocole décrit a été appliqué pour intégrer les données dans toutes les omiques et les explorer à l’aide du modèle MOFA et d’une analyse en aval plus poussée (analyse factorielle, enrichissement de la voie). <a href="https://www.jove.com/files/ftp_upload/66659/66659fig01largev2.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
En tant qu’entrée pour le flux de travail présenté ici, nous prenons des comptages bruts à partir des données scRNA-seq après traitement avec cellranger et le contrôle qualité (QC), comme indiqué, par exemple, dans le tutoriel de prétraitement scanpy14 . Pour l’annotation de type cellule, nous avons utilisé le pipeline automatisé Azimuth15 . Les nombres sont ensuite agrégés au niveau de l’échantillon pour chaque type de cellule en prenant la moyenne de toutes les cellules pour chaque échantillon et type de cellule (agrégation pseudo-en bloc). La protéomique plasmatique est incluse en tant qu’intensités normalisées et centrées sur la médiane, et pour les neutrophiles, nous prenons le nombre d’exons de l’identifiant moléculaire unique (UMI) de l’estimateur premier. Sur les cytokines et les valeurs cliniques, aucun prétraitement préalable n’a été appliqué. De plus amples détails sur la génération de données (expérimentales) sont décrits dans le manuscrit correspondant11. Comme les résultats présentés ici sont basés sur l’utilisation de l’annotation azimutale automatisée pour les types de cellules dans les données de séquençage de l’ARNc par rapport à la stratégie basée sur les marqueurs qui a été utilisée dans la publication référencée, les résultats présentés ici sont similaires mais pas exactement les mêmes que ceux présentés dans la publication. Dans le manuscrit, il a été démontré que la stratégie d’annotation de type cellulaire ne modifie pas les principaux modèles et interprétations biologiques de l’analyse, mais que de petits changements dans les valeurs exactes résultant du modèle peuvent varier. Dans l’ensemble, les données d’entrée étaient un ensemble de données multidimensionnelles complexe comprenant différents points temporels et niveaux de mesure (cellules uniques ou en vrac) de plus de 10 000 caractéristiques différentes (gènes, protéines, valeurs cliniques). Une stratégie stricte de prétraitement et d’harmonisation des données, suivie d’une analyse MOFA, s’est avérée être un outil utile et rapide pour explorer les données et extraire le programme immunitaire pertinent. Chaque combinaison de point temporel et de patient est traitée comme un échantillon indépendant dans l’analyse MOFA. Chaque type de données et type de cellule est considéré comme une vue distincte dans l’analyse MOFA.
Ce protocole fournit des instructions pour préparer les données d’entrée pour le flux de travail, exécuter les différentes étapes du flux de travail, personnaliser les configurations, interpréter les figures résultantes et ajuster de manière itérative les configurations en fonction des interprétations. Une vue d’ensemble des différentes étapes du protocole, des ensembles de données d’entrée requis à chaque étape, ainsi que des figures et des ensembles de données qui en résultent est donnée par la vue d’ensemble du flux de travail technique (Figure 2).
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66659/66659fig02v2.jpg"> Figure 2 : Vue d’ensemble du flux de travail technique. Aperçu du flux de travail pour l’analyse de l’ensemble de données multi-omiques. Les différents éléments sont mis en valeur par des couleurs et des symboles différents. Les notebooks Jupyter appartenant à l’étape Prétraitement et harmonisation des données (1) sont colorés en bleu. Les carnets Jupyter appartenant à l’étape 'MOFA Model' (2) sont colorés en orange. Les notebooks Jupyter appartenant à l’étape 'Analyse aval' (3) sont colorés en vert. Un Jupyter Notebook à utiliser pour la comparaison des résultats est coloré en jaune. Les fichiers de configuration où les paramètres d’exécution du flux de travail peuvent être modifiés sont surlignés en violet. Les jeux de données d’entrée nécessaires à l’exécution du flux de travail sont indiqués par le symbole du jeu de données et mis en surbrillance en gris. Toutes les sorties de figures générées pendant l’exécution du flux de travail sont indiquées par le symbole de la loupe. Les jeux de données générés lors de l’exécution du workflow sont indiqués sous forme de tables. En général, le flux de travail est exécuté de manière séquentielle : (1) Le prétraitement et l’harmonisation des données se composent de deux étapes : la première génération d’une table pseudo-bulk basée sur les données d’entrée scRNA-seq (01_Prepare_Pseudobulk) et l’intégration et la normalisation ultérieures de ces données avec toutes les autres entrées au niveau de l’échantillon (en vrac) (02_Integrate_and_Normalize_Data). Dans le cadre de cette étape, via les fichiers de configuration, il est possible de configurer séparément pour chaque ensemble de données les étapes de prétraitement et de normalisation indiquées (par exemple, le filtre d’échantillonnage) à appliquer. (2) « Modèle MOFA » : exécute le modèle MOFA sur l’entrée générée de la première étape avec les configurations spécifiées dans le fichier de configuration (03_MOFA_configs.csv) (3) « Analyse en aval » : se compose de trois blocs-notes différents qui peuvent être exécutés indépendamment les uns des autres pour générer des informations sur les résultats MOFA générés et les associer à des exemples de métadonnées (covariables) fournies en entrée via le fichier « Exemple de méta-Data.csv ». (4) « Comparaison de modèles » : il s’agit d’une petite étape distincte qui peut être utilisée pour comparer différents modèles générés à l’étape 2. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig02largev2.jpg" target="_blank">Veuillez cliquer ici pour voir une version agrandie de cette figure.</a>
Le flux de travail se compose de plusieurs blocs-notes Jupyter écrits en R et Python (la connaissance des langages R et Python n’est pas requise pour exécuter le flux de travail, mais peut être utile en cas d’apparition d’erreurs). Dans les différentes étapes du protocole, les paramètres sont modifiés via des fichiers de configuration (fichiers '.csv' contenant le postfix '_Configs' dans le nom). Dans le protocole, nous ne décrivons que les paramètres qui doivent être modifiés à partir de la configuration par défaut.
Plusieurs autres paramètres peuvent également être modifiés, par exemple pour personnaliser le pré-traitement. Une documentation de ces paramètres et des explications est donnée dans le fichier 'Documentation_Config_Parameter', qui est inclus dans le référentiel téléchargé.

<table><tbody><tr><td>Apptainer</td><td>NA</td><td>NA</td><td>https://apptainer.org/docs/admin/main/installation.html</td></tr><tr><td>Serveur de calcul ou poste de travail ou cloud&nbsp ; (environnement Linux, Mac ou Windows). En fonction de la taille des différents ensembles de données d’entrée, nous recommandons d’exécuter le flux de travail sur une machine appropriée (dans notre configuration, nous utilisons : 16 CPU, 64 Go de mémoire)</td><td>Tout fabricant</td><td>16 CPU, 64 Go de mémoire</td><td>Une grande mémoire n’est nécessaire que pour le traitement des données brutes de cellule unique. Après le prétraitement, les étapes d’analyse ultérieures peuvent également être effectuées sur des ordinateurs de bureau ou portables standard</td></tr><tr><td>git</td><td>NA</td><td></td><td>NA https://git-scm.com/book/en/v2/Getting-Started-Installing-Git</td></tr><tr><td>GitHub</td><td>GitHub</td><td></td><td>NA https://github.com/heiniglab/mofa_workflow</td></tr></tbody></table>

application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires

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

Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires

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

Recherche

JoVE Journal

Genetics

Génétique

DeepOmicsAE est un flux de travail centré sur l’application d’une méthode d’apprentissage profond (c’est-à-dire un auto-encodeur) pour réduire la dimensionnalité des données multi-omiques, fournissant une base pour les modèles prédictifs et les modules de signalisation représentant plusieurs couches de données omiques.

DeepOmicsAE : Représentation de modules de signalisation dans la maladie d’Alzheimer avec l’analyse de l’apprentissage profond de la protéomique, de la métabolomique et des données cliniques

Ici, nous décrivons un protocole pour utiliser l’imagerie par ultrasons quadridimensionnelle in vivo et l’imagerie par spectrométrie de masse ex vivo pour évaluer les altérations biomécaniques et biomoléculaires dans le système cardiovasculaire murin. Cette technique est appliquée pour analyser le remodelage cardiaque dans l’infarctus du myocarde induit chirurgicalement et les changements vasculaires chez les animaux vieillissants.

Étude multimodale du remodelage cardiovasculaire murin : imagerie quadridimensionnelle par ultrasons et spectrométrie de masse

Ici, nous présentons des protocoles de culture de cellules humaines pour analyser les facteurs d’initiation de la traduction qui se lient à la coiffe 5' de l’ARNm dans des conditions physiologiques d’oxygène. Cette méthode utilise un analogue du chapeau m7GTP lié à l’agarose et convient pour étudier les facteurs de liaison au chapeau et leurs partenaires en interaction.

Analyse des protéines Cap-liaison dans les cellules humaines exposées à des conditions physiologiques de l&#39;oxygène

L’ovogenèse chez les mammifères est connu pour être source d’erreurs, notamment en raison de missegregation de chromosome. Ce manuscrit décrit des méthodes de préparation de la chromatine se propager de la prophase de la souris, métaphase I et II-mise en scène des ovocytes. Ces techniques fondamentales permettent l’étude des protéines liées à la chromatine et la morphologie des chromosomes tout au long de l’ovogenèse chez les mammifères.

La chromatine propager des préparations pour l’analyse de Progression d’ovocyte de souris de la Prophase à la métaphase II

Ce protocole décrit l’utilisation de combinatoire de ChIP-seq, 4sU-seq, total RNA-seq et ribosomes profilage de lignées cellulaires et les cellules primaires. Il permet aux changements suivi de transcription-facteur contraignant, novo de transcription, l’ARN traitement, chiffre d’affaires et traduction au fil du temps et d’afficher le cours général des événements dans les cellules activées ou évolues rapidement.

Analyse en temps réel du facteur de Transcription Binding, Transcription, traduction et chiffre d’affaires pour afficher des événements mondiaux au cours de l’Activation cellulaire

Dans ce protocole, baculovirus est produit par transfection transitoire de baculovirus plasmide dans les cellules Sf9 et amplifié dans une culture en suspension sans sérum. Le surnageant est purifié par chromatographie d’affinité de l’héparine et davantage concentré par ultracentrifugation. Ce protocole est utile pour la production et la purification des baculovirus pour l’application de la thérapie génique.

Production et Purification de Baculovirus pour l’Application de la thérapie génique

Nous présentons ici un protocole visant à analyser le transfert de cellule à cellule de renseignements oscillatoires par optogenetic contrôle et suivi de l’expression génique en direct. Cette approche constitue une plate-forme unique pour tester une importance fonctionnelle des programmes d’expression de gène dynamique dans les systèmes multicellulaires.

Une méthode Optogenetic pour contrôler et analyser les profils d’Expression génique dans les Interactions cellule-cellule

Séquençage ciblé de nouvelle génération est une approche temps et coût-efficace qui devient de plus en plus populaire en recherche sur les maladies et diagnostic clinique. Le protocole décrit ici présente le flux de travail complexe requis pour le séquençage et le processus de bio-informatique permet d’identifier des variants génétiques qui contribuent à la maladie.

Ciblé le séquençage Next-generation et bioinformatique Pipeline afin d’évaluer les déterminants génétiques de la maladie constitutionnelle

En vrac gene expression mesures nuage cellule individuelle différences dans les populations de cellules hétérogènes. Nous décrivons ici un protocole pour analyse de l’expression génique et l’index Comment unicellulaires Tri par Florescence activé cellule Tri (FACS) peut être combiné pour délimiter l’hétérogénéité et immunophenotypically caractériser les populations cellulaires moléculairement distinctes.

Une approche combinatoire de cellule unique pour caractériser la moléculaire et immunophénotypiques hétérogénéité des souches humaines et des Populations de l’ancêtre

Analyse de signal-bruit au niveau d’acides aminés détermine la prévalence de la variation génétique à une position donnée d’acides aminés normalisée à variation génétique de fond d’une population donnée. Cela permet l’identification des variantes « hotspots » dans une séquence de protéines (signal) qui s’élève au-dessus de la fréquence des variants rares trouvées dans une population (bruit).

Détermination du risque de pathogénicité Variant en utilisant l’analyse de Signal-bruit d’acides aminés au niveau de la Variation génétique

Découvrez l'analyse multi-omique non supervisée pour identifier les signatures immunitaires multicellulaires liées aux maladies cardiovasculaires. Ce protocole MOFA intègre données cliniques et moléculaires.

Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires (Vidéo) | JoVE Journal

Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires

Explorer plus de vidéos