Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires
20 septembre 2024
Nous présentons un flux de travail flexible et extensible basé sur Jupyter-lab pour l’analyse non supervisée d’ensembles de données multi-omiques complexes qui combine différentes étapes de prétraitement, l’estimation du modèle d’analyse factorielle multi-omique et plusieurs analyses en aval.
Notre flux de travail permet d’analyser facilement des ensembles de données multi-omiques complexes de différentes résolutions. L’approche extrait un grand nombre de modèles de variantes uniques ou partagées avec des types de données spécifiques et les agrège. Les facteurs qui en résultent peuvent ensuite être liés à des processus moléculaires et à des covariables cliniques ou techniques.
Notre analyse a été parmi les premières à appliquer le modèle MOFA à des données multi-omiques et à des données unicellulaires de plusieurs échantillons. Il est important de noter que ces échantillons provenaient d’une cohorte clinique de patients victimes d’une crise cardiaque. Cela nous a permis d’identifier des signatures immunitaires multicellulaires associées à l’issue et à l’état de la maladie.
Ainsi, la disponibilité des ensembles de données unicellulaires et multi-omiques augmente, mais souvent, les caractéristiques de ces ensembles de données ne sont analysées que séparément. Cela limite les connaissances car, généralement, les processus biologiques sont le résultat des interactions entre plusieurs caractéristiques et types de cellules. Grâce à nos protocoles, les utilisateurs peuvent facilement effectuer une analyse intégrée de l’ensemble complet des données et identifier ces programmes multicellulaires.
Nous pensons que l’application de ce protocole à d’autres ensembles de données multi-omiques générera de nouvelles connaissances sur d’autres maladies ou contextes. Ces informations éclaireront ensuite de futures études sur les biomarqueurs ou les thérapies.
Aperçu
Cet article présente un flux de travail souple et extensible basé sur Jupyter-lab pour l'analyse non supervisée de jeux de données multi-omiques complexes. Le flux de travail permet d'extraire les principaux schémas de variants liés aux processus moléculaires et aux covariables cliniques.
Composantes clés de l'étude
Domaine scientifique
- Analyse multi-omique
- Recherche clinique
- Méthodologies d'analyse de données
Contexte
- Les ensembles de données multi-omiques peuvent varier en résolution et en complexité.
- Comprendre les relations entre les différents types de données est essentiel pour la recherche biomédicale.
- Les approches antérieures manquaient de souplesse dans l'analyse de ces ensembles de données.
- Les cohortes cliniques fournissent des informations précieuses sur les mécanismes des maladies.
Objectif de l'étude
- Développer un flux de travail pour analyser des jeux de données multi-omiques.
- Identifier des signatures immunitaires multicellulaires associées à des résultats cliniques.
- Appliquer le modèle MOFA à des données multi-omiques et unicellulaires.
Méthodes utilisées
- Analyse non supervisée de jeux de données multi-omiques.
- Estimation du modèle d'analyse factorielle multi-omique (MOFA).
- Intégration de différentes étapes de prétraitement.
- Analyses en aval associant les facteurs à des covariables cliniques.
Résultats principaux
- Identification de profils uniques et partagés entre les différents types de données.
- Association des facteurs aux processus moléculaires et aux résultats cliniques.
- Apports sur les signatures immunitaires chez les patients ayant subi un infarctus du myocarde.
- Démonstration de l'efficacité du flux de travail en recherche clinique.
Conclusions
- Le flux de travail développé améliore l'analyse des ensembles de données complexes.
- Il fournit un cadre robuste permettant de relier les données multi-omiques à des informations cliniques.
- Cette approche peut être appliquée à divers contextes de recherche biomédicale.
Questions fréquemment posées
Pertinence industrielle pour les cadres
L'intégration de l'analyse factorielle multi-omique non supervisée (MOFA) dans les flux de travail de découverte permet aux équipes biopharmaceutiques de révéler des profils moléculaires complexes et des programmes multicellulaires sous-jacents aux maladies cardiovasculaires. Cette approche renforce la fiabilité prédictive en reliant les données omiques à haute dimension à des processus pertinents pour la maladie, soutenant ainsi la validation précoce des cibles et la découverte de biomarqueurs translationnels. La scalabilité et l'adaptabilité du flux de travail en font une capacité réutilisable pour la détection mécanistique et la priorisation à l'échelle du portefeuille.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Permet l'analyse de signatures immunitaires multicellulaires associées à des états pathologiques.
- Prend en charge la validation fonctionnelle des cibles en intégrant diverses données omiques et covariables cliniques.
- Facilite la réduction des risques biologiques grâce à l'identification de facteurs moléculaires communs et spécifiques.
- Améliore la confiance prédictive dans les décisions de sélection et de tri des cibles.
Développement de criblages et de tests
- Prépare des jeux de données multi-omiques harmonisés et contrôlés en qualité pour des analyses en aval.
- Standardise l'intégration et la normalisation des données entre les tests et les points temporels.
- Génère des sorties quantitatives de facteurs adaptées au criblage comparatif et aux tests d'hypothèses.
- Permet l'extraction reproductible de profils moléculaires pour le développement d'analyses.
Recherche translationnelle et préclinique
- Associe les facteurs moléculaires aux phénotypes cliniques et à l'évolution de la maladie.
- Permet une continuité allant de la découverte à la validation préclinique de biomarqueurs.
- Éclaire une progression adaptée au risque en reliant les signatures omiques à des sous-groupes de patients.
- Offre des connaissances mécanistiques pour la recherche translationnelle dans les maladies cardiovasculaires et autres.
Intégration du pipeline et du flux de travail
Ce flux de travail fondé sur MOFA relie la découverte précoce, l'identification de candidats thérapeutiques et la recherche translationnelle en permettant une analyse intégrée de données multi-omiques et cliniques.
- Biologie de la découverte : Soutient la vérification des hypothèses et la clarification des voies en extrayant les principaux axes de variation moléculaire.
- Écrans biologiques : Fournit des résultats quantitatifs harmonisés pour une préparation robuste des tests et une reproductibilité optimale.
- Analytique : Propose une décomposition statistique de la variance et l'association des facteurs avec des covariables cliniques.
- Recherche translationnelle : Relie les profils moléculaires aux états pathologiques et aux résultats chez les patients afin d'aligner les biomarqueurs.
- Réutilisation en entreprise : Offre un flux de travail évolutif et adaptable, applicable à divers ensembles de données multi-omiques et contextes pathologiques.
Impact opérationnel et organisationnel
- Valeur scientifique : Augmente la confiance prédictive et réduit l'ambiguïté mécanistique dans la validation des cibles.
- Valeur opérationnelle : Standardise le traitement et l'analyse des données multi-omiques pour assurer la reproductibilité et l'évolutivité.
- Valeur stratégique : Permet de prendre des décisions éclairées d'aller/arrêt et une gestion efficace du portefeuille en termes de capital.
- Impact sur le portefeuille : Soutient la priorisation et l'avancement des programmes de découverte ajustés au risque.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en intégration de données multi-omiques et en modélisation statistique.
- Dépend d'une infrastructure informatique robuste et d'une gestion des flux de travail basée sur Jupyter.
- Exige une préparation normalisée des données et une harmonisation entre les tests.
- Adaptable à diverses plates-formes omiques et à des systèmes modèles pertinents pour les maladies.
- Limité par la qualité des données d'entrée et par la complexité des covariables cliniques incluses.
