Application de l’analyse multifactorielle multi-omique non supervisée pour découvrir les modèles de variation et les processus moléculaires liés aux maladies cardiovasculaires
September 20th, 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 flexible et extensible basé sur Jupyter-lab pour l'analyse non supervisée de jeux de données multi-omiques complexes. Le flux de travail permet l'extraction de modèles majeurs de variantes liées à des processus moléculaires et à des covariables cliniques.
Composants clés de l'étude
Domaine scientifique
- Analyse multi-omique
- Recherche clinique
- Méthodologies d'analyse de données
Contexte
- Les jeux de données multi-omiques peuvent varier en résolution et en complexité.
- Comprendre les relations entre différents types de données est crucial pour la recherche biomédicale.
- Les approches précédentes manquaient de flexibilité dans l'analyse de tels jeux 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 les jeux de données multi-omiques.
- Identifier les signatures immunitaires multicellulaires associées aux résultats cliniques.
- Appliquer le modèle MOFA aux données multi-omiques et unicellulaires.
Méthodes utilisées
- Analyse non supervisée des jeux de données multi-omiques.
- Estimation du modèle d'analyse factorielle multi-omique (MOFA).
- Intégration de différentes étapes de pré-traitement.
- Analyses en aval reliant les facteurs aux covariables cliniques.
Principaux résultats
- Identification de modèles uniques et partagés entre les types de données.
- Lien entre les facteurs et les processus moléculaires et les résultats cliniques.
- Aperçu des signatures immunitaires chez les patients ayant subi une crise cardiaque.
- Démonstration de l'efficacité du flux de travail dans la recherche clinique.
Conclusions
- Le flux de travail développé améliore l'analyse de jeux de données complexes.
- Il fournit un cadre robuste pour lier les données multi-omiques aux informations cliniques.
- Cette approche peut être appliquée à divers contextes de recherche biomédicale.
Questions fréquemment posées
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.
