Method Article

פרוטוקול מקיף ומדריך צעד אחר צעד לשילוב מולטי-אומיקס במחקר ביולוגי

DOI:

10.3791/66995

⸱

August 8th, 2025

 ,  ,  , 
1Nestlé Institute of Food Safety & Analytical Sciences, Nestlé Research, 2D-USYS, ETH Zürich, 3Statistical Genetics Group, University of Lausanne (UNIL)

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו מפרטת שיטות לשילוב נתוני מולטי-אומיקס (שרשור, טרנספורמציה ומבוססי מודל). על ידי שילוב נתונים מגנומיקה, אפיגנומיקה, טרנסקריפטומיקה, פרוטאומיקה, מטבולומיקה, מטגנומיקה, ליפידומיקה וגליקומיקה, מושגת הבנה מקיפה של מערכות ביולוגיות. כתב היד מספק הנחיות שלב אחר שלב, המדגיש מגבלות, יתרונות וכלי הדמיה לשילוב מולטי-אומיקס.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כתב יד זה מספק מדריך מקיף שלב אחר שלב לשילוב נתונים מולטי-אומיקס במחקר ביולוגי.

שילוב נתונים מולטי-אומיקס מתייחס לתהליך של שילוב וניתוח נתונים הנמדדים על אותה קבוצה של דגימות ביולוגיות עם טכנולוגיות אומיקס שונות, כגון גנומיקה, אפיגנומיקה, טרנסקריפטומיקה, פרוטאומיקה, מטבולומיקה, מיקרוביום, ליפידומיקה וגליקומיקה. למרות שלגישות מולטי-אומיקס יש מטרות דומות לניתוחי בלוק יחיד או אומיקס יחיד (למשל, תיאור, אפליה, סיווג או חיזוי), הן מסוגלות ללכוד ספקטרום רחב יותר של מידע מולקולרי, ובכך לספק הבנה עמוקה יותר של מערכות ביולוגיות והאינטראקציות המורכבות שלהן. ואכן, השילוב של מערכי נתונים מרובי אומיקס מאפשר שיפור דיוק החיזוי ומניב תוצאות חזקות יותר, במיוחד במקרים בהם מספר הדגימות הזמינות מוגבל. יתרה מכך, גם הודות להתפתחות האחרונה של טכניקות למידת מכונה, ניתוחי מולטי-אומיקס מתאימים כיום לחשיפת דפוסים נסתרים ותופעות מורכבות המתעוררות בין תרכובות ביולוגיות שונות.

המטרה העיקרית של עבודה זו היא להציג את הפרוטוקול המלא המשמש בדרך כלל במחקרים מולטי-אומיקס, החל מהניסוח הראשוני של הבעיה ועד לכלים השימושיים לפירוש הביולוגי של התוצאות. כתב היד מתאר בפירוט את השיטות השונות לשילוב נתונים מולטי-אומיקס, כולל גישות מבוססות שרשור (רמה נמוכה), מבוססות טרנספורמציה (רמה בינונית) ומבוססות מודלים (רמה גבוהה), ומדגיש את מגבלותיהן ויתרונותיהן, יחד עם הצגת כלי ויזואליזציה ואבחון כלליים.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

תחום המחקר הביולוגי חווה התקדמות משמעותית בשנים האחרונות, במיוחד בתחום טכנולוגיות האומיקס. טכנולוגיות אלה מספקות תובנות חשובות לגבי האופי המורכב של מערכות ביולוגיות. עם זאת, כל טכנולוגיית אומיקס מציעה נקודת מבט ייחודית על רכיבים ביולוגיים, המחייבת שילוב של נתוני מולטי-אומיקס כדי להשיג הבנה מקיפה.

מולטי-אומיקה מקיפה סוגים שונים של ביו-מולקולות הניתנות להגדרה כמותית הודות להופעתן של טכניקות ריצוף חדשות וחזקות בתפוקה גבוהה. בין הסוגים השונים של טכנולוגיות אומיקס ניתן למנות גנומיקה, אפיגנומיקה, טרנסקריפטומיקה, פרוטאומיקה, מטבולומיקה, מטגנומיקה, ליפידומיקה וגליקומיקה. גנומיקה כרוכה בחקר הגנום של אורגניזם, בעוד שאפיגנומיקה מתמקדת במבנה התומך של הגנום, כולל קושרי חלבונים ו-RNA, מבני DNA חלופיים ושינויים כימיים ב-DNA. טרנסקריפטומיקה מקיפה את המחקר של כל מולקולות ה-RNA, כולל mRNA, rRNA, tRNA ו-RNA אחר שאינו מקודד. פרוטאומיקה כוללת חקר חלבונים, כולל שינויים שנעשו בקבוצות ספציפיות של חלבונים. מטבולומיקה מתמקדת בהרכב של מולקולות קטנות (מטבוליטים) בתוך מטריצה ביולוגית. מטגנומיקה כרוכה בחקר קהילות מיקרוביאליות בבתי גידול מוגדרים היטב עם תכונות פיזיקו-כימיות ספציפיות. ליפידומיקה מקיפה את חקר כל השלמת השומנים התאיים, בעוד שגליקומיקה מתמקדת בחקר הגליקום, כולל פחמימות וסוכרים1.

השילוב של נתוני מולטי-אומיקס זכה לתשומת לב הולכת וגוברת בקהילה המדעית בשל הפוטנציאל שלו לחשוף תופעות ביולוגיות מורכבות. על ידי שילוב נתונים מטכנולוגיות אומיקס מרובות, חוקרים יכולים להתגבר על המגבלות של מערכי נתונים בודדים ולקבל ראייה הוליסטית יותר של מערכות ביולוגיות. גישה משולבת זו מאפשרת זיהוי סמנים ביולוגיים חדשים, גילוי מנגנוני מחלה והבהרת מסלולים ביולוגיים מורכבים.

מספר הציטוטים של המונחים "Multiomics" ו-"Multi-omics" ב-PubMed גדל משמעותית במהלך השנים, מ-307 ב-2018 ל-1414 ב-2021 ל-3933 ב-2023. השילוב של סוגים שונים של משתני אומיקס הופך נפוץ יותר ויותר מכיוון שהוא מאפשר חקירה מעמיקה יותר של המנגנונים העומדים בבסיס מחלות ותפקודים לקויים של אורגניזמים. גישות אומיקס בודדות מספקות מבט מוגבל וחלקי על הביולוגיה הנסתרת, מכיוון שהן מתמקדות בפרספקטיבה אחת. עם זאת, על ידי שילוב נתונים מולטי-אומיקס, אנו יכולים לשפוך אור על יחסי הגומלין בין ביומולקולות שונות, להבין את היחסים בתוך שכבות מרובות ולגשר על הפער בין גנוטיפ לפנוטיפ. בסך הכל, גישות מולטי-אומיקס יכולות לעזור לענות על שאלות חשובות כגון סיווג תת-קבוצות שונות של מחלות, חיזוי סמנים ביולוגיים בסיסיים הקשורים למחלה והשגת הבנה טובה יותר של מסלולים ומנגנונים ביולוגיים. בסעיפים הבאים, ניתן להתייחס למערכי הנתונים השונים של אומיקס גם כ"תצוגות" נתונים או "בלוקים" של נתונים.

ניתן לסווג טכניקות לאינטגרציה מולטי-אומיקס לשלוש תת-קבוצות עיקריות, כפי שתוארו על ידי Reel et al. (2021)2 ו-Ritchie et al. (2015)3 (איור 1).

אינטגרציה או שרשור מוקדם ברמה נמוכה: גישה זו כוללת שרשור משתנים מכל מערך נתונים בודד למטריצה אחת. עם זאת, אינטגרציה מוקדמת אינה לוקחת בחשבון את ההתפלגות הייחודית של כל סוג נתונים של אומיקס ועשויה להעניק משקל רב יותר לסוגי נתונים מסוימים של אומיקס עם ממדים גדולים יותר. זה גם מציב אתגרים כמו סיכון מוגבר לקללת הממדיות, רעש נוסף, משתנים בקורלציה גבוהה ובעיות מדרגיות חישובית. למרות מגבלות אלה, אינטגרציה מוקדמת מאפשרת זיהוי של שינויים מתואמים על פני שכבות אומיות מרובות ומשפרת את הפרשנות הביולוגית.

אינטגרציה בינונית, בינונית או מבוססת טרנספורמציה: בגישה זו, מודלים של אינטגרציה מתמטית מיושמים על השכבות המרובות של נתוני אומיקס. אינטגרציה אמצעית מתמקדת במיזוג של תת-קבוצות או ייצוגים שחולצו מהמקורות. שתי גישות משנה באינטגרציה האמצעית הן גישת האמצע-למעלה וגישת האמצע-למטה. גישת הביניים כוללת ציונים משורשרים המתקבלים מהפחתת מימדים בכל בלוק, מה שהופך אותה למתאימה לטיפול בנתונים הטרוגניים. עם זאת, ייתכן שהוא חסר פרשנות. גישת האמצע-למטה כוללת בחירת משתנים מקומיים וניתוח לאחר מכן על תת-קבוצות משתנים משורשרות, מה שמאפשר פרשנות קלה יותר של המודלים. אינטגרציה אמצעית מציעה יתרונות כגון יחס אות לרעש משופר, מימד מופחת והספק סטטיסטי משופר.

רמה גבוהה, אינטגרציה מאוחרת או מבוססת מודל: גישה זו כוללת ביצוע ניתוחים בכל רמה אומית בודדת ושילוב התוצאות באופן אד-הוק. הוא כולל מיזוג של תוצאות ממודלים של בלוק בודד כדי לזהות סמנים ביולוגיים מכל מקור ולספק פרשנות משותפת של התוצאות. אינטגרציה מאוחרת אינה מגדילה את הממדים של מרחב הקלט ועובדת עם ההתפלגות הייחודית של כל נתוני אומיקס. זה מתאים במיוחד כאשר שכבה אומית אחת מנבאת יותר מאחרות. עם זאת, אינטגרציה מאוחרת עשויה להתעלם מיחסים צולבים ולהתמודד עם אתגרים הקשורים לחוסר ההבנה של הקשרים בין בלוקי נתונים ראשוניים ואובדן פוטנציאלי של מידע ביולוגי באמצעות מודלים בודדים.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. הגדרת שאלת מחקר

  1. נסח בבירור את שאלת המחקר הספציפית שתטופל באמצעות אינטגרציה מולטי-אומיקס. למשל, שאלת מחקר 1: מהם השינויים בביטוי החלבון ובפרופילי המטבוליטים הקשורים לתגובה לטיפול? שאלת מחקר 2: כיצד וריאציות גנטיות משפיעות על דפוסי ביטוי גנים בחולים עם מחלה נתונה? שאלת מחקר 3: כיצד שילוב של שכבות אומיות ספציפיות מספק הבנה מקיפה של תהליך ביולוגי ספציפי או מנגנון מחלה?
  2. שקול הכללה של טכנולוגיות אומיקס מרובות כדי לחפש סמנים ביולוגיים או לקבל תובנות מכניסטיות לגבי מחלות מורכבות. שים לב שהגדלת גודל המדגם עשויה להיות נחוצה לריבוד המטופל.

2. בחירת אומיקס

  1. לזהות את טכנולוגיות האומיקס הרלוונטיות ביותר לשאלת המחקר ולמערכת הביולוגית הנחקרת. לדוגמה, במקרה של שאלה 1, הטכנולוגיות האומיות הרלוונטיות הן פרוטאומיקה ומטבולומיקה; לשאלת מחקר 2, גנומיקה וטרנסקריפטומיקה; ולשאלת מחקר 3, מספר טכנולוגיות OMIC.
  2. שקול את מטרת המחקר ואת המשאבים הזמינים בעת בחירת שכבות האומיקס האידיאליות. דוגמאות כוללות מטבולומיקה למחקר תזונתי, גנומיקה וטרנסקריפטומיקה לביולוגיה של סרטן, ופרוטאומיקה למחלות שונות.

3. הבטחת איכות הנתונים

הערה: ודא את מהימנות הנתונים ואת יכולת השחזור של נתוני האומיקס שנוצרו לפי השלבים המתוארים להלן.

  1. תכנן בקפידה את הניסוי ושמור על תנאי ניסוי עקביים ושיטות איסוף דגימות בכל שכבות האומיקס כדי למזער את השפעות האצווה.
  2. עקוב אחר הפרוטוקולים שנקבעו ויישם אמצעי בקרת איכות במהלך יצירת נתונים עבור כל מערך נתונים של אומיקס.
    1. השתמש בתקנים פנימיים או חיצוניים במידת הצורך.
    2. בצע בדיקות איכות במערכי נתונים בודדים של אומיקס.
      1. עבור נתוני גנומיקה, הערך מדדים כגון ציוני איכות קריאה, הרכב בסיס ועומק ריצוף כדי להבטיח נתוני ריצוף באיכות גבוהה, כמו גם איכות יישור ומיפוי ואיכות קריאת גרסאות, כולל תדירות אלל, עומק קריאה והערת וריאנטים.
      2. עבור נתוני טרנסקריפטומיקה, הערך מדדים כגון התפלגות אורך קריאה, הרכב בסיס וציוני איכות Phred בעת הערכת איכות הקריאה, ותמלול למיליון (TPM) או שברים לקילו-בסיס של תמלול למיליון קריאות ממופות (FPKM) בעת הערכת איכות כימות התמליל.
      3. עבור נתוני פרוטאומיקה, שקול מדדים רלוונטיים כגון התפלגות עוצמת שיא, יחס אות לרעש ודיוק מסה בעת הערכת איכות נתוני ספקטרומטריית מסה וכיסוי רצף פפטידים, ציון זיהוי חלבון, שיעור גילוי שגוי ושחזור של מדידות שפע חלבון בעת הערכת זיהוי חלבון ואיכות כימות חלבון.
      4. עבור נתוני מטבולומיקה, הערך מדדים רלוונטיים כמו התפלגות עוצמת שיא, יחס אות לרעש ודיוק מסה בעת הערכת איכות נתוני ספקטרומטריית מסה והתאמת ספקטרום מסה עם מסדי נתונים ייחוס או שימוש בדפוסי פיצול להבהרה מבנית בעת הערכת איכות זיהוי מטבוליט.

4. עיבוד מקדים של נתונים

  1. דוגמאות חופפות
    1. כלול רק דוגמאות החופפות על פני מערכי נתונים מרובים של אומיקס.
    2. אל תכלול בלוקים עם מספר לא מספיק של דגימות חופפות בהשוואה לבלוקים אחרים.
  2. ייחוס ערך חסר
    1. טפל בערכים חסרים באמצעות שיטות סטטיסטיות או למידת מכונה.
    2. השתמש בטכניקות כמו שיטת Least Squares Adaptive (LSA) לחישוב ערך חסר.
    3. הימנע מהסרת שורות עם נתונים חסרים, במיוחד כאשר מתמודדים עם דגימות מוגבלות.
    4. אל תכלול משתנים עם אחוז גבוה של ערכים חסרים (למשל, 25% או 30% ערכים חסרים בין דגימות).
  3. סטנדרטיזציה
    1. בצע מניפולציה של נתונים כדי להבטיח שינוי קנה מידה עקבי של תכונות.
    2. מנע מתכונות בעלות אפקטים גדולים יותר לשלוט בתכונות בעלות השפעות קטנות יותר.
    3. החל טרנספורמציות נפוצות כגון טרנספורמציה לוגריתמית, מרכוז ושינוי קנה מידה.
      הערה: יש לבחור בקפידה טרנספורמציות כדי לשמור על יכולת הפרשנות של הנתונים המקוריים.
  4. זיהוי חריג
    1. זהה חריגים וערכים קיצוניים באמצעות כלים כגון תרשימי קופסה או מרחק מהחציון של הערכים.
    2. טפל בחריגים באמצעות שיטות מתאימות כגון המרה או הסרה של נתונים.

5. הפחתת מימדים

הערה: ישנן שתי גישות להפחתת מימדיות: הסרת משתנים רועשים ומיותרים (בחירת תכונה) או שילוב של תכונות ליצירת משתנים משמעותיים יותר (חילוץ תכונות).

  1. זהה אם מטרת המחקר היא חיזוי (למשל, בניית מודל המסוגל לחזות אם הנבדק בריא או חולה) או אנליטית (למשל, אילו משתנים הם סמנים ביולוגיים של מחלה).
    הערה: אם מטרת המחקר היא אנליטית, בחירת התכונה מתאימה יותר מכיוון שחילוץ תכונות עלול לגרום לאובדן יכולת הפרשנות.
  2. כאשר עוסקים בנתונים ממדיים מאוד, חשוב לבחור משתנים רלוונטיים לתופעה הנחקרת כדי להקל על הניתוח והפרשנות, להפחית את משאבי החישוב הדרושים ולהסיר רעש ומידע מיותר שיבלבל את התוצאות.
  3. בחירת תכונות
    1. זהה את תת-הקבוצה של מאפיינים אינפורמטיביים לתופעה המעניינת.
    2. השתמש בשיטות בחירת תכונות המסווגות לקטגוריות כגון שיטות מסנן, מעטפת, מוטמעות והיברידיות. במקרה של מולטי-אומיקס, ניתן ליישם גם שיטות לבחירת סמנים ביולוגיים.
      הערה: שקול את מאפייני מערך הנתונים בעת בחירת השיטה המתאימה. שיטות עטיפה מספקות את מודלי החיזוי המדויקים ביותר, אך הן דורשות זמן חישוב ארוך בהרבה מאשר שיטות סינון או משובצות. טבלת סיכום עם יתרונות וחסרונות של שיטות בחירה ומיצוי שונות של תכונות מסופקת בטבלה 1.
    3. איזון בין ביצועי המודל הסופי לבין המאמץ החישובי הנדרש לבחירת תכונה.
    4. מטב את מספר התכונות שנבחרו כדי למנוע תת-התאמה או התאמת יתר.
      הערה: דוגמאות לסיכוני התאמת יתר נדונות בעבודה שפורסמה בעבר.
    5. הערך את ביצועי המודל באמצעות מדדים כגון דיוק, ציון שטח מתחת לעקומה (AUC) או שיעור שגיאות מאוזן (BER).
  4. חילוץ תכונות
    1. הפוך נתונים גולמיים לקבוצה מופחתת של תכונות משמעותיות:
      1. יישם טכניקות כמו ניתוח רכיבים עיקריים (PCA) כדי לזהות דפוסים וקשרים חשובים על ידי הקרנת נתונים על מרחב בעל מימד נמוך יותר.
      2. השתמש ב-t-SNE להמחשת נתונים בממדים גבוהים תוך שמירה על קווי דמיון מקומיים.
      3. שקול ניתוח הבחנה ליניארי (LDA) כדי למקסם את יכולת ההפרדה בין המחלקות.
      4. חקור מקודדים אוטומטיים כדי ללמוד ייצוגים דחוסים של הנתונים באמצעות רשתות עצביות.
        הערה: חילוץ תכונות עלול לגרום לייצוגים שקשה יותר לפרש. טבלה 1 מפרטת דוגמאות נבחרות לבחירת תכונות ושיטות חילוץ תכונות5.

6. בחירת שיטת אינטגרציה

  1. זהה את שיטות האינטגרציה הרלוונטיות ביותר להחלה על הנתונים.
    1. אם הדגימות מותאמות ויש מספיק נבדקים שלמים, המשך בשיטת אינטגרציה מוקדמת.
    2. אם יש לקחת בחשבון אינטראקציות בין שכבות, אל תמשיך בשיטת אינטגרציה מאוחרת.
    3. אם האותות עשויים להיות עדינים אך עקביים בין שכבות, אז שיטת אינטגרציה מוקדמת עשויה להתאים יותר משיטת אינטגרציה מאוחרת.
    4. אם חשוב למנף את יחסי הגומלין של הנתונים בין שכבות האומיקס השונות, בחר בשיטת אינטגרציה אמצעית.
    5. אינטגרציה ברמה נמוכה של שרשור
      1. אם אחד (או יותר) מגושי האומיקס נשאר גדול בהרבה במספר התכונות (משתנים) מהשאר, צמצם את הממדיות (שלהם) שלו לפי השלבים בסעיף 5.
      2. שרשר משתנים מכל מערך נתונים בודד של אומיקס למטריצה רחבה אחת.
      3. התמר משתנים משורשרים כך שיהיו להם טווחים והתפלגויות דומים.
      4. השתמש במטריצת הנתונים המשורשרת לניתוח עוקב, כגון יישום אלגוריתמים של למידת מכונה או אסטרטגיות להפחתת מימדים.
        הערה: הדרך הנפוצה ביותר לבצע אינטגרציה ברמה נמוכה היא באמצעות שרשור. עם זאת, שיטות אלה עלולות לגרום לאובדן קשרים בין בלוקים או תובנות ספציפיות לבלוק.
  2. אינטגרציה ברמה בינונית
    1. בחר מתוך שש הקטגוריות העיקריות של אינטגרציה ברמת הביניים בהתאם למטרת הניתוח.
      1. מבוסס דמיון: השתמש בגישה זו כדי להעריך דמיון בין דגימות או תכונות שונות כדי לזהות דפוסים או תת-סוגים בתוך מחלות, בניתוח נתונים גישוש כאשר הקשרים אינם ידועים מראש. דוגמה: SNF6.
      2. מבוסס מתאם: השתמש בשיטה זו כדי לזהות ולכמת קשרים בין משתנים שונים, במיוחד כדי להעריך כיצד משתנה אחד משתנה עם השינויים במשתנה אחר. דוגמה: CNAMet7.
      3. מבוסס רשת: השתמש בשיטות מבוססות רשת כדי לייצג קשרים מורכבים בין תכונות. זה שימושי במיוחד לחשוף אשכולות בתוך מבנה הנתונים ולחזות סמנים ביולוגיים. דוגמאות: NetICS8, PARADIGM9, scMoMtF10.
      4. מבוסס בייסיאני: השתמש בגישה זו כדי לשלב ידע קודם בניתוח או בעת התמודדות עם אי ודאות בנתונים. זה שימושי במיוחד להסקת תת-סוגים של מחלות וחיזוי סמנים ביולוגיים על סמך מודלים הסתברותיים. דוגמאות: MOFA11, iClusterPlus12.
      5. מבוסס רב משתנים: השתמש בשיטה זו כדי לנתח מספר משתנים בו זמנית, במיוחד כאשר אינטראקציות בין משתנים אלה חיוניות להבנת המערכת הביולוגית. זה שימושי הן לגילוי אשכולות והן לגילוי סמנים ביולוגיים. דוגמאות: mixOmics13, JIVE14,15.
      6. מבוסס היתוך: השתמש בשיטה זו כדי לשלב נתונים משכבות אומיקס שונות למסגרת אחת כדי למנף את החוזקות של כל סוג נתונים. זה שימושי במיוחד עבור ניתוחים מקיפים הדורשים שילוב של מערכי נתונים מגוונים. דוגמאות: PFA16, PSDF17.
        הערה: בהתבסס על עיבוד סטטיסטי חזק או מידול על ידי טכניקות למידת מכונה, זה עשוי להגביל בעיות הקיימות במקרה של אינטגרציות ברמה נמוכה או גבוהה.
    2. החל את השיטה שנבחרה על מערך הנתונים של multi-omics.
  3. אינטגרציה ברמה גבוהה
    1. בצע ניתוח נתונים מלא על כל בלוק אומיקס בודד באופן עצמאי.
    2. פרש במשותף את התוצאות שהתקבלו בשלב הקודם.

7. ניתוח סטטיסטי

  1. ניתוח ביטוי דיפרנציאלי (DE)
    1. הכן את הנתונים על-ידי הקפדה על עיצוב ונורמליזציה של הנתונים כהלכה.
      הערה: בהתאם לחבילות שבהן נעשה שימוש, תבנית הנתונים ומבנה הנתונים עשויים להיות שונים. מומלץ להשתמש בחבילות R כגון limma18, edgeR19 או DESeq220 לניתוח DE.
    2. בנה מטריצת תכנון הכוללת מקדמים נפרדים לכל קבוצת ניסוי, תוך ציון תנאי הניסוי והקצאות הקבוצות.
    3. הטמיעו מודל ליניארי ויישמו אותו על כל תכונה, תוך שילוב מטריצת העיצוב.
    4. חשב סטטיסטיקת t מבוקרת וסטטיסטיקת F כדי להעריך ביטוי דיפרנציאלי.
    5. השתמש במיתון בייס אמפירי של שגיאות תקן כדי להעריך את סיכויי הלוג של ביטוי דיפרנציאלי.
    6. קביעת ערכי סף מובהקות
      1. שקול חתך ערך p של 0.05 כדי לקבוע מובהקות סטטיסטית.
      2. הגדר סף לשינוי קיפול יומן בהתבסס על סוג התכונה:
      3. עבור מטבוליטים וחלבונים, השתמש בשינוי קיפול לוג של log2(1.1).
      4. עבור תמלילים, השתמש בשינוי קיפול יומן של log2(1.5).
  2. אשכולות
    1. בחר שיטה/אלגוריתם אשכולות לשימוש.
      הערה: ישנם אלגוריתמי אשכולות שתוכננו במיוחד עבור נתוני מולטי-אומיקס, כגון NEMO21, iCluster22 ו-JIVE23.
    2. קבע את מספר האשכולות אם השיטה דורשת זאת. כמה חלופות הן שיטת המרפק, ציון הצללית או סטטיסטיקת הפער כדי להעריך את המספר האופטימלי של אשכולות.
    3. הפעל את אלגוריתם האשכולות שנבחר על הנתונים הנקיים.
    4. בצע אופטימיזציה של פרמטרים ספציפיים לאלגוריתם לפי הצורך.
    5. הערך את איכות תוצאות האשכולות באמצעות מדדי אימות פנימיים או חיצוניים, כגון ציון הצללית או מדד Rand המותאם.
    6. במידת הצורך והניתן, אמת את הקצאת האשכול באמצעות נתונים עצמאיים או מערך נתוני בדיקה שלא נכללו בעבר בניתוח האשכול.
  3. מידול תחזיתי
    1. להעריך את הצורך בביצוע מודלים חזויים במחקר מולטי-אומיקס.
      הערה: ניתן ליישם מודלים חיזויים לאחר שילוב מולטי-אומיקס כדי להשוות כיצד דיוק החיזוי על סיווג התוצאות משתנה על סמך התכונות שנבחרו בשיטות שונות.
    2. אם ההחלטה שהתקבלה בשלב 7.3.1 חיובית, המשך בשלבים הבאים; אחרת, עבור לשלב 8.
    3. בחר מודל חיזוי מתאים ליישום.
      הערה: דוגמה למודל לשימוש הוא יער אקראי (RF), אלגוריתם למידת מכונה המשלב עצי החלטה מרובים כדי להשיג תוצאה סופית.
    4. כוונון עדין של פרמטרים של המודל (למשל, באמצעות חבילת R caret).
    5. פצל את מערך הנתונים לרכבת ובדיקה (60-40% או 80-20%), בצורה מאוזנת כדי לקבל את אותו שיעור של דגימות מקבוצות שונות.
    6. הפעל את הדגם על ערכת הרכבת.
    7. חישוב דיוק וציון F1 בערכת המבחנים להערכת ביצועי המודל.
    8. חזור על שלבים 2 עד 4 מספר פעמים (למשל, 1000) כדי להגדיל את האקראיות.
    9. חשב את ממוצע התוצאות של שלב 5.
    10. דווח על דיוק ממוצע וציון F1. אם לא משביע רצון, המשך לשלב 1 כדי לשפר את בחירת הפרמטרים.
    11. קבע את חשיבות התכונה באמצעות ירידה ממוצעת ברמת הדיוק (DMA) וירידה ממוצעת בטומאה (MDI).

8. פרשנות ביולוגית:

  1. בחרו כלי להעשרת נתיבים (כלי PEA נפוצים הם DAVID, GSEA, Enrichr ו-Metascape).
  2. הזן את רשימת הגנים או החלבונים לכלי ניתוח העשרת המסלול שנבחר.
  3. בחר את מסד הנתונים המתאים של המסלול, כגון KEGG, Reactome או GO, כדי לבצע את הניתוח.
    הערה: כלי אחד שתוכנן במיוחד עבור נתונים מולטי-אומיקס הוא Paintomics, המשתמש במאגרי מידע (KEGG, Reactome או Mapman) כדי לספק מידע על הקשרים הפונקציונליים בין סמנים ביולוגיים אלה, כמו גם מעורבותם בתהליכים ביולוגיים ספציפיים25.
  4. הפעל את ניתוח העשרת הנתיב באמצעות הכלי ומסד הנתונים שנבחרו.
  5. התאם פרמטרים לפי הצורך, כגון סף מובהקות, רשימת גנים ברקע או שיטת תיקון.
  6. דמיין והעריך את התוצאות הסופיות (מסלולים מועשרים, FDR, דיאגרמות מסלול, מפות חום, בין היתר).

9. ניסויי ולידציה ומעקב

  1. אימות טכני
    1. ודא שכאשר משתמשים בטכניקות אנליטיות שונות על אותן דגימות, נמצאות גם תוצאות שוות ערך.
      הערה: לדוגמה, תוצאות המתקבלות באמצעות פרוטאומיקה מבוססת ספקטרומטריית מסה (MS) ניתנות לאימות מאוחר יותר באמצעות בדיקה אימונולוגית כגון בדיקת אימונוסורבנט מקושרת לאנזים (ELISA).
  2. זהה ניסויי מעקב כדי לאמת את התוצאות שהושגו.
  3. במידת האפשר, שכפל את הממצא על ידי ניתוח נתוני אומיקס מקבוצה בלתי תלויה.
  4. עבור יישומים קליניים, ערכו ניסויים קליניים אקראיים כדי להדגים את התוקף הקליני של הממצאים.
    1. תכנון ויישום מחקר מבוקר עם גודל מדגם מתאים ואקראיות כדי להעריך את היעילות והבטיחות של הסמנים הביולוגיים או המטרות שזוהו.
    2. אסוף נקודות קצה קליניות רלוונטיות ומדוד את ההשפעה של הגורמים שזוהו על תוצאות המטופלים.

10. כלי ויזואליזציה ואבחון

הערה: ניתן להשתמש בסוגים שונים של חלקות כדי להמחיש את תוצאות ניתוח הנתונים, ולספק ייצוגים חזותיים של ממצאים מרכזיים. חלקות נפוצות כוללות חלקות הר געש, מפות חום, חלקות קרקס וחלקות מנהטן.

  1. עלילות הר געש:
    1. השתמש בתרשים הר געש כדי לסכם תוצאות ניתוח ביטוי דיפרנציאלי (DEA).
    2. להציג את הקשר בין מובהקות סטטיסטית לגודל השינוי בין הקבוצות שנבדקו.
    3. זהה מאפיינים מרכזיים לבחינה נוספת על סמך מיקומם בעלילה.
  2. מפות חום:
    1. השתמש במפות חום כדי לדמיין את גודל המשתנה בקטגוריות שונות.
    2. השתמש בצבעים כדי לציין את עוצמת המשתנה, מה שמקל על זיהוי דפוסים ואשכולות בתוך מערכי הנתונים.
  3. עלילות מנהטן:
    1. השתמש בעלילות מנהטן כדי לסכם ביעילות את תוצאות ה-DEA ולדמיין נקודות נתונים רבות באותה חלקה.
    2. נפוץ במחקרי אסוציאציה כלל-גנומית (GWAS), אך ישים גם במחקרי מולטי-אומיקס.
  4. עלילות קרקס:
    1. השתמש בעלילות קרקס, הדמיות מעגליות, כדי לחקור אינטראקציות ומתאמים בין תכונות מולקולריות שונות.
    2. לתאר יחסים וקשרים בין אלמנטים שונים בצורה מקיפה ומושכת מבחינה ויזואלית.
      הערה: מחקר זה מספק דוגמאות לתוצאות מייצגות עבור כל סוג חלקה שהוצגו לעיל באמצעות מערך נתונים של בדיקת סרטן.
  5. כלי אבחון:
    הערה: כלי תצוגה חזותית, יחד עם מדדי ביצועים, חשובים מאוד למטרות אבחון.
    1. השתמש בעקומות מאפיין הפעלה של מקלט (ROC) כדי להעריך את הביצועים של מודלים של סיווג.
    2. השתמש בתרשים טעינה ובתרשימים של ניתוח רכיבים עיקריים (PCA) כדי להמחיש את קשרי הגומלין והדפוסים בתוך הנתונים.
      הערה: דוגמאות לתוצאות מייצגות עבור כל אחת מהחלקות הללו באמצעות מערך נתונים של בדיקת סרטן מוצגות בסעיף תוצאות מייצגות.
  6. מדדי ביצועים לסיווג בינארי
    הערה: ניתן להתאים את כל המדדים הבאים לסיווג מרובה מחלקות, כמו בדוגמה המוצגת, על ידי התחשבות בכל מחלקה לעומת השאר, עבור כל מחלקה.
    1. מטריצת בלבול: השתמש במטריצת בלבול (טבלה 2) כדי לציין את החיוביים האמיתיים והשליליים האמיתיים באלכסון, שלילי אמיתי בבלוקים התחתונים הימניים, תוצאות חיוביות שגויות בבלוקים העליונים הימניים ושליליות שגויות בבלוקים התחתונים השמאליים.
    2. דיוק: זהו שיעור הזיהויים החיוביים שהיו נכונים. חשב דיוק באמצעות הנוסחה, TP/(TP + FP). לדגם עם דיוק של 1 אין תוצאות חיוביות כוזבות. אם לדגם יש דיוק של 0.5, אז המודל נכון חצי מהזמן.
      figure-protocol-1
    3. היזכרות או רגישות: ידוע גם בשם שיעור חיובי אמיתי או שיעור פגיעה, זהו שיעור החיוביים בפועל שזוהו כהלכה. חשב זיכרון או רגישות באמצעות הנוסחה, TP/(TP + FN) או TP/pos, כאשר pos = TP + FN הוא המספר הכולל של דוגמאות חיוביות.
      figure-protocol-2
    4. ספציפיות: זהו שיעור השליליות בפועל שזוהו נכון. חשב אותו באמצעות הנוסחה, TN/neg, כאשר neg = TN + FP הוא המספר הכולל של דוגמאות שליליות.
      figure-protocol-3
    5. דיוק: שיעור התחזיות הנכונות (חיוביות ושליליות). חשב דיוק באמצעות הנוסחה:
      figure-protocol-4
    6. F-Score: F-Score הוא הממוצע ההרמוני בין זכירה לדיוק. חשב אותו באמצעות הנוסחה:
      figure-protocol-5
    7. דיוק מאוזן: הדיוק המאוזן (BAC) הוא ממוצע הרגישות והספציפיות. חשב אותו באמצעות הנוסחה:
      figure-protocol-6
      כאשר TPR מייצג שיעור חיובי אמיתי ומתאים לזיכרון, ו-TNR מייצג שיעור שלילי אמיתי ומתאים לספציפיות.
    8. שיעור שגיאות מאוזן: שיעור השגיאות המאוזן (BER) הוא ממוצע השגיאות בכל מחלקה. חשב אותו באמצעות הנוסחה:
      figure-protocol-7
      הערה: ל-BER יש יתרון בהתחשבות בהבדל בביצועים בין המחלקות על ידי יצירת מדד מאוזן של שיעור השגיאות, ובכך להגביל את ההשפעה של מערך נתונים לא מאוזן. שיעור שגיאה של 0.5 מייצג ביצועים דומים לניחוש אקראי. עבור DIABLO, ה-BER הוא שיעור שגיאות הסיווג המשוקלל מכל בלוק, בהתאם למתאם בין הרכיבים למצב העניין. BER הוא המשלים של BA ל-1, כלומר, BER = (1 - BAC).
    9. שטח מתחת לעקומה: חשב את השטח שמתחת לעקומה (AUC) כשטח שמתחת ל-ROC (מתואר בסעיף הבא), המתקבל על ידי התוויית הרגישות לעומת הספציפיות.
      הערה: איזה מהמדדים הללו מתאים ביותר למשימה תלוי בחשיבות של שליליות כוזבות ובאיזון או חוסר האיזון בין המחלקות. דיוק מתמקד במזעור תוצאות חיוביות מוטעות, בעוד שהיזכרות מתמקדת במזעור תוצאות שליליות מוטעות. אם יש שיעור נמוך של מקרים חיוביים, ייתכן שדיוק לבדו אינו האינדיקטור הטוב ביותר להערכת ביצועי המודל. Code.R מסופק כקובץ משלים 1.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כמו בניתוח סינגל-אומיקס, ויזואליזציה היא המפתח לחקר נתונים, שילוב נתונים, זיהוי דפוסים, יצירת השערות ותקשורת תוצאות. באופן ספציפי, הדמיה טובה של נתונים גדולים חשובה מאוד במהלך שלבי עיבוד מקדים של נתונים, המסייעת באימות הנורמליזציה, זיהוי חריגים ועוד רבים. במולטי-אומיקס, אפילו יותר מכך, ויזואליזציה היא חיונית, מכיוון שהיא יכולה לסייע בהערכת מגמות בשכבות/בלוקים האומיים השונים, ושכבת המידע מכל בלוק יכולה לסייע בזיהוי מידע משותף ביניהם.

מקרה בוחן
כדי להדגים גישות מולטי-אומיקס, ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

זיהוי מערך הנתונים הרלוונטי ביותר של אומיקס הוא אחד הצעדים הראשונים במחקר אינטגרציה מולטי-אומיקס. במחקר תזונתי, מטבולומיקה מייצגת את אחת משכבות האומיקס הראשונות שיש להסתכל עליהן, מכיוון שהיא יכולה להדגיש את המסלולים המטבוליים והתהליכים הביוכימיים בבסיס התערבות תזונתית או תגובה מטבולית לצריכת מזון. מצד שני, למשל, בביולוגיה של סרטן, גנומיקה וטרנסקריפטומיקה הנותנים מידע על DNA, וריאנטים גנטיים והפרעות בביטוי גנים, יכולים לסייע בהבנת אטיולוגיה או הטרוגניות של גידול ולהוביל לזיהוי סמנים ביולו...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

E.A., R.R, ו-O.C הם עובדי Société des Produits Nestlé SA.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מודים לתמיכתם של ד"ר מיכאל אפולטר, ד"ר לואי דיון, ד"ר ז'אן פיליפ גודין, ד"ר פרנצ'סקה ג'ופרידה, ד"ר יבגניה מיגליאבקה, פרופ' אן-פלורנס ביטבול ופרופ' זולטן קוטאליק.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apple M2 Pro macOSApple14.3 (23D56)עיבוד מחשב
ggplot2 חבילת Rr-project.org3.4.4יצירת תצוגות חזותיות של נתונים
חבילת ggpubr Rr-project.org0.6.0יצירת עלילות מוכנות לפרסום
חבילת ggrepel Rr-project.org0.9.5מיקום אוטומטי של תוויות טקסט שאינן חופפות עם ggplot2
חבילת סריג Rr-project.org0.22-5גרפיקה של Tellis עבור חבילת R
limma Rr-project.org3.58.1מודלים ליניאריים עבור מיקס נתונים מיקרו-מערך
חבילת Omics Rr-project.org6.25.1פרויקט שילוב נתונים אומיים
חבילת NEMO Rr-project.org0.1.0אשכולות מולטי-אומיקס מבוססי שכונה
R r-project.org4.3.2 (2023-10-31)שפת תכנות למחשוב סטטיסטי וגרפיקה
R StudioRStudio2023.12.1+402 (2023.12.1+402)סביבת פיתוח משולבת עבור חבילת R
SNFtool Rr-project.org2.3.1חבילת היתוך רשת דמיון
r-project.org1.3.1נתונים מסודר ומבולגן
R חבילהr-project.org1.3.0אפיונים מסודרים של ביצועי הדגם
R מדד

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasin, Y., Seldin, M., Lusis, A. Multi-omics approaches to disease. Genome Biol. 18 (1), 83(2017).
  2. Reel, P. S., Reel, S., Pearson, E., Trucco, E., Jefferson, E. Using machine learning approaches for multi-omics data analysis: a review. Biotechnol Adv. 49, (2021).
  3. Ritchie, M. D., Holzinger, E. R., Li, R., Pendergrass, S. A., Kim, D. Methods of integrating data to uncover genotype-phenotype interactions. Nat Rev Genet. 16 (2), 85-97 (2015).
  4. Lan, W., He, G., Liu, M., Chen, Q., Cao, J., Peng, W. Transformer-Based Single-Cell Language Model: a survey. Big Data Min Analyt. 7 (4), 1169-1186 (2024).
  5. Li, Y., Mansmann, U., Du, S., Hornung, R. Benchmark study of feature selection strategies for multi-omics data. BMC Bioinformatics. 23 (1), (2022).
  6. Li, L., et al. Multi-omics data integration for subtype identification of Chinese lower-grade gliomas: a joint similarity network fusion approach. Comput Struct Biotechnol J. 20, 3482-3492 (2022).
  7. Louhimo, R., Hautaniemi, S. CNAmet: an R package for integrating copy number, methylation and expression data. Bioinformatics. 27 (6), 887-888 (2011).
  8. Dimitrakopoulos, C., et al. Network-based integration of multi-omics data for prioritizing cancer genes. Bioinformatics. 34 (14), 2441-2448 (2018).
  9. McLendon, R. Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature. 455 (7216), 1061(2008).
  10. Lan, W., Ling, T., Chen, Q., Zheng, R., Li, M., Pan, Y. scMoMtF: an interpretable multitask learning framework for single-cell multi-omics data analysis. PLoS Comput Biol. 20 (12), e1012679(2024).
  11. Argelaguet, R., et al. MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biol. 21 (1), (2020).
  12. Mo, Q., et al. Pattern discovery and cancer gene identification in integrated cancer genomic data. Proc Natl Acad Sci USA. 110 (11), 4245-4250 (2013).
  13. Rohart, F., Gautier, B., Singh, A., Lê Cao, K. A. mixOmics: an R package for 'omics feature selection and multiple data integration. PLoS Comput Biol. 13 (11), (2017).
  14. O'Connell, M. J., Lock, E. F. R.JIVE for exploration of multi-source molecular data. Bioinformatics. 32 (18), 2877-2879 (2016).
  15. Lock, E. F., Hoadley, K. A., Marron, J. S., Nobel, A. B. Joint and individual variation explained (JIVE) for integrated analysis of multiple data types. Ann Appl Stat. 7 (1), 523-542 (2013).
  16. Shi, Q. Pattern fusion analysis by adaptive alignment of multiple heterogeneous omics data. Bioinformatics. 33 (17), 2706-2714 (2017).
  17. Yuan, Y., Savage, R. S., Markowetz, F. Patient-Specific Data Fusion defines prognostic cancer subtypes. PLoS Comput Biol. 7 (10), e1002227(2011).
  18. Smyth, G. K. Linear models and empirical bayes methods for assessing differential expression in microarray experiments. Stat Appl Genet Mol Biol. 3 (1), (2004).
  19. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139(2010).
  20. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), (2014).
  21. Rappoport, N., Shamir, R. NEMO: cancer subtyping by integration of partial multi-omic data. Bioinformatics. 35 (18), 3348-3356 (2019).
  22. Shen, R., Olshen, A. B., Ladanyi, M. Integrative clustering of multiple genomic data types using a joint latent variable model with application to breast and lung cancer subtype analysis. Bioinformatics. 25 (22), 2906-2912 (2009).
  23. Biau, G., Scornet, E. A random forest guided tour. Test. 25 (2), 197-227 (2016).
  24. Rigatti, S. J. Random Forest. J Insur Med. 47 (1), 31-39 (2017).
  25. Hernández-De-Diego, R., et al. PaintOmics 3: a web resource for the pathway analysis and visualization of multi-omics data. Nucleic Acids Res. 46 (W1), W503-W509 (2018).
  26. Singh, A., et al. DIABLO - an integrative, multi-omics, multivariate method for multi-group classification. BioRxiv. , (2016).
  27. Koboldt, D. C., et al. Comprehensive molecular portraits of human breast tumours. Nature. 490 (7418), 61-70 (2012).
  28. Welham, Z., Déjean, S., LêCao, K. A. Multivariate analysis with the R package mixOmics. Methods Mol Biol. 2426, 333-359 (2023).
  29. Sharifi-Noghabi, H., Zolotareva, O., Collins, C. C., Ester, M. MOLI: multi-omics late integration with deep neural networks for drug response prediction. Bioinformatics. 35 (14), i501-i509 (2019).
  30. Chicco, D., Cumbo, F., Angione, C. Ten quick tips for avoiding pitfalls in multi-omics data integration analyses. PLoS Comput Biol. 19 (7), e1011224(2023).
  31. Lan, W., Liao, H., Chen, Q., Zhu, L., Pan, Y., Chen, Y. P. P. DeepKEGG: a multi-omics data integration framework with biological insights for cancer recurrence prediction and biomarker discovery. Brief Bioinform. 25 (3), 185(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Multi Omics IntegrationOmics Data AnalysisBiological ResearchData IntegrationGenomics ProteomicsMetabolomics TranscriptomicsMachine LearningMolecular InteractionsVisualization ToolsModel Based Integration

Related Articles