Method Article

Een uitgebreid protocol en stap-voor-stap handleiding voor multi-omics integratie in biologisch onderzoek

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

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

Dit werk beschrijft methoden voor het integreren van multi-omics-gegevens (aaneenschakeling, transformatie en modelgebaseerd). Door gegevens uit genomica, epigenomica, transcriptomics, proteomics, metabolomics, metagenomics, lipidomics en glycomics te combineren, wordt een uitgebreid begrip van biologische systemen bereikt. Het manuscript biedt stapsgewijze richtlijnen, waarbij beperkingen, voordelen en visualisatietools voor multi-omics-integratie worden benadrukt.

Abstract

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

Dit manuscript biedt een uitgebreide stap-voor-stap handleiding voor het integreren van multi-omics data in biologisch onderzoek.

Multi-omics-gegevensintegratie verwijst naar het proces van het combineren en analyseren van gegevens die zijn gemeten op dezelfde set biologische monsters met verschillende omics-technologieën, zoals genomica, epigenomica, transcriptomics, proteomics, metabolomics, microbiomen, lipidomics en glycomics. Hoewel multi-omics-benaderingen vergelijkbare doelstellingen hebben als single-block- of single-omics-analyses (bijvoorbeeld beschrijving, discriminatie, classificatie of voorspelling), zijn ze in staat om een breder spectrum van moleculaire informatie vast te leggen, waardoor een dieper begrip van biologische systemen en hun complexe interacties wordt geboden. De combinatie van multi-omics-datasets maakt het inderdaad mogelijk om de nauwkeurigheid van de voorspelling te verbeteren en robuustere resultaten op te leveren, vooral in gevallen waarin het aantal beschikbare monsters beperkt is. Bovendien zijn multi-omics-analyses, mede dankzij de meest recente ontwikkeling van machine learning-technieken, tegenwoordig geschikt om verborgen patronen en complexe fenomenen bloot te leggen die zich voordoen tussen verschillende biologische verbindingen.

Het primaire doel van dit werk is om het volledige protocol te presenteren dat vaak wordt gebruikt in multi-omics-studies, van de eerste formulering van het probleem tot de instrumenten die nuttig zijn voor de biologische interpretatie van de resultaten. Het manuscript beschrijft in detail de verschillende methoden voor het integreren van multi-omics-gegevens, waaronder op aaneenschakeling gebaseerde (low-level), op transformatie gebaseerde (mid-level) en modelgebaseerde (high-level) benaderingen, en benadrukt hun beperkingen en voordelen, samen met de presentatie van algemene visualisatie- en diagnostische hulpmiddelen.

Introduction

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

Op het gebied van biologisch onderzoek is de afgelopen jaren aanzienlijke vooruitgang geboekt, met name op het gebied van omics-technologieën. Deze technologieën bieden waardevolle inzichten in de complexe aard van biologische systemen. Elke omics-technologie biedt echter een uniek perspectief op biologische componenten, waardoor de integratie van multi-omics-gegevens nodig is om een uitgebreid inzicht te verkrijgen.

Multi-omics omvat verschillende klassen van biomoleculen die kwantitatief kunnen worden gedefinieerd dankzij de komst van nieuwe en krachtige high-throughput sequencingtechnieken. Tot de verschillende soorten omics-technologieën behoren genomics, epigenomics, transcriptomics, proteomics, metabolomics, metagenomics, lipidomics en glycomics. Genomica omvat de studie van het genoom van een organisme, terwijl epigenomica zich richt op de ondersteunende structuur van het genoom, inclusief eiwit- en RNA-binders, alternatieve DNA-structuren en chemische modificaties op DNA. Transcriptomics omvat de studie van alle RNA-moleculen, waaronder mRNA, rRNA, tRNA en ander niet-coderend RNA. Proteomics omvat de studie van eiwitten, inclusief wijzigingen in specifieke groepen eiwitten. Metabolomics richt zich op het ensemble van kleine moleculen (metabolieten) binnen een biologische matrix. Metagenomics omvat de studie van microbiële gemeenschappen in goed gedefinieerde habitats met specifieke fysisch-chemische eigenschappen. Lipidomics omvat de studie van het volledige complement van cellulaire lipiden, terwijl glycomics zich richt op de studie van het glycoom, inclusief koolhydraten en suikers1.

De integratie van multi-omics-gegevens heeft steeds meer aandacht gekregen in de wetenschappelijke gemeenschap vanwege het potentieel om complexe biologische fenomenen te ontrafelen. Door gegevens van meerdere omics-technologieën te combineren, kunnen onderzoekers de beperkingen van individuele datasets overwinnen en een meer holistisch beeld krijgen van biologische systemen. Deze geïntegreerde aanpak maakt het mogelijk om nieuwe biomarkers te identificeren, ziektemechanismen te ontdekken en ingewikkelde biologische routes op te helderen.

Het aantal citaties van de termen "Multiomics" en "Multi-omics" in PubMed is in de loop der jaren aanzienlijk toegenomen, van 307 in 2018 tot 1414 in 2021 tot 3933 in 2023. De integratie van verschillende soorten omics-variabelen wordt steeds gebruikelijker omdat het een dieper onderzoek mogelijk maakt naar de mechanismen die ten grondslag liggen aan ziekten en disfuncties van organismen. Single omics-benaderingen bieden een beperkt, gedeeltelijk beeld van de verborgen biologie, omdat ze zich richten op een enkel perspectief. Door multi-omics-gegevens te integreren, kunnen we echter licht werpen op het samenspel van verschillende biomoleculen, de relaties binnen meerdere lagen begrijpen en de kloof tussen genotype en fenotype overbruggen. Over het algemeen kunnen multi-omics-benaderingen helpen bij het beantwoorden van belangrijke vragen, zoals het classificeren van verschillende subgroepen van ziekten, het voorspellen van fundamentele ziektegerelateerde biomarkers en het verkrijgen van een beter begrip van biologische routes en mechanismen. In de volgende secties kunnen de verschillende omics-datasets ook worden aangeduid als gegevensweergaven of gegevensblokken.

Technieken voor multi-omics-integratie kunnen worden ingedeeld in drie hoofdsubgroepen, zoals beschreven door Reel et al. (2021)2 en Ritchie et al. (2015)3 (Figuur 1).

Low-level, vroege integratie of aaneenschakeling: Deze benadering omvat het aaneenschakelen van variabelen uit elke afzonderlijke dataset in één matrix. Bij vroege integratie wordt echter geen rekening gehouden met de unieke verdeling van elk omics-gegevenstype en kan meer gewicht worden toegekend aan bepaalde omics-gegevenstypen met grotere dimensies. Het brengt ook uitdagingen met zich mee, zoals een verhoogd risico op de vloek van dimensionaliteit, extra ruis, sterk gecorreleerde variabelen en problemen met de schaalbaarheid van computers. Ondanks deze beperkingen maakt vroege integratie het mogelijk om gecoördineerde veranderingen in meerdere omische lagen te identificeren en de biologische interpretatie te verbeteren.

Mid-level, middle integratie of transformatie-gebaseerd: In deze benadering worden wiskundige integratiemodellen toegepast op de meerdere lagen van omics-gegevens. Middenintegratie richt zich op de fusie van subsets of representaties die uit de bronnen zijn geëxtraheerd. Twee subbenaderingen binnen middenintegratie zijn de middle-up-benadering en de middle-down-benadering. De middle-up-benadering omvat aaneengestuurde scores die worden verkregen uit dimensionaliteitsreductie op elk blok, waardoor het geschikt is voor het verwerken van heterogene gegevens. Het kan echter zijn dat het niet interpreteerbaar is. De middle-down benadering omvat lokale variabele selectie en daaropvolgende analyse op aaneengeschakelde variabele subsets, waardoor de modellen gemakkelijker kunnen worden geïnterpreteerd. Midden-integratie biedt voordelen zoals een verbeterde signaal-ruisverhouding, verminderde dimensionaliteit en verbeterd statistisch vermogen.

High-level, late integratie of modelgebaseerd: deze aanpak omvat het uitvoeren van analyses op elk afzonderlijk omic-niveau en het combineren van de resultaten op een ad-hoc manier. Het omvat de fusie van resultaten van single block-modellen om biomarkers uit elke bron te identificeren en een gezamenlijke interpretatie van de resultaten te bieden. Late integratie verhoogt de dimensionaliteit van de invoerruimte niet en werkt met de unieke distributie van elke omics-gegevens. Het is vooral geschikt wanneer de ene omic-laag meer voorspellend is dan de andere. Late integratie kan echter cross-omics-relaties over het hoofd zien en te maken krijgen met uitdagingen die verband houden met het gebrek aan begrip van de verbanden tussen initiële gegevensblokken en het mogelijke verlies van biologische informatie door individuele modellering.

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

Protocol

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

1. Definitie onderzoeksvraag(en)

  1. Verwoord duidelijk de specifieke onderzoeksvraag(en) die zullen worden aangepakt door middel van multi-omics-integratie. Bijv. onderzoeksvraag 1: Wat zijn de veranderingen in eiwitexpressie en metabolietprofielen die correleren met de respons op de behandeling? Onderzoeksvraag 2: Hoe beïnvloeden genetische variaties genexpressiepatronen bij patiënten met een bepaalde ziekte? Onderzoeksvraag 3: Hoe zorgt de integratie van specifieke omische lagen voor een uitgebreid begrip van een specifiek biologisch proces of ziektemechanisme?
  2. Overweeg de opname van meerdere omics-technologieën om te zoeken naar biomarkers of om mechanistische inzichten te verwerven in complexe ziekten. Merk op dat het vergroten van de steekproefomvang nodig kan zijn voor de stratificatie van de patiënt.

2. Omics selectie

  1. Identificeer de meest relevante omics-technologieën voor de onderzoeksvraag(en) en het biologische systeem dat wordt bestudeerd. In het geval van vraag 1 zijn de relevante omic-technologieën bijvoorbeeld proteomics en metabolomics; voor onderzoeksvraag 2, genomics en transcriptomics; En voor onderzoeksvraag 3, verschillende OMIC-technologieën.
  2. Houd rekening met het doel van het onderzoek en de beschikbare middelen bij het kiezen van de ideale omics-lagen. Voorbeelden zijn metabolomics voor voedingsonderzoek, genomics en transcriptomics voor kankerbiologie en proteomics voor verschillende ziekten.

3. Zorgen voor gegevenskwaliteit

OPMERKING: Zorg voor de betrouwbaarheid en reproduceerbaarheid van de omics-gegevens die worden gegenereerd volgens de hieronder beschreven stappen.

  1. Ontwerp het experiment zorgvuldig en handhaaf consistente experimentele omstandigheden en monsterverzamelingsmethoden in alle omics-lagen om batcheffecten te minimaliseren.
  2. Volg gevestigde protocollen en implementeer kwaliteitscontrolemaatregelen tijdens het genereren van gegevens voor elke omic-dataset.
    1. Gebruik indien nodig interne of externe normen.
    2. Kwaliteitscontroles uitvoeren in individuele omics-datasets.
      1. Beoordeel voor genomics-gegevens statistieken zoals leeskwaliteitsscores, basissamenstelling en sequencingdiepte om sequentiegegevens van hoge kwaliteit te garanderen, evenals uitlijnings- en mappingkwaliteit en variantaanroepkwaliteit, inclusief allelfrequentie, leesdiepte en variantannotatie.
      2. Beoordeel voor transcriptomics-gegevens statistieken zoals de verdeling van de leeslengte, de basissamenstelling en Phred-kwaliteitsscores bij het beoordelen van de leeskwaliteit, en het transcript per miljoen (TPM) of fragmenten per kilobase transcript per miljoen in kaart gebrachte lezingen (FPKM) bij het beoordelen van de kwantificeringskwaliteit van transcripten.
      3. Houd voor proteomics-gegevens rekening met relevante statistieken zoals piekintensiteitsverdeling, signaal-ruisverhouding en massanauwkeurigheid bij het beoordelen van de kwaliteit van massaspectrometriegegevens en de dekking van peptidesequentiesequenties, eiwitidentificatiescore, percentage valse ontdekkingen en reproduceerbaarheid van metingen van eiwitovervloed bij het beoordelen van eiwitidentificatie en kwantificeringskwaliteit.
      4. Beoordeel voor metabolomics-gegevens relevante statistieken zoals piekintensiteitsverdeling, signaal-ruisverhouding en massanauwkeurigheid bij het beoordelen van de kwaliteit van massaspectrometriegegevens en het matchen van massaspectra met referentiedatabases of het gebruik van fragmentatiepatronen voor structurele opheldering bij het evalueren van de kwaliteit van de metabolietidentificatie.

4. Voorverwerking van gegevens

  1. Overlappende steekproeven
    1. Neem alleen voorbeelden op die overlappen in meerdere omics-gegevenssets.
    2. Sluit blokken uit met een onvoldoende aantal overlappende samples in vergelijking met andere blokken.
  2. Imputatie van ontbrekende waarde
    1. Verwerk ontbrekende waarden met behulp van statistische of machine learning-methoden.
    2. Gebruik technieken zoals de Least-Squares Adaptive (LSA)-methode voor het imputeren van ontbrekende waarden.
    3. Vermijd het verwijderen van rijen met ontbrekende gegevens, vooral wanneer het gaat om beperkte steekproeven.
    4. Sluit variabelen met een hoog percentage ontbrekende waarden uit (bijvoorbeeld 25% of 30% ontbrekende waarden in steekproeven).
  3. Normalisatie
    1. Voer gegevensmanipulatie uit om een consistente schaling van functies te garanderen.
    2. Voorkom dat functies met grotere effecten de functies met kleinere effecten domineren.
    3. Pas algemene transformaties toe, zoals logaritmische transformatie, centreren en schalen.
      OPMERKING: Transformaties moeten zorgvuldig worden gekozen om de interpreteerbaarheid van de originele gegevens te behouden.
  4. Identificatie van uitschieters
    1. Detecteer uitschieters en extreme waarden met behulp van tools zoals boxplots of afstand tot de mediaan van de waarden.
    2. Pak uitschieters aan door middel van geschikte methoden, zoals gegevenstransformatie of -verwijdering.

5. Dimensionaliteit reductie

OPMERKING: Er zijn twee benaderingen voor dimensionaliteitsreductie: het verwijderen van luidruchtige en redundante variabelen (kenmerkselectie) of het combineren van kenmerken om betekenisvollere variabelen te creëren (kenmerkextractie).

  1. Bepaal of het doel van het onderzoek voorspellend is (bijv. een model bouwen dat kan voorspellen of een proefpersoon gezond of ziek is) of analytisch (bijv. welke variabelen biomarkers van een ziekte zijn).
    OPMERKING: Als het doel van het onderzoek analytisch is, is kenmerkselectie geschikter omdat kenmerkextractie kan leiden tot verlies van interpreteerbaarheid.
  2. Bij het omgaan met zeer dimensionale gegevens is het belangrijk om relevante variabelen voor het bestudeerde fenomeen te selecteren om de analyse en interpretatie te vergemakkelijken, de benodigde rekenkracht te verminderen en ruis en overbodige informatie te verwijderen die de resultaten in de war brengt.
  3. Functie selectie
    1. Identificeer de subset van informatieve kenmerken voor het fenomeen van interesse.
    2. Gebruik methoden voor functieselectie die zijn ingedeeld in categorieën, zoals filter-, wrapper-, ingesloten en hybride methoden. In het geval van multi-omics kunnen ook selectiemethoden voor biomarkers worden toegepast.
      OPMERKING: Houd rekening met de kenmerken van de dataset bij het kiezen van de juiste methode. Wrapper-methoden bieden de meest nauwkeurige voorspellingsmodellen, maar ze vereisen een veel langere rekentijd dan filter- of embedded methoden. Tabel 1 bevat een overzichtstabel met de voor- en nadelen van de verschillende selectie- en extractiemethoden voor kenmerken.
    3. Breng de prestaties van het uiteindelijke model in evenwicht met de rekenkracht die nodig is voor de selectie van functies.
    4. Optimaliseer het aantal geselecteerde functies om onder- of overfitting te voorkomen.
      OPMERKING: Voorbeelden van overfitting risico's worden besproken in een eerder gepubliceerd werk.
    5. Evalueer de prestaties van het model met behulp van metrische gegevens zoals nauwkeurigheid, oppervlakte onder de curve (AUC)-score of gebalanceerd foutenpercentage (BER).
  4. Functie extractie
    1. Transformeer onbewerkte gegevens in een beperkte set zinvolle functies:
      1. Pas technieken zoals Principal Component Analysis (PCA) toe om belangrijke patronen en relaties te identificeren door gegevens op een lager dimensionale ruimte te projecteren.
      2. Gebruik t-SNE voor het visualiseren van hoogdimensionale gegevens met behoud van lokale overeenkomsten.
      3. Overweeg Linear Discriminant Analysis (LDA) om de scheiding van klassen te maximaliseren.
      4. Verken Auto-encoders om gecomprimeerde weergaven van de gegevens te leren met behulp van neurale netwerken.
        OPMERKING: Functie-extractie kan resulteren in representaties die moeilijker te interpreteren zijn. Tabel 1 geeft een overzicht van geselecteerde voorbeelden van methoden voor functieselectie en functie-extractie5.

6. Selectie van integratiemethoden

  1. Identificeer de meest relevante(n) integratiemethode(n) die op de gegevens moeten worden toegepast.
    1. Als de steekproeven overeenkomen en er voldoende complete onderwerpen zijn, ga dan verder met een vroege integratiemethode.
    2. Als er rekening moet worden gehouden met interacties tussen lagen, ga dan niet verder met een late integratiemethode.
    3. Als signalen subtiel maar consistent kunnen zijn in alle lagen, dan kan een vroege integratiemethode geschikter zijn dan een late integratiemethode.
    4. Als het belangrijk is om gebruik te maken van de onderlinge relatie van gegevens tussen de verschillende omic-lagen, kies dan voor een middelste integratiemethode.
    5. Integratie op laag niveau van aaneenschakeling
      1. Als een (of meer) van de omics-blokken veel groter blijft in aantal kenmerken (variabelen) dan de rest, verminder dan de (hun) dimensionaliteit volgens de stappen in sectie 5.
      2. Koppel variabelen uit elke afzonderlijke omics-dataset samen tot één brede matrix.
      3. Transformeer aaneengeschakelde variabelen zodat ze vergelijkbare bereiken en verdelingen hebben.
      4. Gebruik de aaneengeschakelde gegevensmatrix voor latere analyse, zoals het toepassen van machine learning-algoritmen of strategieën voor het verminderen van dimensies.
        OPMERKING: De meest gebruikelijke manier om integratie op laag niveau uit te voeren, is door middel van aaneenschakeling. Deze methoden kunnen echter leiden tot het verlies van relaties tussen blokken of blokspecifieke inzichten.
  2. Integratie op mid-niveau
    1. Kies uit de zes hoofdcategorieën van mid-level integratie, afhankelijk van het doel van de analyse.
      1. Op basis van gelijkenis: Gebruik deze benadering om de gelijkenis tussen verschillende steekproeven of kenmerken te beoordelen om patronen of subtypes binnen ziekten te identificeren, bij verkennende gegevensanalyse waarbij relaties niet a priori bekend zijn. Voorbeeld: SNF6.
      2. Op basis van correlatie: Gebruik deze methode om associaties tussen verschillende variabelen te identificeren en te kwantificeren, met name om te beoordelen hoe de ene variabele verandert met de veranderingen in de andere. Voorbeeld: CNAMet7.
      3. Netwerkgebaseerd: gebruik netwerkmethoden om complexe relaties tussen functies weer te geven. Het is vooral nuttig om clusters binnen de datastructuur bloot te leggen en biomarkers te voorspellen. Voorbeelden: NetICS8, PARADIGM9, scMoMtF10.
      4. Bayesiaans: Gebruik deze aanpak om voorkennis op te nemen in de analyse of bij het omgaan met onzekerheden in de gegevens. Het is vooral nuttig voor het afleiden van ziektesubtypes en het voorspellen van biomarkers op basis van probabilistische modellen. Voorbeelden: MOFA11, iClusterPlus12.
      5. Op basis van multivariatie: Gebruik deze methode om meerdere variabelen tegelijk te analyseren, vooral wanneer interacties tussen deze variabelen essentieel zijn voor het begrijpen van het biologische systeem. Het is nuttig voor zowel clustering als het ontdekken van biomarkers. Voorbeelden: mixOmics13, JIVE14,15.
      6. Op basis van fusie: Gebruik deze methode om gegevens uit verschillende omics-lagen te combineren in één framework om de sterke punten van elk type gegevens te benutten. Het is vooral nuttig voor uitgebreide analyses die de integratie van diverse datasets vereisen. Voorbeelden: PFA16, PSDF17.
        OPMERKING: Op basis van sterke statistische verwerking of modellering door machine learning-technieken, kan het problemen beperken die aanwezig zijn in het geval van integraties op laag of hoog niveau.
    2. Pas de geselecteerde methode toe op de multi-omics-gegevensset.
  3. Integratie op hoog niveau
    1. Voer een volledige data-analyse uit op elk afzonderlijk omic-blok.
    2. Interpreteer gezamenlijk de resultaten die in de vorige stap zijn verkregen.

7. Statistische analyse

  1. Differentiële expressie (DE) analyse
    1. Bereid de gegevens voor door ervoor te zorgen dat de gegevens correct zijn opgemaakt en genormaliseerd.
      OPMERKING: Afhankelijk van de gebruikte pakketten kunnen het gegevensformaat en de structuur verschillen. Het gebruik van R-pakketten zoals limma18, edgeR19 of DESeq220 voor DE-analyse wordt aanbevolen.
    2. Construeer een ontwerpmatrix met afzonderlijke coëfficiënten voor elke experimentele groep, met vermelding van de experimentele omstandigheden en groepsopdrachten.
    3. Implementeer een lineair model en pas het toe op elk kenmerk, waarbij de ontwerpmatrix wordt opgenomen.
    4. Bereken gemodereerde t-statistiek en F-statistiek om differentiële expressie te beoordelen.
    5. Gebruik empirische Bayes-moderatie van standaardfouten om de log-odds van differentiële expressie te schatten.
    6. Significantiedrempels bepalen
      1. Overweeg een p-waarde van 0,05 om de statistische significantie te bepalen.
      2. Stel drempels voor het wijzigen van log-folds in op basis van het type object:
      3. Gebruik voor metabolieten en eiwitten een log-fold verandering van log2(1.1).
      4. Gebruik voor transcripties een log-fold verandering van log2(1.5).
  2. Clustering
    1. Selecteer een clustermethode/algoritme om te gebruiken.
      OPMERKING: Er zijn clusteralgoritmen die speciaal zijn ontworpen voor multi-omics-gegevens, zoals NEMO21, iCluster22 en JIVE23.
    2. Bepaal het aantal clusters als de methode dit vereist. Enkele alternatieven zijn de elleboogmethode, silhouetscore of gap-statistiek om het optimale aantal clusters te schatten.
    3. Voer het geselecteerde clusteralgoritme uit op de opgeschoonde gegevens.
    4. Optimaliseer algoritme-specifieke parameters indien nodig.
    5. Beoordeel de kwaliteit van de clusterresultaten met behulp van interne of externe validatiestatistieken, zoals de silhouetscore of de aangepaste Rand-index.
    6. Indien passend en haalbaar, valideer de clustertoewijzing met behulp van onafhankelijke gegevens of een testgegevensset die eerder is uitgesloten van de clusteranalyse.
  3. Voorspellende modellering
    1. Evalueer de noodzaak om voorspellende modellering uit te voeren in een multi-omics-onderzoek.
      OPMERKING: Voorspellende modellen kunnen worden toegepast na multi-omics-integratie om te vergelijken hoe de nauwkeurigheid van de voorspelling van de uitkomstclassificatie verandert op basis van de functies die door verschillende methoden zijn geselecteerd.
    2. Als de beslissing in stap 7.3.1 positief is, ga dan verder met de volgende stappen; Ga anders naar stap 8.
    3. Kies een geschikt voorspellend model om toe te passen.
      OPMERKING: Een voorbeeld van een model dat u kunt gebruiken is Random Forest (RF), een machine learning-algoritme dat meerdere beslissingsbomen integreert om een eindresultaat te verkrijgen.
    4. Modelparameters afstemmen (bijvoorbeeld met behulp van het R caret-pakket).
    5. Verdeel de dataset in train en test (60-40% of 80-20%), op een evenwichtige manier om een gelijk aandeel steekproeven uit verschillende groepen te hebben.
    6. Laat het model op de treinset rijden.
    7. Bereken de nauwkeurigheid en F1-score in de testset voor het evalueren van modelprestaties.
    8. Herhaal stap 2 tot en met 4 meerdere keren (bijv. 1000) om de willekeur te vergroten.
    9. Bereken het gemiddelde van de resultaten van stap 5.
    10. Rapporteer gemiddelde nauwkeurigheid en F1-score. Als u niet tevreden bent, gaat u verder met stap 1 om de parameterselectie te verbeteren.
    11. Bepaal het belang van kenmerken aan de hand van de gemiddelde afname in nauwkeurigheid (DMA) en de gemiddelde afname in onzuiverheid (MDI).

8. Biologische interpretatie:

  1. Selecteer een tool voor padverrijking (veelgebruikte PEA-tools zijn DAVID, GSEA, Enrichr en Metascape).
  2. Voer de lijst met genen of eiwitten in de geselecteerde analysetool voor routeverrijking in.
  3. Selecteer de juiste routedatabase, zoals KEGG, Reactome of GO, om de analyse uit te voeren.
    OPMERKING: Een tool die speciaal is ontworpen voor multi-omics-gegevens is Paintomics, dat databases (KEGG, Reactome of Mapman) gebruikt om informatie te verstrekken over de functionele relaties tussen deze biomarkers, evenals hun betrokkenheid bij specifieke biologische processen25.
  4. Voer de analyse van de padverrijking uit met behulp van de geselecteerde tool en database.
  5. Pas indien nodig parameters aan, zoals significantiedrempel, achtergrondlijst van genen of correctiemethode.
  6. Visualiseer en evalueer de eindresultaten (onder andere verrijkte routes, FDR, routediagrammen, heatmaps).

9. Validatie- en vervolgexperimenten

  1. Technische validatie
    1. Controleer of bij het gebruik van verschillende analysetechnieken op dezelfde monsters ook gelijkwaardige resultaten worden gevonden.
      OPMERKING: Resultaten verkregen met behulp van op massaspectrometrie (MS) gebaseerde proteomics kunnen bijvoorbeeld later worden gevalideerd met behulp van een immunologische test zoals enzymgekoppelde immunosorbenttest (ELISA).
  2. Identificeer vervolgexperimenten om de verkregen resultaten te valideren.
  3. Repliceer indien mogelijk de bevinding door omics-gegevens van een onafhankelijk cohort te analyseren.
  4. Voer voor klinische toepassingen gerandomiseerde klinische onderzoeken uit om de klinische validiteit van de bevindingen aan te tonen.
    1. Ontwerp en implementeer een gecontroleerde studie met een geschikte steekproefomvang en randomisatie om de werkzaamheid en veiligheid van de geïdentificeerde biomarkers of doelen te evalueren.
    2. Verzamel relevante klinische eindpunten en meet de impact van de geïdentificeerde factoren op de patiëntresultaten.

10. Visualisatie- en diagnostische hulpmiddelen

OPMERKING: Verschillende soorten grafieken kunnen worden gebruikt om de resultaten van gegevensanalyse te illustreren, waardoor visuele weergaven van de belangrijkste bevindingen worden geboden. Veelgebruikte plots zijn onder meer vulkaanplots, heatmaps, circos-plots en Manhattan-plots.

  1. Vulkaan percelen:
    1. Gebruik vulkaandiagrammen om de resultaten van de differentiële expressieanalyse (DEA) samen te vatten.
    2. Geef de relatie weer tussen statistische significantie en de omvang van de verandering tussen de geteste groepen.
    3. Identificeer de belangrijkste kenmerken voor verder onderzoek op basis van hun positie in de grafiek.
  2. Heatmaps:
    1. Gebruik heatmaps om de omvang van een variabele in verschillende categorieën te visualiseren.
    2. Gebruik kleuren om de intensiteit van de variabele aan te geven, waardoor patronen en clusters binnen de datasets gemakkelijker kunnen worden geïdentificeerd.
  3. Manhattan percelen:
    1. Gebruik Manhattan-plots om de resultaten van DEA efficiënt samen te vatten en visualiseer talloze datapunten op dezelfde plot.
    2. Veel gebruikt in Genome-Wide Association Studies (GWAS), maar ook toepasbaar in multi-omics studies.
  4. Circos percelen:
    1. Gebruik circos-plots, cirkelvormige visualisaties, om interacties en correlaties tussen verschillende moleculaire kenmerken te onderzoeken.
    2. Geef relaties en verbanden tussen verschillende elementen op een uitgebreide en visueel aantrekkelijke manier weer.
      OPMERKING: Deze studie geeft voorbeelden van representatieve resultaten voor elk hierboven gepresenteerd plottype met behulp van een dataset voor kankertests.
  5. Diagnostische hulpmiddelen:
    OPMERKING: Visualisatietools zijn, samen met prestatiestatistieken, erg belangrijk voor diagnostische doeleinden.
    1. Gebruik ROC-curves (Operating Characteristics) van de ontvanger om de prestaties van classificatiemodellen te beoordelen.
    2. Gebruik laadplots en PCA-plots (Principal Component Analysis) om de relaties en patronen in de gegevens te visualiseren.
      OPMERKING: Voorbeelden van representatieve resultaten voor elk van deze grafieken met behulp van een dataset voor kankertests worden weergegeven in de sectie Representatieve resultaten.
  6. Metrische prestatiegegevens voor binaire classificatie
    OPMERKING: De volgende statistieken kunnen allemaal worden aangepast voor classificatie met meerdere klassen, zoals in het gepresenteerde voorbeeld, door elke klasse versus de rest voor elke klasse te beschouwen.
    1. Verwarringsmatrix: Gebruik een verwarringsmatrix (Tabel 2) om de echte positieven en echte negatieven in de diagonaal, echte negatieven in de rechter onderste blokken, fout-positieven in de rechter bovenste blokken en fout-negatieven in de linker onderste blokken aan te geven.
    2. Precisie: Het is het aandeel positieve identificaties dat correct was. Bereken de precisie met behulp van de formule TP/(TP + FP). Een model met een precisie van 1 heeft geen false positives. Als een model een precisie van 0,5 heeft, dan is het model de helft van de tijd correct.
      figure-protocol-1
    3. Terugroepen of gevoeligheid: Ook bekend als echt positief percentage of trefferpercentage, het is het aandeel van de werkelijke positieven dat correct is geïdentificeerd. Bereken recall of gevoeligheid met behulp van de formule TP/(TP + FN) of TP/pos, waarbij pos = TP + FN het totale aantal positieve voorbeelden is.
      figure-protocol-2
    4. Specificiteit: Het is het aandeel van de werkelijke negatieven dat correct is geïdentificeerd. Bereken het met behulp van de formule TN/neg, waarbij neg = TN + FP het totale aantal negatieve voorbeelden is.
      figure-protocol-3
    5. Nauwkeurigheid: Aandeel juiste voorspellingen (zowel positief als negatief). Bereken de nauwkeurigheid met behulp van de formule:
      figure-protocol-4
    6. F-score: F-score is het harmonische gemiddelde tussen recall en precisie. Bereken het met behulp van de formule:
      figure-protocol-5
    7. Gebalanceerde nauwkeurigheid: De gebalanceerde nauwkeurigheid (BAC) is het gemiddelde van de gevoeligheid en de specificiteit. Bereken het met behulp van de formule:
      figure-protocol-6
      waarbij TPR staat voor True Positive Rate en overeenkomt met recall, en TNR staat voor True Negative Rate en overeenkomt met specificiteit.
    8. Gebalanceerd foutenpercentage: Het gebalanceerde foutenpercentage (BER) is het gemiddelde van de fouten in elke klasse. Bereken het met behulp van de formule:
      figure-protocol-7
      OPMERKING: De BER heeft het voordeel dat het verschil in prestaties tussen de klassen in aanmerking wordt genomen door een evenwichtige meting van het foutenpercentage te creëren, waardoor het effect van een onevenwichtige dataset wordt beperkt. Een foutenpercentage van 0,5 vertegenwoordigt een vergelijkbare prestatie als willekeurig raden. Voor DIABLO is de BER het gewogen classificatiefoutenpercentage van elk blok, afhankelijk van de correlatie tussen de componenten en de voorwaarde van belang. BER is het complement van BA tot 1, d.w.z. BER = (1 - BAC).
    9. Gebied onder de curve: Bereken het gebied onder de curve (AUC) als het gebied onder de ROC (beschreven in de volgende sectie), verkregen door de gevoeligheid uit te zetten tegen de specificiteit.
      OPMERKING: Welke van deze statistieken het meest geschikt is voor de taak, hangt af van het belang van vals-negatieven en de balans of onbalans tussen de klassen. Precisie richt zich op het minimaliseren van valse positieven, terwijl terugroepen zich richt op het minimaliseren van valse negatieven. Als er een laag percentage positieve gevallen is, is precisie alleen misschien niet de beste indicator om de prestaties van een model te beoordelen. Code.R wordt geleverd als aanvullend bestand 1.

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

Results

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

Net als bij single-omics-analyse is visualisatie de sleutel voor gegevensexploratie, gegevensintegratie, patroonherkenning, het genereren van hypothesen en communicatie van resultaten. Met name een goede visualisatie van grote gegevens is erg belangrijk tijdens de voorverwerkingsstappen van gegevens, wat helpt bij de verificatie van normalisatie, het identificeren van uitschieters en nog veel meer. In multi-omics is visualisatie nog meer van vitaal belang, omdat het kan helpen bij de eva...

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

Discussion

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

Het identificeren van de meest relevante omics-dataset is een van de eerste stappen in een multi-omics-integratiestudie. In voedingsonderzoek vertegenwoordigt metabolomics een van de eerste omics-lagen om naar te kijken, omdat het de metabole routes en biochemische processen kan benadrukken die aan de basis liggen van dieetinterventie of metabole respons op voedselinname. Aan de andere kant, bijvoorbeeld in de kankerbiologie, kunnen genomica en transcriptomics, die informatie geven over ...

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

Disclosures

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

E. A., R. R en O. C zijn werknemers van de Société des Produits Nestlé SA.

Acknowledgements

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

De auteurs erkennen de steun van Dr. Michael Affolter, Dr. Loïc Dayon, Dr. Jean Philippe Godin, Dr. Francesca Giuffrida, Dr. Eugenia Migliavacca, Prof. Anne-Florence Bitbol en Prof. Zoltan Kutalik.

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)Processing computer
ggplot2 R packager-project.org3.4.4Gegevensvisualisaties maken
ggpubr R packager-project.org0.6.0Publicatieklare plots maken
ggrepel R packager-project.org0.9.5Automatisch niet-overlappende tekstlabels plaatsen met ggplot2
lattice R packager-project.org0.22-5Tellis grafiek voor R
limma R packager-project.org3.58.1Lineaire modellen voor microarray-gegevens
mixOmics R packager-project.org6.25.1Omic data-integratieproject
NEMO R packager-project.org0.1.0Buurtgebaseerde multi-omics clustering
R r-project.org4.3.2 (2023-10-31)Programmeertaal voor statistische computing en graphics
R StudioRStudio2023.12.1+402 (2023.12.1+402)Geïntegreerde ontwikkelomgeving voor R
SNFtool R packager-project.org2.3.1Similarity network fusion
tidyr R packager-project.org1.3.1Ruizig data opruimen
yardstick R packager-project.org1.3.0Tidy karakteriseringen van modelprestaties

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