Toepassing van ongecontroleerde multi-omische factoranalyse om patronen van variatie en moleculaire processen die verband houden met hart- en vaatziekten bloot te leggen
20 september 2024
We presenteren een flexibele, uitbreidbare Jupyter-lab-gebaseerde workflow voor de niet-gesuperviseerde analyse van complexe multi-omics-datasets die verschillende voorverwerkingsstappen, schatting van het multi-omics-factoranalysemodel en verschillende stroomafwaartse analyses combineert.
Onze workflow maakt het mogelijk om eenvoudig complexe multi-omics datasets met verschillende resoluties te analyseren. De aanpak extraheert een groot aantal patronen van varianten die uniek zijn of worden gedeeld met de specifieke gegevenstypen en voegt deze samen. De resulterende zogenaamde factoren kunnen vervolgens worden gekoppeld aan moleculaire processen en klinische of technische covariaten.
Onze analyse was een van de eersten die het MOFA-model toepaste op multi-omics en single-cell data van meerdere monsters. Belangrijk is dat deze monsters afkomstig waren van een klinisch cohort van patiënten met een hartaanval. Dit stelde ons in staat om meercellige immuunsignaturen te identificeren die geassocieerd zijn met de uitkomst en de ziektetoestand.
De beschikbaarheid van single-cell en multi-omic datasets neemt dus toe, maar vaak worden de kenmerken van die datasets alleen afzonderlijk geanalyseerd. Dit beperkt inzichten omdat biologische processen meestal het resultaat zijn van de interacties tussen meerdere kenmerken en celtypen. Met onze protocollen kunnen gebruikers eenvoudig een geïntegreerde analyse van de volledige dataset uitvoeren en die meercellige programma's identificeren.
We denken dat het toepassen van dit protocol op aanvullende multi-omics datasets nieuwe inzichten zal opleveren in andere ziekten of contexten. Deze inzichten zullen vervolgens worden gebruikt voor toekomstige biomarker- of therapeutische studies.
Overzicht
Dit artikel presenteert een flexibele, uitbreidbare Jupyter-lab-gebaseerde workflow voor de onbegeleide analyse van complexe multi-omics datasets. De workflow maakt de extractie van belangrijke patronen van varianten mogelijk die gekoppeld zijn aan moleculaire processen en klinische covarianten.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Multi-omics analyse
- Klinisch onderzoek
- Data-analysemethodologieën
Achtergrond
- Multi-omics datasets kunnen variëren in resolutie en complexiteit.
- Het begrijpen van de relaties tussen verschillende gegevenstypen is cruciaal voor biomedisch onderzoek.
- Vorige benaderingen ontbraken flexibiliteit bij het analyseren van dergelijke datasets.
- Klinische cohorten bieden waardevolle inzichten in ziektemechanismen.
Doel van het onderzoek
- Om een workflow te ontwikkelen voor het analyseren van multi-omics datasets.
- Om multicellulaire immuunsignaturen te identificeren die geassocieerd zijn met klinische uitkomsten.
- Om het MOFA-model toe te passen op multi-omics en single-cell data.
Gebruikte methoden
- Onbegeleide analyse van multi-omics datasets.
- Schattingen van het multi-omics factoranalyse (MOFA) model.
- Integratie van verschillende pre-processing stappen.
- Downstream analyses die factoren koppelen aan klinische covarianten.
Belangrijkste resultaten
- Identificatie van unieke en gedeelde patronen over gegevenstypen heen.
- Koppelen van factoren aan moleculaire processen en klinische uitkomsten.
- Inzichten in immuunsignaturen bij patiënten met een hartaanval.
- Demonstratie van de effectiviteit van de workflow in klinisch onderzoek.
Conclusies
- De ontwikkelde workflow verbetert de analyse van complexe datasets.
- Het biedt een robuust kader voor het koppelen van multi-omics data aan klinische inzichten.
- Deze aanpak kan toegepast worden in verschillende biomedische onderzoekscontexten.
Veelgestelde vragen
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.
