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 ongesuperviseerde analyse van complexe multi-omics datasets. De workflow maakt het mogelijk om belangrijke patronen van varianten te extraheren die gekoppeld zijn aan moleculaire processen en klinische covariabelen.
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 datatypen is cruciaal voor biomedisch onderzoek.
- Eerdere benaderingen boden onvoldoende flexibiliteit bij het analyseren van dergelijke datasets.
- Klinische cohorten bieden waardevolle inzichten in ziektemechanismen.
Doel van de studie
- Het ontwikkelen van een workflow voor de analyse van multi-omics-datasets.
- Het identificeren van multicellular immuunsignaturen die geassocieerd zijn met klinische uitkomsten.
- Het toepassen van het MOFA-model op multi-omics- en single-cell-data.
Gebruikte methoden
- Ongestuurde analyse van multi-omics-datasets.
- Schatting van het multi-omics factor analysis (MOFA)-model.
- Integratie van verschillende pre-processingsstappen.
- Downstream-analyses die factoren koppelen aan klinische covariabelen.
Belangrijkste resultaten
- Identificatie van unieke en gedeelde patronen over verschillende datatypen heen.
- Het koppelen van factoren aan moleculaire processen en klinische uitkomsten.
- Inzichten in immuunhandtekeningen 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-gegevens aan klinische inzichten.
- Deze aanpak kan worden toegepast in verschillende biomedische onderzoekcontexten.
Veelgestelde vragen
Relevantie voor de Industrie
Door ongesuperviseerde multi-omic factoranalyse (MOFA) te integreren in workflows in de ontdekkingsfase, kunnen biofarmaceutische teams complexe moleculaire patronen en multicellulaire programma's blootleggen die ten grondslag liggen aan hart- en vaatziekten. Deze benadering verhoogt het voorspellend vertrouwen door hoogdimensionale omics-data te koppelen aan ziekterelevante processen, wat de vroege validatie van targets en de ontdekking van translationele biomarkers ondersteunt. De schaalbaarheid en aanpasbaarheid van de workflow maken het tot een herbruikbare capaciteit voor mechanistische risicovermindering en prioritering binnen de gehele portfolio.
Strategische Toepassingen in Biofarmaceutische R&D
Vroege Ontdekking & Targetvalidatie
- Maakt het mogelijk om multicellulaire immuunsignaturen geassocieerd met ziektebeelden te onderzoeken.
- Ondersteunt functionele targetvalidatie door de integratie van diverse omics-gegevens en klinische covariabelen.
- Faciliteert biologische risicoreductie door de identificatie van gedeelde en unieke moleculaire factoren.
- Verhoogt de voorspellende betrouwbaarheid voor targetselectie en triagebeslissingen.
Screening & Assay-ontwikkeling
- Bereidt geharmoniseerde, kwaliteitsgecontroleerde multi-omics-datasets voor voor downstream-analyse.
- Standaardiseert data-integratie en normalisatie over verschillende assays en tijdspunten.
- Genereert kwantitatieve factor-outputs die geschikt zijn voor comparatieve screening en hypothesetests.
- Maakt reproduceerbare extractie van moleculaire patronen mogelijk voor assay-ontwikkeling.
Translationeel & Preklinisch Onderzoek
- Rijgt moleculaire factoren aan klinische fenotypes en ziekteprogressie.
- Ondersteunt de continuïteit van ontdekking tot preklinische biomarker-validatie.
- Informeert risico-gecorrigeerde voortgang door omics-signatures te koppelen aan patiëntsubgroepen.
- Biedt mechanistische inzichten voor translationeel onderzoek bij cardiovasculaire en andere ziekten.
Pipeline- & Workflowintegratie
Deze op MOFA gebaseerde workflow slaat een brug tussen vroege ontdekking, lead-identificatie en translationeel onderzoek door een geïntegreerde analyse van multi-omics- en klinische gegevens mogelijk te maken.
- Ontdekkingsbiologie: Ondersteunt hypothesetests en het verduidelijken van pathways door de belangrijkste assen van moleculaire variatie te extraheren.
- Screening: Levert geharmoniseerde, kwantitatieve resultaten voor een robuuste assay-gereedheid en reproduceerbaarheid.
- Analytica: Biedt statistische variantiedecompositie en factorassociatie met klinische covariabelen.
- Translationeel onderzoek: Verbindt moleculaire patronen met ziektestadia en patiëntuitkomsten voor biomarker-afstemming.
- Bedrijfsbrede herbruikbaarheid: Biedt een schaalbare, aanpasbare workflow die toepasbaar is op diverse multi-omics datasets en ziektecontexten.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellend vertrouwen en vermindert mechanistische ambiguïteit bij targetvalidatie.
- Operationele waarde: Standardiseert de verwerking en analyse van multi-omics-gegevens voor reproduceerbaarheid en schaalbaarheid.
- Strategische waarde: Maakt geïnformeerde go/no-go-beslissingen en kapitaalefficiënt portfoliobeheer mogelijk.
- Impact op portfolio: Ondersteunt risico-gecorrigeerde prioritering en het voortzetten van ontdekkingsprogramma's.
Overwegingen voor de implementatie
- Vereist expertise in multi-omics data-integratie en statistische modellering.
- Afhankelijk van een robuuste computationele infrastructuur en Jupyter-gebaseerd workflowbeheer.
- Vereist gestandaardiseerde data-preprocessing en harmonisatie over verschillende assays heen.
- Aanpasbaar aan diverse omics-platformen en ziekterelevante modelsystemen.
- Beperkt door de kwaliteit van de inputgegevens en de complexiteit van de opgenomen klinische covariabelen.
