Name: Zastosowanie nienadzorowanej analizy czynników multiomicznych w celu odkrycia wzorców zmienności i procesów molekularnych związanych z chorobami sercowo-naczyniowymi (Wideo) | JoVE Journal
Uploaded: 2024-09-20T13:10:00.000+00:00
Duration: 8 min 51 s
Description: Odkryj nienadzorowaną analizę multiomików w badaniach klinicznych chorób sercowo-naczyniowych. Metoda MOFA pozwala identyfikować wielokomórkowe sygnatury immunologiczne związane z wynikami klinicznymi pacjentów.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

C.L. jest wspierany przez Stowarzyszenie Helmholtza w ramach wspólnej szkoły badawczej "Munich School for Data Science - MUDS".

Unsupervised Analysis of Multi-Omics Data in Coronary Syndromes Using MOFA

<ol><li>Lähnemann, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Eleven+grand+challenges+in+single-cell+data+science%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Eleven grand challenges in single-cell data science.</a> Genome Biol. 21 (1), 31(2020).</li>
<li>Colomé-Tatché, M., Theis, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Statistical+single+cell+multi-omics+integration%5BTitle%5D)+AND+%22Curr+Opin+Syst+Biol%22%5BJournal%5D)">Statistical single cell multi-omics integration.</a> Curr Opin Syst Biol. 7, 54-59 (2018).</li>
<li>Hawe, J., Theis, F., Heinig, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+interaction+networks+from+multi-omics+data%5BTitle%5D)+AND+%22Front+Genet%22%5BJournal%5D)">Inferring interaction networks from multi-omics data.</a> Front Genet. 10, 535(2019).</li>
<li>Hawe, J. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Network+reconstruction+for+trans+acting+genetic+loci+using+multi-omics+data+and+prior+information%5BTitle%5D)+AND+%22Genome+Med%22%5BJournal%5D)">Network reconstruction for trans acting genetic loci using multi-omics data and prior information.</a> Genome Med. 14 (1), 125(2022).</li>
<li>Koh, H. W. L., Fermin, D., Vogel, C., Choi, K. P., Ewing, R. M., Choi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((iOmicsPASS%3A+network-based+integration+of+multiomics+data+for+predictive+subnetwork+discovery%5BTitle%5D)+AND+%22NPJ+Syst+Biol+Appl%22%5BJournal%5D)">iOmicsPASS: network-based integration of multiomics data for predictive subnetwork discovery.</a> NPJ Syst Biol Appl. 5, 22(2019).</li>
<li>Ogris, C., Hu, Y., Arloth, J., Müller, N. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Versatile+knowledge+guided+network+inference+method+for+prioritizing+key+regulatory+factors+in+multi-omics+data%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Versatile knowledge guided network inference method for prioritizing key regulatory factors in multi-omics data.</a> Sci Rep. 11, 6806(2021).</li>
<li>Lee, C., vander Schaar, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+variational+information+bottleneck+approach+to+multi-omics+data+integration%5BTitle%5D)+AND+%22Proceedings+of+The+24th+International+Conference+on+Artificial+Intelligence+and+Statistics%22%5BJournal%5D)">A variational information bottleneck approach to multi-omics data integration.</a> Proceedings of The 24th International Conference on Artificial Intelligence and Statistics. 130, 1513-1521 (2021).</li>
<li>Singh, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DIABLO%3A+an+integrative+approach+for+identifying+key+molecular+drivers+from+multi-omics+assays%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">DIABLO: an integrative approach for identifying key molecular drivers from multi-omics assays.</a> Bioinformatics. 35 (17), 3055-3062 (2019).</li>
<li>Argelaguet, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-omics+factor+analysis-a+framework+for+unsupervised+integration+of+multi-omics+data+sets%5BTitle%5D)+AND+%22Mol+Syst+Biol%22%5BJournal%5D)">Multi-omics factor analysis-a framework for unsupervised integration of multi-omics data sets.</a> Mol Syst Biol. 14 (6), e8124(2018).</li>
<li>Cantini, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Benchmarking+joint+multi-omics+dimensionality+reduction+approaches+for+the+study+of+cancer%5BTitle%5D)+AND+%22Nature+Commun%22%5BJournal%5D)">Benchmarking joint multi-omics dimensionality reduction approaches for the study of cancer.</a> Nature Commun. 12 (1), 124(2021).</li>
<li>Pekayvaz, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multiomic+analyses+uncover+immunological+signatures+in+acute+and+chronic+coronary+syndromes%5BTitle%5D)+AND+%22Nature+Medicine%22%5BJournal%5D)">Multiomic analyses uncover immunological signatures in acute and chronic coronary syndromes.</a> Nature Medicine. 30 (6), 1696-1710 (2024).</li>
<li>Swirski, F. K., Nahrendorf, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cardioimmunology%3A+the+immune+system+in+cardiac+homeostasis+and+disease%5BTitle%5D)+AND+%22Nat+Rev+Immunol%22%5BJournal%5D)">Cardioimmunology: the immune system in cardiac homeostasis and disease.</a> Nat Rev Immunol. 18 (12), 733-744 (2018).</li>
<li>Janjic, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prime-seq%2C+efficient+and+powerful+bulk+RNA+sequencing%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Prime-seq, efficient and powerful bulk RNA sequencing.</a> Genome Biol. 23 (1), 88(2022).</li>
<li>Wolf, F. A., Angerer, P., Theis, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SCANPY%3A+large-scale+single-cell+gene+expression+data+analysis%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">SCANPY: large-scale single-cell gene expression data analysis.</a> Genome Biol. 19 (1), 15(2018).</li>
<li>Cao, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrated+analysis+of+multimodal+single-cell+data+with+structural+similarity%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Integrated analysis of multimodal single-cell data with structural similarity.</a> Nucleic Acids Res. 50 (21), e121(2022).</li>
<li>Get Started - JupyterLab 4.1.0a4 documentation. , Available from: 
 <a target="_blank" href="https://jupyterlab.readthedocs.io/en/latest/getting_started/overview.html">https://jupyterlab.readthedocs.io/en/latest/getting_started/overview.html</a> (2024).</li>
<li>MOFA2: training a model in R. , Available from: 
 <a target="_blank" href="https://raw.githack.com/bioFAM/MOFA2_tutorials/master/R_tutorials/getting_started_R.html">https://raw.githack.com/bioFAM/MOFA2_tutorials/master/R_tutorials/getting_started_R.html</a> (2020).</li>
<li>De Silva, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robust+T+cell+activation+requires+an+eIF3-driven+burst+in+T+cell+receptor+translation%5BTitle%5D)+AND+%22eLife%22%5BJournal%5D)">Robust T cell activation requires an eIF3-driven burst in T cell receptor translation.</a> eLife. 10, e74272(2021).</li>
<li>Li, G., Liang, X., Lotze, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((HMGB1%3A+The+central+cytokine+for+all+lymphoid+cells%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">HMGB1: The central cytokine for all lymphoid cells.</a> Front Immunol. 4, 68(2013).</li>
<li>Jassal, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+reactome+pathway+knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The reactome pathway knowledgebase.</a> Nucleic Acids Res. 48 (D1), D498-D503 (2020).</li>
<li>Argelaguet, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MOFA%2B%3A+a+statistical+framework+for+comprehensive+integration+of+multimodal+single-cell+data%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">MOFA+: a statistical framework for comprehensive integration of multimodal single-cell data.</a> Genome Biol. 21 (1), 111(2020).</li>
<li>Velten, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+temporal+and+spatial+patterns+of+variation+from+multimodal+data+using+MEFISTO%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Identifying temporal and spatial patterns of variation from multimodal data using MEFISTO.</a> Nat Methods. 19 (2), 179-186 (2022).</li>
<li>Qoku, A., Buettner, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Encoding+domain+knowledge+in+multi-view+latent+variable+models%3A+A+Bayesian+approach+with+structured+sparsity%5BTitle%5D)+AND+%22Proceedings+of+The+26th+International+Conference+on+Artificial+Intelligence+and+Statistics%22%5BJournal%5D)">Encoding domain knowledge in multi-view latent variable models: A Bayesian approach with structured sparsity.</a> Proceedings of The 26th International Conference on Artificial Intelligence and Statistics. 206, 11545-11562 (2022).</li>
<li>Multi-Omics Factor Analysis. MOFA. , Available from: 
 <a target="_blank" href="https://biofam.github.io/MOFA2/">https://biofam.github.io/MOFA2/</a> (2024).</li>
<li>Mitchel, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tensor+decomposition+reveals+coordinated+multicellular+patterns+of+transcriptional+variation+that+distinguish+and+stratify+disease+individuals%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Tensor decomposition reveals coordinated multicellular patterns of transcriptional variation that distinguish and stratify disease individuals.</a> bioRxiv. , (2023).</li>
</ol>

Autorzy deklarują brak konfliktu interesów.

Dzięki przedstawionemu protokołowi przedstawiono modułowy i rozszerzalny przepływ pracy oparty na Jupyter-notebook, którego można użyć do szybkiego eksplorowania złożonego zestawu danych multiomicznych. Główne części przepływu pracy składają się ze wstępnego przetwarzania i harmonizacji danych (oferującej różne standardowe kroki filtrowania i normalizacji danych), estymacji modelu MOFA9 oraz przykładowej analizy końcowej. Jednym z głównych kluczowych etapów jest wstępne przetworzenie, integracja i harmonizacja różnych zestawów danych omicznych. W tym miejscu przedstawiamy strategię dla zestawu danych, który obejmuje dane scRNA-seq, masowe RNA prime-seq, test cytokin, proteomikę osocza i wartości kliniczne, co zaowocowało zintegrowanym i zharmonizowanym zestawem danych, który można wykorzystać do identyfikacji odpowiednich procesów biologicznych w MI11. W przypadku gdy inne zbiory danych omicznych wymagają dodatkowych strategii wstępnego przetwarzania danych, należy je wykonać przed analizą MOFA. Wstępnie przetworzone dane mogą być następnie wykorzystane jako dane wejściowe do bieżącego przepływu pracy. Wyniki modelu można wykorzystać do oceny jakości integracji różnych zbiorów danych oraz efektów wstępnego przetwarzania w celu zidentyfikowania potencjalnych skutków technicznych. Na przykład można zacząć od zastosowania tylko minimalnej liczby etapów wstępnego przetwarzania i normalizacji, a następnie ocenić efekt dalszej normalizacji. W tym zastosowaniu zaobserwowano, że dodanie "normalizacji kwantyli opartej na cechach" prowadzi do lepszej integracji proteomiki z pozostałymi testami.
Kolejną dużą częścią przepływu pracy jest estymacja modelu MOFA9 na danych, które są agregowane na poziomie próby. Istnieją inne rozszerzenia modelu MOFA, takie jak MOFA+21 (w szczególności dla danych jednokomórkowych), MEFISTO22 (w szczególności dla danych zawierających składnik czasowy) i MuVI23 (integracja wiedzy dziedzinowej w podejściu opartym na analizie czynnikowej). Są to bardzo przydatne rozszerzenia metody dla określonych typów zestawów danych lub ustawień, ale ich stosowanie wiąże się z określonymi wymaganiami. Na przykład użycie MOFA+21 specjalnie dla danych jednokomórkowych w naszym przypadku oznaczałoby, że nie można łatwo wykorzystać innych dostępnych danych omicznych na poziomie próby. Zastosowanie metody MEFISTO22 umożliwia szczegółowe modelowanie przebiegu czasu, ale nie ma zastosowania w warunkach, w których nie jest dostępnych wiele punktów czasowych lub, w naszym przypadku, w przypadku łączenia próbek "kontrolnych", które mają pomiary tylko w jednym punkcie czasowym, z danymi czasowo-rozdzielczymi próbek "ACS". Dlatego w tym bardzo ogólnym przepływie pracy decydujemy się na użycie metody MOFA9, ponieważ jest to najbardziej elastyczna metoda szybkiego eksplorowania wszelkiego rodzaju zbiorów danych bez zbyt wielu wymagań. Warto zauważyć, że wstępnie przetworzone dane wygenerowane w przepływie pracy mogą być alternatywnie analizowane za pomocą tych metod lub bieżące skrypty mogą być rozszerzone w celu zintegrowania tych metod, jeśli zestaw danych jest zgodny z wymaganiami metod. Aby uzyskać dodatkowe przypadki użycia, samouczki i dokumentację, zapoznaj się z repozytorium GitHub programistów MOFA24.
W porównaniu z jeszcze bardziej ogólnymi metodami redukcji wymiarowości, takimi jak analiza głównych składowych (PCA), model MOFA9 oferuje kilka zalet, zwłaszcza w środowisku multiomicznym. Na przykład dekompozycję wariancji można łatwo analizować dla każdego widoku wejściowego, a wagi można przypisać do różnych widoków, aby uwzględnić różną liczbę obiektów. Model zachęca do rzadkości, co zwiększa możliwość interpretacji wyników. Ponadto nie trzeba wykluczać próbek, w których brakuje danych w jednej z omików, a model implementuje niektóre funkcje, aby skupić się na uczeniu się rzadkich wag czynników cech. Ponadto model MOFA oferuje kilka ustawień do integracji danych charakteryzujących się różnymi rozkładami (modelowanie prawdopodobieństw "Gaussa", "Bernoulliego" lub "Poissona"). W tym przepływie pracy integrujemy tylko dane ciągłe, które normalizujemy tak, aby były zgodne z rozkładem "Gaussa", ale istniejący kod można również rozszerzyć w celu zintegrowania innych typów danych, jeśli zajdzie taka potrzeba. Istnieją inne metody oparte na dekompozycji, takie jak scITD25, szczególnie dla danych sekwencyjnych scRNA, ale mają one to ograniczenie, że nie są przeznaczone do pracy z innymi amikami.
Prezentowany przepływ pracy przedstawia protokół nienadzorowanej eksploracji dużych i złożonych zbiorów danych multiomicznych w celu zidentyfikowania potencjalnych procesów biologicznych i innych cech, które napędzają zmienność danych. Może być stosowany w prawie każdym środowisku, w którym należy zbadać różnice w danych, np. spowodowane chorobą lub innymi zaburzeniami biologicznymi lub technicznymi. Uzyskane w ten sposób dalsze analizy i zestawy cech wpływające na wariancję w różnych omikach mogą ujawnić istotne procesy biologiczne, które należy dokładniej zbadać w konkretnym kontekście. Na przykład w kontekście choroby może to umożliwić identyfikację nowych markerów diagnostycznych lub celów leczenia.

Mechanizmy chorobowe są zazwyczaj złożone i sterowane przez oddziaływanie kilku odrębnych procesów molekularnych. Odczytanie złożonych mechanizmów molekularnych, które prowadzą do konkretnych schorzeń lub sterują ewolucją choroby, jest zadaniem o dużym znaczeniu medycznym, ponieważ może dostarczyć nowych informacji niezbędnych do zrozumienia i leczenia chorób.
Ostatnie postępy technologiczne umożliwiają pomiar tych procesów z wyższą rozdzielczością (np. na poziomie pojedynczych komórek) i na różnych poziomach biologicznych (np. DNA, mRNA, dostępność chromatyny, metylacja DNA, proteomika) w tym samym czasie. Prowadzi to do coraz większej ilości generowanych wielowymiarowych zbiorów danych biologicznych, które mogą być analizowane wspólnie w celu uzyskania głębszego wglądu w zachodzące procesy. Jednocześnie łączenie i analiza różnych źródeł danych w sposób biologicznie istotny pozostaje trudnym zadaniem1.
Wyzwanie stanowią różne ograniczenia technologiczne, szumy oraz zakresy zmienności występujące pomiędzy poszczególnymi omikami. Na przykład dane z sekwencjonowania RNA pojedynczych komórek (scRNA-seq) są bardzo rzadkie i często podlegają silnym efektom technicznym lub efektom seryjnym. Ponadto przestrzeń cech jest zazwyczaj bardzo rozległa i obejmuje kilka tysięcy mierzonych genów lub białek, podczas gdy wielkość próby jest ograniczona. Sytuację dodatkowo komplikują złożone schematy badawcze, które mogą obejmować kilka stanów chorobowych, czynniki zakłócające, punkty czasowe oraz różne rozdzielczości. Przykładowo, w przedstawionym przypadku użycia różne typy danych były dostępne albo na poziomie pojedynczych komórek, albo na poziomie całej próbki (bulk). Poza tym dane mogą być niekompletne i nie wszystkie pomiary mogą być dostępne dla wszystkich analizowanych obiektów.
Ze względu na te wyzwania, różne omiki oraz zawarte w nich cechy są wciąż często analizowane jedynie oddzielnie2, mimo że przeprowadzenie zintegrowanej analizy może nie tylko zapewnić pełny obraz procesu, ale także pozwolić na skompensowanie szumów biologicznych i technicznych z jednej omiki przez inne omiki3,4. Zaproponowano kilka różnych metod przeprowadzania zintegrowanej analizy danych multiomicznych, w tym metody bayesowskie, metody oparte na sieciach5,6, multimodalne głębokie uczenie7 oraz metody redukcji wymiarowości za pomocą faktoryzacji macierzy8,9. W przypadku tych ostatnich, wyniki szeroko zakrojonego badania benchmarkingowego10 wykazały, że metoda MOFA9 (multi-omic factor analysis) jest jednym z narzędzi najlepiej dostosowanych do sytuacji, w których dane powinny zostać powiązane z adnotacjami klinicznymi.
Zwłaszcza w złożonych układach, nienadzorowane metody faktoryzacji macierzy stanowią przydatne podejście do redukcji złożoności oraz wyodrębniania wspólnych i komplementarnych sygnałów z różnych źródeł danych i cech. Poprzez dekompozycję złożonej przestrzeni na latentne reprezentacje o niższym rzędzie, główne źródła wariancji w danych mogą być szybko badane i powiązane ze znanymi kowariantami. W przypadku, gdy ten sam wzorzec zmienności jest wspólny dla wielu cech (np. genów lub białek), może on zostać zagregowany do kilku czynników, przy jednoczesnej redukcji szumu. Regularyzację można wykorzystać do zwiększenia rzadkości współczynników modelu, co sprawia, że podejście to jest szczególnie odpowiednie w sytuacjach, gdy przestrzeń cech jest duża, a liczba próbek ograniczona9.
Niniejszy protokół przedstawia elastyczny schemat analizy wykorzystujący model MOFA, aby zademonstrować, jak szybko badać złożony wieloomiczny zbiór danych i wyodrębniać główne wzorce zmienności charakteryzujące ten zbiór. Schemat składa się z trzech głównych etapów. W pierwszym etapie, wstępnym przetwarzaniu i harmonizacji danych, zaprezentowano różne strategie preprocessingu w zależności od rodzaju danych wejściowych (scRNA-seq, proteomika, cytokiny, dane kliniczne). Protokół szczegółowo opisuje sposób przetwarzania cech z różnych zbiorów danych wejściowych, filtrowanie cech o niskiej jakości oraz ich normalizację w celu zharmonizowania rozkładów. Pokazujemy również, w jaki sposób decyzje dotyczące wstępnego przetwarzania mogą wpływać na wyniki końcowe. W drugim etapie model MOFA jest stosowany do danych, a wynikający z tego rozkład wariancji może zostać wykorzystany do oceny integracji różnych zbiorów danych. Trzeci etap pokazuje, jak powiązać uchwycone czynniki ze współzmiennymi i odkryć programy molekularne definiujące te czynniki. Dzięki przedstawionemu schematowi byliśmy w stanie wyodrębnić kilka ukrytych czynników powiązanych ze współzmiennymi klinicznymi w zbiorze danych pacjentów cierpiących na zespoły wieńcowe oraz zidentyfikować potencjalne leżące u ich podstaw wielokomórkowe programy odpornościowe z poprzedniego projektu11. W niniejszym opracowaniu wykorzystamy ten zbiór danych, jednak protokół można łatwo zastosować w innych kontekstach, w tym do innych danych omicznych.
Zbiór danych składa się z próbek pobranych od pacjentów ze stabilnymi zespołami wieńcowymi (CCS), ostrymi zespołami wieńcowymi (ACS) oraz z grupy kontrolnej ze zdrowymi tętnicami wieńcowymi (non-CCS) (Rycina 1). ACS jest wywoływane przez pęknięcie blaszki miażdżycowej w istniejącym wcześniej CCS, co prowadzi do nagłego przerwania przepływu krwi do mięśnia sercowego i następującego po tym niedokrwiennego uszkodzenia serca. Uszkodzenie to wywołuje odpowiedź zapalną układu odpornościowego, po której następuje faza naprawcza, trwająca do kilku dni po ostrym zdarzeniu12. Aby móc scharakteryzować tę odpowiedź immunologiczną u pacjentów z ACS, próbki krwi pobierano w czterech różnych punktach czasowych: w fazie ostrej (TP1); po rekanalizacji (14 [± 8] h) (TP2); 60 [± 12] h później (TP3); przed wypisem (6,5 [±1,5] dni) (TP4) (Rycina 1A). W przypadku osób z CCS oraz pacjentów ze zdrowymi tętnicami wieńcowymi dostępny był tylko jeden punkt czasowy (TP0). Dla wszystkich pacjentów i punktów czasowych wykonano różne analizy na podstawie próbek krwi: pomiary klinicznych markerów stanu zapalnego (kinaza kreatynowa (CK), CK-MB, troponina, białko C-reaktywne (CRP)), scRNA-seq mononuklearnych komórek krwi obwodowej (PBMCs), analizę cytokin, proteomikę osocza oraz dane prime-seq13 neutrofili.
<img alt="Schemat kohorty pacjentów z procesem STEMI; pobieraniem krwi; integracją danych multiomicznych; analizą." class="xfigimg" src="/files/ftp_upload/66659/66659fig01v2.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 1"> 
Rycina 1: Multiomiczny zestaw danych wejściowych dla zawału mięśnia sercowego. Zestaw danych wejściowych: analizowane dane obejmują próbki krwi pobrane od pacjentów (n = 62) z ostrym zespołem wieńcowym (ACS), przewlekłymi zespołami wieńcowymi (CCS) oraz pacjentów ze zdrowymi tętnicami wieńcowymi (non-CCS). W przypadku pacjentów z ACS próbki krwi pobierano w czterech różnych punktach czasowych (TP1-4), a dla pacjentów z CCS i non-CCS w jednym punkcie czasowym (TP0). Każda kombinacja pacjenta i punktu czasowego jest traktowana w analizie jako oddzielna próbka. W próbkach zmierzono różne analizy omiczne: kliniczne badania krwi (n = 125), scRNA-seq (n = 121), proteomikę osocza (n = 119), analizę cytokin (n = 127) oraz neutrophil prime-seq (n = 121). Następnie zastosowano opisany protokół w celu zintegrowania danych ze wszystkich omik i ich eksploracji przy użyciu modelu MOFA oraz dalszych analiz (analiza czynnikowa, analiza wzbogacenia szlaków). <a href="https://www.jove.com/files/ftp_upload/66659/66659fig01largev2.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
Jako dane wejściowe do przedstawionego tutaj przepływu pracy wykorzystujemy surowe liczby z danych scRNA-seq po przetworzeniu programem cellranger i kontroli jakości (QC), zgodnie z opisem np. w samouczku preprocessingu scanpy14. Do adnotacji typów komórek wykorzystaliśmy zautomatyzowany rurociąg Azimuth15. Liczby są następnie agregowane na poziomie próbki dla każdego typu komórek poprzez wyznaczenie średniej dla wszystkich komórek w każdej próbce i typie komórek (agregacja pseudobulk). Proteomika osocza została uwzględniona jako intensywności znormalizowane i wycentrowane względem mediany, a w przypadku neutrofili przyjęto liczby eksonów UMI (unique molecular identifier) z prime-seq. W przypadku wartości cytokin i klinicznych nie zastosowano wcześniejszego preprocessingu. Dalsze szczegóły dotyczące generowania danych (eksperymentalnych) opisano w odpowiadającym im manuskrypcie11. Ponieważ wyniki przedstawione tutaj opierają się na wykorzystaniu zautomatyzowanej adnotacji Azimuth dla typów komórek w danych scRNA-seq, w przeciwieństwie do strategii opartej na markerach zastosowanej w cytowanej publikacji, wyniki tutaj zaprezentowane są podobne, lecz nie identyczne z tymi przedstawionymi w publikacji. W manuskrypcie wykazano, że strategia adnotacji typów komórek nie zmienia głównych wzorców i interpretacji biologicznych analizy, jednak mogą występować niewielkie różnice w dokładnych wartościach wynikających z modelu. Ogólnie dane wejściowe stanowiły złożony, wielowymiarowy zestaw danych obejmujący różne punkty czasowe i poziomy pomiarów (pojedyncze komórki vs. bulk) dla ponad 10 000 różnych cech (genów, białek, wartości klinicznych). Wykazano, że rygorystyczna strategia preprocessingu i harmonizacji danych, a następnie analiza MOFA, jest użytecznym i szybkim narzędziem do eksploracji danych i wyodrębniania istotnych programów immunologicznych. Każda kombinacja punktu czasowego i pacjenta jest traktowana jako niezależna próbka w analizie MOFA. Każdy typ danych i typ komórek jest traktowany jako osobny widok (view) w analizie MOFA.
Niniejszy protokół zawiera instrukcje dotyczące przygotowania danych wejściowych do przepływu pracy, wykonywania poszczególnych etapów przepływu pracy, dostosowywania konfiguracji, interpretacji wynikowych rycin oraz iteracyjnego korygowania konfiguracji na podstawie przeprowadzonych interpretacji. Przegląd poszczególnych etapów protokołu, wymaganych zbiorów danych wejściowych na każdym etapie oraz wynikowych rycin i zbiorów danych przedstawiono w technicznym schemacie przepływu pracy (Rycina 2).
<img alt="Schemat przepływu integracji danych, przygotowanie pseudobulk, analiza czynników MOFA, normalizacja genów." class="xfigimg" src="/files/ftp_upload/66659/66659fig02v2.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 2"> 
Rysunek 2: Przegląd technicznego przepływu pracy. Schemat przepływu pracy dla analizy zestawu danych multiomicznych. Różne elementy są wyróżnione różnymi kolorami i symbolami. Notatniki Jupyter należące do etapu Wstępnego Przetwarzania i Harmonizacji Danych (1) są zaznaczone na niebiesko. Notatniki Jupyter należące do etapu „Model MOFA” (2) są zaznaczone na pomarańczowo. Notatniki Jupyter należące do etapu „Analiza Downstream” (3) są zaznaczone na zielono. Jeden notatnik Jupyter służący do porównania wyników jest zaznaczony na żółto. Pliki konfiguracyjne, w których można modyfikować parametry wykonania przepływu pracy, są wyróżnione na fioletowo. Zestawy danych wejściowych wymagane do uruchomienia przepływu pracy są oznaczone symbolem zestawu danych i wyróżnione na szaro. Wszystkie wyniki w formie rysunków generowane podczas wykonywania przepływu pracy są oznaczone symbolem lupy. Zestawy danych generowane podczas wykonywania przepływu pracy są przedstawione jako tabele. Ogólnie przepływ pracy jest wykonywany sekwencyjnie: (1) Wstępne Przetwarzanie i Harmonizacja Danych składa się z dwóch kroków: najpierw generowania tabeli pseudobulk na podstawie danych wejściowych scRNA-seq (01_Prepare_Pseudobulk), a następnie integracji i normalizacji tych danych wraz ze wszystkimi pozostałymi danymi wejściowymi na poziomie próbek (bulk) (02_Integrate_and_Normalize_Data). W ramach tego etapu, za pomocą plików konfiguracyjnych, możliwe jest osobne skonfigurowanie dla każdego zestawu danych, które z indicated kroków wstępnego przetwarzania i normalizacji (np. Sample Filter) powinny zostać zastosowane. (2) „Model MOFA”: uruchamia model MOFA na danych wejściowych wygenerowanych w pierwszym etapie, zgodnie z konfiguracjami określonymi w pliku konfiguracyjnym (03_MOFA_configs.csv). (3) „Analiza Downstream”: składa się z trzech różnych notatników, które mogą być uruchamiane niezależnie od siebie w celu uzyskania informacji na temat wygenerowanych wyników MOFA i powiązania ich z metadanymi próbek (kowariantami) dostarczonymi jako dane wejściowe za pomocą pliku „Sample Meta Data.csv”. (4) „Porównanie Modeli”: jest to niewielki, oddzielny etap, który może być wykorzystany do porównania różnych modeli wygenerowanych w kroku 2. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig02largev2.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
Przebieg pracy składa się z kilku notatników Jupyter napisanych w językach R i Python (znajomość języków R i Python nie jest wymagana do uruchomienia procesu, lecz może być pomocna w przypadku wystąpienia błędów). Na różnych etapach protokołu parametry są zmieniane za pomocą plików konfiguracyjnych (plików '.csv' zawierających w nazwie przyrostek '_Configs'). W ramach protokołu opisujemy jedynie parametry, które należy zmienić w stosunku do konfiguracji domyślnej.
Można zmienić również kilka innych parametrów, na przykład w celu dostosowania wstępnego przetwarzania. Dokumentacja tych parametrów wraz z wyjaśnieniami znajduje się w pliku „Documentation_Config_Parameter”, który jest zawarty w pobranym repozytorium.

<table><tbody><tr><td>Apptainer</td><td>NA</td><td>NA https://apptainer.org/docs/admin/main/installation.html</td><td></td></tr><tr><td>Serwer obliczeniowy lub stacja robocza lub chmura&nbsp; (Środowisko Linux, Mac lub Windows). W zależności od rozmiaru różnych wejściowych zestawów danych zalecamy uruchomienie przepływu pracy na odpowiedniej maszynie (w naszych ustawieniach używamy: 16 CPU, 64 GB pamięci)</td><td>Dowolny producent</td><td>16 procesorów, 64 GB pamięci</td><td>Duża pamięć jest wymagana tylko do przetwarzania surowych danych z pojedynczej komórki. Po wstępnym przetworzeniu późniejsze kroki analizy można również wykonać na zwykłych komputerach stacjonarnych lub laptopach</td></tr>: <tr><td>git</td><td>NA</td><td>NA</td><td>https://git-scm.com/book/en/v2/Getting-Started-Installing-Git</td></tr><tr><td>GitHub</td>, <td>GitHub</td><td>NA</td><td>, https://github.com/heiniglab/mofa_workflow</td></tr></tbody></table>

zastosowanie nienadzorowanej analizy czynników multiomicznych w celu odkrycia wzorców zmienności i procesów molekularnych związanych z chorobami sercowo-naczyniowymi

Application of Unsupervised Multi-Omic Factor Analysis to Uncover Patterns of Variation and Molecular Processes Linked to Cardiovascular Disease

Mechanizmy choroby są zazwyczaj skomplikowane i regulowane przez interakcję kilku różnych procesów molekularnych. Złożone, wielowymiarowe zestawy danych są cennym zasobem do generowania większej ilości informacji na temat tych procesów, ale analiza takich zestawów danych może być trudna ze względu na dużą wymiarowość wynikającą na przykład z różnych stanów chorobowych, punktów czasowych i omiki rejestrującej proces w różnych rozdzielczościach.
Tutaj prezentujemy podejście do analizy i eksploracji tak złożonego zestawu danych multiomicznych w sposób nienadzorowany, stosując multi-omiczną analizę czynnikową (MOFA) do zestawu danych wygenerowanych z próbek krwi, które rejestrują odpowiedź immunologiczną w ostrych i przewlekłych zespołach wieńcowych. Zestaw danych składa się z kilku testów o różnych rozdzielczościach, w tym danych cytokin na poziomie próbki, proteomiki osocza i sekwencji pierwszych neutrofili oraz danych sekwencyjnych RNA pojedynczej komórki (scRNA-seq). Dodatkową komplikacją jest pomiar kilku różnych punktów czasowych dla każdego pacjenta i kilku podgrup pacjentów.
Procedura analizy przedstawia sposób integracji i analizy danych w kilku krokach: (1) Wstępne przetwarzanie i harmonizacja danych, (2) Szacowanie modelu MOFA, (3) Dalsza analiza. W kroku 1 opisano, jak przetwarzać cechy różnych typów danych, odfiltrowywać obiekty o niskiej jakości i normalizować je w celu zharmonizowania ich rozkładów na potrzeby dalszej analizy. Krok 2 pokazuje, jak zastosować model MOFA i zbadać główne źródła wariancji w zestawie danych we wszystkich parametrach omicznych i cechach. W kroku 3 przedstawiono kilka strategii dalszej analizy przechwyconych wzorców, łącząc je z warunkami chorobowymi i potencjalnymi procesami molekularnymi rządzącymi tymi stanami.
Ogólnie rzecz biorąc, prezentujemy przepływ pracy do eksploracji danych bez nadzoru w złożonych zbiorach danych multi-omicznych, aby umożliwić identyfikację głównych osi zmienności składających się z różnych cech molekularnych, które mogą być również zastosowane w innych kontekstach i zbiorach danych multi-omicznych (w tym innych testach przedstawionych w przykładowym przypadku użycia).

Prezentujemy elastyczny, rozszerzalny przepływ pracy oparty na laboratorium Jupyter do nienadzorowanej analizy złożonych zestawów danych multi-omicznych, który łączy różne etapy wstępnego przetwarzania, oszacowanie modelu analizy czynnikowej multi-omicznej i kilka dalszych analiz.

Zastosowanie nienadzorowanej analizy czynników multiomicznych w celu odkrycia wzorców zmienności i procesów molekularnych związanych z chorobami sercowo-naczyniowymi

Disease mechanisms are usually complex and governed by the interaction of several distinct molecular processes. Complex, multidimensional datasets are a ...

Nasz przepływ pracy umożliwia łatwą analizę złożonych zbiorów danych multiomicznych o różnych rozdzielczościach. Podejście to wyodrębnia główne wzorce wariantów, które są unikatowe lub współdzielone z określonymi typami danych, i agreguje je. Powstałe w ten sposób tak zwane czynniki można następnie powiązać z procesami molekularnymi i współzmiennymi klinicznymi lub technicznymi.Nasza analiza była jedną z pierwszych, w której zastosowano model MOFA do danych multiomicznych i danych z pojedynczych komórek z wielu próbek. Co ważne, próbki te pochodziły z klinicznej kohorty pacjentów po zawale serca. Pozwoliło nam to zidentyfikować wielokomórkowe sygnatury immunologiczne, które są związane z wynikiem i stanem chorobowym.W związku z tym zwiększa się dostępność zestawów danych jednokomórkowych i wieloomicznych, ale często cechy tych zestawów danych są analizowane tylko oddzielnie. Ogranicza to wgląd, ponieważ zwykle procesy biologiczne są wynikiem interakcji między wieloma cechami i typami komórek. Dzięki naszym protokołom użytkownicy mogą łatwo przeprowadzić zintegrowaną analizę całego zestawu danych i zidentyfikować te programy wielokomórkowe.Uważamy, że zastosowanie tego protokołu do dodatkowych zestawów danych multiomicznych pozwoli uzyskać nowe informacje na temat innych chorób lub kontekstów. Spostrzeżenia te zostaną następnie wykorzystane w przyszłych badaniach biomarkerowych lub terapeutycznych. Zacznij od dodania wszystkich wejściowych zestawów danych multiomicznych do folderu input_data.Tutaj zawierają dane od pacjentów ze stabilnymi, przewlekłymi i ostrymi zespołami wieńcowymi. Aby wstępnie przetworzyć dane, kliknij symbol folderu, a następnie kliknij dwukrotnie mofa_workflow, skrypty i konfiguracje, aby uzyskać dostęp do folderu konfiguracji. Kliknij dwukrotnie plik CSV Data_Configuration, aby go otworzyć.W kolumnie wartość wprowadź ścieżki do folderów danych wejściowych i wyników. W kolumnie wartości nazwy konfiguracji określ nazwę, która ma zostać dodana jako rozszerzenie pliku dla wszystkich zapisanych plików. Aby zapisać zmiany, wybierz Plik i Zapisz plik CSV z menu u góry.Następnie korzystając z menu nawigacyjnego po lewej stronie, kliknij skrypty, aby przejść do folderu skryptów. Kliknij dwukrotnie 00_Configuration_Update. ipynb, aby otworzyć notes inicjalizacji.Aby uruchomić skrypt, kliknij przycisk Uruchom ponownie jądro i uruchom wszystkie komórki u góry, a następnie kliknij Uruchom ponownie w wyskakującym okienku. Aby przejść do folderu konfiguracji, kliknij dwukrotnie konfiguracje. Następnie kliknij dwukrotnie 1_Pre_Processing_SC_Data.csv, aby otworzyć plik. Sprawdź automatycznie wypełnione wartości. Wybierz Plik i Zapisz plik CSV z menu u góry, aby zapisać zmiany.Następnie użyj menu nawigacyjnego po lewej stronie i kliknij skrypty, aby przejść do folderu skryptów. Kliknij dwukrotnie 01_Prepare_Pseudobulk. ipynb, aby otworzyć notes.Aby uruchomić skrypt, kliknij przycisk Uruchom ponownie jądro i uruchom wszystkie komórki u góry, a następnie kliknij Uruchom ponownie w wyskakującym okienku. Aby przejść do folderu ilustracji, kliknij dwukrotnie najpierw ilustracje, a następnie 01_figures. Otwórz nowo wygenerowany wykres FIG01_Amount_of_Cells przegląd.Następnie zbadaj wykres, aby zidentyfikować klastry typów komórek z bardzo małą liczbą komórek w próbce. Zanotuj nazwy tych identyfikatorów klastrów, aby wykluczyć je w kolejnych krokach. Aby wrócić do folderu konfiguracji, kliknij kropki i kliknij dwukrotnie konfiguracje.Następnie otwórz plik 02_Pre_Processing_Config_SC.csv. Dodaj wszystkie identyfikatory klastrów zidentyfikowane do wykluczenia w poprzednim kroku, oddzielając je przecinkami w kolumnie cell_type_exclusion. Aby zapisać zmiany, wybierz Plik i Zapisz plik CSV z menu u góry.Teraz otwórz plik 02_Pre_Processing_Config. csv i dostosuj konfigurację przetwarzania wstępnego dla każdego zestawu danych dołączonego i przechowywanego w folderze wprowadzania danych. Dostosuj parametry w kolumnach zgodnie z potrzebami, w zależności od tego, które kroki przetwarzania wstępnego mają zostać zastosowane.Zapisz zmiany, wybierając pozycję Plik i Zapisz plik CSV. Aby przejść do folderu skryptów, kliknij skrypty. Otwórz notes 02_Integrate_and_Normalize_Data_Sources.ipynb.Kliknij przycisk Uruchom ponownie jądro i uruchom wszystkie komórki u góry, a następnie kliknij Uruchom ponownie w wyskakującym okienku. Następnie przejdź do wygenerowanego folderu 02_results. Kliknij symbol folderu, a następnie kliknij dwukrotnie wyniki i 02_results.Sprawdź, czy zawiera plik 02_Combined_Data_Config_Name_INTEGRATED. csv zawierający połączony plik wejściowy wstępnie przetworzonych danych. Rozpocznij od przetworzonych i zharmonizowanych danych wejściowych, które zawierają pięć kolumn, typ identyfikatora próby, zestaw danych, zmienną i wartość.Dane te zostaną wykorzystane w modelu MOFA. Następnie przejdź do Jupyter Lab i kliknij symbol folderu. Kliknij dwukrotnie mofa_workflow, a następnie skrypty i konfiguracje.Otwórz plik 03_MOFA_Configs.csv. Wprowadź liczbę czynników, które mają zostać oszacowane w modelu MOFA, i dostosuj wartości w pliku, aby określić, czy ma być stosowane ważenie i skalowanie. Wybierz Plik i Zapisz plik CSV z menu u góry, aby zapisać zmiany.Korzystając z menu nawigacyjnego po lewej stronie, przejdź do folderu skryptów, klikając skrypty. Następnie otwórz notes 03_Run_MOFA.ipynb. Kliknij przycisk Uruchom ponownie jądro i uruchom wszystkie komórki u góry, aby uruchomić skrypt, a następnie kliknij ponownie w wyskakującym okienku.Aby przejść do folderu 03_figures, kliknij dwukrotnie rysunki, a następnie 03_Figures. Otwórz wygenerowany FIG03_Overview_Variance_Decomposition_MOFRA_ResultName wykresu i sprawdź wynik modelu. Przejdź do menu nawigacyjnego po lewej stronie.Kliknij symbol folderu. Następnie kliknij dwukrotnie input_data, aby przejść do folderu input_data. Przeciągnij i upuść Przygotowane.Plik CSV zawierający wszystkie metadane próbek, które mają być analizowane w połączeniu z wygenerowanym plikiem czynników do folderu input_data. Kliknij symbol folderu. Następnie kliknij dwukrotnie mofa_workflow, a następnie skrypty i konfiguracje, aby wrócić do folderu konfiguracji.Otwórz plik 04_Factor_Analysis pliku CSV. W kolumnie wariantów numerycznych dodaj nazwy wszystkich kolumn numerycznych w przygotowanym przykładowym pliku CSV metadanych, które będą badane w odniesieniu do czynników MOFA, oddzielając je przecinkami. W kolumnie współzmiennych jakościowych dodaj nazwy wszystkich kolumn kategorii w przygotowanym przykładowym pliku CSV metadanych, które będą badane w odniesieniu do czynników MOFA, oddzielając je przecinkami.Zapisz zmiany, wybierając Plik i Zapisz plik CSV z menu u góry. Następnie kliknij skrypty, aby przejść do folderu skryptów. Kliknij dwukrotnie notatnik 04_Downstream_Factor_Analysis.ipynb, aby go otworzyć. Aby uruchomić skrypt, kliknij przycisk Uruchom ponownie jądro i uruchom wszystkie komórki u góry, a następnie kliknij Uruchom ponownie w wyskakującym okienku. Użyj menu nawigacyjnego po lewej stronie, aby przejść do folderu 04_figures, klikając dwukrotnie rysunki, a następnie 04_figures.Aby otworzyć wygenerowane wykresy, kliknij je dwukrotnie i zbadaj czynniki pod kątem interesujących wzorców i skojarzeń.

application-unsupervised-multi-omic-factor-analysis-to-uncover

Research

JoVE Journal

Genetics

Genetyka

DeepOmicsAE to przepływ pracy skoncentrowany na zastosowaniu metody głębokiego uczenia (tj. autoenkodera) w celu zmniejszenia wymiarowości danych multi-omicznych, zapewniając podstawę dla modeli predykcyjnych i modułów sygnalizacyjnych reprezentujących wiele warstw danych omicznych.

DeepOmicsAE: Reprezentowanie modułów sygnalizacyjnych w chorobie Alzheimera z analizą proteomiki, metabolomiki i danych klinicznych za pomocą głębokiego uczenia

Tutaj opisujemy protokół do wykorzystania w czterowymiarowym obrazowaniu ultrasonograficznym in vivo i obrazowaniu spektrometrii mas ex vivo do oceny biomechanicznych i biomolekularnych zmian w mysim układzie sercowo-naczyniowym. Technika ta jest stosowana do analizy przebudowy serca w chirurgicznie wywołanym zawale mięśnia sercowego i zmianach naczyniowych u starzejących się zwierząt.

Multimodalne badanie przebudowy układu sercowo-naczyniowego u myszy: czterowymiarowe obrazowanie ultrasonograficzne i spektrometria mas

Tutaj prezentujemy protokoły hodowli komórek ludzkich do analizy czynników inicjacji translacji, które wiążą 5' czapeczkę mRNA podczas fizjologicznych warunków tlenowych. Metoda ta wykorzystuje analog kapu m7GTP sprzężonego z agarozą i jest odpowiednia do badania czynników wiążących kap i ich oddziałujących partnerów.

Analiza białek wiążących czapeczki w komórkach ludzkich wystawionych na fizjologiczne warunki tlenowe

Wiadomo, że oogeneza u ssaków jest podatna na błędy, szczególnie z powodu błędnej segregacji chromosomów. W tym manuskrypcie opisano metody przygotowania rozprzestrzeniania się chromatyny dla mysich oocytów z profazą, metafazą I i II stopnia. Te podstawowe techniki pozwalają na badanie białek związanych z chromatyną i morfologii chromosomów w trakcie oogenezy ssaków.

Preparaty do rozprzestrzeniania chromatyny do analizy progresji oocytów myszy od profazy do metafazy II

Ten protokół opisuje kombinatoryczne zastosowanie ChIP-seq, 4sU-seq, total RNA-seq i profilowania rybosomów dla linii komórkowych i komórek pierwotnych. Umożliwia śledzenie zmian w wiązaniu czynnika transkrypcyjnego, transkrypcji de novo, przetwarzaniu RNA, obrocie i translacji w czasie oraz wyświetlanie ogólnego przebiegu zdarzeń w aktywowanych i/lub szybko zmieniających się komórkach.

Analiza w czasie rzeczywistym wiązania czynników transkrypcyjnych, transkrypcji, translacji i obrotu w celu wyświetlenia globalnych zdarzeń podczas aktywacji komórkowej

W tym protokole, bakulowirus jest wytwarzany przez przejściową transfekcję plazmidu bakulowirusa do komórek Sf9 i amplifikowany w kulturze zawiesinowej bez surowicy. Supernatant jest oczyszczany przez chromatografię powinowactwa heparyny i dalej zagęszczany przez ultrawirowanie. Protokół ten jest przydatny do produkcji i oczyszczania bakulowirusa do zastosowania w terapii genowej.

Produkcja i oczyszczanie bakulowirusa do zastosowania w terapii genowej

Tutaj prezentujemy protokół do analizy transferu informacji oscylacyjnych między komórkami za pomocą kontroli optogenetycznej i monitorowania ekspresji genów na żywo. Podejście to stanowi unikalną platformę do testowania funkcjonalnego znaczenia programów dynamicznej ekspresji genów w systemach wielokomórkowych.

Metoda optogenetyczna do kontroli i analizy wzorców ekspresji genów w interakcjach międzykomórkowych

Ukierunkowane sekwencjonowanie nowej generacji to efektywne czasowo i kosztowo podejście, które staje się coraz bardziej popularne zarówno w badaniach nad chorobami, jak i w diagnostyce klinicznej. Opisany tutaj protokół przedstawia złożony przepływ pracy wymagany do sekwencjonowania i procesu bioinformatycznego wykorzystywanego do identyfikacji wariantów genetycznych, które przyczyniają się do choroby.

Ukierunkowane sekwencjonowanie nowej generacji i bioinformatyka w celu oceny genetycznych uwarunkowań chorób konstytucjonalistycznych

Masowe pomiary ekspresji genów zaciemniają różnice między poszczególnymi komórkami w heterogenicznych populacjach komórek. W tym miejscu opisujemy protokół, w jaki sposób analiza ekspresji genów pojedynczej komórki i sortowanie indeksów za pomocą sortowania komórek aktywowanych florescencją (FACS) mogą być łączone w celu określenia heterogeniczności i immunofenotypowego scharakteryzowania molekularnie odrębnych populacji komórek.

Kombinatoryczne podejście jednokomórkowe w celu scharakteryzowania molekularnej i immunofenotypowej heterogeniczności populacji ludzkich komórek macierzystych i progenitorowych

Analiza sygnału do szumu na poziomie aminokwasów określa rozpowszechnienie zmienności genetycznej na danej pozycji aminokwasu, znormalizowanej do zmienności genetycznej tła danej populacji. Pozwala to na identyfikację wariantowych "gorących punktów" w sekwencji białka (sygnału), która wzrasta powyżej częstości występowania rzadkich wariantów występujących w populacji (szum).

Określanie prawdopodobieństwa patogenności wariantów za pomocą analizy zmienności genetycznej na poziomie aminokwasów

Odkryj nienadzorowaną analizę multiomików w badaniach klinicznych chorób sercowo-naczyniowych. Metoda MOFA pozwala identyfikować wielokomórkowe sygnatury immunologiczne związane z wynikami klinicznymi pacjentów.

Zastosowanie nienadzorowanej analizy czynników multiomicznych w celu odkrycia wzorców zmienności i procesów molekularnych związanych z chorobami sercowo-naczyniowymi (Wideo) | JoVE Journal

Zastosowanie nienadzorowanej analizy czynników multiomicznych w celu odkrycia wzorców zmienności i procesów molekularnych związanych z chorobami sercowo-naczyniowymi

Przeglądaj więcej filmów