Um protocolo abrangente e um guia passo a passo para integração multiômica em pesquisa biológica

Summary

Este trabalho detalha métodos para integrar dados multi-ômicos (concatenação, transformação e baseado em modelo). Ao combinar dados de genômica, epigenômica, transcriptômica, proteômica, metabolômica, metagenômica, lipidômica e glicômica, é alcançada uma compreensão abrangente dos sistemas biológicos. O manuscrito fornece diretrizes passo a passo, destacando limitações, vantagens e ferramentas de visualização para integração multiômica.

Abstract

Este manuscrito fornece um guia passo a passo abrangente para integrar dados multi-ômicos na pesquisa biológica.

A integração de dados multiômica refere-se ao processo de combinação e análise de dados medidos no mesmo conjunto de amostras biológicas com diferentes tecnologias ômicas, como genômica, epigenômica, transcriptômica, proteômica, metabolômica, microbiomas, lipidômica e glicômica. Embora as abordagens multiômicas tenham objetivos semelhantes às análises de bloco único ou ômica única (por exemplo, descrição, discriminação, classificação ou previsão), elas são capazes de capturar um espectro mais amplo de informações moleculares, fornecendo assim uma compreensão mais profunda dos sistemas biológicos e suas interações complexas. De fato, a combinação de conjuntos de dados multiômicos permite a melhoria da precisão da previsão e produz resultados mais robustos, especialmente nos casos em que o número de amostras disponíveis é limitado. Além disso, graças também ao desenvolvimento mais recente de técnicas de aprendizado de máquina, as análises multiômicas são hoje adequadas para descobrir padrões ocultos e fenômenos complexos que surgem entre diferentes compostos biológicos.

O objetivo principal deste trabalho é apresentar o protocolo completo que é comumente utilizado em estudos multiômicos, desde a formulação inicial do problema até as ferramentas úteis para a interpretação biológica dos resultados. O manuscrito descreve em detalhes os vários métodos de integração de dados multiômicos, incluindo abordagens baseadas em concatenação (baixo nível), baseadas em transformação (nível médio) e baseadas em modelo (alto nível), e destaca suas limitações e vantagens, juntamente com a apresentação de ferramentas gerais de visualização e diagnóstico.

Introduction

O campo da pesquisa biológica testemunhou avanços significativos nos últimos anos, particularmente na área de tecnologias ômicas. Essas tecnologias fornecem informações valiosas sobre a natureza complexa dos sistemas biológicos. No entanto, cada tecnologia ômica oferece uma perspectiva única sobre os componentes biológicos, necessitando da integração de dados multiômicos para obter uma compreensão abrangente.

A multiômica abrange várias classes de biomoléculas que podem ser definidas quantitativamente graças ao advento de novas e poderosas técnicas de sequenciamento de alto rendimento. Entre os diferentes tipos de tecnologias ômicas estão genômica, epigenômica, transcriptômica, proteômica, metabolômica, metagenômica, lipidômica e glicômica. A genômica envolve o estudo dos genomas de um organismo, enquanto a epigenômica se concentra na estrutura de suporte do genoma, incluindo aglutinantes de proteínas e RNA, estruturas alternativas de DNA e modificações químicas no DNA. A transcriptômica abrange o estudo de todas as moléculas de RNA, incluindo mRNA, rRNA, tRNA e outros RNAs não codificantes. A proteômica envolve o estudo de proteínas, incluindo modificações feitas em grupos específicos de proteínas. A metabolômica se concentra no conjunto de pequenas moléculas (metabólitos) dentro de uma matriz biológica. A metagenômica envolve o estudo de comunidades microbianas em habitats bem definidos com propriedades físico-químicas específicas. A lipidômica engloba o estudo de todo o complemento de lipídios celulares, enquanto a glicômica se concentra no estudo do glicoma, incluindo carboidratos e açúcares¹.

A integração de dados multi-ômicos tem ganhado cada vez mais atenção na comunidade científica devido ao seu potencial para desvendar fenômenos biológicos complexos. Ao combinar dados de várias tecnologias ômicas, os pesquisadores podem superar as limitações de conjuntos de dados individuais e obter uma visão mais holística dos sistemas biológicos. Essa abordagem integrada permite a identificação de novos biomarcadores, a descoberta de mecanismos de doenças e a elucidação de intrincadas vias biológicas.

O número de citações dos termos "Multiomics" e "Multi-omics" no PubMed aumentou significativamente ao longo dos anos, de 307 em 2018 para 1414 em 2021 e 3933 em 2023. A integração de diferentes tipos de variáveis ômicas está se tornando cada vez mais comum, pois permite uma investigação mais profunda sobre os mecanismos subjacentes às doenças e disfunções dos organismos. As abordagens ômicas únicas fornecem uma visão limitada e parcial da biologia oculta, pois se concentram em uma única perspectiva. No entanto, ao integrar dados multiômicos, podemos lançar luz sobre a interação de diferentes biomoléculas, entendendo as relações dentro de várias camadas e preenchendo a lacuna entre genótipo e fenótipo. No geral, as abordagens multiômicas podem ajudar a responder a questões importantes, como classificar diferentes subgrupos de doenças, prever biomarcadores fundamentais associados a doenças e obter uma melhor compreensão das vias e mecanismos biológicos. Nas seções a seguir, os diferentes conjuntos de dados ômicos também podem ser chamados de "visualizações" de dados ou "blocos" de dados.

As técnicas de integração multiômica podem ser classificadas em três subgrupos principais, conforme descrito por Reel et al. (2021)² e Ritchie et al. (2015)³ (Figura 1).

Integração ou concatenação inicial de baixo nível: essa abordagem envolve a concatenação de variáveis de cada conjunto de dados em uma única matriz. No entanto, a integração antecipada não considera a distribuição exclusiva de cada tipo de dados ômicos e pode atribuir mais peso a determinados tipos de dados ômicos com dimensões maiores. Também apresenta desafios como um risco aumentado da maldição da dimensionalidade, ruído adicional, variáveis altamente correlacionadas e problemas de escalabilidade computacional. Apesar dessas limitações, a integração precoce permite a identificação de mudanças coordenadas em várias camadas ômicas e melhora a interpretação biológica.

Integração de nível médio, médio ou baseada em transformação: Nesta abordagem, os modelos matemáticos de integração são aplicados às várias camadas de dados ômicos. A integração intermediária se concentra na fusão de subconjuntos ou representações extraídas das fontes. Duas subabordagens dentro da integração intermediária são a abordagem do meio para cima e a abordagem do meio para baixo. A abordagem middle-up envolve escores concatenados obtidos a partir da redução de dimensionalidade em cada bloco, tornando-a adequada para lidar com dados heterogêneos. No entanto, pode não ser interpretável. A abordagem do meio para baixo envolve a seleção de variáveis locais e a análise subsequente em subconjuntos de variáveis concatenadas, permitindo uma interpretação mais fácil dos modelos. A integração intermediária oferece vantagens como melhor relação sinal-ruído, dimensionalidade reduzida e melhor poder estatístico.

Integração tardia de alto nível ou baseada em modelo: essa abordagem envolve a realização de análises em cada nível ômico e a combinação dos resultados de maneira ad-hoc. Inclui a fusão de resultados de modelos de bloco único para identificar biomarcadores de cada fonte e fornecer uma interpretação conjunta dos resultados. A integração tardia não aumenta a dimensionalidade do espaço de entrada e funciona com a distribuição exclusiva de cada dado ômico. É particularmente apropriado quando uma camada ômica é mais preditiva do que outras. No entanto, a integração tardia pode ignorar as relações entre ômicas e enfrentar desafios relacionados à falta de compreensão das conexões entre os blocos de dados iniciais e a perda potencial de informações biológicas por meio de modelagem individual.

Protocol

1. Definição de questão(ões) de pesquisa

1. Articule claramente a(s) questão(ões) de pesquisa específica(s) que será(ão) abordada(s) por meio da integração multiômica. Por exemplo, Questão de pesquisa 1: Quais são as mudanças na expressão de proteínas e perfis de metabólitos que se correlacionam com a resposta ao tratamento? Questão de pesquisa 2: Como as variações genéticas influenciam os padrões de expressão gênica em pacientes com uma determinada doença? Questão de pesquisa 3: Como a integração de camadas ômicas específicas fornece uma compreensão abrangente de um processo biológico específico ou mecanismo de doença?
2. Considere a inclusão de várias tecnologias ômicas para pesquisar biomarcadores ou obter insights mecanicistas sobre doenças complexas. Observe que o aumento do tamanho da amostra pode ser necessário para a estratificação do paciente.

2. Seleção ômica

1. Identifique as tecnologias ômicas mais relevantes para a(s) questão(ões) de pesquisa e o sistema biológico em estudo. Por exemplo, no caso da pergunta 1, as tecnologias ômicas relevantes são proteômica e metabolômica; para a questão de pesquisa 2, genômica e transcriptômica; e para a questão de pesquisa 3, várias tecnologias ômicas.
2. Considere o objetivo do estudo e os recursos disponíveis ao escolher as camadas ômicas ideais. Os exemplos incluem metabolômica para pesquisa nutricional, genômica e transcriptômica para biologia do câncer e proteômica para várias doenças.

3. Garantir a qualidade dos dados

NOTA: Garanta a confiabilidade e a reprodutibilidade dos dados ômicos gerados seguindo as etapas descritas abaixo.

1. Projete cuidadosamente o experimento e mantenha condições experimentais consistentes e métodos de coleta de amostras em todas as camadas ômicas para minimizar os efeitos do lote.
2. Siga os protocolos estabelecidos e implemente medidas de controle de qualidade durante a geração de dados para cada conjunto de dados ômicos.
   1. Use padrões internos ou externos quando apropriado.
   2. Execute verificações de qualidade em conjuntos de dados ômicos individuais.
      1. Para dados genômicos, avalie métricas como pontuações de qualidade de leitura, composição de base e profundidade de sequenciamento para garantir dados de sequenciamento de alta qualidade, bem como qualidade de alinhamento e mapeamento e qualidade de chamada de variante, incluindo frequência de alelo, profundidade de leitura e anotação de variante.
      2. Para dados transcriptômicos, avalie métricas como distribuição de comprimento de leitura, composição de base e pontuações de qualidade Phred ao avaliar a qualidade de leitura e transcrição por milhão (TPM) ou fragmentos por quilobase de transcrição por milhão de leituras mapeadas (FPKM) ao avaliar a qualidade da quantificação da transcrição.
      3. Para dados proteômicos, considere métricas relevantes, como distribuição de intensidade de pico, relação sinal-ruído e precisão de massa ao avaliar a qualidade dos dados de espectrometria de massa e cobertura de sequência de peptídeos, pontuação de identificação de proteínas, taxa de descoberta falsa e reprodutibilidade de medições de abundância de proteínas ao avaliar a identificação de proteínas e qualidade de quantificação.
      4. Para dados metabolômicos, avalie métricas relevantes, como distribuição de intensidade de pico, relação sinal-ruído e precisão de massa ao avaliar a qualidade dos dados de espectrometria de massa e combinar espectros de massa com bancos de dados de referência ou usar padrões de fragmentação para elucidação estrutural ao avaliar a qualidade da identificação de metabólitos.

4. Pré-processamento de dados

1. Amostras sobrepostas
   1. Inclua apenas amostras que se sobrepõem em vários conjuntos de dados ômicos.
   2. Exclua blocos com um número insuficiente de amostras sobrepostas em comparação com outros blocos.
2. Imputação de valor ausente
   1. Manipule valores ausentes usando métodos estatísticos ou de aprendizado de máquina.
   2. Empregue técnicas como o método Adaptativo de Mínimos Quadrados (LSA) para imputação de valor ausente.
   3. Evite remover linhas com dados ausentes, especialmente ao lidar com amostras limitadas.
   4. Exclua variáveis com uma alta porcentagem de valores ausentes (por exemplo, 25% ou 30% de valores ausentes nas amostras).
3. Padronização
   1. Execute a manipulação de dados para garantir o dimensionamento consistente dos recursos.
   2. Impedir que recursos com efeitos maiores dominem aqueles com efeitos menores.
   3. Aplique transformações comuns, como transformação logarítmica, centralização e dimensionamento.
      NOTA: As transformações devem ser cuidadosamente escolhidas para manter a interpretabilidade dos dados originais.
4. Identificação de outliers
   1. Detecte valores discrepantes e extremos usando ferramentas como boxplots ou distância da mediana dos valores.
   2. Resolva exceções por meio de métodos apropriados, como transformação ou remoção de dados.

5. Redução da dimensionalidade

NOTA: Existem duas abordagens para a redução de dimensionalidade: a remoção de variáveis ruidosas e redundantes (seleção de recursos) ou a combinação de recursos para criar variáveis mais significativas (extração de recursos).

1. Identifique se o objetivo do estudo é preditivo (por exemplo, construir um modelo capaz de prever se um sujeito está saudável ou doente) ou analítico (por exemplo, quais variáveis são biomarcadores de uma doença).
   NOTA: Se o objetivo do estudo for analítico, a seleção de recursos é mais apropriada porque a extração de recursos pode resultar em perda de interpretabilidade.
2. Ao lidar com dados altamente dimensionais, é importante selecionar variáveis relevantes para o fenômeno estudado para facilitar a análise e interpretação, reduzir os recursos computacionais necessários e remover ruídos e informações redundantes que irão confundir os resultados.
3. Seleção de recursos
   1. Identifique o subconjunto de recursos informativos para o fenômeno de interesse.
   2. Use métodos de seleção de recursos classificados em categorias, como métodos de filtro, wrapper, incorporados e híbridos. No caso de multi-ômicas, métodos de seleção de biomarcadores também podem ser aplicados.
      NOTA: Considere as características do conjunto de dados ao escolher o método apropriado. Os métodos de wrapper fornecem os modelos de previsão mais precisos, mas exigem um tempo de computação muito mais longo do que os métodos de filtro ou incorporados. Uma tabela de resumo com vantagens e desvantagens de diferentes métodos de seleção e extração de recursos é fornecida na Tabela 1.
   3. Equilibre o desempenho do modelo final com o esforço computacional necessário para a seleção de recursos.
   4. Otimize o número de recursos selecionados para evitar subajuste ou sobreajuste.
      NOTA: Exemplos de riscos de sobreajuste são discutidos em um trabalho publicado anteriormente.
   5. Avalie o desempenho do modelo usando métricas como precisão, pontuação de área sob a curva (AUC) ou taxa de erro balanceada (BER).
4. Extração de recursos
   1. Transforme dados brutos em um conjunto reduzido de recursos significativos:
      1. Aplique técnicas como a Análise de Componentes Principais (PCA) para identificar padrões e relacionamentos importantes, projetando dados em um espaço de dimensão inferior.
      2. Utilize o t-SNE para visualizar dados de alta dimensão, preservando as semelhanças locais.
      3. Considere a Análise Discriminante Linear (LDA) para maximizar a separabilidade de classes.
      4. Explore os Autoencoders para aprender representações compactadas dos dados usando redes neurais.
         NOTA: A extração de recursos pode resultar em representações mais difíceis de interpretar. A Tabela 1 lista exemplos selecionados de seleção de recursos e métodos de extração de recursos⁵.

6. Seleção do método de integração

1. Identifique o(s) método(s) de integração mais relevante(s) a ser aplicado(s) aos dados.
   1. Se as amostras forem combinadas e houver indivíduos completos suficientes, prossiga com um método de integração inicial.
   2. Se as interações entre camadas devem ser levadas em consideração, não prossiga com um método de integração tardia.
   3. Se os sinais podem ser sutis, mas consistentes entre as camadas, um método de integração inicial pode ser mais adequado do que um método de integração tardia.
   4. Se for importante aproveitar a inter-relação de dados entre as diferentes camadas ômicas, escolha um método de integração intermediária.
   5. Integração de baixo nível de concatenação
      1. Se um (ou mais) dos blocos ômicos permanecer muito maior em número de recursos (variáveis) do que o resto, reduza sua dimensionalidade seguindo as etapas da seção 5.
      2. Concatene variáveis de cada conjunto de dados ômicos em uma matriz ampla.
      3. Transforme variáveis concatenadas para que elas tenham intervalos e distribuições semelhantes.
      4. Use a matriz de dados concatenada para análise subsequente, como a aplicação de algoritmos de aprendizado de máquina ou estratégias de redução de dimensionalidade.
         NOTA: A maneira mais comum de executar a integração de baixo nível é por meio da concatenação. No entanto, esses métodos podem resultar na perda de relacionamentos entre blocos ou insights específicos do bloco.
2. Integração de nível médio
   1. Escolha entre as seis categorias principais de integração de nível médio, dependendo do objetivo da análise.
      1. Baseado em similaridade: Use essa abordagem para avaliar a semelhança entre diferentes amostras ou características para identificar padrões ou subtipos dentro de doenças, em análise exploratória de dados onde as relações não são conhecidas a priori. Exemplo: SNF⁶.
      2. Baseado em correlação: Empregue este método para identificar e quantificar associações entre diferentes variáveis, em particular para avaliar como uma variável muda com as mudanças em outra. Exemplo: CNAMet⁷.
      3. Baseado em rede: use métodos baseados em rede para representar relacionamentos complexos entre recursos. É particularmente útil para descobrir clusters dentro da estrutura de dados e prever biomarcadores. Exemplos: NetICS⁸, PARADIGM⁹, scMoMtF¹⁰.
      4. Baseado em Bayesian: Use essa abordagem para incorporar conhecimento prévio na análise ou ao lidar com incertezas nos dados. É particularmente útil para inferir subtipos de doenças e prever biomarcadores com base em modelos probabilísticos. Exemplos: MOFA¹¹, iClusterPlus¹².
      5. Baseado em multivariação: Use este método para analisar várias variáveis simultaneamente, especialmente quando as interações entre essas variáveis são essenciais para a compreensão do sistema biológico. É útil tanto para agrupamento quanto para descoberta de biomarcadores. Exemplos: mixOmics¹³, JIVE^14,15_.
      6. Baseado em fusão: use esse método para combinar dados de diferentes camadas ômicas em uma única estrutura para aproveitar os pontos fortes de cada tipo de dados. É particularmente útil para análises abrangentes que requerem a integração de diversos conjuntos de dados. Exemplos: PFA¹⁶, PSDF¹⁷.
         NOTA: Com base em um forte processamento estatístico ou modelagem por técnicas de aprendizado de máquina, isso pode limitar os problemas presentes no caso de integrações de baixo ou alto nível.
   2. Aplique o método selecionado ao conjunto de dados multiômicos.
3. Integração de alto nível
   1. Execute uma análise de dados completa em cada bloco ômico de forma independente.
   2. Interpretar em conjunto os resultados obtidos na etapa anterior.

7. Análise estatística

1. Análise de expressão diferencial (DE)
   1. Prepare os dados garantindo que eles estejam formatados e normalizados corretamente.
      NOTA: Dependendo dos pacotes usados, o formato e a estrutura dos dados podem ser diferentes. Recomenda-se o uso de pacotes R, como limma¹⁸, edgeR¹⁹ ou DESeq2²⁰ para análise DE.
   2. Construa uma matriz de design que inclua coeficientes separados para cada grupo experimental, especificando as condições experimentais e as atribuições do grupo.
   3. Implemente um modelo linear e aplique-o a cada recurso, incorporando a matriz de design.
   4. Calcule estatísticas t moderadas e estatísticas F para avaliar a expressão diferencial.
   5. Use a moderação Bayes empírica de erros padrão para estimar as chances logarítmicas da expressão diferencial.
   6. Determinar limites de significância
      1. Considere um ponto de corte de valor de p de 0,05 para determinar a significância estatística.
      2. Defina os limites de alteração de log fold com base no tipo de recurso:
      3. Para metabólitos e proteínas, use uma mudança de log de log2 (1.1).
      4. Para transcrições, use uma alteração de log de log2 (1.5).
2. Clustering
   1. Selecione um método/algoritmo de clustering a ser usado.
      NOTA: Existem algoritmos de clustering projetados especificamente para dados multiômicos, como NEMO²¹, iCluster²² e JIVE²³.
   2. Determine o número de clusters se o método exigir. Algumas alternativas são o método do cotovelo, pontuação de silhueta ou estatística de lacuna para estimar o número ideal de clusters.
   3. Execute o algoritmo de clustering selecionado nos dados limpos.
   4. Otimize os parâmetros específicos do algoritmo conforme necessário.
   5. Avalie a qualidade dos resultados do agrupamento usando métricas de validação internas ou externas, como a pontuação da silhueta ou o índice Rand ajustado.
   6. Se apropriado e viável, valide a atribuição de cluster usando dados independentes ou um conjunto de dados de teste anteriormente excluído da análise de cluster.
3. Modelagem preditiva
   1. Avalie a necessidade de realizar modelagem preditiva em um estudo multiômico.
      NOTA: Os modelos preditivos podem ser aplicados após a integração multiômica para comparar como a precisão da previsão na classificação do resultado muda com base nos recursos selecionados por diferentes métodos.
   2. Se a decisão tomada na etapa 7.3.1 for positiva, prossiga com as etapas a seguir; caso contrário, vá para a etapa 8.
   3. Escolha um modelo preditivo adequado para aplicar.
      NOTA: Um exemplo de modelo a ser usado é o Random Forest (RF), um algoritmo de aprendizado de máquina que integra várias árvores de decisão para obter um resultado final.
   4. Ajuste os parâmetros do modelo (por exemplo, usando o pacote de acento circunflexo R).
   5. Divida o conjunto de dados em treinar e testar (60-40% ou 80-20%), de forma equilibrada para ter a mesma proporção de amostras de diferentes grupos.
   6. Execute o modelo no conjunto de trens.
   7. Calcule a precisão e a pontuação F1 no conjunto de testes para avaliar o desempenho do modelo.
   8. Repita as etapas 2 a 4 várias vezes (por exemplo, 1000) para aumentar a aleatoriedade.
   9. Calcule a média dos resultados da etapa 5.
   10. Precisão média do relatório e pontuação F1. Se não for satisfatório, vá para a etapa 1 para melhorar a seleção de parâmetros.
   11. Determine a importância do recurso usando a diminuição média na precisão (DMA) e a diminuição média na impureza (MDI).

8. Interpretação biológica:

1. Selecione uma ferramenta de enriquecimento de caminho (as ferramentas PEA comumente usadas são DAVID, GSEA, Enrichr e Metascape).
2. Insira a lista de genes ou proteínas na ferramenta de análise de enriquecimento de vias selecionada.
3. Selecione o banco de dados de caminho apropriado, como KEGG, Reactome ou GO, para realizar a análise.
   NOTA: Uma ferramenta que foi projetada especificamente para dados multiômicos é a Paintomics, que usa bancos de dados (KEGG, Reactome ou Mapman) para fornecer informações sobre as relações funcionais entre esses biomarcadores, bem como seu envolvimento em processos biológicos específicos²⁵.
4. Execute a análise de enriquecimento de caminho usando a ferramenta e o banco de dados selecionados.
5. Ajuste os parâmetros conforme necessário, como limite de significância, lista de genes ou método de correção.
6. Visualizar e avaliar os resultados finais (vias enriquecidas, FDR, diagramas de vias, mapas de calor, entre outros).

9. Experimentos de validação e acompanhamento

1. Validação técnica
   1. Verifique se ao usar diferentes técnicas analíticas nas mesmas amostras, também são encontrados resultados equivalentes.
      NOTA: Por exemplo, os resultados obtidos usando proteômica baseada em espectrometria de massa (MS) podem ser posteriormente validados usando um ensaio imunológico, como ensaio de imunoabsorção enzimática (ELISA).
2. Identifique experimentos de acompanhamento para validar os resultados obtidos.
3. Se possível, replique a descoberta analisando dados ômicos de uma coorte independente.
4. Para aplicações clínicas, realizar ensaios clínicos randomizados para demonstrar a validade clínica dos achados.
   1. Projetar e implementar um estudo controlado com um tamanho de amostra apropriado e randomização para avaliar a eficácia e segurança dos biomarcadores ou alvos identificados.
   2. Colete desfechos clínicos relevantes e meça o impacto dos fatores identificados nos resultados dos pacientes.

10. Ferramentas de visualização e diagnóstico

NOTA: Vários tipos de gráficos podem ser utilizados para ilustrar os resultados da análise de dados, fornecendo representações visuais das principais descobertas. Os gráficos comumente usados incluem gráficos de vulcões, mapas de calor, gráficos de circos e gráficos de Manhattan.

1. Parcelas de vulcões:
   1. Use gráficos de vulcão para resumir os resultados da análise de expressão diferencial (DEA).
   2. Exibir a relação entre significância estatística e magnitude da mudança entre os grupos testados.
   3. Identifique as principais características para um exame mais aprofundado com base em sua posição no gráfico.
2. Mapas de calor:
   1. Utilize mapas de calor para visualizar a magnitude de uma variável em diferentes categorias.
   2. Use cores para indicar a intensidade da variável, facilitando a identificação de padrões e clusters dentro dos conjuntos de dados.
3. Lotes de Manhattan:
   1. Empregue gráficos de Manhattan para resumir com eficiência os resultados do DEA e visualizar vários pontos de dados no mesmo gráfico.
   2. Comumente usado em Estudos de Associação Genômica Ampla (GWAS), mas também aplicável em estudos multiômicos.
4. Gráficos de Circos:
   1. Use gráficos circos, visualizações circulares, para explorar interações e correlações entre várias características moleculares.
   2. Descreva relacionamentos e conexões entre diferentes elementos de maneira abrangente e visualmente atraente.
      NOTA: Este estudo fornece exemplos de resultados representativos para cada tipo de parcela apresentado acima usando um conjunto de dados de teste de câncer.
5. Ferramentas de diagnóstico:
   NOTA: As ferramentas de visualização, juntamente com as métricas de desempenho, são muito importantes para fins de diagnóstico.
   1. Utilize curvas ROC (receiver operating characteristic) para avaliar o desempenho dos modelos de classificação.
   2. Use gráficos de carregamento e gráficos de análise de componentes principais (PCA) para visualizar as relações e padrões dentro dos dados.
      NOTA: Exemplos de resultados representativos para cada um desses gráficos usando um conjunto de dados de teste de câncer são mostrados na seção Resultados Representativos.
6. Métricas de desempenho para classificação binária
   NOTA: As métricas a seguir podem ser adaptadas para classificação multiclasse, como no exemplo apresentado, considerando cada classe versus o resto, para cada classe.
   1. Matriz de confusão: Use uma matriz de confusão (Tabela 2) para indicar os verdadeiros positivos e verdadeiros negativos na diagonal, verdadeiros negativos nos blocos inferiores direitos, falsos positivos nos blocos superiores direitos e falsos negativos nos blocos inferiores esquerdos.
   2. Precisão: É a proporção de identificações positivas que estavam corretas. Calcule a precisão usando a fórmula, TP / (TP + FP). Um modelo com uma precisão de 1 não tem falsos positivos. Se um modelo tiver uma precisão de 0,5, o modelo estará correto na metade do tempo.
      
   3. Recordação ou sensibilidade: Também conhecida como taxa de verdadeiros positivos ou taxa de acerto, é a proporção de positivos reais que foram identificados corretamente. Calcule a recordação ou sensibilidade usando a fórmula, TP/(TP + FN) ou TP/pos, onde pos = TP + FN é o número total de exemplos positivos.
      
   4. Especificidade: É a proporção de negativos reais que foram identificados corretamente. Calcule-o usando a fórmula, TN/neg, onde neg = TN + FP é o número total de exemplos negativos.
      
   5. Precisão: Proporção de previsões corretas (positivas e negativas). Calcule a precisão usando a fórmula:
      
   6. F-Score: F-Score é a média harmônica entre recordação e precisão. Calcule-o usando a fórmula:
      
   7. Precisão balanceada: A precisão balanceada (TAS) é a média da sensibilidade e da especificidade. Calcule-o usando a fórmula:
      
      onde TPR significa Taxa Verdadeira Positiva e corresponde à lembrança, e TNR significa Taxa Verdadeira Negativa e corresponde à especificidade.
   8. Taxa de erro balanceada: A taxa de erro balanceada (BER) é a média dos erros em cada classe. Calcule-o usando a fórmula:
      
      NOTA: O BER tem a vantagem de considerar a diferença de desempenho entre as classes, criando uma medida equilibrada da taxa de erro, limitando assim o efeito de um conjunto de dados desbalanceado. Uma taxa de erro de 0,5 representa um desempenho semelhante à adivinhação aleatória. Para DIABLO, o BER é a taxa de erro de classificação ponderada de cada bloco, dependendo da correlação entre os componentes e a condição de interesse. BER é o complemento de BA para 1, ou seja, BER = (1 - BAC).
   9. Área sob a curva: Calcule a área sob a curva (AUC) como a área abaixo do ROC (descrito na seção a seguir), obtida plotando a sensibilidade versus a especificidade.
      NOTA: Qual dessas métricas é mais adequada para a tarefa depende da importância dos falsos negativos e do equilíbrio ou desequilíbrio entre as classes. A precisão se concentra em minimizar falsos positivos, enquanto a lembrança se concentra em minimizar falsos negativos. Se houver uma baixa proporção de casos positivos, a precisão por si só pode não ser o melhor indicador para avaliar o desempenho de um modelo. Code.R é fornecido como Arquivo Suplementar 1.

Results

Como na análise de ômica única, a visualização é fundamental para a exploração de dados, integração de dados, reconhecimento de padrões, geração de hipóteses e comunicação de resultados. Especificamente, uma boa visualização de grandes volumes de dados é muito importante durante as etapas de pré-processamento de dados, auxiliando na verificação da normalização, identificação de outliers e muito mais. Em multiômicas, ainda mais, a visualização é vital, pois pode auxiliar na avaliação de tendências nas diferentes camadas/b...

Discussion

Identificar o conjunto de dados ômicos mais relevante é um dos primeiros passos em um estudo de integração multiômica. Na pesquisa nutricional, a metabolômica representa uma das primeiras camadas ômicas a serem observadas, pois pode destacar as vias metabólicas e os processos bioquímicos na base da intervenção dietética ou da resposta metabólica à ingestão de alimentos. Por outro lado, por exemplo, na biologia do câncer, a genômica e a transcriptômica, que fornecem informações sobre DNA,...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Apple M2 Pro macOS	Apple	14.3 (23D56)	Computador de processamento
ggplot2 R pacote	r-project.org	3.4.4	Criar visualizações de dados
ggpubr Pacote R	r-project.org	0.6.0	Criar gráficos prontos para publicação
ggrepel Pacote R	r-project.org	0.9.5	Posicionar automaticamente rótulos de texto não sobrepostos com ggplot2
pacote R	de rede r-project.org	0.22-5	Gráficos Tellis para o
pacote R limma R	r-project.org	3.58.1	Modelos lineares para mix de dados de microarrayOmics
Pacote	R r-project.org	6.25.1	Projeto de integração de dados ômicos
Pacote NEMO R	r-project.org	0.1.0	Agrupamento multi-ômico baseado em vizinhança
R	r-project.org	4.3.2 (2023-10-31)	Linguagem de programação para computação estatística e gráficos
R Studio	RStudio	2023.12.1+402 (2023.12.1+402)	Ambiente de desenvolvimento integrado para o
pacote R SNFtool R	r-project.org	2.3.1	Fusão de rede de similaridade
tidyr R pacote	r-project.org	1.3.1	Parâmetro de dados bagunçado arrumado
R pacote	r-project.org	1.3.0	Caracterizações organizadas do desempenho do modelo