Применение неконтролируемого мультиомного факторного анализа для выявления закономерностей вариаций и молекулярных процессов, связанных с сердечно-сосудистыми заболеваниями
20 сентября 2024 г.
Мы представляем гибкий, расширяемый рабочий процесс на основе Jupyter-lab для неконтролируемого анализа сложных мультиомных наборов данных, который сочетает в себе различные этапы предварительной обработки, оценку модели мультиомного факторного анализа и несколько последующих анализов.
Наш рабочий процесс позволяет легко анализировать сложные мультиомические наборы данных различных разрешений. Этот подход извлекает основные шаблоны вариантов, которые являются уникальными или общими для конкретных типов данных, и агрегирует их. Результирующие так называемые факторы могут быть затем связаны с молекулярными процессами и клиническими или техническими ковариатами.
Наш анализ был одним из первых, в котором модель MOFA была применена к мультиомике и одноклеточным данным нескольких образцов. Важно отметить, что эти образцы были взяты из клинической когорты пациентов с сердечным приступом. Это позволило нам идентифицировать многоклеточные иммунные сигнатуры, которые связаны с исходом и состоянием заболевания.
Таким образом, доступность одноклеточных и мультиомических наборов данных увеличивается, но часто особенности этих наборов данных анализируются только отдельно. Это ограничивает понимание, потому что обычно биологические процессы являются результатом взаимодействия между многочисленными особенностями и типами клеток. С помощью наших протоколов пользователи могут легко выполнить интегрированный анализ всего набора данных и идентифицировать эти многоклеточные программы.
Мы считаем, что применение этого протокола к дополнительным наборам мультиомиксных данных позволит получить новое представление о других заболеваниях или контекстах. Эти выводы затем послужат основой для будущих исследований биомаркеров или терапевтических исследований.
Обзор
В данной статье представлен гибкий и расширяемый рабочий процесс на базе Jupyter-lab для ненаправленного анализа сложных мультиомиксных наборов данных. Этот рабочий процесс позволяет выявлять основные паттерны вариантов, связанных с молекулярными процессами и клиническими ковариатами.
Основные компоненты исследования
Область науки
- Мультиомный анализ
- Клинические исследования
- Методологии анализа данных
Теоретические основы
- Мультиомные наборы данных могут различаться по разрешению и сложности.
- Понимание взаимосвязей между различными типами данных имеет решающее значение для биомедицинских исследований.
- Предыдущим подходам не хватало гибкости при анализе таких наборов данных.
- Клинические когорты предоставляют ценную информацию о механизмах развития заболеваний.
Цель исследования
- Разработать рабочий процесс для анализа мультиомных наборов данных.
- Выявить многоклеточные иммунные сигнатуры, связанные с клиническими исходами.
- Применить модель MOFA к мультиомным и одноклеточным данным.
Используемые методы
- Неконтролируемый анализ мультиомных наборов данных.
- Оценка модели мультиомного факторного анализа (MOFA).
- Интеграция различных этапов предварительной обработки.
- Последующий анализ связи факторов с клиническими ковариатами.
Основные результаты
- Выявление уникальных и общих закономерностей в различных типах данных.
- Связывание факторов с молекулярными процессами и клиническими исходами.
- Понимание иммунных сигнатур у пациентов с инфарктом миокарда.
- Демонстрация эффективности данного рабочего процесса в клинических исследованиях.
Выводы
- Разработанный рабочий процесс улучшает анализ сложных наборов данных.
- Он предоставляет надежную структуру для связывания мультиомных данных с клиническими выводами.
- Данный подход может быть применен в различных контекстах биомедицинских исследований.
Часто задаваемые вопросы
Практическая значимость для отрасли
Интеграция метода обучения без учителя — многоомного факторного анализа (MOFA) — в рабочие процессы на этапе поиска позволяет биофармацевтическим группам выявлять сложные молекулярные паттерны и многоклеточные программы, лежащие в основе сердечно-сосудистых заболеваний. Данный подход повышает точность прогнозирования за счет установления связи между многомерными омиксными данными и процессами, имеющими значение для заболевания, что способствует ранней валидации мишеней и поиску трансляционных биомаркеров. Масштабируемость и адаптивность этого рабочего процесса делают его универсальным инструментом для механистического снижения рисков и приоритизации проектов во всем портфеле разработок.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Позволяет анализировать многоклеточные иммунные сигнатуры, связанные с патологическими состояниями.
- Обеспечивает функциональную валидацию мишеней путем интеграции различных омиксных данных и клинических ковариат.
- Способствует биологическому снижению рисков за счет выявления общих и уникальных молекулярных факторов.
- Повышает точность прогнозирования при выборе мишеней и принятии решений о сортировке.
Скрининг и разработка анализа
- Подготавливает гармонизированные, прошедшие контроль качества мультиомные наборы данных для последующего анализа.
- Стандартизирует интеграцию и нормализацию данных по различным анализам и временным точкам.
- Формирует количественные показатели факторов, пригодные для сравнительного скрининга и проверки гипотез.
- Обеспечивает воспроизводимое извлечение молекулярных паттернов для разработки методов анализа.
Трансляционные и доклинические исследования
- Сопоставляет молекулярные факторы с клиническими фенотипами и прогрессированием заболевания.
- Обеспечивает непрерывность процесса от этапа открытия до доклинической валидации биомаркеров.
- Обосновывает продвижение с учетом рисков путем связывания омиксных сигнатур с подгруппами пациентов.
- Предоставляет данные о механизмах для трансляционных исследований сердечно-сосудистых и других заболеваний.
Интеграция конвейеров и рабочих процессов
Данный рабочий процесс на основе MOFA связывает этапы раннего поиска, идентификации ведущих соединений и трансляционных исследований, обеспечивая интегрированный анализ мультиомных и клинических данных.
- Поисковая биология: способствует проверке гипотез и уточнению путей передачи сигналов путем извлечения основных осей молекулярной вариабельности.
- Скрининг: обеспечивает гармонизированные количественные результаты для достижения высокой степени готовности и воспроизводимости анализа.
- Аналитика: предоставляет статистическое разложение дисперсии и анализ ассоциации факторов с клиническими ковариатами.
- Трансляционные исследования: связывают молекулярные паттерны с патологическими состояниями и исходами у пациентов для согласования биомаркеров.
- Корпоративное повторное использование: предлагает масштабируемый и адаптируемый рабочий процесс, применимый к различным мультиомным наборам данных и контекстам заболеваний.
Операционное и корпоративное воздействие
- Научная ценность: повышает прогностическую уверенность и снижает механистическую неоднозначность при валидации мишеней.
- Операционная ценность: стандартизирует обработку и анализ мультиомных данных для обеспечения воспроизводимости и масштабируемости.
- Стратегическая ценность: позволяет принимать обоснованные решения о продолжении или прекращении разработки (go/no-go) и эффективно управлять капиталовложениями в портфель.
- Влияние на портфель: способствует приоритизации с учетом рисков и продвижению программ по поиску новых лекарственных средств.
Особенности реализации
- Требуются экспертные знания в области интеграции мультиомных данных и статистического моделирования.
- Зависит от наличия надежной вычислительной инфраструктуры и управления рабочими процессами на базе Jupyter.
- Необходима стандартизированная предварительная обработка и гармонизация данных по всем анализам.
- Применим к различным омиксным платформам и релевантным моделям заболеваний.
- Ограничено качеством входных данных и сложностью включенных клинических ковариат.
