Method Article

Biyolojik araştırmalarda multi-omik entegrasyon için kapsamlı bir protokol ve adım adım kılavuz

DOI:

10.3791/66995

⸱

August 8th, 2025

 ,  ,  , 
1Nestlé Institute of Food Safety & Analytical Sciences, Nestlé Research, 2D-USYS, ETH Zürich, 3Statistical Genetics Group, University of Lausanne (UNIL)

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, çoklu omik verileri entegre etme yöntemlerini (birleştirme, dönüştürme ve model tabanlı) detaylandırır. Genomik, epigenomik, transkriptomik, proteomik, metabolomik, metagenomik, lipidomik ve glikomiklerden elde edilen verileri birleştirerek, biyolojik sistemlerin kapsamlı bir şekilde anlaşılması sağlanır. El yazması, çoklu omik entegrasyon için sınırlamaları, avantajları ve görselleştirme araçlarını vurgulayan adım adım yönergeler sağlar.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makale, multi-omik verileri biyolojik araştırmalara entegre etmek için kapsamlı bir adım adım kılavuz sağlar.

Çoklu omik veri entegrasyonu, aynı biyolojik numune seti üzerinde ölçülen verilerin genomik, epigenomik, transkriptomik, proteomik, metabolomik, mikrobiyom, lipidomik ve glikomik gibi farklı omik teknolojilerle birleştirilmesi ve analiz edilmesi sürecini ifade eder. Çoklu omik yaklaşımlar, tek blok veya tek omik analizlerle benzer hedeflere sahip olsa da (örneğin, tanımlama, ayrımcılık, sınıflandırma veya tahmin), daha geniş bir moleküler bilgi spektrumu yakalayabilirler, böylece biyolojik sistemler ve karmaşık etkileşimleri hakkında daha derin bir anlayış sağlarlar. Gerçekten de, çoklu omik veri kümelerinin kombinasyonu, tahmin doğruluğunun iyileştirilmesini sağlar ve özellikle mevcut numune sayısının sınırlı olduğu durumlarda daha sağlam sonuçlar verir. Ayrıca, makine öğrenimi tekniklerinin en son gelişmesi sayesinde, multi-omik analizler günümüzde farklı biyolojik bileşikler arasında ortaya çıkan gizli kalıpları ve karmaşık olayları ortaya çıkarmak için uygundur.

Bu çalışmanın birincil amacı, problemin ilk formülasyonundan sonuçların biyolojik yorumlanması için yararlı araçlara kadar multi-omik çalışmalarda yaygın olarak kullanılan tam protokolü sunmaktır. Makale, birleştirme tabanlı (düşük seviyeli), dönüşüm tabanlı (orta seviyeli) ve model tabanlı (yüksek seviyeli) yaklaşımlar dahil olmak üzere çoklu omik verileri entegre etmenin çeşitli yöntemlerini ayrıntılı olarak açıklar ve genel görselleştirme ve teşhis araçlarının sunumu ile birlikte bunların sınırlamalarını ve avantajlarını vurgular.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Biyolojik araştırma alanı, son yıllarda, özellikle omik teknolojiler alanında önemli gelişmelere tanık olmuştur. Bu teknolojiler, biyolojik sistemlerin karmaşık doğası hakkında değerli bilgiler sağlar. Bununla birlikte, her omik teknolojisi, biyolojik bileşenler hakkında benzersiz bir bakış açısı sunar ve kapsamlı bir anlayış elde etmek için çoklu omik verilerin entegrasyonunu gerektirir.

Multi-omics, yeni ve güçlü yüksek verimli dizileme tekniklerinin ortaya çıkması sayesinde kantitatif olarak tanımlanabilen çeşitli biyomolekül sınıflarını kapsar. Farklı omik teknoloji türleri arasında genomik, epigenomik, transkriptomik, proteomik, metabolomik, metagenomik, lipidomik ve glikomik bulunur. Genomik, bir organizmanın genomlarının incelenmesini içerirken, epigenomik, protein ve RNA bağlayıcıları, alternatif DNA yapıları ve DNA üzerindeki kimyasal modifikasyonlar dahil olmak üzere genomun destekleyici yapısına odaklanır. Transkriptomik, mRNA, rRNA, tRNA ve diğer kodlamayan RNA'lar dahil olmak üzere tüm RNA moleküllerinin çalışmasını kapsar. Proteomik, belirli protein gruplarında yapılan modifikasyonlar da dahil olmak üzere proteinlerin incelenmesini içerir. Metabolomik, biyolojik bir matris içindeki küçük moleküllerin (metabolitler) topluluğuna odaklanır. Metagenomik, belirli fiziko-kimyasal özelliklere sahip iyi tanımlanmış habitatlardaki mikrobiyal toplulukların incelenmesini içerir. Lipidomik, hücresel lipitlerin tüm tamamlayıcısının çalışmasını kapsarken, glikomik, karbonhidratlar ve şekerler1 dahil olmak üzere glikomun çalışmasına odaklanır.

Multi-omik verilerin entegrasyonu, karmaşık biyolojik olayları çözme potansiyeli nedeniyle bilim camiasında artan bir ilgi görmüştür. Araştırmacılar, birden fazla omik teknolojisinden gelen verileri birleştirerek, bireysel veri kümelerinin sınırlamalarının üstesinden gelebilir ve biyolojik sistemler hakkında daha bütünsel bir bakış açısı elde edebilirler. Bu entegre yaklaşım, yeni biyobelirteçlerin tanımlanmasına, hastalık mekanizmalarının keşfedilmesine ve karmaşık biyolojik yolların aydınlatılmasına olanak tanır.

PubMed'de "Multiomik" ve "Multi-omik" terimlerinin alıntı sayısı yıllar içinde önemli ölçüde artarak 2018'de 307'den 2021'de 1414'e ve 2023'te 3933'e yükseldi. Farklı türdeki omik değişkenlerin entegrasyonu, organizmaların hastalıklarının ve işlev bozukluklarının altında yatan mekanizmaların daha derin bir şekilde araştırılmasına izin verdiği için giderek daha yaygın hale gelmektedir. Tek omik yaklaşımlar, tek bir bakış açısına odaklandıkları için gizli biyolojinin sınırlı, kısmi bir görünümünü sağlar. Bununla birlikte, çoklu omik verileri entegre ederek, farklı biyomoleküllerin etkileşimine ışık tutabilir, çoklu katmanlar içindeki ilişkileri anlayabilir ve genotip ile fenotip arasındaki boşluğu doldurabiliriz. Genel olarak, multi-omik yaklaşımlar, farklı hastalık alt gruplarını sınıflandırmak, hastalıkla ilişkili temel biyobelirteçleri tahmin etmek ve biyolojik yollar ve mekanizmalar hakkında daha iyi bir anlayış kazanmak gibi önemli soruların yanıtlanmasına yardımcı olabilir. Aşağıdaki bölümlerde, farklı omik veri kümeleri veri "görünümleri" veya veri "blokları" olarak da adlandırılabilir.

Multi-omik entegrasyon teknikleri, Reel ve ark. (2021)2 ve Ritchie ve ark. (2015)3 (Şekil 1).

Düşük düzeyli, erken tümleştirme veya birleştirme: Bu yaklaşım, her bir veri kümesindeki değişkenleri tek bir matriste birleştirmeyi içerir. Bununla birlikte, erken entegrasyon, her bir omik veri türünün benzersiz dağılımını dikkate almaz ve daha büyük boyutlara sahip belirli omik veri türlerine daha fazla ağırlık atayabilir. Ayrıca, boyutluluk laneti riskinin artması, ek gürültü, yüksek oranda ilişkili değişkenler ve hesaplama ölçeklenebilirliği sorunları gibi zorluklar da ortaya çıkarır. Bu sınırlamalara rağmen, erken entegrasyon, birden fazla omik katmandaki koordineli değişikliklerin tanımlanmasına izin verir ve biyolojik yorumlamayı geliştirir.

Orta seviye, orta entegrasyon veya dönüşüm tabanlı: Bu yaklaşımda, matematiksel entegrasyon modelleri, omik verilerin birden çok katmanına uygulanır. Orta entegrasyon, kaynaklardan çıkarılan alt kümelerin veya temsillerin füzyonuna odaklanır. Orta entegrasyon içindeki iki alt yaklaşım, ortadan yukarı yaklaşımı ve ortadan aşağıya yaklaşımıdır. Orta-yukarı yaklaşımı, her blokta boyutsallığın azaltılmasından elde edilen birleştirilmiş puanları içerir ve bu da onu heterojen verilerin işlenmesine uygun hale getirir. Ancak, yorumlanabilirlikten yoksun olabilir. Ortadan aşağıya yaklaşım, modellerin daha kolay yorumlanmasına olanak tanıyan yerel değişken seçimini ve birleştirilmiş değişken alt kümeleri üzerinde müteakip analizi içerir. Orta entegrasyon, geliştirilmiş sinyal-gürültü oranı, azaltılmış boyutsallık ve iyileştirilmiş istatistiksel güç gibi avantajlar sunar.

Üst düzey, geç entegrasyon veya model tabanlı: Bu yaklaşım, her bir omik seviyede analizler gerçekleştirmeyi ve sonuçları geçici bir şekilde birleştirmeyi içerir. Her bir kaynaktan biyobelirteçleri tanımlamak ve sonuçların ortak bir yorumunu sağlamak için tek blok modellerinden elde edilen sonuçların füzyonunu içerir. Geç entegrasyon, giriş alanının boyutsallığını artırmaz ve her bir omik verinin benzersiz dağılımı ile çalışır. Bir omik katmanın diğerlerinden daha öngörücü olması özellikle uygundur. Bununla birlikte, geç entegrasyon, çapraz omik ilişkileri gözden kaçırabilir ve ilk veri blokları arasındaki bağlantıların anlaşılmaması ve bireysel modelleme yoluyla potansiyel biyolojik bilgi kaybı ile ilgili zorluklarla karşı karşıya kalabilir.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Araştırma soru(lar)ının tanımı

  1. Multi-omik entegrasyon yoluyla ele alınacak belirli araştırma sorularını açıkça ifade edin. Örneğin, Araştırma sorusu 1: Tedavi yanıtı ile ilişkili protein ekspresyonu ve metabolit profillerindeki değişiklikler nelerdir? Araştırma sorusu 2: Genetik varyasyonlar, belirli bir hastalığı olan hastalarda gen ekspresyon modellerini nasıl etkiler? Araştırma sorusu 3: Belirli omik katmanların entegrasyonu, belirli bir biyolojik sürecin veya hastalık mekanizmasının kapsamlı bir şekilde anlaşılmasını nasıl sağlar?
  2. Biyobelirteçleri aramak veya karmaşık hastalıklar hakkında mekanik bilgiler edinmek için birden fazla omik teknolojisinin dahil edilmesini düşünün. Hasta tabakalaşması için örneklem boyutunun arttırılmasının gerekli olabileceğini unutmayın.

2. Omik seçimi

  1. Araştırma soru(lar)ı ve incelenen biyolojik sistem için en uygun omik teknolojileri belirleyin. Örneğin, soru 1 durumunda, ilgili omik teknolojiler proteomik ve metabolomiktir; Araştırma Sorusu 2 için Genomik ve Transkriptomik; ve araştırma sorusu 3 için, birkaç OMIC teknolojisi.
  2. İdeal omik katmanları seçerken çalışmanın amacını ve mevcut kaynakları göz önünde bulundurun. Örnekler arasında beslenme araştırmaları için metabolomik, kanser biyolojisi için genomik ve transkriptomik ve çeşitli hastalıklar için proteomik sayılabilir.

3. Veri kalitesinin sağlanması

NOT: Aşağıda açıklanan adımlar izlenerek oluşturulan omik verilerin veri güvenilirliğini ve tekrarlanabilirliğini sağlayın.

  1. Deneyi dikkatli bir şekilde tasarlayın ve toplu etkileri en aza indirmek için tüm omik katmanlarında tutarlı deney koşulları ve numune toplama yöntemlerini koruyun.
  2. Her omic veri kümesi için veri oluşturma sırasında yerleşik protokolleri takip edin ve kalite kontrol önlemlerini uygulayın.
    1. Uygun olduğunda iç veya dış standartları kullanın.
    2. Bireysel omik veri kümelerinde kalite kontrolleri gerçekleştirin.
      1. Genomik veriler için, yüksek kaliteli dizileme verilerinin yanı sıra hizalama ve eşleme kalitesi ve alel frekansı, okuma derinliği ve varyant açıklaması dahil olmak üzere varyant çağırma kalitesi kalitesini sağlamak için okuma kalitesi puanları, temel kompozisyon ve sıralama derinliği gibi ölçümleri değerlendirin.
      2. Transkriptomik veriler için, okuma kalitesini değerlendirirken okuma uzunluğu dağılımı, baz bileşimi ve Phred kalite puanları gibi ölçümleri ve transkript niceleme kalitesini değerlendirirken milyon başına transkript (TPM) veya milyon eşlenen okuma başına transkript kilotabanı başına parça sayısı (FPKM) gibi ölçümleri değerlendirin.
      3. Proteomik veriler için, kütle spektrometresi veri kalitesini ve peptit dizisi kapsamını değerlendirirken tepe yoğunluk dağılımı, sinyal-gürültü oranı ve kütle doğruluğu gibi ilgili ölçümleri, protein tanımlama puanını, yanlış keşif oranını ve protein bolluğu ölçümlerinin tekrarlanabilirliğini göz önünde bulundurun.
      4. Metabolomik veriler için, kütle spektrometresi veri kalitesini değerlendirirken ve kütle spektrumlarını referans veritabanlarıyla eşleştirirken veya metabolit tanımlama kalitesini değerlendirirken yapısal açıklama için parçalanma modellerini kullanırken tepe yoğunluk dağılımı, sinyal-gürültü oranı ve kütle doğruluğu gibi ilgili ölçümleri değerlendirin.

4. Veri ön işleme

  1. Çakışan örnekler
    1. Yalnızca birden çok omik veri kümesinde çakışan örnekleri dahil edin.
    2. Diğer bloklara kıyasla yetersiz sayıda çakışan örneğe sahip blokları hariç tutun.
  2. Eksik değer ataması
    1. İstatistiksel veya makine öğrenimi yöntemlerini kullanarak eksik değerleri işleyin.
    2. Eksik değer ataması için En Küçük Kareler Uyarlanabilir (LSA) yöntemi gibi teknikler kullanın.
    3. Özellikle sınırlı örneklerle uğraşırken eksik veri içeren satırları kaldırmaktan kaçının.
    4. Eksik değer yüzdesi yüksek olan değişkenleri hariç tutun (ör. örnekler arasında % veya 0 eksik değerler).
  3. Standardizasyon
    1. Özelliklerin tutarlı bir şekilde ölçeklendirilmesini sağlamak için veri işleme gerçekleştirin.
    2. Daha büyük efektlere sahip özelliklerin daha küçük efektlere sahip olanlara baskın olmasını önleyin.
    3. Logaritmik dönüştürme, merkezleme ve ölçeklendirme gibi yaygın dönüştürmeleri uygulayın.
      NOT: Orijinal verilerin yorumlanabilirliğini korumak için dönüşümler dikkatli bir şekilde seçilmelidir.
  4. Aykırı değer tanımlama
    1. Kutu çizimleri veya değerlerin medyanından uzaklık gibi araçları kullanarak aykırı değerleri ve uç değerleri tespit edin.
    2. Veri dönüştürme veya kaldırma gibi uygun yöntemlerle aykırı değerleri ele alın.

5. Boyutsallığın azaltılması

NOT: Boyutsallığı azaltmaya yönelik iki yaklaşım vardır: gürültülü ve gereksiz değişkenlerin kaldırılması (özellik seçimi) veya daha anlamlı değişkenler oluşturmak için özelliklerin kombinasyonu (özellik çıkarma).

  1. Çalışmanın amacının öngörücü (örneğin, bir deneğin sağlıklı mı yoksa hasta mı olduğunu tahmin edebilen bir model oluşturun) veya analitik (örneğin, hangi değişkenlerin bir hastalığın biyobelirteçleri olduğu) olup olmadığını belirleyin.
    NOT: Etüdün amacı analitik ise, özellik çıkarımı yorumlanabilirlik kaybına neden olabileceğinden özellik seçimi daha uygundur.
  2. Yüksek boyutlu verilerle uğraşırken, analiz ve yorumlamayı kolaylaştırmak, ihtiyaç duyulan hesaplama kaynaklarını azaltmak ve sonuçları karıştıracak gürültüyü ve gereksiz bilgileri ortadan kaldırmak için incelenen fenomene uygun değişkenleri seçmek önemlidir.
  3. Özellik seçimi
    1. İlgilenilen fenomen için bilgilendirici özelliklerin alt kümesini tanımlayın.
    2. Filtre, sarmalayıcı, katıştırılmış ve karma yöntemler gibi kategorilere ayrılmış özellik seçim yöntemlerini kullanın. Multi-omik söz konusu olduğunda, biyobelirteç seçim yöntemleri de uygulanabilir.
      NOT: Uygun yöntemi seçerken veri kümesi özelliklerini göz önünde bulundurun. Sarmalayıcı yöntemler en doğru tahmin modellerini sağlar, ancak filtre veya katıştırılmış yöntemlerden çok daha uzun bir hesaplama süresi gerektirir. Farklı özellik seçimi ve çıkarma yöntemlerinin avantaj ve dezavantajlarını içeren bir özet tablo Tablo 1'de verilmiştir.
    3. Son modelin performansını, özellik seçimi için gereken hesaplama çabasıyla dengeleyin.
    4. Yetersiz veya aşırı öğrenmeyi önlemek için seçilen özelliklerin sayısını optimize edin.
      NOT: Aşırı öğrenme risklerinin örnekleri daha önce yayınlanmış bir çalışmada tartışılmıştır.
    5. Doğruluk, eğrinin altındaki alan (AUC) puanı veya dengeli hata oranı (BER) gibi ölçümleri kullanarak modelin performansını değerlendirin.
  4. Özellik ayıklama
    1. Ham verileri azaltılmış bir dizi anlamlı özelliğe dönüştürün:
      1. Verileri daha düşük boyutlu bir alana yansıtarak önemli kalıpları ve ilişkileri belirlemek için Temel Bileşen Analizi (PCA) gibi teknikleri uygulayın.
      2. Yerel benzerlikleri korurken yüksek boyutlu verileri görselleştirmek için t-SNE'yi kullanın.
      3. Sınıf ayrılabilirliğini en üst düzeye çıkarmak için Doğrusal Diskriminant Analizi'ni (LDA) göz önünde bulundurun.
      4. Sinir ağlarını kullanarak verilerin sıkıştırılmış temsillerini öğrenmek için Otomatik Kodlayıcıları keşfedin.
        NOT: Unsur ayıklama, yorumlanması daha zor gösterimlere neden olabilir. Tablo 1 , özellik seçimi ve öznitelik çıkarma yöntemlerinin seçilmiş örneklerini listeler5.

6. Entegrasyon yöntemi seçimi

  1. Verilere uygulanacak en uygun entegrasyon yöntemlerini belirleyin.
    1. Örnekler eşleşirse ve yeterli sayıda tam denek varsa, erken entegrasyon yöntemiyle devam edin.
    2. Katmanlar arası etkileşimlerin dikkate alınması gerekiyorsa, geç entegrasyon yöntemiyle ilerlemeyin.
    3. Sinyaller ince ancak katmanlar arasında tutarlı olabilirse, erken entegrasyon yöntemi geç entegrasyon yönteminden daha uygun olabilir.
    4. Farklı omik katmanlar arasındaki verilerin karşılıklı ilişkisinden yararlanmak önemliyse, bir orta entegrasyon yöntemi seçin.
    5. Birleştirmenin düşük seviyeli tümleştirmesi
      1. Omik bloklardan biri (veya daha fazlası) özellik (değişken) sayısı bakımından diğerlerinden çok daha büyük kalırsa, bölüm 5'teki adımları izleyerek (onların) boyutluluğunu azaltın.
      2. Her bir omik veri kümesindeki değişkenleri tek bir geniş matriste birleştirin.
      3. Birleştirilmiş değişkenleri benzer aralıklara ve dağılımlara sahip olacak şekilde dönüştürün.
      4. Makine öğrenimi algoritmaları veya boyutsallık azaltma stratejileri uygulama gibi sonraki analizler için birleştirilmiş veri matrisini kullanın.
        NOT: Düşük düzeyli tümleştirme gerçekleştirmenin en yaygın yolu birleştirmedir. Ancak bu yöntemler, bloklar veya bloğa özgü içgörüler arasındaki ilişkilerin kaybolmasına neden olabilir.
  2. Orta seviye entegrasyon
    1. Analizin amacına bağlı olarak altı ana orta düzey entegrasyon kategorisinden birini seçin.
      1. Benzerliğe dayalı: İlişkilerin a priori olarak bilinmediği keşifsel veri analizinde, hastalıklardaki kalıpları veya alt tipleri belirlemek için farklı örnekler veya özellikler arasındaki benzerliği değerlendirmek için bu yaklaşımı kullanın. Örnek: SNF6.
      2. Korelasyona dayalı: Farklı değişkenler arasındaki ilişkileri belirlemek ve ölçmek, özellikle bir değişkenin diğerindeki değişikliklerle nasıl değiştiğini değerlendirmek için bu yöntemi kullanın. Örnek: CNAMet7.
      3. Ağ tabanlı: Özellikler arasındaki karmaşık ilişkileri temsil etmek için ağ tabanlı yöntemler kullanın. Veri yapısı içindeki kümeleri ortaya çıkarmak ve biyobelirteçleri tahmin etmek özellikle yararlıdır. Örnekler: NetICS8, PARADIGM9, scMoMtF10.
      4. Bayes tabanlı: Önceki bilgileri analize dahil etmek için veya verilerdeki belirsizliklerle uğraşırken bu yaklaşımı kullanın. Hastalık alt tiplerini çıkarmak ve olasılıksal modellere dayalı biyobelirteçleri tahmin etmek için özellikle yararlıdır. Örnekler: MOFA11, iClusterPlus12.
      5. Çok değişkenli tabanlı: Birden fazla değişkeni aynı anda analiz etmek için bu yöntemi kullanın, özellikle de bu değişkenler arasındaki etkileşimler biyolojik sistemi anlamak için gerekli olduğunda. Hem kümeleme hem de biyobelirteç keşfi için kullanışlıdır. Örnekler: mixOmics13, JIVE14,15.
      6. Füzyon tabanlı: Her bir veri türünün güçlü yönlerinden yararlanmak için farklı omik katmanlarından gelen verileri tek bir çerçevede birleştirmek için bu yöntemi kullanın. Çeşitli veri kümelerinin entegrasyonunu gerektiren kapsamlı analizler için özellikle yararlıdır. Örnekler: PFA16, PSDF17.
        NOT: Güçlü istatistiksel işlemeye veya makine öğrenimi teknikleriyle modellemeye dayalı olarak, Düşük veya Üst düzey entegrasyonlar durumunda mevcut olan sorunları sınırlayabilir.
    2. Seçilen yöntemi multi-omics veri kümesine uygulayın.
  3. Üst düzey entegrasyon
    1. Her bir omik blok üzerinde bağımsız olarak tam bir veri analizi gerçekleştirin.
    2. Önceki adımda elde edilen sonuçları birlikte yorumlayın.

7. İstatistiksel analiz

  1. Diferansiyel ifade (DE) analizi
    1. Verilerin düzgün biçimlendirildiğinden ve normalleştirildiğinden emin olarak verileri hazırlayın.
      NOT: Kullanılan paketlere bağlı olarak, veri formatı ve yapısı farklılık gösterebilir. DE analizi için limma18, edgeR19 veya DESeq220 gibi R paketlerinin kullanılması önerilir.
    2. Her deney grubu için ayrı katsayılar içeren, deney koşullarını ve grup atamalarını belirten bir tasarım matrisi oluşturun.
    3. Doğrusal bir model uygulayın ve tasarım matrisini dahil ederek her özelliğe uygulayın.
    4. Diferansiyel ifadeyi değerlendirmek için ılımlı t-istatistiklerini ve F-istatistiklerini hesaplayın.
    5. Diferansiyel ifadenin log-oranlarını tahmin etmek için standart hataların ampirik Bayes moderasyonunu kullanın.
    6. Anlamlılık eşiklerini belirleme
      1. İstatistiksel anlamlılığı belirlemek için 0,05'lik bir p değeri kesmeyi düşünün.
      2. Özellik türüne göre günlük katlama değişiklik eşiklerini ayarlayın:
      3. Metabolitler ve proteinler için, log2 (1.1) 'nin log kat değişikliğini kullanın.
      4. Transkriptler için, log2(1.5)'in günlük katlama değişikliğini kullanın.
  2. Kümeleme
    1. Kullanılacak bir kümeleme yöntemi/algoritması seçin.
      NOT: NEMO21, iCluster22 ve JIVE23 gibi çoklu omik veriler için özel olarak tasarlanmış kümeleme algoritmaları vardır.
    2. Yöntem gerektiriyorsa küme sayısını belirleyin. Bazı alternatifler, en uygun küme sayısını tahmin etmek için dirsek yöntemi, siluet skoru veya boşluk istatistiğidir.
    3. Temizlenen veriler üzerinde seçili kümeleme algoritmasını çalıştırın.
    4. Algoritmaya özgü parametreleri gerektiği gibi optimize edin.
    5. Siluet puanı veya düzeltilmiş Rand indeksi gibi dahili veya harici doğrulama ölçümlerini kullanarak kümeleme sonuçlarının kalitesini değerlendirin.
    6. Uygun ve uygulanabilirse, bağımsız veriler veya daha önce küme analizinden dışlanmış bir test veri kümesi kullanarak küme atamasını doğrulayın.
  3. Tahmine dayalı modelleme
    1. Bir multi-omik çalışmada tahmine dayalı modelleme yapma ihtiyacını değerlendirin.
      NOT: Tahmine dayalı modeller, farklı yöntemlerle seçilen özelliklere bağlı olarak sonuç sınıflandırmasına ilişkin tahminin doğruluğunun nasıl değiştiğini karşılaştırmak için çoklu omik entegrasyondan sonra uygulanabilir.
    2. Adım 7.3.1'de alınan karar olumluysa, aşağıdaki adımlarla devam edin; Aksi takdirde, adım 8'e gidin.
    3. Uygulamak için uygun bir tahmine dayalı model seçin.
      NOT: Kullanılacak bir model örneği, nihai bir sonuç elde etmek için birden çok karar ağacını entegre eden bir makine öğrenimi algoritması olan Rastgele Orman'dır (RF).
    4. Model parametrelerine ince ayar yapın (örneğin, R şapka paketini kullanarak).








    2. figure-protocol-1

    3. figure-protocol-2

    4. figure-protocol-3

    5. figure-protocol-4

    6. figure-protocol-5

    7. figure-protocol-6

    8. figure-protocol-7

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tek omik analizde olduğu gibi, görselleştirme veri keşfi, veri entegrasyonu, örüntü tanıma, hipotez oluşturma ve sonuçların iletilmesi için anahtardır. Özellikle, büyük verilerin iyi bir şekilde görselleştirilmesi, veri ön işleme adımları sırasında çok önemlidir ve normalleştirmenin doğrulanmasına, aykırı değerlerin belirlenmesine ve daha pek çok şeye yardımcı olur. Çoklu omiklerde, daha da önemlisi, görselleştirme hayati önem taşır, çünkü farklı omik katmanlardaki/bloklardaki eğilimlerin değerlendirilmesine yardımcı ola...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En ilgili omik veri setini belirlemek, çoklu omik entegrasyon çalışmasının ilk adımlarından biridir. Beslenme araştırmalarında, metabolomik, diyet müdahalesinin veya gıda alımına metabolik yanıtın temelinde metabolik yolları ve biyokimyasal süreçleri vurgulayabildiğinden, bakılması gereken ilk omik katmanlardan birini temsil eder. Öte yandan, örneğin kanser biyolojisinde, DNA, genetik varyantlar ve gen ekspresyon bozuklukları hakkında bilgi veren genomik ve transkriptomik, tümör etiyoloj...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

E. A., R. R ve O. C, Société des Produits Nestlé SA'nın çalışanlarıdır.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar Dr. Michael Affolter, Dr. Loïc Dayon, Dr. Jean Philippe Godin, Dr. Francesca Giuffrida, Dr. Eugenia Migliavacca, Prof. Anne-Florence Bitbol ve Prof. Zoltan Kutalik'in desteğini kabul etmektedir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Apple M2 Pro macOSApple14.3 (23D56)İşleme bilgisayarı
ggplot2 R paketir-project.org3.4.4Veri görselleştirmeleri oluşturun
ggpubr R paketir-project.org0.6.0Yayına hazır grafikler oluşturun
ggrepel R paketir-project.org0.9.5Örtüşmeyen metin etiketlerini ggplot2 ile otomatik olarak konumlandırın
kafes R paketir-project.org0.22-5
limma R paketigrafikleri r-project.org3.58.1Mikrodizi veri karışımı için doğrusal
modellerOmics R paketir-project.org6.25.1Omic veri entegrasyon projesi
NEMO R paketir-project.org 0.1.0Komşuluk tabanlı çoklu omik kümeleme
R r-project.org4.3.2 (2023-10-31)İstatistiksel hesaplama ve grafikler için programlama dili
R StudioRStudio2023.12.1+402 (2023.12.1+402)R için entegre geliştirme ortamı
SNFtool R paketir-project.org2.3.1Benzerlik ağı füzyon
tidyr R paketir-project.org1.3.1Düzenli dağınık veri
kıstası R paketr-project.org1.3.0Model performansının düzenli karakterizasyonları
R için Tellis

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hasin, Y., Seldin, M., Lusis, A. Multi-omics approaches to disease. Genome Biol. 18 (1), 83(2017).
  2. Reel, P. S., Reel, S., Pearson, E., Trucco, E., Jefferson, E. Using machine learning approaches for multi-omics data analysis: a review. Biotechnol Adv. 49, (2021).
  3. Ritchie, M. D., Holzinger, E. R., Li, R., Pendergrass, S. A., Kim, D. Methods of integrating data to uncover genotype-phenotype interactions. Nat Rev Genet. 16 (2), 85-97 (2015).
  4. Lan, W., He, G., Liu, M., Chen, Q., Cao, J., Peng, W. Transformer-Based Single-Cell Language Model: a survey. Big Data Min Analyt. 7 (4), 1169-1186 (2024).
  5. Li, Y., Mansmann, U., Du, S., Hornung, R. Benchmark study of feature selection strategies for multi-omics data. BMC Bioinformatics. 23 (1), (2022).
  6. Li, L., et al. Multi-omics data integration for subtype identification of Chinese lower-grade gliomas: a joint similarity network fusion approach. Comput Struct Biotechnol J. 20, 3482-3492 (2022).
  7. Louhimo, R., Hautaniemi, S. CNAmet: an R package for integrating copy number, methylation and expression data. Bioinformatics. 27 (6), 887-888 (2011).
  8. Dimitrakopoulos, C., et al. Network-based integration of multi-omics data for prioritizing cancer genes. Bioinformatics. 34 (14), 2441-2448 (2018).
  9. McLendon, R. Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature. 455 (7216), 1061(2008).
  10. Lan, W., Ling, T., Chen, Q., Zheng, R., Li, M., Pan, Y. scMoMtF: an interpretable multitask learning framework for single-cell multi-omics data analysis. PLoS Comput Biol. 20 (12), e1012679(2024).
  11. Argelaguet, R., et al. MOFA+: a statistical framework for comprehensive integration of multi-modal single-cell data. Genome Biol. 21 (1), (2020).
  12. Mo, Q., et al. Pattern discovery and cancer gene identification in integrated cancer genomic data. Proc Natl Acad Sci USA. 110 (11), 4245-4250 (2013).
  13. Rohart, F., Gautier, B., Singh, A., Lê Cao, K. A. mixOmics: an R package for 'omics feature selection and multiple data integration. PLoS Comput Biol. 13 (11), (2017).
  14. O'Connell, M. J., Lock, E. F. R.JIVE for exploration of multi-source molecular data. Bioinformatics. 32 (18), 2877-2879 (2016).
  15. Lock, E. F., Hoadley, K. A., Marron, J. S., Nobel, A. B. Joint and individual variation explained (JIVE) for integrated analysis of multiple data types. Ann Appl Stat. 7 (1), 523-542 (2013).
  16. Shi, Q. Pattern fusion analysis by adaptive alignment of multiple heterogeneous omics data. Bioinformatics. 33 (17), 2706-2714 (2017).
  17. Yuan, Y., Savage, R. S., Markowetz, F. Patient-Specific Data Fusion defines prognostic cancer subtypes. PLoS Comput Biol. 7 (10), e1002227(2011).
  18. Smyth, G. K. Linear models and empirical bayes methods for assessing differential expression in microarray experiments. Stat Appl Genet Mol Biol. 3 (1), (2004).
  19. Robinson, M. D., McCarthy, D. J., Smyth, G. K. edgeR: a Bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139(2010).
  20. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), (2014).
  21. Rappoport, N., Shamir, R. NEMO: cancer subtyping by integration of partial multi-omic data. Bioinformatics. 35 (18), 3348-3356 (2019).
  22. Shen, R., Olshen, A. B., Ladanyi, M. Integrative clustering of multiple genomic data types using a joint latent variable model with application to breast and lung cancer subtype analysis. Bioinformatics. 25 (22), 2906-2912 (2009).
  23. Biau, G., Scornet, E. A random forest guided tour. Test. 25 (2), 197-227 (2016).
  24. Rigatti, S. J. Random Forest. J Insur Med. 47 (1), 31-39 (2017).
  25. Hernández-De-Diego, R., et al. PaintOmics 3: a web resource for the pathway analysis and visualization of multi-omics data. Nucleic Acids Res. 46 (W1), W503-W509 (2018).
  26. Singh, A., et al. DIABLO - an integrative, multi-omics, multivariate method for multi-group classification. BioRxiv. , (2016).
  27. Koboldt, D. C., et al. Comprehensive molecular portraits of human breast tumours. Nature. 490 (7418), 61-70 (2012).
  28. Welham, Z., Déjean, S., LêCao, K. A. Multivariate analysis with the R package mixOmics. Methods Mol Biol. 2426, 333-359 (2023).
  29. Sharifi-Noghabi, H., Zolotareva, O., Collins, C. C., Ester, M. MOLI: multi-omics late integration with deep neural networks for drug response prediction. Bioinformatics. 35 (14), i501-i509 (2019).
  30. Chicco, D., Cumbo, F., Angione, C. Ten quick tips for avoiding pitfalls in multi-omics data integration analyses. PLoS Comput Biol. 19 (7), e1011224(2023).
  31. Lan, W., Liao, H., Chen, Q., Zhu, L., Pan, Y., Chen, Y. P. P. DeepKEGG: a multi-omics data integration framework with biological insights for cancer recurrence prediction and biomarker discovery. Brief Bioinform. 25 (3), 185(2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Multi Omics IntegrationOmics Data AnalysisBiological ResearchData IntegrationGenomics ProteomicsMetabolomics TranscriptomicsMachine LearningMolecular InteractionsVisualization ToolsModel Based Integration

Related Articles