Name: Kardiyovasküler Hastalıklarla Bağlantılı Varyasyon Modellerini ve Moleküler Süreçleri Ortaya Çıkarmak için Denetimsiz Çoklu Oksijen Faktör Analizinin Uygulanması (Video) | JoVE Journal
Uploaded: 2024-09-20T13:10:00.000+00:00
Duration: 8 min 51 s
Description: Keşfedin denetimsiz çoklu oksijen faktör analizi (MOFA) ile karmaşık multi-omics veri setlerini analiz etme yöntemini. Kalp krizi hastalarının immün imzalarını belirlemek için bu iş akışını kullanın.

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

<meta charset="utf8"></head><body>MOFA Kullanarak Koroner Sendromlarda Multi-omik Verilerin Denetimsiz Analizi

<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>

Hastalık mekanizmaları genellikle karmaşıktır ve birkaç farklı moleküler sürecin etkileşimi tarafından yönetilir. Belirli hastalıklara yol açan veya bir hastalığın evrimini yöneten karmaşık moleküler mekanizmaları deşifre etmek, hastalıkları anlamak ve tedavi etmek için yeni içgörüler ortaya çıkarabileceğinden, tıbbi önemi yüksek bir görevdir.
Son teknolojik gelişmeler, bu süreçlerin aynı anda daha yüksek bir çözünürlükte (örneğin, tek hücre düzeyinde) ve çeşitli biyolojik katmanlarda (örneğin, DNA, mRNA, kromatin erişilebilirliği, DNA metilasyonu, proteomik) ölçülmesini sağlar. Bu, altta yatan süreçler hakkında daha fazla bilgi oluşturmak için ortaklaşa analiz edilebilen büyük çok boyutlu biyolojik veri kümelerinin artan üretimine yol açar. Aynı zamanda, farklı veri kaynaklarını biyolojik olarak anlamlı bir şekilde birleştirmek ve analiz etmek zorlu bir görev olmaya devam etmektedir1.
Farklı omikler arasındaki farklı teknolojik sınırlar, gürültüler ve değişkenlik aralıkları bir zorluk teşkil eder. Örneğin, tek hücreli RNA dizileme (scRNA-dizilimi) verileri çok seyrektir ve genellikle büyük teknik veya toplu etkilerden etkilenir. Ek olarak, özellik alanı genellikle çok büyüktür ve birkaç bin ölçülen gen veya protein arasında değişirken, örneklem boyutları sınırlıdır. Bu, çeşitli hastalık durumlarını, kafa karıştırıcı faktörleri, zaman noktalarını ve çözümleri içerebilen karmaşık tasarımlarla daha da karmaşıklaşır. Örneğin, sunulan kullanım örneğinde, tek hücreli veya örneklem (toplu) düzeyinde farklı veri türleri mevcuttu. Bunun yanı sıra, veriler eksik olabilir ve analiz edilen tüm denekler için tüm ölçümler mevcut olmayabilir.
Bu zorluklar nedeniyle, farklı omikler ve dahil edilen özellikler hala genellikle yalnızca ayrı ayrı analiz edilmektedir2 entegre bir analiz yapmak yalnızca sürecin tam bir resmini sağlamakla kalmasa da, bir omikten kaynaklanan biyolojik ve teknik gürültüler diğer omikler tarafından da telafi edilebilmektedir 3,4. Bayes yöntemleri, ağ tabanlı yöntemler5,6, çok modlu derin öğrenme7 ve matris çarpanlarına ayırma 8,9 yoluyla boyutsallık azaltma yöntemleri dahil olmak üzere çoklu omik verilerin entegre bir analizini gerçekleştirmek için birkaç farklı yöntem önerilmiştir. İkincisi için, büyük bir kıyaslama çalışmasının10 sonuçları, MOFA9 (multi-omik faktör analizi) yönteminin, verilerin klinik açıklamalara bağlanması gerektiğinde daha uygun araçlardan biri olduğunu göstermiştir.
Özellikle karmaşık ortamlarda, denetimsiz matris çarpanlarına ayırma yöntemleri, karmaşıklığı azaltmak ve farklı veri kaynaklarından ve özelliklerden paylaşılan ve tamamlayıcı sinyalleri çıkarmak için yararlı bir yaklaşımdır. Karmaşık alanı daha düşük dereceli gizli temsillere ayrıştırarak, verilerdeki ana varyans kaynakları hızlı bir şekilde keşfedilebilir ve bilinen ortak değişkenlerle ilişkilendirilebilir. Aynı varyasyon modelinin birden fazla özellik (örneğin, genler veya proteinler) arasında paylaşılması durumunda, gürültü azaltılırken bu birkaç faktöre toplanabilir. Düzenleme, model katsayılarının seyrekliğini artırmak için kullanılabilir, bu da yaklaşımı, özellik alanının büyük olduğu ve örnek sayısının sınırlı olduğu ortamlarda çok uygun hale getirir9.
Bu protokol, karmaşık bir multi-omik veri kümesinin nasıl hızlı bir şekilde keşfedileceğini ve bu veri kümesini karakterize eden ana varyasyon modellerinin nasıl damıtılacağını göstermek için MOFA modelini kullanan esnek bir analiz iş akışı sunar. İş akışı üç ana adımdan oluşur. İlk adımda, Veri ön işleme ve uyumlaştırma, farklı girdi veri türlerine (scRNA-seq, proteomik, sitokin, klinik veriler) dayalı veri ön işleme için farklı stratejiler sunulmaktadır. Protokol, farklı girdi veri kümelerinin özelliklerinin nasıl işleneceğini, düşük kaliteli özelliklerin nasıl filtreleneceğini ve dağıtımlarını uyumlu hale getirmek için bunların nasıl normalleştirileceğini ayrıntılı olarak açıklar. Ayrıca, bu ön işleme kararlarının aşağı akış sonuçlarını nasıl etkileyebileceğini de gösteriyoruz. İkinci adımda, verilere MOFA modeli uygulanır ve elde edilen varyans ayrıştırması, farklı veri kümelerinin entegrasyonunu değerlendirmek için kullanılabilir. Üçüncü adım, yakalanan faktörlerin ortak değişkenlere nasıl bağlanacağını ve bu faktörleri tanımlayan moleküler programların nasıl ortaya çıkarılacağını gösterir. Sunulan iş akışıyla, koroner sendromlardan muzdarip hastalardan oluşan bir veri setindeki klinik ortak değişkenlerle bağlantılı birkaç gizli faktörü çıkarabildik ve önceki bir projeden altta yatan potansiyel çok hücreli bağışıklık programlarını belirleyebildik11. Bu veri kümesini burada kullanacağız, ancak protokol diğer omikler de dahil olmak üzere diğer bağlamlara kolayca uygulanabilir.
Veri seti, stabil kronik koroner sendromlu (CCS), akut koroner sendromlu (ACS) hastalardan ve sağlıklı koronerleri olan bir kontrol grubundan (CCS olmayan) alınan örneklerden oluşmaktadır (Şekil 1). ACS, önceden var olan CCS'deki plak rüptüründen kaynaklanır ve miyokarda giden kan akışının akut olarak bozulmasına ve ardından kalbin iskemik yaralanmasına yol açar. Bu yaralanma, bağışıklık sistemi tarafından enflamatuar bir yanıta ve ardından akut olaydan birkaç gün sonrasına kadar süren onarıcı bir faza neden olur12. ACS hastaları için bu bağışıklık tepkisini karakterize edebilmek için, dört farklı zaman noktasında kan örnekleri alındı: akut (TP1); rekanalizasyondan sonra (14 [± 8] h) (TP2); 60 [± 12] h sonra (TP3); taburcu olmadan önce (6.5 [±1.5] gün) (TP4) (Şekil 1A). CCS ve sağlıklı koronerleri olan hastalar için sadece bir zaman noktası mevcuttu - (TP0). Tüm hastalar ve zaman noktaları için kan örneklerine dayalı farklı testler ölçüldü: inflamasyonun klinik belirteçleri (Kreatin-Kinaz (CK), CK-MB, Troponin, C-reaktif protein (CRP)), periferik kan mononükleer hücrelerinin (PBMC'ler) scRNA-seq'i, sitokin analizi, plazma proteomiği ve nötrofillerin prime-seq13 verileri.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/66659/66659fig01v2.jpg"> Şekil 1: Miyokard enfarktüsü multi-omik giriş veri seti. Giriş veri seti: Analiz edilen veriler, akut koroner sendromlu (ACS), kronik koroner sendromlu (CCS) ve sağlıklı koroner hastalı (CCS olmayan) hastalardan (n = 62) alınan kan örneklerini içerir. AKS hastaları için kan örnekleri dört farklı zaman noktasında (TP1-4), CCS ve CCS olmayan hastalar için tek bir zaman noktasında (TP0) dahil edildi. Her hasta ve zaman noktası kombinasyonu, analizde ayrı bir numune olarak ele alınır. Numuneler üzerinde farklı omik testler ölçüldü: klinik kan testleri (n = 125), scRNA-seq (n = 121), plazma-proteomik (n = 119), sitokin testi (n = 127) ve nötrofil prime-seq (n = 121). Daha sonra, açıklanan protokol, verileri tüm omiklere entegre etmek ve MOFA modelini ve daha fazla aşağı akış analizini (faktör analizi, yol zenginleştirme) kullanarak keşfetmek için uygulandı. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig01largev2.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
Burada sunulduğu gibi iş akışı için girdi olarak, örneğinyetersiz 14 ön işleme eğitiminde belirtildiği gibi, cellranger ve kalite kontrol (QC) ile işlendikten sonra scRNA-seq verilerinden ham sayımlar alırız. Hücre tipi ek açıklama için otomatik Azimuth15 boru hattını kullandık. Sayımlar daha sonra, her örnek ve hücre tipi için tüm hücrelerdeki ortalama alınarak (psödobulk toplama) her hücre tipi için örnek düzeyinde toplanır. Plazma-proteomik, normalleştirilmiş ve medyan merkezli yoğunluklar olarak dahil edilir ve nötrofiller için, asal sıralamadan umi benzersiz moleküler tanımlayıcı (UMI) ekzon sayılarını alırız. Sitokin ve klinik değerlerde, daha önce herhangi bir ön işlem uygulanmamıştır. (Deneysel) veri üretimi ile ilgili daha fazla ayrıntı, ilgili el yazması11'de özetlenmiştir. Burada sunulan sonuçlar, atıfta bulunulan yayında kullanılan belirteç tabanlı stratejiye kıyasla scRNA-seq verilerindeki hücre tipleri için otomatik Azimut ek açıklamasının kullanılmasına dayandığından, burada sunulan sonuçlar benzerdir, ancak yayında sunulanla tam olarak aynı değildir. El yazmasında, hücre tipi açıklama stratejisinin analizin ana modellerini ve biyolojik yorumlarını değiştirmediği, ancak modelden kaynaklanan kesin değerlerdeki küçük değişikliklerin değişebileceği gösterilebilir. Genel olarak girdi verileri, 10.000'den fazla farklı özelliğin (genler, proteinler, klinik değerler) farklı zaman noktaları ve ölçüm seviyeleri (tek hücreler ve toplu) dahil olmak üzere karmaşık, çok boyutlu bir veri setiydi. MOFA analizinin izlediği sıkı bir ön işleme ve veri uyumlaştırma stratejisinin, verileri keşfetmek ve ilgili bağışıklık programını çıkarmak için yararlı ve hızlı bir araç olduğu gösterilmiştir. Her zaman noktası ve hasta kombinasyonu, MOFA analizinde bağımsız bir numune olarak ele alınır. Her veri türü ve hücre türü, MOFA analizinde ayrı bir görünüm olarak kabul edilir.
Bu protokol, iş akışı için giriş verilerinin hazırlanması, farklı iş akışı adımlarının yürütülmesi, konfigürasyonların özelleştirilmesi, elde edilen rakamların yorumlanması ve yorumlara dayalı olarak konfigürasyonların yinelemeli olarak ayarlanması için talimatlar sağlar. Protokolün farklı adımlarına, her adımda gerekli girdi veri kümelerine ve sonuçta elde edilen rakamlara ve veri kümelerine genel bir bakış, teknik iş akışına genel bakış tarafından verilmektedir (Şekil 2).
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/66659/66659fig02v2.jpg"> Şekil 2: Teknik iş akışına genel bakış. Multi-omics veri setinin analizi için iş akışının ana hatları. Farklı öğeler farklı renkler ve sembollerle vurgulanır. Veri Ön İşleme ve Uyumlaştırma (1) adımına ait Jupyter Notebook'lar mavi renktedir. 'MOFA Model' (2) basamağına ait Jupyter Notebook'lar turuncu renktedir. 'Aşağı Akış Analizi' (3) adımına ait Jupyter Notebook'lar yeşil renktedir. Sonuçların karşılaştırılması için kullanılacak bir Jupyter Notebook sarı renktedir. İş akışının yürütülmesi için parametrelerin değiştirilebildiği yapılandırma dosyaları mor renkle vurgulanır. İş akışını çalıştırmak için gereken giriş veri kümeleri, veri kümesi simgesiyle gösterilir ve gri renkle vurgulanır. İş akışının yürütülmesi sırasında oluşturulan tüm şekil çıktıları büyüteç sembolü ile gösterilir. İş akışı yürütme sırasında oluşturulan veri kümeleri tablo olarak gösterilir. Genel olarak, iş akışı sırayla yürütülür: (1) Veri Ön İşleme ve Uyumlaştırma iki adımdan oluşur: scRNA-seq giriş verilerine (01_Prepare_Pseudobulk) dayalı bir pseudobulk tablosunun ilk oluşturulması ve ardından bu verilerin diğer tüm örnek düzeyinde (toplu) girdilerle birlikte entegrasyonu ve normalleştirilmesi (02_Integrate_and_Normalize_Data). Bu adımda, konfigürasyon dosyaları aracılığıyla, her bir veri kümesi için belirtilen ön işleme ve normalleştirme adımlarından hangisinin (örn. Örnek Filtre) uygulanması gerektiğini ayrı ayrı yapılandırmak mümkündür. (2) 'MOFA Modeli': MOFA modelini, yapılandırma dosyasında belirtilen konfigürasyonlarla ilk adımın oluşturulan girdisi üzerinde çalıştırır (03_MOFA_configs.csv) (3) 'Aşağı Akış Analizi': oluşturulan MOFA sonuçlarına ilişkin içgörüler oluşturmak ve bunları 'Örnek Meta Data.csv' dosyası aracılığıyla girdi olarak sağlanan örnek meta verilerle (ortak değişkenler) ilişkilendirmek için birbirinden bağımsız olarak çalıştırılabilen üç farklı not defterinden oluşur. (4) 'Model Karşılaştırması': 2. adımda oluşturulan farklı modelleri karşılaştırmak için kullanılabilecek küçük ve ayrı bir adımdır. <a href="https://www.jove.com/files/ftp_upload/66659/66659fig02largev2.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
İş akışı, R ve Python'da yazılmış birkaç Jupyter Notebook'tan oluşur (iş akışını çalıştırmak için R ve Python dili bilgisi gerekli değildir, ancak hataların ortaya çıkması durumunda yardımcı olabilir). Protokolün çeşitli adımlarında, parametreler konfigürasyon dosyaları (adında '_Configs' sonekini içeren '.csv' dosyaları) aracılığıyla değiştirilir. Protokol içinde, yalnızca varsayılan yapılandırmadan başlayarak değiştirilmesi gereken parametreleri ana hatlarıyla belirtiriz.
Örneğin ön işlemeyi özelleştirmek için başka parametreler de değiştirilebilir. Bu parametrelerin ve açıklamaların bir dokümantasyonu, indirilen depoda bulunan 'Documentation_Config_Parameter' dosyasında verilmiştir.

<table><tbody><tr><td>Apptainer</td><td>NA</td><td></td><td>NA https://apptainer.org/docs/admin/main/installation.html</td></tr><tr><td>Compute server veya workstation veya cloud&nbsp; (Linux, Mac veya Windows ortamı). Farklı giriş veri kümelerinin boyutuna bağlı olarak, iş akışını uygun bir makinede çalıştırmanızı öneririz (ayarımızda şunu kullanıyoruz: 16 CPU, 64 GB Bellek)</td> <td>Herhangi bir üretici</td><td>16 CPU, 64 GB Bellek</td><td>Büyük Bellek yalnızca ham tek hücreli verilerin işlenmesi için gereklidir. Ön işlemeden sonra, sonraki analiz adımları normal masaüstü veya dizüstü bilgisayarlarda da gerçekleştirilebilir</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></td><td>NA</td><td>https://github.com/heiniglab/mofa_workflow</td></tr></tbody></table>

kardiyovasküler hastalıklarla bağlantılı varyasyon modellerini ve moleküler süreçleri ortaya Çıkarmak için denetimsiz Çoklu oksijen faktör analizinin uygulanması

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

Kardiyovasküler Hastalıklarla Bağlantılı Varyasyon Modellerini ve Moleküler Süreçleri Ortaya Çıkarmak için Denetimsiz Çoklu Oksijen Faktör Analizinin Uygulanması

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

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

Research

JoVE Journal

Genetics

Genetik

DeepOmicsAE, çoklu omik verilerin boyutluluğunu azaltmak için bir derin öğrenme yönteminin (yani bir otomatik kodlayıcı) uygulanmasına odaklanan bir iş akışıdır ve birden çok omik veri katmanını temsil eden tahmine dayalı modeller ve sinyal modülleri için bir temel sağlar.

DeepOmicsAE: Alzheimer Hastalığında Sinyal Modüllerinin Proteomik, Metabolomik ve Klinik Verilerin Derin Öğrenme Analizi ile Temsil Edilmesi

Burada, murin kardiyovasküler sistemindeki biyomekanik ve biyomoleküler değişiklikleri değerlendirmek için in vivo dört boyutlu ultrason görüntüleme ve ex vivo kütle spektrometresi görüntülemeyi kullanmak için bir protokol açıklıyoruz. Bu teknik, yaşlanan hayvanlarda cerrahi olarak indüklenen miyokard enfarktüsünde ve vasküler değişikliklerde kardiyak yeniden şekillenmeyi analiz etmek için uygulanır.

Murin Kardiyovasküler Yeniden Şekillenmesinin Multimodal Çalışması: Dört Boyutlu Ultrason ve Kütle Spektrometresi Görüntüleme

Burada, fizyolojik oksijen koşulları sırasında mRNA'nın 5' başlığını bağlayan translasyon başlatma faktörlerini analiz etmek için insan hücre kültürü protokollerini sunuyoruz. Bu yöntem, Agaroz bağlantılı bir m7GTP başlık analoğu kullanır ve kapak bağlama faktörlerini ve bunların etkileşen ortaklarını araştırmak için uygundur.

Fizyolojik Oksijen Koşullarına Maruz İnsan hücrelerinde Cap-bağlayıcı proteinlerin analizi

Oogenesis memelilerde özellikle kromozom missegregation nedeniyle hataya, olduğu bilinmektedir. Bu el yazması için fare profaz, yaymak Kromatin hazırlama yöntemleri açıklar metafaz ı ve II sahnelenen yumurtalar. Bu temel teknikler Kromatin bağlı proteinler ve kromozom morfolojisi memeli oogenesis boyunca çalışma sağlar.

Kromatin fare oosit ilerleme profaz metafaz II analizi için hazırlıklar yaymak

Bu iletişim kuralı ChIP-seq, 4sU seq, toplam RNA-seq ve hücre satırları ve Primer hücre için profil oluşturma ribozom Kombinatorik kullanımını açıklar. Transkripsiyon faktörü de novo transkripsiyon, RNA işlenmesi, ciro ve çeviri zamanla, bağlama ve olayların genel gidişatı harekete geçirmek ve/veya hızla değişen hücrelerde görüntüleme izleme değişiklikleri sağlar.

Gerçek zamanlı analiz bağlama, transkripsiyon, çeviri ve ciro hücresel etkinleştirme sırasında küresel olayları görüntülemek üzere transkripsiyon faktörü

Bu protokol için baculovirus baculovirus plazmid geçici transfection Sf9 hücreleri tarafından üretilen ve bir serum serbest süspansiyon kültürde güçlendirilmiş. Süpernatant heparin benzeşme Kromatografi tarafından saf ve ultrasantrifüj tarafından daha da yoğunlaştı. Bu iletişim kuralı üretim ve baculovirus gen terapisi uygulama için arıtma için yararlıdır.

Üretim ve Baculovirus arınma gen tedavisi uygulaması için

Burada, salınım bilgi hücre hücre aktarımı optogenetic denetimi tarafından analiz ve gen ifadesi izleme yaşamak için bir protokol mevcut. Bu yaklaşım çok hücreli sistemlerinde fonksiyonel önemini dinamik gen ifade programları test etmek için benzersiz bir platform sağlar.

Bir Optogenetic kontrol etmek ve hücre-hücre etkileşimleri gen ifade desenleri analiz yöntemi

Hedeflenen yeni nesil sıralama Hastalıkları Araştırma ve Klinik teşhis giderek daha popüler hale geliyor zaman ve maliyet-etkin bir yaklaşımdır. Burada açıklanan protokol sıralaması için gerekli karmaşık iş akışı ve hastalık katkıda genetik varyantların tanımlamak için kullanılan Biyoinformatik işlem sunar.

Hedef yeni nesil sıralama ve Biyoinformatik boru hattı anayasal hastalığı genetik belirleyicileri değerlendirmek için

Toplu gen ifade ölçümleri bulut tek hücre farkları türdeş olmayan hücre popülasyonlarının. Burada, bir protokol açıklamak nasıl tek hücreli gen ifade analizi ve dizin için Variety aktif hücre sıralama (FACS tarafından) sıralama heterojenite betimlemek için birleştirilebilir ve immunophenotypically karakterize tatlı ayrı hücre popülasyonlarının.

Bir moleküler karakterize etmek için Kombinatorik tek hücreli yaklaşım ve insan kök ve yaratıcı nüfus Immunophenotypic heterojen

Amino asit düzeyi parazit sinyal analizi arka plan için verilen bir popülasyonun genetik varyasyon normalleştirilmiş bir belirli amino asit pozisyonda genetik varyasyon yaygınlığı belirler. Bu varyant "sıcak noktalar" frekans nadir versiyonlarının bir nüfus (gürültü) bulundu yukarıda yükselir bir protein sıra (sinyal) içinde tanımlanması için sağlar.

Varyant patojenitesi Amino asit düzeyi parazit sinyal analizi genetik varyasyon kullanarak olasılığını belirleme

Keşfedin denetimsiz çoklu oksijen faktör analizi (MOFA) ile karmaşık multi-omics veri setlerini analiz etme yöntemini. Kalp krizi hastalarının immün imzalarını belirlemek için bu iş akışını kullanın.

Kardiyovasküler Hastalıklarla Bağlantılı Varyasyon Modellerini ve Moleküler Süreçleri Ortaya Çıkarmak için Denetimsiz Çoklu Oksijen Faktör Analizinin Uygulanması (Video) | JoVE Journal

Kardiyovasküler Hastalıklarla Bağlantılı Varyasyon Modellerini ve Moleküler Süreçleri Ortaya Çıkarmak için Denetimsiz Çoklu Oksijen Faktör Analizinin Uygulanması

Daha fazla video keşfet