Directives de soumission d'échantillons
Ce que ce service résout
Un projet d'intégration multi-omique générique se demande comment les couches moléculaires se rapportent les unes aux autres. Un projet de réponse au traitement ajoute une exigence plus difficile : chaque observation moléculaire doit être interprétée en relation avec un traitement, une dose, un point temporel, un critère de réponse ou un état de résistance.
Du phénotype de réponse à la biologie testable
Lorsque les projets nécessitent une harmonisation plus large avant la modélisation spécifique au traitement, notre intégration de données multi-omiques le workflow peut fournir le cadre d'intégration en amont.
- Signatures de réponse de référenceIdentifier des caractéristiques moléculaires associées à la sensibilité quantitative ou à des groupes de réponse expérimentale prédéfinis.
- Preuves de mécanisme d'action induit par le traitementLiez les changements moléculaires sensibles à la dose et au temps aux voies, régulateurs et biologie des réseaux cibles.
- Mécanismes de résistanceComparer les états sensibles et résistants pour prioriser les voies d'évasion et les vulnérabilités alternatives.
L'interprétation mécaniste reste guidée par des hypothèses jusqu'à ce qu'elle soit soutenue par une validation expérimentale orthogonale.
Conceptions d'étude et données d'entrée prises en charge
Nous soutenons des études qui commencent avec une couche omique plus un phénotype de réponse ou qui s'étendent sur plusieurs couches moléculaires appariées. Les données peuvent provenir de différentes plateformes lorsque les métadonnées de traitement et les identifiants d'échantillons restent traçables.
| Couche de données | Entrée acceptée | Contribution à la réponse aux médicaments |
|---|---|---|
| Génomique | FASTQ, BAM, VCF annoté, matrice de mutations ou de nombres de copies | Génotype de référence, lésions des voies, variantes associées à la résistance |
| Transcriptomique | FASTQ, BAM, matrice de comptage, matrice d'expression normalisée | Signatures de réponse de base, programmes induits par le traitement, activité des voies. |
| Épigénomique | Appels de méthylation, pics ATAC-seq, signal ChIP-seq ou matrices traitées | État réglementaire et changements réglementaires associés au traitement |
| Protéomique / PTM | Données brutes LC-MS/MS ou matrices de quantification de protéines/PTM | Changements des voies fonctionnelles, réponses de signalisation, preuves du réseau cible |
| Métabolomique / Lipidomique | Fichiers MS bruts, tableaux de pics, matrices de métabolites annotées | Réponse métabolique, remodelage des voies, états associés à la résistance |
| Données unicellulaires | FASTQ, matrices de comptage, objets Seurat/AnnData | Réponse spécifique à l'état cellulaire et sous-populations résistantes |
| Phénotype de réponse | IC50, AUC, DSS, viabilité, inhibition de la croissance, score d'essai, classe de réponse à la recherche | Définit le point de terminaison supervisé ou la cible d'association. |
Pour le traitement en amont, les projets peuvent utiliser analyse des données génomiques, analyse des données transcriptomiques, ou analyse des données épigénomiques avant l'intégration liée au traitement.
Options d'entrée de projet
Deux façons de commencer un projet multi-omiques sur la réponse aux médicaments.
Données en aperçu
- Vous fournissez des mesures de réponse existantes et des données moléculaires.
- Nous effectuons le contrôle qualité, l'harmonisation, la révision des points de terminaison, la modélisation des réponses, l'intégration multi-omiques et l'interprétation des mécanismes.
- Idéal pour les équipes ayant déjà des données générées en interne ou par des fournisseurs précédents.
Échantillon-à-Insight
- Vous fournissez des échantillons biologiques et le plan expérimental.
- Les plateformes partenaires qualifiées génèrent les données omiques demandées avant l'analyse.
- Idéal pour les programmes nécessitant une génération de données en amont coordonnée et une interprétation en aval.
Chaque mode d'entrée peut soutenir des études de réponse uniquement basées sur des références, des études de traitement appariées, des conceptions longitudinales, des modèles de résistance acquise ou des projets d'évidence mixte publique/privée.
Flux de travail pour la réponse aux médicaments assistée par l'IA et le mécanisme d'action
Le flux de travail est construit autour de la question de traitement plutôt que d'un algorithme fixe. L'IA et l'apprentissage automatique n'interviennent qu'après que le point de réponse, la provenance des données et les relations d'échantillons sont définis.
Étape 1 : Étudier le cadrage et la définition des points de terminaison
Confirmer le composé, les bras de traitement, la posologie et la structure temporelle, le système modèle, le critère de réponse, les couches omiques, les covariables et la revendication de recherche prévue.
Étape 2 : Réception des données / Échantillons et contrôle qualité
Auditer les identifiants d'échantillons, les tableaux de réponses, les manquements, la structure des répliques, les variables de lot et le contrôle qualité spécifique à la plateforme ; coordonner la génération de données des partenaires pour des projets basés sur des échantillons.
Étape 3 : Analyse de perturbation spécifique à la couche
Traitez chaque couche omique indépendamment d'abord et évaluez la normalisation, les signaux différentiels, les effets de dose/temps et la structure de lot avant la fusion inter-couches.
Étape 4 : Intégration et modélisation liées à la réponse
Liez les caractéristiques moléculaires aux résultats de réponse quantitatifs ou catégoriels en utilisant des modèles régularisés, des ensembles basés sur des arbres, des facteurs latents ou des méthodes de réseau selon ce qui est approprié.
Étape 5 : Interprétation du MOA et de la résistance
Cartographier les caractéristiques prioritaires aux voies, régulateurs, interactions protéiques, relations métabolites et biologie des cibles connues tout en séparant les prédicteurs de base des effets du traitement en aval.
Étape 6 : Priorisation de la validation et livraison
Tester les signatures de stress, résumer l'incertitude, comparer avec des preuves indépendantes compatibles, et classer les expériences de validation orthogonales, les biomarqueurs, les voies ou les hypothèses combinées.
Choisir la bonne stratégie d'analyse
Un modèle de prédiction de réponse n'est pas automatiquement la meilleure façon de répondre à une question de MOA. Nous choisissons la stratégie en fonction de la qualité des points de terminaison, de la taille de l'échantillon, de la conception temporelle et des ressources de validation.
| Stratégie | Meilleure question de recherche | Sortie principale | Limitation clé |
|---|---|---|---|
| Association de réponse de référence | Qu'est-ce qui diffère avant le traitement entre les modèles à forte et à faible réponse ? | Caractéristiques stables, signature de réponse, motifs de sous-groupes | L'association n'établit pas le mécanisme du médicament. |
| Modélisation de la réponse supervisée | Les profils moléculaires peuvent-ils prédire un point de réponse expérimental ? | Modèle validé par croisement, importance des caractéristiques, résumé des performances | Les petites cohortes à haute dimension peuvent surajuster. |
| Perturbation appariée / MOA | Quels changements se produisent après une exposition au composé ? | Cartographie des voies différentielles, des régulateurs et des mécanismes cross-omiques | Les changements post-traitement peuvent être des effets secondaires. |
| Intégration axée sur la résistance | Qu'est-ce qui distingue les États sensibles, tolérants ou résistants ? | Chemins d'évasion, modules de résistance, vulnérabilités candidates | La résistance peut être hétérogène et spécifique au modèle. |
| Preuves hybrides privées + publiques | Le signal interne se retrouve-t-il dans les ressources pharmacogénomiques externes ? | Contexte indépendant, soutien externe, conditions limites | L'essai, la dose, la plateforme et la biologie peuvent différer. |
Pour une réponse spécifique à l'état cellulaire, analyse de l'ARN-seq à cellule unique peut être intégré lorsque les moyennes globales masqueraient des sous-populations résistantes ou réactives au traitement.
Mesures de validation et de recherche
La modélisation de la réponse aux médicaments est vulnérable à des dépendances cachées et à des fuites. La conception de la validation fait donc partie de la question biologique, et non d'une étape finale de traçage.
- Définition de l'endpoint avant la modélisationDes seuils, des transformations ou des résultats quantitatifs sont spécifiés avant la sélection des caractéristiques.
- Prétraitement contrôlé par fuiteLa mise à l'échelle, l'imputation, la sélection de caractéristiques et l'ajustement restent dans les données d'entraînement.
- Évaluation biologiquement significativeLes séparations peuvent diviser des échantillons, des systèmes modèles, des composés, des lots ou des cohortes en fonction de la question.
- Comparaison de référenceDes modèles complexes sont comparés à des références statistiques ou régularisées plus simples.
- Revue des lots et des facteurs de confusionLes effets du traitement, de la dose, du temps, du tissu, du génotype, du système de culture et de la plaque d'essai sont évalués.
- Convergence des cross-omiquesLes hypothèses mécanistes sont mieux classées lorsque des couches moléculaires indépendantes soutiennent le même chemin dans des directions compatibles.
- Contrainte causaleImportance des caractéristiques, corrélation et enrichissement soutiennent la priorisation ; le mécanisme d'action causal nécessite une validation orthogonale.
Livrables
- Contrôle qualité par couche, normalisation, lot, absence de données et révision des points de terminaison.
- Tableau de métadonnées harmonisées sur les échantillons, les traitements, les doses, les temps et les réponses
- Résultats de réponse au traitement différentiel pour chaque couche omique
- Matrice de caractéristiques associées à la réponse multi-omique et signature candidate classée
- Sorties de classification ou de régression validées par croisement lorsque cela est justifié.
- Résumés d'attribution des caractéristiques, résultats d'activité des voies, et cartes des régulateurs/réseaux
- Attributions de sous-groupes répondeurs ou de résistance lorsque soutenues par la conception.
- Matrice de preuves de mécanisme d'action et de résistance reliant les caractéristiques, les voies et le contexte de traitement.
- Contextualisation de jeux de données publics ou validation externe lorsque cela est approprié.
- Code reproductible, informations sur l'environnement/version, tableaux prêts pour l'analyse et documentation prête pour les méthodes.
Exigences en matière d'échantillons et de données
Les exigences dépendent de la complexité du modèle, de la distribution des réponses, de la dimensionnalité omique, de la structure des réplicats et des objectifs de validation. Nous évaluons la faisabilité par rapport à la conception réelle plutôt que d'imposer un minimum numérique universel.
| Catégorie d'entrée | Entrée acceptée | Métadonnées requises | Comment cela s'utilise |
|---|---|---|---|
| Composé / Traitement | Identité de composé ou ID interne ; agent unique ou combinaison définie | Dose, temps d'exposition, véhicule/témoin, bras de traitement | Établit la structure de perturbation |
| Phénotype de réponse | IC50, AUC, DSS, viabilité, inhibition de la croissance, score de test, classe de réponse à la recherche | Méthode d'analyse, normalisation, structure de réplicat, définition de la réponse | Définit un point de terminaison supervisé ou d'association. |
| Données omiques | Fichiers bruts ou matrices traitées des couches prises en charge | ID d'échantillon, plateforme, lot/exécution, historique de prétraitement | Fournit des caractéristiques moléculaires et des lectures de perturbation. |
| Exemples de relations | Base, traité, résistant, longitudinal, ou paires appariées | Clé de couplage, point temporel, système modèle, réplique biologique | Détermine les analyses appariées, longitudinales ou par sous-groupe. |
| Covariables | Attributs du modèle-système, génotype, tissu, conditions expérimentales | Définitions des variables et codage des valeurs manquantes | Contrôle des facteurs de confusion et soutien à une interprétation stratifiée. |
| Données externes / publiques | Jeux de données pharmacogénomiques publiés ou publics | Source, version, clé de mappage, licence/provenance | Ajoute du contexte ou une validation indépendante lorsque cela est compatible. |
Exigences et limitations du design d'étude
Les projets les plus solides définissent un point de réponse qui a une signification biologique pour le système modèle et collectent des mesures moléculaires selon un design qui permet de séparer les effets du traitement des différences de temps, de lot et de base. La réplication biologique, l'allocation équilibrée, la gestion cohérente des échantillons et des métadonnées complètes sur la dose/le temps améliorent considérablement l'interprétabilité.
- De petites cohortes peuvent soutenir une analyse exploratoire des voies sans soutenir un prédicteur supervisé stable.
- Un déséquilibre sévère des classes peut rendre l'exactitude trompeuse et réduire la stabilité des signatures.
- Les conceptions uniquement post-traitement ne peuvent pas établir de biomarqueurs prédictifs de référence sans données supplémentaires.
- Les étiquettes de réponse dérivées des mêmes caractéristiques moléculaires utilisées pour la prédiction peuvent créer une circularité.
- Les ensembles de données publics multiplateformes peuvent ajouter du contexte sans être directement combinables avec des expériences propriétaires.
- Une association cross-omique reproductible ne prouve pas en soi la cible moléculaire directe d'un composé.
Références
- Cai Z, Apolinário S, Baião AR, et al. Augmentation synthétique des ensembles de données multi-omiques de lignées cellulaires cancéreuses à l'aide de l'apprentissage profond non supervisé. Nature Communications. 2024;15:10390. Cai et al., 2024
- Walsh I, Fishman D, Garcia-Gasulla D, et al. DOME : recommandations pour la validation de l'apprentissage automatique supervisé en biologie. Nature Methods. 2021;18:1122–1127. Walsh et al., 2021
- Rashid M, Selvarajoo K. Avancer la prédiction de la réponse aux médicaments en utilisant l'intégration de l'apprentissage automatique multi-modal et -omique (MOMLIN) : une étude de cas sur des données cliniques du cancer du sein. Briefings en bioinformatique. 2024;25(4):bbae300. Rashid et Selvarajoo, 2024
- Sharifi-Noghabi H, Zolotareva O, Collins CC, Ester M. MOLI : intégration tardive multi-omique avec des réseaux de neurones profonds pour la prédiction de la réponse aux médicaments. Bioinformatique. 2019;35(14):i501–i509. Sharifi-Noghabi et al., 2019
Résultats de la démo
Les résultats illustratifs montrent comment le phénotype de traitement, les caractéristiques moléculaires et l'interprétation des voies peuvent être retracés à travers l'analyse. Les figures de démonstration représentent des types de résultats plutôt que des références de performance garanties.
Carte thermique de stratification de réponse avec des modules de caractéristiques moléculaires
Réseau de voies de mécanisme d'action et de résistance Cross-Omics
Classement des caractéristiques de réponse interprétables et attribution des voies
FAQ sur l'analyse de la réponse aux médicaments multi-omiques assistée par l'IA
Ai-je besoin à la fois d'omics de prétraitement et d'omics de post-traitement ?
Non. Les omiques de référence associées à un phénotype de réponse peuvent soutenir des projets d'association ou de prédiction de réponse, tandis que les données appariées pré/post-traitement sont plus informatives pour les questions pharmacodynamiques et de mécanisme d'action. Si les deux sont disponibles, nous séparons les prédicteurs de référence des changements induits par le traitement.
2. Pouvez-vous analyser l'IC50, l'AUC, le DSS, la viabilité ou les étiquettes de réponse catégorielles ?
Oui, à condition que le point de terminaison soit bien défini et que les métadonnées de l'essai soient disponibles. Les points de terminaison quantitatifs peuvent être modélisés de manière continue, tandis que les groupes catégoriels nécessitent un seuil défendable ou une définition expérimentale prédéfinie.
3. Comment évitez-vous les fuites de données dans les modèles de réponse aux médicaments ?
Le prétraitement, l'imputation, la sélection de caractéristiques et l'ajustement sont limités aux données d'entraînement. Nous examinons également les composés partagés, les systèmes modèles, les lots, les donneurs ou les mesures dérivées qui pourraient créer une dépendance cachée entre les ensembles d'entraînement et d'évaluation.
4. L'analyse peut-elle distinguer les biomarqueurs prédictifs des preuves du mécanisme d'action ?
Oui. Les caractéristiques de référence associées à la réponse sont des candidats prédictifs. Les changements de voie induits par le traitement sont des preuves pharmacodynamiques ou mécanistiques. Une caractéristique peut contribuer aux deux, mais chaque interprétation doit être soutenue par la relation de données pertinente.
5. Les ensembles de données publiques sur la réponse aux médicaments peuvent-ils être intégrés à nos données propriétaires ?
Oui, lorsque les définitions de système cible, de modèle, de caractéristiques et de contexte d'essai sont compatibles. Les données publiques sont souvent les plus utiles pour le contexte externe, la réplication, le préentraînement du modèle ou l'analyse de sensibilité plutôt que pour un regroupement direct avec un ensemble de tests propriétaire.
6. Que se passe-t-il si les couches omiques ne sont que partiellement correspondantes ?
Le chevauchement partiel n'empêche pas automatiquement l'analyse. Nous définissons quels échantillons soutiennent l'inférence croisée omique appariée et quelles couches doivent rester séparées. Les modèles factoriels, l'intégration de réseaux ou la synthèse d'évidences par étapes peuvent être plus défendables que la concaténation des cas complets.
Étude de cas sur la réponse aux médicaments multi-omiques assistée par l'IA
Exemple publié de manière indépendante
Augmentation synthétique des ensembles de données multi-omiques de lignées cellulaires cancéreuses à l'aide de l'apprentissage profond non supervisé
Journal : Communications Nature
Publié : 29 novembre 2024
Licence : CC BY 4.0
Contexte
Cai et ses collègues ont développé MOSA, un autoencodeur variationnel multi-vues conditionnel pour l'intégration multi-omique du cancer. L'étude a rassemblé des données de génomique, de méthylomique, de transcriptomique, de protéomique, de métabolomique, de réponse aux médicaments et d'essentiel génétique CRISPR-Cas9 à partir de 1 523 lignées cellulaires cancéreuses avec au moins deux couches de données disponibles.
Matériaux et Méthodes
Portée Multi-Omique
- 7 types de données moléculaires/phénotypiques
- 1 523 lignées cellulaires cancéreuses
- Au moins 2 couches de données par lignée cellulaire.
Test de réponse aux médicaments indépendant
- 32 659 mesures de IC50
- 313 médicaments uniques
- 781 lignées cellulaires cancéreuses chevauchantes
Interprétation
- Validation indépendante des ensembles de données
- Attribution de caractéristiques SHAP
- Explications multi-omiques spécifiques aux médicaments
Résultats
- Le jeu de données indépendant sur la réponse aux médicaments a été reconstruit avec un r de Pearson = 0,87 sur 32 659 mesures d'IC50.
- Les auteurs ont également signalé une reconstruction robuste de 107 médicaments chevauchants dans un ensemble de données CTD2 distinct.
- La métabolomique, la réponse aux médicaments et les altérations du nombre de copies avaient la plus grande importance moyenne des caractéristiques parmi les couches omiques dans la représentation partagée.
- La figure 4 montre les explications SHAP à travers les couches omiques et pour les reconstructions de réponse aux médicaments individuelles, y compris les caractéristiques associées à la réponse à la pyriméthamine.
Conclusion
Cette étude indépendante démontre pourquoi l'analyse de la réponse aux médicaments multi-omiques devrait associer la performance prédictive ou reconstructive à une attribution des caractéristiques transparente et à une validation indépendante. Les résultats des modèles peuvent prioriser les hypothèses mécanistiques, mais des preuves de voies, de réseaux et expérimentales restent nécessaires avant d'attribuer un mécanisme d'action causal.
Référence
- Cai Z, Apolinário S, Baião AR, et al. Augmentation synthétique des ensembles de données multi-omiques de lignées cellulaires cancéreuses utilisant l'apprentissage profond non supervisé. Communications Nature. 2024;15:10390. Article publié et Figure 4
Publications connexes
Avancement de la prédiction de la réponse aux médicaments grâce à l'intégration de l'apprentissage machine multi-modal et -omique (MOMLIN) : une étude de cas sur des données cliniques du cancer du sein.
Journal : Briefings en bioinformatique
Année : 2024
MOLI : intégration tardive multi-omique avec des réseaux de neurones profonds pour la prédiction de la réponse aux médicaments
Journal : Bioinformatique
Année : 2019
Explorez notre plus large Analyse Multi-Omique solutions pour des workflows de recherche intégrative connexes.
À des fins de recherche uniquement. Ne pas utiliser dans des procédures diagnostiques ou cliniques.
