Directives de soumission d'échantillons
De la question de recherche au plan multi-omique
La multi-omique est particulièrement utile lorsque la question de recherche couvre des couches biologiques qu'un seul test ne peut pas résoudre. L'objectif n'est pas de collecter le maximum de jeux de données. Nous vous aidons à décider si le projet nécessite une modalité ciblée, un design de validation à deux couches, ou un programme intégré plus large.
Découverte de biomarqueurs
Identifiez les caractéristiques moléculaires ou les signatures multi-couches qui distinguent les groupes de recherche ou les résultats prédéfinis, puis évaluez la stabilité et l'interprétabilité avant de prioriser un panel de candidats.
Découverte et priorisation des cibles
Combinez les données génomiques, d'expression, de régulation, de protéines, de voies et de preuves publiques pour classer les gènes candidats ou les nœuds du réseau en vue d'une validation en aval.
Sous-typage moléculaire
Utilisez la structure moléculaire intégrée pour découvrir des groupes d'échantillons reproductibles, quantifier la stabilité des clusters et identifier les caractéristiques et voies définissant les sous-types.
Recherche sur la réponse aux médicaments et les mécanismes
Séparer les caractéristiques associées à la réponse de base des changements induits par le traitement, puis prioriser les programmes de résistance, les effets des voies et les expériences de suivi.
Études sur l'état cellulaire et le contexte tissulaire
Utilisez des données unicellulaires et spatiales pour identifier les populations cellulaires, les états régulateurs, les domaines tissulaires et les quartiers qui expliquent les signaux cachés dans les mesures en vrac.
Notre existant Analyse multi-omique les capacités fournissent la base omique plus large, tandis que cette solution assistée par l'IA ajoute le routage des questions de recherche, la sélection de modèles, des contrôles de validation et une interprétation spécifique aux tâches.
Choisissez les couches de preuve
Chaque couche de données doit avoir un rôle défini dans l'étude. Nous examinons comment les couches se complètent avant de décider quels tests ou ensembles de données existants appartiennent à l'analyse intégrée.
| Couche de preuves | Entrée typique | Ce qu'il apporte |
|---|---|---|
| Génomique | FASTQ, BAM, VCF, matrices de mutations/CNV | Contexte génétique, variants, changements de nombre de copies, contexte structurel |
| Transcriptomique | FASTQ, BAM, matrices de comptage ou d'expression | Programmes différentiels, activité des voies, réponses réglementaires |
| Épigénomique | Appels de méthylation, pics ATAC-seq, signaux ChIP-seq | État réglementaire, accessibilité de la chromatine, relations méthylation-expression |
| Protéomique / PTM | Données brutes LC-MS/MS ou matrices quantitatives | Abondance de protéines, signalisation, activation des voies, preuves fonctionnelles. |
| Métabolomique / Lipidomique | Données MS brutes, tableaux de pics, matrices annotées | État métabolique, remodelage des voies, phénotype biochimique en aval |
| Données unicellulaires | FASTQ, matrices de comptage, objets Seurat/AnnData | Types cellulaires, états, trajectoires, populations rares et hétérogénéité |
| Omique spatiale | Sorties de plateforme, matrices, images, coordonnées | Architecture des tissus, domaines spatiaux, quartiers et contexte cellulaire. |
| Phénotype / Métadonnées | Groupes, résultats, traitement, temps, dose, covariables | Définit les contrastes, les points de terminaison supervisés, les facteurs de confusion et le contexte d'interprétation. |
La protéomique et la métabolomique en tant que capacités intégrées : L'analyse protéomique DIA améliorée par l'IA peut être incluse après la génération des données DIA ou à partir de matrices quantitatives existantes. L'analyse métabolomique par apprentissage automatique peut également être intégrée pour la sélection de caractéristiques, la classification, l'interprétation des voies et l'intégration croisée des omiques. Ces capacités ne nécessitent pas de pages de services autonomes distinctes pour être utilisées dans le cadre d'un projet plus large.
Exigences d'entrée du projet
| Catégorie d'entrée | Point de départ accepté | Informations nécessaires au lancement |
|---|---|---|
| Échantillons biologiques | Matériel dépendant de l'étude pour des essais omiques sélectionnés | Type d'échantillon, espèce, conservation, conception du groupe, matériel disponible, appariement entre les essais. |
| Données de séquençage brutes | Métadonnées de la plateforme FASTQ/BAM plus | Construction de référence, méthode de bibliothèque, identifiants d'exécution/lot, manifeste d'échantillon |
| Données de séquençage traitées | VCF, matrice de comptage, fichier de pics, matrice de méthylation | Méthode de traitement, version du génome, historique de filtrage et de normalisation |
| Données de protéomique / métabolomique | Fichiers MS bruts ou matrices de caractéristiques quantitatives | Mode d'instrument/acquisition, commande par lot, état de l'annotation, traitement des valeurs manquantes antérieures |
| Objets unicellulaires / spatiaux | Seurat, AnnData, matrices, coordonnées ou images | Plateforme, historique de prétraitement, identifiants de donateur/échantillon, structure de lot, statut d'annotation |
| Cohortes publiques ou externes | Données téléchargées plus accession/provenance | Définition de la cohorte, plateforme, contraintes d'utilisation et compatibilité avec l'étude principale. |
Trouvez la bonne solution assistée par l'IA.
Le hub dirige les projets en fonction de la tâche scientifique. Un seul programme peut emprunter plusieurs itinéraires à mesure que les preuves se développent.
| Tâche de recherche | Itinéraire de solution recommandé | Sortie typique |
|---|---|---|
| Intégrer deux couches omiques ou plus correspondantes. | Intégration de données multi-omiques assistée par l'IA | Matrices harmonisées, facteurs latents, réseaux cross-omiques, interprétation des voies |
| Identifier une signature de candidat stable | Découverte de biomarqueurs par apprentissage automatique | Fonctionnalités classées par stabilité, performance de la CV imbriquée, panel de candidats interprétable |
| Classer les cibles candidates en utilisant des preuves convergentes. | Découverte et priorisation des cibles assistées par l'IA | Classement des cibles, matrice de preuves, voies/réseaux, priorités de validation |
| Découvrez des groupes d'échantillons moléculairement distincts. | Sous-typage moléculaire assisté par l'IA | Stabilité des clusters, attributions de sous-types, caractéristiques définissantes, plan de reproduction. |
| Résoudre la biologie spécifique à l'état cellulaire | Analyse multi-omique à cellule unique assistée par IA | États cellulaires intégrés, annotation, trajectoires, programmes régulateurs |
| Préserver l'architecture des tissus et la localisation moléculaire | Analyse spatiale omique assistée par l'IA | Domaines spatiaux, déconvolution, quartiers, contexte d'interaction cellule-cellule |
| Étudier la réponse au traitement, la résistance ou le mécanisme. | Analyse de la réponse aux médicaments et du mécanisme d'action assistée par l'IA dans les multi-omiques | Signatures de réponse, réseaux de MOA/résistance, priorités de suivi |
Si votre projet nécessite une fondation expérimentale à cellule unique, explorez notre Séquençage unicellulaire capacités. Les études en contexte tissulaire peuvent s'appuyer sur Services de séquençage multi-omiques spatiauxDes programmes de perturbation à haut débit peuvent utiliser Drug-seq pour générer des données de réponse transcriptomique pour une intégration ultérieure.
Par exemple, un programme de réponse aux médicaments peut commencer par l'intégration des données, passer à la découverte de biomarqueurs, puis utiliser des preuves à cellule unique ou spatiales pour localiser le signal de réponse à un état cellulaire spécifique ou à un voisinage tissulaire.
Options d'entrée de projet
Données-en-Insight
Vous fournissez des fichiers bruts existants ou des matrices traitées. Nous examinons la provenance, les métadonnées, la structure de groupe, les valeurs manquantes et la compatibilité avant de sélectionner la stratégie d'intégration et de modélisation.
Échantillon à Insight
Vous fournissez des échantillons biologiques. Des plateformes partenaires qualifiées génèrent les données omiques sélectionnées, après quoi le projet entre dans le même cadre de contrôle qualité, d'intégration, de validation et d'interprétation.
Projet hybride
Certain couches existent déjà tandis qu'une autre couche est générée spécifiquement pour combler une lacune de preuve. Cela peut éviter de répéter la génération de données qui sont déjà adaptées à l'objectif.
Notre Recherche sur les biomarqueurs et Développement de médicaments les pages fournissent un contexte d'application, tandis que ce hub se concentre sur la coordination des données et des décisions analytiques.
Comment l'IA et l'apprentissage automatique s'intègrent dans le flux de travail
Nous ne considérons pas le prétraitement de routine comme de l'IA. L'apprentissage automatique n'est introduit que lorsqu'il a une fonction analytique définie et peut être évalué par rapport au plan d'étude.
Découverte et intégration de motifs
- Intégration non supervisée : Les modèles factoriels, les méthodes de réseau, les embeddings et les approches connexes peuvent identifier des variations partagées et spécifiques à chaque couche sans un résultat prédéfini.
- Analyse des sous-types et de la similarité : La structure moléculaire intégrée peut soutenir le regroupement, la découverte de facteurs latents et l'analyse de similarité des échantillons.
- Représentation multimodale : Les approches génératives profondes peuvent être envisagées lorsque l'échelle des données, la structure non linéaire ou les modalités manquantes justifient la complexité supplémentaire.
Prédiction et priorisation
- Modélisation supervisée : La classification ou la régression n'est utilisée que lorsqu'un point de terminaison défini et un design adéquat le soutiennent.
- Interprétabilité : L'attribution des caractéristiques, l'enrichissement des voies, le contexte du réseau et les matrices de preuves convertissent les résultats du modèle en priorités de recherche.
- Validation : Le prétraitement, la sélection des caractéristiques et l'ajustement restent à l'intérieur des plis d'entraînement ; une validation externe ou de réserve est utilisée lorsque cela est possible.
Un score d'importance du modèle élevé est considéré comme une preuve de priorisation, et non comme une preuve de causalité biologique. Des modèles plus simples peuvent être préférables lorsque la taille de la cohorte est limitée ou lorsque l'interprétabilité est la principale exigence.
Flux de travail multi-omiques intégré
Un flux de travail horizontal relie la planification de projet, l'entrée de données ou d'échantillons, le prétraitement spécifique aux couches, l'intégration assistée par l'IA et l'interprétation biologique.
Étape 1 : Question de recherche et conception de l'étude
Définissez la décision biologique, les contrastes, les variables de résultat, les covariables, les relations d'échantillon et quelles couches moléculaires peuvent apporter des preuves non redondantes.
Étape 2 : Réception des données / échantillons et contrôle qualité
Examinez les fichiers soumis et les métadonnées, ou coordonnez la génération de données entre partenaires et plateformes ; documentez les lots, les manquements et la provenance.
Étape 3 : Prétraitement spécifique à la couche
Traitez chaque couche omique avec une normalisation appropriée à la modalité, un filtrage, une évaluation des lots et une annotation des caractéristiques avant l'intégration.
Étape 4 : Intégration et validation assistées par l'IA
Appliquez des méthodes de factorisation, de réseau, supervisées ou multimodales selon les justifications ; protégez la séparation entre l'entraînement et le test et évaluez la stabilité du modèle ou du cluster.
Étape 5 : Interprétation biologique et livraison
Mapper des signaux intégrés aux voies, réseaux, cibles, biomarqueurs, états cellulaires, contexte spatial ou mécanismes de traitement et fournir des résultats reproductibles.
Mesures de validation et de conception de l'étude
La multi-omique peut produire des motifs visuellement attrayants même lorsque le design sous-jacent est faible. Nous considérons donc la conception de l'étude et la validation comme faisant partie du service plutôt que comme une réflexion tardive.
- Effets de lot et de plateforme : évalué dans chaque couche avant l'intégration ; la correction n'est pas appliquée aveuglément lorsque le lot est confondu avec la condition.
- Modalités manquantes : documenté par échantillon et couche ; la stratégie d'intégration est choisie en fonction du modèle de chevauchement observé.
- Fuite de données : la sélection de caractéristiques, l'imputation, le redimensionnement et l'ajustement du modèle sont confinés aux données d'entraînement pour les analyses supervisées.
- Petites cohortes : Les analyses exploratoires, non supervisées ou génératrices d'hypothèses peuvent être plus défendables que la modélisation prédictive.
- Déséquilibre de classe et covariables : l'imprévu des résultats et les variables pertinentes liées aux donneurs, aux tissus, aux traitements ou aux techniques sont intégrés lorsque cela est justifié.
- Validation externe : des cohortes indépendantes ou des données de validation sont utilisées lorsqu'elles sont disponibles ; sinon, le niveau de preuve est rapporté en conséquence.
- Reproductibilité : Les versions logicielles, les paramètres du modèle, le code et les descriptions prêtes des méthodes sont documentés conformément à la portée du projet.
Quand la multi-omique n'est pas le meilleur point de départ
Nous pouvons recommander un design plus étroit lorsque un essai bien alimenté peut déjà répondre à la question, lorsque les couches omiques proviennent d'échantillons non comparables, lorsque un phénotype clé est indéfini, ou lorsque la taille de la cohorte est trop petite pour le modèle supervisé proposé. Ajouter des modalités n'ajoute pas automatiquement de preuves si le design ne peut pas les relier.
Livrables
- Résumé de la conception de l'étude et de la sélection de la technologie
- Contrôle qualité et sorties de prétraitement par couche
- Matrices harmonisées et métadonnées d'échantillons/caractéristiques
- Facteurs cross-omiques, corrélations, réseaux ou embeddings intégrés
- Biomarqueurs candidats, cibles, sous-types, caractéristiques de réponse ou états cellulaires/spatiaux selon la voie sélectionnée.
- Validation du modèle, stabilité, calibration et interprétabilité des résultats lorsque l'apprentissage automatique supervisé est utilisé.
- Interprétation des voies et des réseaux avec traçabilité des preuves
- Code d'analyse reproductible et informations sur l'environnement selon le périmètre.
- Description de l'analyse prête pour les méthodes et rapport de recherche final
Références
- Baião AR, Cai Z, Poulos RC, et al. Une revue technique des méthodes d'intégration des données multi-omiques : des approches statistiques classiques aux approches génératives profondes. Briefings en bioinformatique. 2025;26(4):bbaf355. Baião et al., 2025
- Liu Y, Zhu K, Peng W, Liu Z, Mao X. Multi-omiques et intelligence artificielle pour la découverte de médicaments de précision et applications cliniques potentielles. Transduction du signal et thérapie ciblée. 2026;11:210. Liu et al., 2026
- Argelaguet R, Arnol D, Bredikhin D, et al. MOFA+: un cadre statistique pour l'intégration complète de données unicellulaires multimodales. Biologie du génome. 2020;21:111. Argelaguet et al., 2020
- Walsh I, Fishman D, Garcia-Gasulla D, et al. DOME : recommandations pour la validation de l'apprentissage automatique supervisé en biologie. Méthodes de la nature. 2021;18:1122–1127. Walsh et al., 2021
Résultats de la démo
Un rapport typique peut relier trois perspectives dans une chaîne de preuves : la structure d'échantillon intégrée, les relations cross-omiques et un résumé orienté vers la décision des prochaines priorités. L'exemple ci-dessous représente des types de résultats plutôt que des références de performance garanties.
Carte d'échantillon intégrée
Les facteurs latents ou les embeddings de faible dimension montrent si les principaux motifs d'étude sont partagés à travers les couches moléculaires et si les lots techniques dominent la structure.
Réseau de preuves cross-omiques
Les gènes, les caractéristiques régulatrices, les protéines, les métabolites ou les voies sont connectés selon la stratégie d'intégration sélectionnée et les seuils de preuve.
Résumé des priorités
Les biomarqueurs candidats, cibles, sous-types, mécanismes ou expériences de suivi sont classés avec leurs preuves de soutien et leur statut de validation.
FAQs sur les solutions multi-omiques assistées par l'IA
Dois-je avoir des échantillons appariés dans chaque couche omique ?
Les échantillons appariés offrent la meilleure intégration verticale, mais un chevauchement complet n'est pas toujours nécessaire. Nous commençons par cartographier les échantillons partagés par chaque couche, puis choisissons une stratégie d'intégration capable de gérer le modèle de chevauchement réel sans traiter les modalités non observées comme des données mesurées.
2. Comment savoir si j'ai besoin de multi-omiques ?
Commencez par la décision biologique. Si un essai peut répondre directement à la question avec une puissance adéquate, ajouter des couches supplémentaires peut augmenter la charge analytique sans améliorer les preuves. Les multi-omiques sont les plus utiles lorsque l'hypothèse traverse les niveaux réglementaires, d'expression, protéiques, métaboliques, cellulaires ou spatiaux.
3. Pouvez-vous analyser des données générées par différents fournisseurs ou des bases de données publiques ?
Oui. Les projets Data-to-Insight peuvent inclure des fichiers générés externes lorsque les formats, les métadonnées, les constructions de référence, l'historique de traitement et la provenance des échantillons sont suffisamment documentés. Les différences entre les plateformes sont évaluées avant l'intégration directe.
4. Les protéomiques et métabolomiques DIA peuvent-elles être incluses même sans pages de service AI séparées ?
Oui. La protéomique et la métabolomique DIA peuvent fonctionner comme des modules de génération ou d'analyse de données au sein d'un projet plus large. La sélection de caractéristiques assistée par l'IA, la classification, l'analyse des voies et l'intégration croisée des omiques peuvent être définies sans nécessiter une page de service autonome distincte.
5. Quelle méthode d'IA allez-vous utiliser ?
Il n'existe pas de modèle par défaut unique. Nous choisissons parmi des approches basées sur la corrélation, la factorisation de matrice, les réseaux, l'apprentissage automatique classique ou les approches multimodales profondes en fonction de la taille de l'échantillon, du nombre de couches, de l'absence de données, du type de résultat et du niveau d'interprétabilité requis.
6. Que faire si ma taille d'échantillon est petite ?
De petites cohortes peuvent encore soutenir des analyses descriptives, de niveau de parcours, de corrélation, de facteur ou génératrices d'hypothèses, mais elles peuvent ne pas justifier un modèle prédictif à haute dimension. Nous ajustons l'objectif analytique plutôt que de présenter une prédiction instable comme un résultat validé.
7. Les données unicellulaires et spatiales peuvent-elles être intégrées avec les omiques en vrac ?
Oui, lorsque la conception de l'étude fournit un pont significatif entre les modalités. Les données unicellulaires peuvent résoudre les états cellulaires derrière un signal global, tandis que les données spatiales peuvent replacer ces états dans un contexte tissulaire. La stratégie dépend de la manière dont les ensembles de données sont appariés par échantillon, donneur, tissu ou condition biologique comparable.
Publications connexes
Une revue technique des méthodes d'intégration des données multi-omiques : des approches statistiques classiques aux approches génératives profondes
Journal : Briefings in Bioinformatique
Année : 2025
Multi-omiques et intelligence artificielle pour la découverte de médicaments de précision et les applications cliniques potentielles
Journal : Signalisation et thérapie ciblée
Année : 2026
MOFA+: un cadre statistique pour l'intégration complète de données unicellulaires multi-modales
Journal : Biologie du Génome
Année : 2020
À utiliser uniquement pour la recherche. Ne pas utiliser dans des procédures diagnostiques ou cliniques.
