Directives de soumission d'échantillons
Pourquoi un plus grand nombre d'échantillons ne signifie pas automatiquement des preuves plus solides
Une matrice combinée plus grande peut sembler plus puissante tout en portant des preuves moins fiables.
Les cohortes peuvent différer en termes de recrutement, de population, de source tissulaire, de méthode de collecte, de plateforme d'analyse, de date de traitement, de couverture des caractéristiques ou de définition des points de terminaison. Si un facteur est lié au groupe biologique d'intérêt, une méthode de correction peut ne pas être en mesure de séparer la variation technique de la véritable biologie. Le regroupement direct peut alors créer une réponse qui semble précise à la mauvaise question.
Nous maintenons l'identité de la cohorte visible dès le début. Nos scientifiques examinent les droits sur les données, l'indépendance des études, les règles d'éligibilité, les métadonnées, les unités, les constructions de référence, le chevauchement des caractéristiques, l'absence de données, la structure des lots et la composition des échantillons. Ce n'est qu'après cette révision que nous choisissons l'harmonisation groupée, l'analyse stratifiée par cohorte, la méta-analyse au niveau des preuves, ou une recommandation de ne pas combiner les ensembles de données.
Les méthodes assistées par l'IA peuvent aider à cartographier des caractéristiques, comparer des représentations et détecter des motifs inhabituels dans de grands ensembles de données. Elles ne décident pas si une cohorte est scientifiquement éligible ou si une différence doit être supprimée. Ces décisions restent liées à la question de recherche, à la conception de l'étude et à l'examen par les scientifiques.
Questions auxquelles nous répondons avant l'intégration
- Les cohortes sont-elles indépendantes ?
- Leurs règles d'inclusion décrivent-elles des échantillons comparables ?
- Les caractéristiques et les unités peuvent-elles être cartographiées sans perdre de sens ?
- Le lot est-il confondu avec le contraste biologique ?
- Le regroupement masquerait-il les effets spécifiques à la cohorte ?
- Un nouveau mesurage est-il nécessaire pour combler un écart ?
Quatre décisions inter-cohortes que nous vous aidons à prendre
Chaque scénario relie la décision du client à une étude de méthode et à une application réelle multi-cohorte ou multi-centre.
Séparer les effets du centre de la biologie reproductible
Votre question : Le signal principal reste-t-il lorsque l'on omet un centre, un site de séquençage, un lot de traitement ou une période de collecte ?
Données requises : Profils moléculaires plus métadonnées au niveau de l'échantillon, du centre, de l'exécution, du protocole, du traitement, du groupe biologique et de la composition. Les échantillons de réplication ou de référence sont particulièrement utiles lorsqu'ils ont été mesurés à plus d'un endroit.
Analyse de la route : Nous comparons l'équilibre des centres et des groupes, les mesures de qualité des données, les distributions des caractéristiques, la composition des échantillons et les directions des effets au sein des centres. En fonction du design, nous pouvons utiliser des modèles stratifiés par centre, une normalisation par référence partagée, une analyse en laissant un centre de côté, ou une analyse groupée avec des vérifications de sensibilité tenant compte des centres.
Vérification scientifique : Nous testons si le centre est séparable du contraste biologique et si l'ajustement proposé préserve les relations au sein du centre. Si un groupe n'apparaît qu'à un seul centre, les données peuvent ne pas identifier un effet indépendant du centre.
Ce que nous livrons : Une évaluation par centre et par lot, des résultats au niveau de la cohorte, une analyse de sensibilité et une déclaration des conclusions qui restent soutenues.
Preuve de méthode : Nygaard, Rødland et Hovig ont montré que lorsque les groupes biologiques sont inégalement répartis entre les lots, les méthodes d'ajustement qui conservent les différences entre les groupes peuvent créer une confiance exagérée dans les analyses en aval. Leur travail soutient l'idée de revoir l'équilibre du design et l'inférence, et pas seulement la matrice corrigée. Lisez l'étude de biostatistiques.
Preuves appliquées : Le consortium GEUVADIS a séquencé l'ARNm et les petits ARN de 465 individus dans sept centres de séquençage avec une réplication extensive. L'étude a identifié des effets de laboratoire dans des mesures telles que la taille des insertions et le contenu en GC, et a souligné l'importance de la standardisation, de la randomisation et des vérifications explicites des biais techniques. Lisez l'étude de Nature Biotechnology.
Tester une découverte dans des cohortes publiques ou partenaires
Votre question : Un biomarqueur, un sous-type, un score de voie, un signal cible ou une signature moléculaire se reproduit-il dans des données qui ne l'ont pas créé ?
Données requises : La règle de découverte verrouillée et un ou plusieurs cohortes publiques, sous licence, de centres partenaires ou internes, scientifiquement appropriées, avec suffisamment de métadonnées et de chevauchement de caractéristiques pour effectuer le test prévu.
Analyse de la route : Nous documentons la découverte avant validation, vérifions la participation des auditeurs et le chevauchement des études sources, alignons les définitions d'éligibilité et de caractéristiques, et maintenons la cohorte externe en dehors de la sélection des caractéristiques et de la révision des règles. Nous comparons ensuite la direction de l'effet, son ampleur, son incertitude et le soutien des sous-groupes.
Vérification par les scientifiques : Une règle révisée créée après avoir examiné le résultat externe est qualifiée de nouvelle découverte et n'est pas considérée comme une confirmation indépendante. Elle nécessite un autre groupe non touché pour un nouveau test externe.
Ce que nous livrons : Résultats de réplication spécifiques à la cohorte, réplication partielle ou non-réplication ; preuves contradictoires ; analyse des échecs ; et une recommandation ciblée pour l'étude suivante.
Preuve de méthode : Bernau et al. ont évalué les méthodes de prédiction dans huit études indépendantes sur l'expression génique du cancer du sein. La validation croisée intra-étude a produit des estimations plus optimistes que la validation inter-études et pouvait classer les méthodes différemment, montrant ainsi pourquoi une nouvelle étude fournit des informations qu'un rééchantillonnage d'un seul ensemble de données ne peut pas. Lisez l'étude en bioinformatique.
Preuves appliquées : Ning et al. ont analysé neuf cohortes métagénomiques et quatre cohortes de métabolomique. Leur conception métagénomique comprenait six cohortes de découverte et trois cohortes de validation indépendantes, et les résultats de validation rapportés différaient parmi les cohortes externes. Lisez l'étude publiée dans Nature Communications.
Déterminez si un résultat se transfère d'une plateforme à l'autre.
Votre question : Un résultat obtenu sur un essai ou une plateforme peut-il être testé sur un autre sans changer ce que la mesure signifie ?
Données requises : Données brutes ou traitées, documentation d'analyse, identifiants de caractéristiques, versions de référence, unités, dossiers de traitement, couverture de la plateforme et tout échantillon de référence ou de liaison partagé.
Analyse de la route : Nous cartographions les identifiants et les unités, quantifions la couverture commune, inspectons le comportement de détection spécifique à la plateforme et choisissons une échelle de comparaison soutenue par les données. En fonction des preuves, cette échelle peut être un changement relatif, un classement, une direction, un score de parcours ou un effet au niveau de l'étude plutôt qu'une abondance absolue.
Vérification scientifique : Nous ne forçons pas une correspondance un à un lorsque les plateformes mesurent des cibles ou des résolutions différentes. Lorsque la cartographie computationnelle ne peut pas établir de comparabilité, nous définissons une nouvelle mesure sur la même plateforme ou une expérience d'échantillon intermédiaire.
Ce que nous livrons : Un enregistrement de cartographie de plateforme, un ensemble de fonctionnalités comparable, des résultats de cohérence multiplateforme, des lacunes de mesure non résolues, et une recommandation de passerelle si nécessaire.
Preuve de méthode : Ramasamy et al. ont organisé une méta-analyse d'expression inter-études en identification d'études, préparation de jeux de données, annotation, cartographie des sondes aux gènes, estimation spécifique à l'étude, combinaison des preuves et interprétation de l'hétérogénéité. Cela soutient la combinaison au niveau des preuves lorsque les valeurs brutes ne sont pas échangeables. Lisez le cadre de PLOS Medicine.
Référence appliquée : Le consortium SEQC/MAQC-III a évalué l'ARN de référence commun à travers les laboratoires et les plateformes de séquençage et a comparé l'ARN-seq avec les mesures de microarray et de qPCR. L'expression relative pouvait être reproductible avec des filtres appropriés, tandis que la mesure absolue et les résultats au niveau des transcrits avaient d'importantes limites dépendantes de la plateforme. Lisez le benchmark de Nature Biotechnology.
Définir où une constatation cesse d'être transférée.
Votre question : Le résultat est-il soutenu à travers les populations, les protocoles d'extraction, les sources de tissus, les stades de la maladie, les modèles, les traitements ou les conditions d'étude ?
Données requises : Cohortes indépendantes représentant les contextes de recherche envisagés, enregistrements de protocole et métadonnées décrivant les différences susceptibles d'affecter le transfert.
Analyse de la route : Nous comparons les effets au niveau des cohortes, l'incertitude, l'hétérogénéité, le comportement des sous-groupes, la détection de caractéristiques, les protocoles de traitement et les choix d'analyse raisonnables. Des tests d'étude retenue ou de retrait d'une cohorte sont utilisés lorsque le nombre et la structure des cohortes le permettent.
Vérification scientifique : Nous séparons les effets de protocole observés de l'hétérogénéité biologique uniquement lorsque les métadonnées et le design permettent cette conclusion. Un résultat soutenu dans une population ou un protocole n'est pas décrit comme universellement transférable.
Ce que nous livrons : Une matrice de preuves marquant les contextes soutenus, incertains et non soutenus, ainsi que la limite de transférabilité observée et les preuves nécessaires pour l'étendre.
Preuve de méthode : Austin et al. ont examiné le biais de traitement spécifique aux organismes et la généralisation à partir d'études mises de côté à travers des ensembles de données de microbiome. Leur travail DEBIAS-M montre pourquoi l'extraction, l'amplification et d'autres différences de protocole devraient être modélisées comme des sources interprétables de décalage de domaine plutôt que traitées comme une étiquette de lot générique. Lisez l'étude publiée dans Nature Microbiology.
Preuves appliquées : Xiao, Zhang et Zhao ont analysé 2 742 ensembles de données sur le microbiome provenant de sept études indépendantes en Chine, en Allemagne et aux États-Unis. Dans leur exemple, les différences entre les études étaient plus importantes que la différence entre les groupes cibles, et certains taxons ont changé de direction entre les études. Lisez l'étude de Nature Computational Science.
Décidez s'il faut regrouper, méta-analyser ou garder les cohortes séparées.
Le bon itinéraire dépend de ce qui est comparable et de ce qui doit rester visible.
| Analyse de l'itinéraire | Quand cela peut être approprié | Ce que nous préservons et rapportons |
|---|---|---|
| Analyse harmonisée regroupée | Éligibilité comparable, métadonnées, signification de la mesure et couverture des fonctionnalités ; le lot n'est pas entièrement confondu avec le contraste biologique. | Étiquettes de cohorte, vérifications pré/post-harmonisation, modèles sensibles à la cohorte et sensibilité au choix d'harmonisation. |
| Analyse stratifiée par cohorte | La même question peut être testée au sein de chaque cohorte, mais le regroupement direct au niveau des échantillons masquerait d'importantes différences de conception ou de plateforme. | Estimations de cohortes séparées, direction, incertitude et contribution de chaque étude. |
| Méta-analyse | Des effets comparables au niveau des études peuvent être définis même lorsque les valeurs brutes ou les plateformes ne sont pas directement échangeables. | Estimations des effets, incertitude, hétérogénéité, influence et sensibilité à l'inclusion de cohortes. |
| Gardez les cohortes séparées. | L'éligibilité, le point final, la signification de la caractéristique, la source d'échantillon ou les facteurs de confusion rendent une estimation combinée trompeuse. | La raison d'incompatibilité, les analyses qui restent défendables et les preuves nécessaires pour combler le fossé. |
Une conclusion de « ne pas combiner » n'est pas un service échoué. Elle protège le projet d'une fausse précision et offre à l'équipe un chemin concret vers une étude de validation mieux conçue.
Ajoutez uniquement les preuves moléculaires dont la décision de validation a besoin.
Ces services ne constituent pas un ensemble standard. Chacun est sélectionné uniquement lorsque la recherche publiée et l'audit du projet identifient un écart de mesure spécifique.
| Écart de preuve | Service de génomique CD associé | Quand c'est justifié | Fondation de recherche |
|---|---|---|---|
| Une mesure d'expression commune est nécessaire sur les sites ou les plateformes. | Séquençage de l'ARN | Remeasurez les échantillons de référence partagés ou de pont, ou générez une nouvelle cohorte de validation d'expression sous un même protocole. | La reproductibilité multicentrique a été étudiée par GEUVADIS; les limites de mesure multi-plateformes ont été évaluées par SEQC/MAQC-III. |
| Une découverte du microbiome manque de profils bruts comparables ou d'une cohorte de population indépendante. | Séquençage métagénomique shotgun | Générez des profils taxonomiques et fonctionnels selon un protocole commun, testez une signature microbienne verrouillée ou ajoutez une population sélectionnée pour examiner le transfert. | La validation métagénomique inter-cohortes a été utilisée par Ning et al.; le biais de traitement lié au protocole a été examiné par Austin et al.. |
| Un signal de cohorte en vrac peut être causé par un changement de composition cellulaire plutôt que par un changement d'état au sein de la cellule. | Séquençage d'ARN à cellule unique | Profilage d'une cohorte de validation ciblée ou cartographie des cellules de requête vers une référence appropriée tout en conservant les informations sur les échantillons et les conditions. | La cartographie des requêtes aux références a été démontrée avec scArches; les représentations cellulaires et d'échantillons au niveau de la population ont été évaluées avec scPoli. |
| La transférabilité dépend de la région tissulaire, des états voisins, des sections adjacentes ou de la couverture spatiale de la plateforme. | Services de séquençage multi-omiques spatiaux | Ajoutez un contexte tissulaire ou créez des sections appariées pour un design qui teste explicitement l'alignement spatial et la reproductibilité régionale. | L'alignement des tranches adjacentes et l'intégration du consensus ont été démontrés avec COLLER; l'alignement spatial multiplateforme et multimodal a été évalué avec SAINT. |
| La découverte biologique verrouillée dépend d'une couche moléculaire absente de la cohorte de validation. | Services Multi-Omics | Générez uniquement la couche manquante nécessaire pour tester le chemin, le sous-type, les preuves cibles ou la relation moléculaire dans le cadre d'un design de validation ciblé. | Ning et al. preuves métagénomiques et métabolomiques combinées à travers des cohortes tout en conservant des ensembles de validation indépendants. |
| Les ensembles de données existants nécessitent une révision d'éligibilité, un traitement commun, une cartographie, une méta-analyse ou des tests externes. | Services de bioinformatique | Effectuez un inventaire des droits des données, une sélection de cohortes, un reprocessement des données brutes, une cartographie des caractéristiques, des modèles sensibles aux cohortes, une combinaison de preuves et un reporting reproductible. | Les étapes de curation inter-études et de méta-analyse ont été organisées par Ramasamy et al.la validation croisée indépendante entre études a été formalisée par Bernau et al.. |
Des analyses de tout l'exome, de méthylation, protéomiques, métabolomiques ou d'autres types peuvent toujours être appropriées pour un projet spécifique. Nous les recommandons uniquement après que l'audit ait montré que la découverte verrouillée dépend de cette mesure et que l'expérience proposée peut combler l'écart identifié.
Commencez par des données existantes ou une étude de validation hybride ciblée.
| Entrée de projet | Ce que vous fournissez | Comment nous soutenons la décision |
|---|---|---|
| Données en aperçu | Deux ou plusieurs cohortes internes, partenaires, licenciées ou publiques ; métadonnées ; dossiers d'essai ; et la découverte ou la question à tester. | Nous auditons la compatibilité, sélectionnons la voie de combinaison des preuves, effectuons une validation externe, examinons l'hétérogénéité et rapportons les limites. |
| Étude de validation hybride | Cohortes existantes plus biospécimens, échantillons de liaison ou accès à une cohorte de validation prévue. | Nous identifions l'écart de preuves non résolu, réalisons une expérience ciblée, relions les nouvelles mesures aux cohortes existantes et testons la découverte selon le design révisé. |
S'il n'existe pas de cohorte indépendante appropriée, nous pouvons aider à définir ce que doit contenir une cohorte de validation utile. La nouvelle cohorte reste séparée de la découverte afin de pouvoir fournir un véritable test externe.
Auditer la compatibilité avant de corriger les effets de lot
L'audit rend chaque hypothèse majeure visible avant qu'un résultat combiné ne soit produit.
- Droits et utilisation prévue : Nous examinons les termes du dépôt, les limites de transfert, la portée du consentement et les dossiers fournis par le client pertinents pour l'analyse prévue.
- Indépendance de cohorte : Nous recherchons des participants répétés, des ensembles de données dérivés, des contrôles partagés et des études sources qui se chevauchent.
- Éligibilité et métadonnées : Nous alignons les règles d'inclusion, les résultats, les points temporels, les tissus, les traitements et les définitions des variables.
- Signification de la fonctionnalité : Nous cartographions les identifiants, les constructions de référence, les cibles d'analyse, les unités, la couverture et les relations plusieurs-à-un.
- Absence : Nous distinguons les mesures absentes de l'absence biologique réelle et rapportons la couverture spécifique à la cohorte.
- Composition d'exemple : Nous évaluons les différences de population, de tissu, de type cellulaire, de stade, de traitement et d'autres facteurs qui peuvent modifier le résultat.
- Structure technique : Le centre, la plateforme, l'exécution, le traitement, le stockage et les variables d'analyse sont comparés au contraste biologique.
- Traitement commun : Les données brutes peuvent être retraitées selon un plan lorsque cela améliore la comparabilité et que les données sources le permettent.
- Préservation biologique : Nous vérifions si l'harmonisation affaiblit ou efface les relations attendues au sein des cohortes.
- Sensibilité : Des conclusions importantes sont testées sous des choix raisonnables de cartographie, de filtrage, d'inclusion de cohortes et d'analyse.
Aucune méthode de correction ne peut reconstruire les métadonnées manquantes ni résoudre un design dans lequel la cohorte et le groupe biologique sont indissociables. Nous rapportons cette limitation au lieu de la cacher derrière une visualisation corrigée.
D'une découverte verrouillée à une frontière de transférabilité
Un flux de travail connecté maintient la sélection des cohortes, l'harmonisation, la validation, l'interprétation et toute nouvelle expérience ciblée liées à la même décision de recherche.
Étape 1 - Définir la découverte verrouillée : Nous enregistrons le biomarqueur, la règle de sous-type, le score de voie, les preuves cibles, la signature moléculaire ou la conclusion de recherche ainsi que la décision que la validation devrait soutenir.
Étape 2 - Auditer les cohortes et les droits : Nous examinons l'indépendance des cohortes, l'éligibilité des échantillons, les métadonnées, les dossiers sources et l'utilisation prévue des données sur la base des documents fournis par le client.
Étape 3 - Évaluer la compatibilité : Nous comparons les caractéristiques, les unités, les constructions, les plateformes, les lots, les centres, l'absence de données et la composition de l'échantillon.
Étape 4 - Sélectionnez la voie d'analyse : Nous pré définissons l'harmonisation groupée, l'analyse stratifiée par cohorte, la méta-analyse ou une décision de garder les cohortes séparées.
Étape 5 - Traiter et aligner les données : Les données brutes ou traitées compatibles sont gérées selon un plan documenté, tandis que l'identité de la cohorte reste traçable.
Étape 6 - Tester dans des cohortes indépendantes : La découverte verrouillée est évaluée sans l'ajuster au résultat externe. La réplication, la réplication partielle et la non-réplication sont toutes conservées.
Étape 7 - Expliquer la variation : Nous examinons l'hétérogénéité, les sous-groupes, la sensibilité en laissant un cohorté de côté ou un centre de côté, les lacunes des plateformes et les causes probables d'échec.
Étape 8 - Signalez la limite : Vous recevez la force et les limites de la preuve, où elle se transfère, où elle ne se transfère pas, et si de nouvelles mesures ciblées pourraient résoudre l'incertitude restante.
Ce dont nous avons besoin pour évaluer la compatibilité des cohortes
Une revue utile nécessite à la fois des données moléculaires et les dossiers qui expliquent comment les échantillons ont été collectés et mesurés.
- La découverte de recherche ou l'hypothèse à tester et comment le résultat guidera la décision pour l'étude suivante.
- Fichiers bruts, matrices traitées, tableaux de résultats spécifiques à l'étude ou objets d'analyse réutilisables disponibles.
- Métadonnées au niveau de l'échantillon, manuels de code, règles d'éligibilité, définitions des résultats et informations sur les points temporels.
- Plateforme d'analyse, version de référence, annotation des caractéristiques, unité, normalisation, traitement, lot et enregistrements de centre
- Informations sur la source du jeu de données, l'accès ou les conditions de licence, les conditions de transfert et le chevauchement connu des participants.
- code de découverte, liste des fonctionnalités, règle de sous-type, score de parcours, preuve cible ou définition de signature
- Biospécimens, échantillons de liaison ou cohortes de validation candidates lorsque de nouvelles mesures ciblées sont envisagées.
Lorsqu'un enregistrement est incomplet, nous identifions l'incertitude qu'il engendre et si une analyse de sensibilité, une requête de données ou une expérience ciblée peuvent la réduire.
Livrables montrant ce qui a été reproduit, ce qui ne l'a pas été et pourquoi.
- Audit de compatibilité et de fusion des cohortes
- Inventaire des droits sur les données et des métadonnées basé sur les dossiers fournis
- Enregistrement de mappage des fonctionnalités, unités, plateformes et identifiants
- Évaluation du lot, du centre, de la plateforme et de la composition de l'échantillon
- Objets d'analyse harmonisés ou objets de résultats spécifiques à la cohorte
- Tableaux de résultats d'analyse intégrée ou de méta-analyse
- Rapport de validation externe indépendant pour la constatation verrouillée
- Résultats sur la direction de l'effet, l'amplitude, l'incertitude et l'hétérogénéité
- Analyses de sous-groupes et de sensibilité lorsque cela est justifié
- Analyse des raisons d'échec et limite de transférabilité observée
- Méthodes, scripts, figures et limitations reproductibles
- Résultats de l'expérience de pont ciblée lorsqu'ils sont inclus
Nous séparons les observations des interprétations et des recommandations. Votre équipe peut voir quels groupes soutiennent une conclusion, lesquels ne le font pas, quelles hypothèses étaient nécessaires et quelles preuves pourraient modifier la décision.
Connectez la validation en laboratoire sec avec de nouvelles preuves ciblées.
Un projet purement computationnel peut révéler que les caractéristiques clés ont été mesurées différemment, qu'une couche moléculaire est manquante ou qu'aucune cohorte indépendante ne correspond à l'environnement prévu. Cela ne devrait pas obliger l'étude à s'arrêter à une limitation non résolue.
CD Genomics regroupe la conception d'études, des expériences omiques diverses, l'analyse de données publiques et client, l'examen assisté par IA des motifs, la validation statistique et l'interprétation par des scientifiques dans un seul programme. Nous pouvons retraiter des données compatibles, générer des mesures de liaison, ajouter une couche omique manquante ou aider à constituer un cohort de validation ciblée.
Nous ne promettons pas que chaque ensemble de données peut être fusionné ou que chaque découverte sera reproduite. Nous fournissons un package de preuves traçables qui vous aide à décider si vous devez faire avancer la découverte, en réduire la portée, redessiner la validation ou investir ailleurs.
Limite de recherche
Les résultats inter-cohortes dépendent de l'éligibilité des cohortes, de la qualité des métadonnées, de la comparabilité des tests, de la composition des échantillons et des contextes représentés dans les données disponibles. La validation externe soutient une conclusion de recherche dans ces conditions observées ; elle n'établit pas de transférabilité universelle ni de conclusion clinique.
Références
- Nygaard V, Rødland EA, Hovig E. Les méthodes qui éliminent les effets de lot tout en conservant les différences entre les groupes peuvent conduire à une confiance exagérée dans les analyses en aval. Biostatistique. 2016.
- 't Hoen PAC, Friedländer MR, Almlöf J, et al. Reproductibilité du séquençage mRNA et petits ARN à haut débit entre les laboratoires. Biotechnologie de la nature. 2013.
- Bernau C, Riester M, Boulesteix AL, et al. Validation croisée pour l'évaluation des algorithmes de prédiction. Bioinformatique. 2014.
- Ning L, Zhou Y-L, Sun H, et al. Caractéristiques du microbiome et du métabolome dans les maladies inflammatoires de l'intestin grâce à des analyses d'intégration multi-omiques à travers des cohortes. Communications Nature. 2023.
- Ramasamy A, Mondry A, Holmes CC, Altman DG. Questions clés dans la réalisation d'une méta-analyse des ensembles de données de microarrays d'expression génique. PLOS Médecine. 2008.
- Consortium SEQC/MAQC-III. Une évaluation complète de l'exactitude, de la reproductibilité et du contenu d'information de l'ARN-seq par le Consortium de contrôle de la qualité du séquençage. Biotechnologie de la Nature. 2014.
- Austin GI, Brown Kav A, ElNaggar S, et al. La correction de biais de traitement avec DEBIAS-M améliore la généralisation inter-études des modèles de prédiction basés sur le microbiome. Nature Microbiologie. 2025.
- Xiao L, Zhang F, Zhao F. L'intégration de données de microbiome à grande échelle permet une identification robuste des biomarqueurs. Nature Science Computationnelle. 2022.
- Lotfollahi M, Naghipourfar M, Luecken MD, et al. Cartographie des données unicellulaires vers des atlas de référence par apprentissage par transfert. Biotechnologie de la Nature. 2022.
- De Donno C, Hediyeh-Zadeh S, Moinfar AA, et al. L'intégration de jeux de données unicellulaires au niveau de la population permet une analyse multi-échelle à travers les échantillons. Méthodes de la nature. 2023.
- Zeira R, Land M, Strzalkowski A, et al. Alignement et intégration des données de transcriptomique spatiale. Méthodes de la nature. 2022.
- Li H, Lin Y, He W, et al. SANTO : une méthode d'alignement et de couture de grossier à fin pour l'omics spatial. Communications Nature. 2024.
Exemple de rapport de validation inter-cohortes
Le rapport maintient l'identité de la cohorte visible. Il relie les vérifications de compatibilité avec la cohérence des effets, l'hétérogénéité, la sensibilité, les raisons d'échec et la limite observée de la découverte.
Un rapport spécifique à un projet peut inclure un inventaire de cohortes et de métadonnées, une carte de chevauchement des caractéristiques, une revue avant et après harmonisation, des estimations d'effet au niveau de la cohorte, des statistiques d'hétérogénéité, des comparaisons de sous-groupes, une sensibilité en laissant une cohorte de côté, des résultats de validation indépendante, des raisons d'échec et une matrice de transférabilité. L'objectif est de montrer non seulement le résultat combiné, mais aussi comment chaque cohorte modifie la conclusion.
FAQ sur l'intégration et la validation des omiques inter-cohortes
Combien de cohortes sont nécessaires ?
La validation externe nécessite au moins un ensemble de données qui est indépendant de la découverte. D'autres cohortes peuvent soutenir l'analyse d'hétérogénéité et de transférabilité, mais leur valeur dépend de l'indépendance, des métadonnées, de la comparabilité des tests et de la couverture plutôt que du simple nombre.
2. Qu'est-ce qui rend une cohorte de validation indépendante ?
Il ne doit pas contenir les échantillons, les participants, les mesures dérivées ou les informations de réglage utilisées pour créer la découverte. Des témoins partagés, des participants répétés ou un ensemble de données dérivé de la même étude source peuvent affaiblir l'indépendance et doivent être documentés.
3. Pouvez-vous utiliser des ensembles de données publics ?
Oui, lorsqu'ils sont scientifiquement appropriés et que leurs conditions d'accès et d'utilisation soutiennent le travail prévu. Nous examinons les informations sur le dépôt, la provenance des ensembles de données, le chevauchement des cohortes, les métadonnées et les dossiers d'utilisation fournis par le client. La disponibilité publique ne rend pas automatiquement chaque utilisation appropriée.
4. Quand la méta-analyse est-elle préférable à l'intégration directe ?
La méta-analyse est souvent utile lorsque des cohortes testent la même question mais que les valeurs au niveau des échantillons ne sont pas directement échangeables en raison de différences de plateforme, d'échelle, de conception ou de traitement. Elle combine les preuves au niveau des études tout en préservant l'hétérogénéité. Le regroupement direct peut être approprié lorsque la signification de la mesure et la conception sont suffisamment compatibles.
5. Les résultats peuvent-ils être validés sur différentes plateformes ?
Parfois. Nous examinons d'abord les caractéristiques partagées, les unités, les versions de référence, la couverture des tests et les limites de détection. La comparaison de direction, de rang, de voie ou de niveau d'effet peut rester possible lorsque les valeurs absolues ne le sont pas. Des échantillons de liaison ou une nouvelle mesure sur une plateforme commune peuvent être nécessaires pour combler les lacunes non résolues.
6. Que se passe-t-il si le résultat ne se reproduit pas ?
Nous conservons le résultat négatif et examinons les causes plausibles, y compris le chevauchement limité, la composition de l'échantillon, les effets de centre, les différences de plateforme, la faible précision et la véritable hétérogénéité biologique. Nous ne modifions pas la règle originale pour faire en sorte que le résultat externe semble positif.
7. Quand recommanderiez-vous une expérience de pont ?
Un expériment ciblé peut être utile lorsque les cohortes utilisent des tests non comparables, lorsqu'une couche moléculaire clé est manquante, ou lorsqu'un petit ensemble d'échantillons partagés peut séparer les effets de la plateforme des différences biologiques. La recommandation est liée à un écart spécifique dans les preuves.
8. Est-ce la même chose que l'évaluation de modèle ?
Non. Ce service valide les biomarqueurs, les sous-types, les voies, les preuves cibles, les signatures moléculaires et les conclusions de recherche à travers des cohortes. Un projet de référence de modèle se concentre sur des questions telles que les fuites, la conception de rééchantillonnage, la comparaison de base, la calibration et l'examen des performances au niveau du modèle.
9. Que faire si les cohortes ne peuvent pas être combinées ?
Nous expliquons pourquoi, identifions les analyses qui restent défendables et décrivons les données ou l'expérience nécessaires pour combler le fossé. Garder les cohortes séparées peut être le choix scientifique le plus solide lorsque une estimation combinée serait trompeuse.
Étude de cas publiée
Mise en avant de la recherche indépendante
Preuves multi-cohortes en métagénomique et métabolomique dans la recherche sur les maladies inflammatoires de l'intestin
Cette publication est un exemple de recherche indépendante. Ce n'est pas un projet client de CD Genomics.
Contexte
Les résultats du microbiome et du métabolome peuvent varier selon les populations, les centres, les pipelines de traitement et les conceptions d'essai. Ning et al. ont demandé quelles caractéristiques moléculaires restaient cohérentes à travers plusieurs cohortes de recherche sur les maladies inflammatoires de l'intestin et si les signatures se transféraient à des ensembles de données indépendants.
Méthodes
L'étude a analysé neuf cohortes métagénomiques contenant 1 363 cas et quatre cohortes métabolomiques contenant 398 cas provenant de différentes régions. Les données métagénomiques ont été organisées en six cohortes de découverte et trois cohortes de validation indépendantes. Les données métagénomiques brutes ont été retraitées selon un flux de travail taxonomique et fonctionnel commun, tandis que les noms des métabolites ont été associés à des identifiants communs. La figure 1 présente le plan de conception et de traitement inter-cohortes.
Résultats
La figure 2 compare l'évaluation intra-cohorte, le transfert de cohorte à cohorte et l'analyse en laissant une cohorte de côté. Les trois cohortes métagénomiques indépendantes n'ont pas produit des résultats identiques : les valeurs de performance moyennes rapportées étaient de 0,70 pour HallAB 2017, 0,90 pour FranzosaEA 2019B et 0,89 pour la cohorte de Pudong. Cette variation est importante car une moyenne peut masquer un cadre de transfert plus faible. La figure 6 montre ensuite comment les panels combinés d'espèces, de gènes fonctionnels et de métabolites ont été évalués dans des ensembles de validation séparés.
Pourquoi c'est important
L'étude illustre pourquoi le travail inter-cohortes devrait préserver les résultats au niveau des cohortes. Un traitement commun et un ensemble de découvertes plus large peuvent renforcer une analyse, mais ils ne rendent pas chaque cohorte externe équivalente. Un rapport de validation utile devrait montrer quels paramètres soutiennent la découverte, quel paramètre est plus faible et quelles différences de cohorte ou de plateforme peuvent expliquer l'écart.
Conclusion
La validation inter-cohortes est la plus informative lorsqu'elle expose la variation au lieu de l'atténuer. Les résultats de cette publication ne prédisent pas l'issue d'un autre projet, et la performance de classification de la recherche ne doit pas être interprétée comme une conclusion clinique.
Note en libre accès : L'article est sous licence Creative Commons Attribution 4.0 International. Cette page décrit l'étude sans reproduire ses figures.
Référence
- Ning L, Zhou Y-L, Sun H, et al. Caractéristiques du microbiome et du métabolome dans la maladie inflammatoire de l'intestin via des analyses d'intégration multi-omiques à travers des cohortes. Communications Nature. 2023.
Publications Sélectionnées
Ces publications indépendantes constituent la base de recherche pour les décisions et les choix de services conditionnels décrits sur cette page. Elles ne sont pas présentées comme des projets clients de CD Genomics.
- Nygaard V, Rødland EA, Hovig E. Les méthodes qui éliminent les effets de lot tout en préservant les différences entre groupes peuvent conduire à une confiance exagérée dans les analyses en aval. Biostatistiques. 2016.
- 't Hoen PAC, Friedländer MR, Almlöf J, et al. Reproductibilité du séquençage mRNA et petit ARN à haut débit entre les laboratoires. Biotechnologie de la Nature. 2013.
- Bernau C, Riester M, Boulesteix AL, et al. Validation croisée pour l'évaluation des algorithmes de prédiction. Bioinformatique. 2014.
- Ning L, Zhou Y-L, Sun H, et al. Caractéristiques du microbiome et du métabolome dans la maladie inflammatoire de l'intestin via des analyses d'intégration multi-omiques à travers des cohortes. Communications Nature. 2023.
- Ramasamy A, Mondry A, Holmes CC, Altman DG. Problèmes clés dans la réalisation d'une méta-analyse des ensembles de données de microarrays d'expression génique. PLOS Médecine. 2008.
- Consortium SEQC/MAQC-III. Une évaluation complète de l'exactitude, de la reproductibilité et du contenu d'information de l'ARN-seq par le Consortium de Contrôle de Qualité du Séquençage. Biotechnologie de la nature. 2014.
- Austin GI, Brown Kav A, ElNaggar S, et al. La correction de biais de traitement avec DEBIAS-M améliore la généralisation inter-études des modèles de prédiction basés sur le microbiome. Nature Microbiologie. 2025.
- Xiao L, Zhang F, Zhao F. L'intégration de données microbiomes à grande échelle permet une identification robuste des biomarqueurs. Science Computationnelle de la Nature. 2022.
- Lotfollahi M, Naghipourfar M, Luecken MD, et al. Cartographie des données unicellulaires vers des atlas de référence par apprentissage par transfert. Biotechnologie de la Nature. 2022.
- De Donno C, Hediyeh-Zadeh S, Moinfar AA, et al. L'intégration des ensembles de données unicellulaires à l'échelle de la population permet une analyse multi-échelle à travers les échantillons. Nature Methods. 2023.
- Zeira R, Land M, Strzalkowski A, et al. Alignement et intégration des données de transcriptomique spatiale. Méthodes de la nature. 2022.
- Li H, Lin Y, He W, et al. SANTO : une méthode d'alignement et de couture de grossier à fin pour l'omics spatial. Communications Nature. 2024.
