Diretrizes para Submissão de Amostras
O que este serviço resolve
Um projeto genérico de integração multi-ômica pergunta como as camadas moleculares se relacionam entre si. Um projeto de resposta a fármacos adiciona um requisito mais difícil: cada observação molecular deve ser interpretada em relação a um tratamento, dose, ponto temporal, ponto final de resposta ou estado de resistência.
Do Fenótipo de Resposta à Biologia Testável
Quando os projetos necessitam de uma harmonização mais ampla antes da modelagem específica do tratamento, o nosso integração de dados multi-ómicos o fluxo de trabalho pode fornecer a estrutura de integração a montante.
- Assinaturas de resposta de referênciaIdentificar características moleculares associadas à sensibilidade quantitativa ou grupos de resposta experimental pré-especificados.
- Evidência de MOA induzida por tratamentoLigar alterações moleculares conscientes da dose e do tempo a vias, reguladores e biologia de redes-alvo.
- Mecanismos de resistênciaCompare estados sensíveis e resistentes para priorizar caminhos de fuga e vulnerabilidades alternativas.
A interpretação mecanicista continua a ser baseada em hipóteses até ser apoiada por validação experimental ortogonal.
Designs de Estudo e Dados de Entrada Suportados
Apoiamo estudos que começam com uma camada omica mais um fenótipo de resposta ou que se estendem por várias camadas moleculares correspondentes. A entrada pode vir de diferentes plataformas, desde que os metadados de tratamento e os identificadores de amostras permaneçam rastreáveis.
| Camada de Dados | Entrada Aceite | Contribuição para a Resposta a Medicamentos |
|---|---|---|
| Genómica | FASTQ, BAM, VCF anotado, matriz de mutações ou de número de cópias | Genótipo basal, lesões de via, variantes associadas à resistência |
| Transcriptómica | FASTQ, BAM, matriz de contagem, matriz de expressão normalizada | Assinaturas de resposta de base, programas induzidos por tratamento, atividade de via. |
| Epigenómica | Chamadas de metilação, picos de ATAC-seq, sinal de ChIP-seq ou matrizes processadas | Estado regulatório e mudanças regulatórias associadas ao tratamento |
| Proteómica / PTM | Dados brutos de LC-MS/MS ou matrizes de quantificação de proteínas/PTM | Mudanças nos caminhos funcionais, respostas de sinalização, evidências da rede-alvo |
| Metabolómica / Lipidómica | Ficheiros MS brutos, tabelas de picos, matrizes de metabolitos anotados | Resposta metabólica, remodelação de vias, estados associados à resistência |
| Dados de Célula Única | FASTQ, matrizes de contagem, objetos Seurat/AnnData | Resposta específica do estado celular e subpopulações resistentes |
| Fenótipo de Resposta | IC50, AUC, DSS, viabilidade, inibição do crescimento, pontuação do ensaio, classe de resposta à pesquisa | Define o ponto final supervisionado ou o alvo de associação. |
Para o processamento upstream, os projetos podem usar análise de dados genómicos, análise de dados transcriptómicosou análise de dados epigenómicos antes da integração ligada ao tratamento.
Opções de Entrada do Projeto
Duas maneiras de iniciar um projeto de multi-ópticas de resposta a fármacos.
Dados para Insights
- Você fornece medições de resposta existentes e dados moleculares.
- Realizamos QC, harmonização, revisão de pontos finais, modelagem de respostas, integração multi-ômica e interpretação de mecanismos.
- Melhor para equipas com dados já gerados internamente ou através de fornecedores anteriores.
Amostra para Insight
- Você fornece amostras biológicas e o desenho experimental.
- As plataformas parceiras qualificadas geram os dados ómicos solicitados antes da análise.
- Melhor para programas que necessitam de geração de dados coordenada a montante e interpretação a jusante.
Qualquer modo de entrada pode suportar estudos de resposta apenas com linha de base, estudos de tratamento pareados, desenhos longitudinais, modelos de resistência adquirida ou projetos de evidência mista privada/pública.
Fluxo de Resposta a Medicamentos e Mecanismo de Ação Assistido por IA
O fluxo de trabalho é construído em torno da questão de tratamento em vez de um algoritmo fixo. A IA e o aprendizado de máquina entram apenas após a definição do ponto final de resposta, da proveniência dos dados e das relações entre as amostras.
Passo 1: Estudo da Estrutura e Definição de Ponto Final
Confirme o composto, braços de tratamento, dose e estrutura temporal, sistema modelo, ponto de resposta, camadas ómicas, covariáveis e a reivindicação de pesquisa pretendida.
Passo 2: Recepção de Dados / Amostras e QC
Auditar IDs de amostras, tabelas de resposta, faltas, estrutura de replicação, variáveis de lote e QC específico da plataforma; coordenar a geração de dados de parceiros para projetos baseados em amostras.
Passo 3: Análise de Perturbação Específica da Camada
Processar cada camada ómica de forma independente primeiro e avaliar a normalização, sinais diferenciais, efeitos de dose/tempo e estrutura de lote antes da fusão entre camadas.
Passo 4: Integração e Modelagem Ligadas à Resposta
Vincule características moleculares a resultados de resposta quantitativos ou categóricos utilizando modelos regularizados, conjuntos baseados em árvores, fatores latentes ou métodos de rede conforme apropriado.
Passo 5: Interpretação do Mecanismo de Ação e Resistência
Mapear características priorizadas para vias, reguladores, interações proteicas, relações de metabolitos e biologia de alvos conhecidos, enquanto separa preditores de base dos efeitos de tratamento a jusante.
Passo 6: Priorização e Entrega da Validação
Testes de stress em assinaturas, resumir incertezas, comparar com evidências independentes compatíveis e classificar experimentos de validação ortogonais, biomarcadores, vias ou hipóteses de combinação.
Escolhendo a Estratégia de Análise Certa
Um modelo de previsão de resposta não é automaticamente a melhor forma de responder a uma questão de MOA. Selecionamos a estratégia de acordo com a qualidade do endpoint, tamanho da amostra, desenho temporal e recursos de validação.
| Estratégia | Melhor Questão de Pesquisa | Saída Primária | Limitação Principal |
|---|---|---|---|
| Associação de Resposta Baseline | O que difere antes do tratamento entre modelos de alta e baixa resposta? | Características estáveis, assinatura de resposta, padrões de subgrupos | A associação não estabelece o mecanismo do medicamento. |
| Modelagem de Resposta Supervisionada | Podem os perfis moleculares prever um ponto final de resposta experimental? | Modelo validado cruzadamente, importância das características, resumo de desempenho | Cohortes pequenas em alta dimensão podem sofrer de overfitting. |
| Perturbação Emparelhada / MOA | Quais são as alterações após a exposição ao composto? | Caminhos diferenciais, reguladores, mapa de mecanismos cross-ómicos | As alterações pós-tratamento podem ser efeitos secundários. |
| Integração Focada na Resistência | O que distingue estados sensíveis, tolerantes ou resistentes? | Caminhos de fuga, módulos de resistência, vulnerabilidades candidatas | A resistência pode ser heterogénea e específica do modelo. |
| Evidência Híbrida Privada + Pública | O sinal interno recorre em recursos farmacogenómicos externos? | Contexto independente, apoio externo, condições de contorno | O ensaio, a dose, a plataforma e a biologia podem diferir. |
Para uma resposta específica ao estado da célula, análise de RNA-seq de célula única pode ser incorporado quando as médias em massa ocultariam subpopulações resistentes ou responsivas ao tratamento.
Validação e Salvaguardas de Pesquisa
A modelagem da resposta a fármacos é vulnerável a dependências ocultas e vazamentos. O design de validação é, portanto, parte da questão biológica, e não um passo final de representação.
- Definição de endpoint antes da modelagemLimiares, transformações ou resultados quantitativos são especificados antes da seleção de características.
- Pré-processamento controlado por vazamentoA normalização, imputação, seleção de características e ajuste permanecem dentro dos dados de treino.
- Avaliação biologicamente significativaAs divisões podem separar amostras, sistemas modelo, compostos, lotes ou coortes, dependendo da questão.
- Comparação de linha de baseModelos complexos são comparados com referências estatísticas ou regularizadas mais simples.
- Revisão de lote e confundidoresOs efeitos do tratamento, dose, tempo, tecido, genótipo, sistema de cultura e placa de ensaio são avaliados.
- Convergência de cross-ômicasAs hipóteses de mecanismo têm uma classificação mais alta quando camadas moleculares independentes apoiam o mesmo caminho em direções compatíveis.
- Restrição causalImportância das características, correlação e enriquecimento suportam a priorização; a MOA causal requer validação ortogonal.
Entregáveis
- QC por camada, normalização, lote, ausência de dados e revisão de endpoints
- Tabela de metadados harmonizados de amostra, tratamento, dose, tempo e resposta
- Resultados de resposta ao tratamento diferencial para cada camada ómica
- Matriz de características associadas à resposta multi-ômica e assinatura candidata classificada
- Saídas de classificação ou regressão validadas por cruzamento quando justificado
- Sumários de atribuição de características, resultados de atividade de vias e mapas de reguladores/rede.
- Atribuições de subgrupos de respondedores ou resistência quando apoiadas pelo design
- Matriz de evidência de MOA e resistência conectando características, vias e contexto de tratamento
- Contextualização de conjuntos de dados públicos ou validação externa quando apropriado
- Código reproduzível, informações sobre o ambiente/versão, tabelas prontas para análise e documentação pronta para métodos.
Requisitos de Amostra e Dados
Os requisitos dependem da complexidade do modelo, da distribuição da resposta, da dimensionalidade ómica, da estrutura de réplicas e dos objetivos de validação. Avaliamos a viabilidade em relação ao design real em vez de impor um mínimo numérico universal.
| Categoria de Entrada | Entrada Aceite | Metadados Requeridos | Como É Usado |
|---|---|---|---|
| Composto / Tratamento | Identidade composta ou ID interno; agente único ou combinação definida | Dose, tempo de exposição, veículo/controlo, braço de tratamento | Estabelece a estrutura de perturbação |
| Fenótipo de Resposta | IC50, AUC, DSS, viabilidade, inibição do crescimento, pontuação do ensaio, classe de resposta à pesquisa | Método de ensaio, normalização, estrutura de replicados, definição de resposta | Define ponto final supervisionado ou de associação. |
| Dados Ómicos | Ficheiros brutos ou matrizes processadas de camadas suportadas | ID da amostra, plataforma, lote/executar, histórico de pré-processamento | Fornece características moleculares e leituras de perturbação |
| Exemplos de Relacionamentos | Linha de base, tratado, resistente, longitudinal ou pares emparelhados | Chave de emparelhamento, ponto temporal, sistema modelo, replicado biológico | Determina análises emparelhadas, longitudinais ou de subgrupos. |
| Covariáveis | Atributos do sistema-modelo, genótipo, tecido, condições experimentais | Definições de variáveis e codificação de valores em falta | Controla as confusões e apoia a interpretação estratificada. |
| Dados Externos / Públicos | Conjuntos de dados farmacogenómicos publicados ou públicos | Fonte, versão, chave de mapeamento, licença/proveniência | Adiciona contexto ou validação independente quando compatível. |
Requisitos e Limitações do Design do Estudo
Os projetos mais robustos definem um ponto de resposta que é biologicamente significativo para o sistema modelo e recolhem medições moleculares sob um desenho que permite separar os efeitos do tratamento das diferenças de tempo, lote e linha de base. A replicação biológica, a alocação equilibrada, o manuseio consistente das amostras e a metadata completa de dose/tempo melhoram substancialmente a interpretabilidade.
- Pequenas coortes podem apoiar a análise de caminhos exploratórios sem apoiar um preditor supervisionado estável.
- Um desequilíbrio severo de classes pode tornar a precisão enganosa e reduzir a estabilidade da assinatura.
- Os desenhos apenas de tratamento pós não conseguem estabelecer biomarcadores preditivos de base sem dados adicionais.
- Rótulos de resposta derivados das mesmas características moleculares utilizadas para a previsão podem criar circularidade.
- Conjuntos de dados públicos multiplataforma podem adicionar contexto sem serem diretamente combináveis com experiências proprietárias.
- A associação cruzada reprodutível entre ómicas não prova por si só o alvo molecular direto de um composto.
Referências
- Cai Z, Apolinário S, Baião AR, et al. Aumento sintético de conjuntos de dados multi-ómicos de linhas celulares cancerígenas utilizando aprendizagem profunda não supervisionada. Comunicações da Natureza2024;15:10390. Cai et al., 2024
- Walsh I, Fishman D, Garcia-Gasulla D, et al. DOME: recomendações para validação de aprendizagem de máquina supervisionada em biologia. Métodos da Natureza. 2021;18:1122–1127. Walsh et al., 2021
- Rashid M, Selvarajoo K. Avanço na previsão da resposta a fármacos utilizando integração de machine learning multi-modal e -ômica (MOMLIN): um estudo de caso sobre dados clínicos de cancro da mama. Briefings em Bioinformática. 2024;25(4):bbae300. Rashid e Selvarajoo, 2024
- Sharifi-Noghabi H, Zolotareva O, Collins CC, Ester M. MOLI: integração tardia multi-ômica com redes neurais profundas para previsão de resposta a fármacos. Bioinformática. 2019;35(14):i501–i509. Sharifi-Noghabi et al., 2019
Resultados da Demonstração
Saídas ilustrativas mostram como o fenótipo de tratamento, características moleculares e interpretação de vias podem ser rastreados através da análise. As figuras de demonstração representam tipos de saída em vez de referências de desempenho garantidas.
Mapa de Calor de Estratificação de Resposta com Módulos de Características Moleculares
Rede de Mecanismos de Ação e Resistência Cross-Omics
Classificação de Características de Resposta Interpretable e Atribuição de Caminhos
Análises de Resposta a Medicamentos Multi-Ómicos Assistidas por IA - Perguntas Frequentes
1. Preciso de omicas tanto pré-tratamento como pós-tratamento?
Não. A omica de base correspondente a um fenótipo de resposta pode apoiar projetos de associação ou previsão de resposta, enquanto dados pareados de pré/pós-tratamento são mais informativos para questões de farmacodinâmica e mecanismo de ação. Se ambos estiverem disponíveis, separamos os preditores de base das alterações induzidas pelo tratamento.
2. Consegue analisar IC50, AUC, DSS, viabilidade ou rótulos de resposta categórica?
Sim, desde que o ponto final esteja bem definido e os metadados do ensaio estejam disponíveis. Os pontos finais quantitativos podem ser modelados de forma contínua, enquanto os grupos categóricos exigem um limiar defensável ou uma definição experimental pré-especificada.
3. Como evitar a fuga de dados em modelos de resposta a medicamentos?
O pré-processamento, a imputação, a seleção de características e o ajuste são limitados aos dados de treino. Também revisamos compostos partilhados, sistemas de modelos, lotes, doadores ou medições derivadas que poderiam criar uma dependência oculta entre os conjuntos de treino e de avaliação.
4. A análise consegue distinguir biomarcadores preditivos de evidências do mecanismo de ação?
Sim. As características de referência associadas à resposta são candidatos preditivos. As alterações de via induzidas pelo tratamento são evidências farmacodinâmicas ou mecanicistas. Uma característica pode contribuir para ambas, mas cada interpretação deve ser apoiada pela relação de dados relevante.
5. Podem os conjuntos de dados públicos de resposta a medicamentos ser integrados com os nossos dados proprietários?
Sim, quando as definições de sistema modelo, alvo, composto, características e contexto do ensaio são compatíveis. Dados públicos são frequentemente mais úteis para contexto externo, replicação, pré-treinamento de modelos ou análise de sensibilidade, em vez de serem diretamente combinados com um conjunto de testes proprietário.
6. E se as camadas ómicas estiverem apenas parcialmente correspondidas?
A sobreposição parcial não impede automaticamente a análise. Definimos quais amostras suportam a inferência cruzada de ómicas emparelhadas e quais camadas devem permanecer separadas. Modelos de fatores, integração de redes ou síntese de evidências em etapas podem ser mais defensáveis do que a concatenação de casos completos.
Estudo de Caso sobre Resposta a Medicamentos Multi-Ómicos Assistida por IA
Exemplo Publicado Independente
Aumento sintético de conjuntos de dados multi-ómicos de linhas celulares cancerígenas utilizando aprendizagem profunda não supervisionada
Diário: Comunicações da Natureza
Publicado: 29 de Novembro de 2024
Licença: CC BY 4.0
Fundo
Cai e colegas desenvolveram o MOSA, um autoencoder variacional multi-view condicional para a integração multi-óptica do câncer. O estudo reuniu genómica, metilómica, transcriptómica, proteómica, metabolómica, resposta a fármacos e essencialidade genética CRISPR-Cas9 em 1.523 linhas celulares de câncer com pelo menos duas camadas de dados disponíveis.
Materiais e Métodos
Escopo Multi-Ómico
- 7 tipos de dados moleculares/fenotípicos
- 1.523 linhagens de células cancerígenas
- Pelo menos 2 camadas de dados por linha celular
Teste de Resposta a Fármacos Independente
- 32.659 medições de IC50
- 313 medicamentos únicos
- 781 linhas celulares de cancro sobrepostas
Interpretação
- Validação de conjunto de dados independente
- Atribuição de características SHAP
- Explicações multi-ómicas específicas de fármacos
Resultados
- O conjunto de dados de resposta a fármacos independente foi reconstruído com um r de Pearson = 0,87 em 32.659 medições de IC50.
- Os autores também relataram uma reconstrução robusta de 107 fármacos sobrepostos em um conjunto de dados CTD2 separado.
- A metabolómica, a resposta a fármacos e as alterações no número de cópias apresentaram a maior importância média das características entre as camadas ómicas na representação partilhada.
- A Figura 4 mostra explicações SHAP através das camadas ómicas e para reconstruções de resposta a medicamentos individuais, incluindo características associadas à resposta à pirimetamina.
Conclusão
Este estudo independente demonstra porque a análise de resposta a fármacos multi-ômica deve associar o desempenho preditivo ou reconstrutivo com uma atribuição de características transparente e validação independente. As saídas do modelo podem priorizar hipóteses de mecanismo, mas evidências de via, rede e experimentais continuam a ser necessárias antes de atribuir um mecanismo de ação causal.
Referência
- Cai Z, Apolinário S, Baião AR, et al. Aumento sintético de conjuntos de dados multi-ómicos de linhas celulares cancerígenas utilizando aprendizagem profunda não supervisionada. Comunicações da Natureza2024;15:10390. Artigo publicado e Figura 4
Publicações Relacionadas
Avanço na previsão da resposta a fármacos utilizando a integração de aprendizagem de máquina multi-modal e -ómicas (MOMLIN): um estudo de caso sobre dados clínicos de cancro da mama.
Revista: Briefings in Bioinformatics
Ano: 2024
MOLI: integração tardia multi-ômica com redes neurais profundas para previsão de resposta a fármacos
Revista: Bioinformática
Ano: 2019
Explore o nosso mais amplo Análise Multi-Ómica soluções para fluxos de trabalho de pesquisa integrativa relacionados.
Apenas para uso em investigação. Não para uso em procedimentos diagnósticos ou clínicos.
