Serviço de Integração Ómica entre Coortes e Validação Externa

Separar Efeitos do Centro da Biologia Reproduzível

A sua pergunta: O sinal principal permanece quando um centro, local de sequenciação, lote de processamento ou período de coleta é deixado de fora?

Dados necessários: Perfis moleculares mais metadados de centro de amostra, execução, protocolo, processamento, grupo biológico e composição. Amostras replicadas ou de referência são especialmente úteis quando foram medidas em mais de um local.

Rota de análise: Comparamos o equilíbrio entre centros e grupos, medidas de qualidade de dados, distribuições de características, composição da amostra e direções de efeito dentro dos centros. Dependendo do desenho, podemos utilizar modelos estratificados por centro, normalização de referência partilhada, análise de deixar um centro de fora ou análise agrupada com verificações de sensibilidade conscientes do centro.

Verificação do cientista: Testamos se o centro é separável do contraste biológico e se o ajuste proposto preserva as relações dentro do centro. Se um grupo ocorrer apenas num centro, os dados podem não identificar um efeito independente do centro.

O que entregamos: Uma avaliação de centro e lote, resultados a nível de coorte, análise de sensibilidade e uma declaração sobre quais conclusões permanecem suportadas.

Evidência do método: Nygaard, Rødland e Hovig mostraram que, quando grupos biológicos estão distribuídos de forma desigual entre lotes, métodos de ajuste que mantêm as diferenças entre grupos podem criar uma confiança exagerada nas análises subsequentes. O trabalho deles apoia a revisão do equilíbrio do design e da inferência, não apenas da matriz corrigida. Leia o estudo de Bioestatística.

Evidência aplicada: O consórcio GEUVADIS sequenciou mRNA e pequenos RNAs de 465 indivíduos em sete centros de sequenciação com ampla replicação. O estudo identificou efeitos laboratoriais em medidas como tamanho de inserção e conteúdo de GC, e enfatizou a padronização, randomização e verificações explícitas de viés técnico. Leia o estudo da Nature Biotechnology.

Testar uma Descoberta em Coortes Públicas ou de Parceiros

A sua pergunta: Um biomarcador, subtipo, pontuação de via, sinal alvo ou assinatura molecular reproduz-se em dados que não o criaram?

Dados necessários: A regra de descoberta bloqueada e um ou mais grupos públicos, licenciados, de centros parceiros ou internos, cientificamente adequados, com metadados suficientes e sobreposição de características para realizar o teste pretendido.

Rota de análise: Documentamos a descoberta antes da validação, auditamos a sobreposição entre participantes e estudos de origem, alinhamos as definições de elegibilidade e características, e mantemos a coorte externa fora da seleção de características e revisão de regras. Em seguida, comparamos a direção do efeito, magnitude, incerteza e suporte de subgrupos.

Verificação científica: Uma regra revista criada após a visualização do resultado externo é rotulada como uma nova descoberta e não é contabilizada como confirmação independente. Exige outro grupo não afetado para um novo teste externo.

O que entregamos: Resultados de replicação específicos de coorte, replicação parcial ou não replicação; evidência conflitante; análise de falhas; e uma recomendação focada para o próximo estudo.

Evidência do método: Bernau et al. avaliaram métodos de previsão em oito estudos independentes de expressão génica do câncer da mama. A validação cruzada dentro do estudo produziu estimativas mais otimistas do que a validação cruzada entre estudos e poderia classificar os métodos de forma diferente, mostrando porque um novo estudo fornece informações que a reamostragem de um único conjunto de dados não pode. Leia o estudo de Bioinformática.

Evidência aplicada: Ning et al. analisaram nove coortes metagenómicas e quatro de metabolómica. O seu desenho metagenómico continha seis coortes de descoberta e três coortes de validação independentes, e os resultados de validação reportados diferiram entre as coortes externas. Leia o estudo da Nature Communications.

Determine se um resultado é transferível entre plataformas.

A sua pergunta: Pode um resultado obtido em um ensaio ou plataforma ser testado em outro sem alterar o que a medição significa?

Dados necessários: Dados brutos ou processados, documentação de ensaios, identificadores de características, versões de referência, unidades, registos de processamento, cobertura da plataforma e quaisquer amostras de referência ou de ligação partilhadas.

Rota de análise: Mapeamos identificadores e unidades, quantificamos a cobertura comum, inspecionamos o comportamento de deteção específico da plataforma e escolhemos uma escala de comparação suportada pelos dados. Dependendo das evidências, essa escala pode ser alteração relativa, classificação, direção, pontuação de percurso ou efeito a nível de estudo, em vez de abundância absoluta.

Verificação do cientista: Não forçamos um mapeamento um-para-um quando as plataformas medem alvos ou resoluções diferentes. Quando o mapeamento computacional não consegue estabelecer comparabilidade, definimos re-medida em plataforma comum ou um experimento de amostra de ponte.

O que entregamos: Um registo de mapeamento de plataforma, um conjunto de funcionalidades comparáveis, resultados de consistência entre plataformas, lacunas de medição não resolvidas e uma recomendação de ponte quando necessário.

Evidência do método: Ramasamy et al. organizaram a meta-análise de expressão entre estudos em identificação de estudos, preparação de conjuntos de dados, anotação, mapeamento de sondas para genes, estimativa específica do estudo, combinação de evidências e interpretação de heterogeneidade. Isso apoia a combinação de nível de evidência quando os valores brutos não são intercambiáveis. Leia o quadro do PLOS Medicine.

Referência aplicada: O consórcio SEQC/MAQC-III avaliou o RNA de referência comum entre laboratórios e plataformas de sequenciação e comparou a RNA-seq com medições de microarray e qPCR. A expressão relativa poderia ser reproduzível com filtros adequados, enquanto a medição absoluta e os resultados a nível de transcritos apresentaram limites importantes dependentes da plataforma. Leia o benchmark da Nature Biotechnology.

Definir Onde uma Descoberta Deixa de Transferir

A sua pergunta: O resultado é suportado em diferentes populações, protocolos de extração, fontes de tecido, estágios da doença, modelos, tratamentos ou condições de estudo?

Dados necessários: Cohortes independentes que representam os ambientes de pesquisa pretendidos, registos de protocolo e metadados que descrevem as diferenças que provavelmente afetarão a transferência.

Rota de análise: Comparamos os efeitos a nível de coorte, incerteza, heterogeneidade, comportamento de subgrupos, deteção de características, protocolos de processamento e escolhas de análise razoáveis. Testes de estudo retido ou de deixar uma coorte de fora são utilizados quando o número e a estrutura das coortes o suportam.

Verificação científica: Separámos os efeitos do protocolo observados da heterogeneidade biológica apenas quando os metadados e o design permitem essa conclusão. Um resultado suportado numa população ou protocolo não é descrito como universalmente transferível.

O que entregamos: Uma matriz de evidências marcando configurações suportadas, incertas e não suportadas, juntamente com a fronteira de transferibilidade observada e as evidências necessárias para a sua extensão.

Evidência do método: Austin et al. examinaram o viés de processamento específico de organismos e a generalização em estudos retidos através de conjuntos de dados do microbioma. O seu trabalho DEBIAS-M mostra porque a extração, amplificação e outras diferenças de protocolo devem ser modeladas como fontes interpretáveis de deslocamento de domínio em vez de serem tratadas como um único rótulo genérico de lote. Leia o estudo da Nature Microbiology.

Evidência aplicada: Xiao, Zhang e Zhao analisaram 2.742 conjuntos de dados de microbioma de sete estudos independentes na China, Alemanha e Estados Unidos. No seu exemplo, as diferenças entre os estudos foram maiores do que a diferença do grupo-alvo, e alguns táxons mudaram de direção entre os estudos. Leia o estudo da Nature Computational Science.