Informații despre articol

[e-mail protejat] REVISARE PEER: Cinci evaluatori inter pares au contribuit la raportul de evaluare inter pares. Rapoartele revizorilor au însumat 632 de cuvinte, cu excepția oricăror comentarii confidențiale adresate editorului academic. Autorii confirmă faptul că finanțatorul nu a avut nicio influență asupra proiectului studiului, conținutului articolului sau selecția acestui jurnal. INTERESE CONCURENTE: Autorii nu dezvăluie niciun potențial conflict de interese. Toate deciziile editoriale luate de un editor academic independent. La depunere, manuscrisul a fost supus scanării anti-plagiat. Înainte de publicare, toți autorii au dat o confirmare semnată a acordului publicării articolelor și a respectării tuturor cerințelor etice și legale aplicabile, inclusiv acuratețea informațiilor despre autor și contribuabil, divulgarea intereselor concurente și a surselor de finanțare, conformitatea cu cerințele etice referitoare la om și animale participanții la studiu și respectarea oricăror cerințe privind drepturile de autor ale terților. Acest jurnal este membru al Comitetului pentru etica publicațiilor (COPE). Publicat de Libertas Academica. Aflați mai multe despre acest jurnal.

proteomice

Abstract

Interpretarea solidă a rezultatelor experimentale de măsurare a domeniilor biologice discrete rămâne o provocare semnificativă în fața proceselor complexe de reglare biochimică, cum ar fi metabolismul organismal versus țesut versus celular, epigenetica și modificarea post-translațională a proteinelor. Integrarea analizelor efectuate pe mai multe platforme de măsurare sau omic este o abordare emergentă pentru a ajuta la abordarea acestor provocări. Această revizuire se concentrează pe metode și instrumente selectate pentru integrarea metabolomicului cu datele genomice și proteomice utilizând o varietate de abordări, inclusiv metode bazate pe corelarea biochimică, ontologie, rețea și empirică.

Introducere

În ultimul deceniu, progresele majore în tehnologiile omice (de exemplu, genomică, proteomică și metabolomică) au permis monitorizarea cu randament ridicat a unei varietăți de procese moleculare și organismale. Aceste tehnici au fost aplicate pe scară largă pentru a identifica variante biologice (de exemplu, biomarkeri), pentru a caracteriza sistemele biochimice complexe și pentru a studia procesele fiziopatologice. În timp ce multe platforme omice vizează analiza cuprinzătoare a genelor (genomică), ARNm (transcriptomică), proteine ​​(proteomică) și metaboliți (metabolomică), rămân 1 provocări pentru integrarea datelor din domeniul omic și între acestea.

Interpretarea biologică a modificărilor din domeniile omice discrete este o provocare în fața reglării biochimice complexe, cum ar fi procesele de nivel organismal versus țesut versus celular, epigenetica, 2 și ARNm sau modificarea post-translațională a proteinelor. 3.4 Combinația rezultatelor experimentale din mai multe platforme omice este o abordare emergentă, care are ca scop identificarea relațiilor biologice latente care pot deveni evidente doar prin analize holistice care integrează măsurători în mai multe domenii biochimice. Acest articol se concentrează pe metode și instrumente selectate pentru integrarea metabolomicului cu datele genomice și proteomice.

Metabolomica, analiza moleculelor mici (de exemplu, 5-8 Metabolomul este extrem de receptiv la mecanismele de reglare atât de mediu cât și biologice (de exemplu, epigenetică, transcripție, modificare post-translațională), a căror analiză prezintă o abordare unică pentru caracterizarea Cu toate acestea, metabolomica în sine poate să nu fie suficientă pentru a caracteriza pe deplin sistemele biologice complexe sau patologiile (de exemplu, cancerul). De exemplu, mulți cercetători se concentrează pe analiza metaboliților circulanți (de exemplu, ser sau plasmă), dar acest fond este intrarea și ieșirea integrată a multor sisteme biologice, ceea ce face dificilă obținerea de informații despre mecanismele la nivel de țesut și celular. Alte provocări includ integrarea eficientă a analizelor bazate pe metabolomie în cazuri de cunoștințe limitate din domeniul biochimic, care pot avea ca rezultat existențe interpretări 9

Până în prezent, o varietate de instrumente software au fost dezvoltate pentru a ajuta la integrarea mai multor seturi de date omic bazate pe calea biochimică, ontologie, rețea sau corelație empirică (Tabelul 1). O selecție de abordări și instrumente pentru integrarea omică a datelor este discutată mai jos.

Tabelul 1. Caracteristici cheie ale unei selecții de instrumente pentru analiza și integrarea datelor omice.

Tabelul 1. Caracteristici cheie ale unei selecții de instrumente pentru analiza și integrarea datelor omice.

Integrare bazată pe căi sau biochimice-ontologice

Devine din ce în ce mai evident că sunt necesare analize integrative pe mai multe platforme omice pentru a interoga sistemele biologice complexe. În ultimii ani, metodele de analiză a îmbogățirii, cum ar fi analiza de îmbogățire a setului de gene (GSEA) 10, au fost utilizate pe scară largă pentru a ajuta la interpretarea datelor de exprimare a genelor. Aceste metode facilitează interpretarea biologică prin integrarea cunoștințelor din domeniul biologic (de exemplu, căi biochimice, procese biologice) cu rezultatele exprimării genelor. Deși aceste abordări sunt extrem de sensibile la definițiile experților a ceea ce constituie o cale biochimică sau un set de funcții moleculare conexe, ele rămân metode cheie pentru integrarea omică a datelor. Instrumentele existente, cum ar fi IMPALA, 11 iPEAP, 12 și analiza integrată a căilor din MetaboAnalyst 3.0 13 acceptă integrarea diferitelor platforme omic prin analize de îmbogățire și supra-reprezentare a căilor. Cu toate acestea, abordările bazate pe căi se bazează pe căi predefinite, care ar putea să nu reprezinte cu exactitate complexitatea sistemelor biologice și ar putea influența rezultatele analizei.

Integrare bazată pe rețea biologică

Analiza corelației empirice

În timp ce analizele bazate pe corelație sunt relativ simple de implementat și utilizate pe scară largă pentru integrarea datelor multi-omice, aceste abordări pot oferi o perspectivă limitată în cazurile de sisteme extrem de multicoliniare (de exemplu, grafice cu bile de păr). Modelele grafice gaussiene, corelația parțială și rețelele bayesiene sunt abordări mai sofisticate care câștigă favoare față de corelațiile simple datorită capacității lor de a se separa direct de asociațiile variabile indirecte. De exemplu, pachetele R glasso, 28 qpgraph, 29 și uriașul 30 au fost utilizate pentru a identifica relații de perechi independente condiționat (adică, ajustarea pentru toate celelalte relații posibile), care pot simplifica foarte mult interpretarea rețelei. Cu toate acestea, aceste metode pot fi provocatoare din punct de vedere al calculului pentru a fi implementate pe date omice tipice, care conțin mult mai multe variabile măsurate decât eșantioane. Analizele bazate pe rețeaua bayesiană au fost utilizate pentru a integra în mod robust mai multe seturi de date de înaltă dimensiune, chiar și în cazul unor dimensiuni reduse ale eșantionului. 31,32 Cu toate acestea, o limitare potențială a acestei abordări este necesitatea de a utiliza cunoștințe anterioare pentru a estima interacțiunile probabilistice între 31 de variabile modelate, 31 care pot duce la concluzii părtinitoare.

Directii viitoare

Figura 1. Exemplu de flux de lucru modern pentru analiza datelor metabolomice care integrează trei platforme discrete de analiză spectrală de masă. 7 Datele din trei platforme analitice independente au fost fuzionate și evaluate folosind metode statistice și de învățare automată pentru a identifica diferențe metabolomice semnificative și 10% discriminanți de top între tratamentele experimentale. Rețelele de corelație parțială, analiza de îmbogățire biochimică, gruparea ierarhică și integrarea rețelei biochimice au fost utilizate pentru a vizualiza și a integra datele omice de înaltă dimensiune într-un context biologic.

Contribuțiile autorului

Experimente concepute și proiectate: DG. Analiza datelor: KW, JF, DG. Am scris prima schiță a manuscrisului: KW, JF, DG. Contribuție la scrierea manuscrisului: KW, JF, DG. Sunt de acord cu rezultatele și concluziile manuscriselor: KW, JF, DG. A dezvoltat împreună structura și argumentele lucrării: KW, JF, DG. A făcut revizuiri critice și a aprobat versiunea finală: DG. Toți autorii au examinat și au aprobat manuscrisul final.

Mulțumiri

Autorii îi mulțumesc prof. Oliver Fiehn pentru sprijinul acordat.