Ikhtisar
Integrasi multi-omik menjawab tantangan menggabungkan berbagai tipe data molekuler, genom, transkriptom, proteom, dan metabolom, untuk membangun gambaran koheren tingkat sistem dari suatu sistem biologis. Tidak ada satu lapisan omik pun yang menangkap kompleksitas penuh regulasi seluler; mutasi genomik mungkin tidak mengubah tingkat transkrip, kelimpahan transkrip sering tidak berkorelasi dengan kelimpahan protein karena regulasi pasca-translasi, dan tingkat metabolit mencerminkan keluaran terintegrasi dari semua lapisan hulu. Strategi integrasi bertujuan untuk menjembatani kesenjangan ini dan mengungkap bagaimana gangguan merambat melintasi skala molekuler.
Metode
Pendekatan integrasi terbagi menjadi tiga kategori. Metode berbasis concatenation menggabungkan semua fitur omik ke dalam satu matriks untuk analisis bersama melalui klastering atau klasifikasi. Metode berbasis transformasi mengonversi setiap dataset omik menjadi representasi perantara, seperti matriks kernel atau jaringan, sebelum menggabungkannya. Metode berbasis model menggunakan model grafis probabilistik atau arsitektur pembelajaran mendalam seperti autoencoder variasional untuk mempelajari representasi laten bersama antar tipe data. Alat seperti MOFA (Analisis Faktor Multi-Omik) dan mixOmics mengidentifikasi pola variasi umum dan spesifik tipe data. Prapemrosesan data sangat penting: efek batch, nilai hilang, dan rentang dinamis yang berbeda harus diatasi sebelum integrasi.
Aplikasi
Integrasi multi-omik mendorong pengobatan presisi dengan menstratifikasi pasien ke dalam subtip molekuler berdasarkan profil genomik, transkriptomik, dan proteomik gabungan. Dalam penelitian kanker, analisis terintegrasi menghubungkan perubahan jumlah salinan dari mikroarray DNA dan ekspresi gen ke perubahan tingkat protein yang diukur oleh proteomik dan spektrometri massa, dan memetakannya ke jalur metabolik yang terganggu. Pendekatan integratif juga mengungkap mekanisme regulasi dengan mengkorelasikan marka epigenetik dengan kelimpahan transkrip dan protein, memberikan pandangan yang benar-benar holistik tentang fungsi seluler.
Protokol Praktis
Untuk integrasi multi-omik menggunakan MOFA (Analisis Faktor Multi-Omik), mulailah dengan matriks data berpasangan dari dua atau lebih lapisan omik yang diukur pada sampel yang sama. Praproses setiap dataset omik secara independen: untuk RNA-seq, gunakan hitungan yang distabilkan variannya atau dinormalisasi TPM; untuk proteomik, gunakan nilai intensitas yang ditransformasi log2; untuk metilasi, gunakan nilai beta. Hapus fitur dengan varian rendah antar sampel (mis., pertahankan 5000 gen paling bervariasi untuk transkriptomik). Di R, buat objek MOFA: library(MOFA2); mofa <- create_mofa(list(RNA = rna_matrix, Protein = prot_matrix, Methylation = meth_matrix)). Tentukan opsi model: model_opts <- get_default_model_options(mofa); model_opts$num_factors <- 10. Latih model: mofa <- run_mofa(mofa, mofa_opts). Periksa varian yang dijelaskan per faktor di seluruh lapisan omik dengan plot_variance_explained(mofa), yang menunjukkan faktor mana yang menangkap varian bersama versus spesifik tipe data. Bobot faktor menunjukkan fitur mana yang berkontribusi pada setiap faktor: plot_weights(mofa, factor = 1, nfeatures = 10) menunjukkan gen dan protein teratas yang mendorong faktor pertama. Untuk pendekatan mixOmics menggunakan DIABLO, buat matriks desain yang menentukan koneksi antar lapisan omik: design <- matrix(c(0, 0.1, 0.1, 0, 0, 0.1, 0.1, 0, 0), nrow = 3). Sesuaikan parameter dengan perf.diablo dan pilih fitur dengan selectVar. Visualisasikan pemisahan sampel pada plot skor faktor 1 vs faktor 2 yang diwarnai berdasarkan fenotipe. Interpretasi bobot faktor: bobot positif untuk gen dalam faktor tertentu berarti ekspresi yang lebih tinggi berkorelasi dengan nilai faktor yang lebih tinggi. Pengayaan jalur pada gen dengan bobot tertinggi per faktor mengungkap proses biologis yang diwakili setiap faktor. Bandingkan nilai faktor antar kelompok klinis dengan boxplot dan uji signifikansi menggunakan ANOVA atau uji Wilcoxon.
