DeepOmicsAE: Representando Módulos de Sinalização na Doença de Alzheimer com Análise de Aprendizagem Profunda de Proteômica, Metabolômica e Dados Clínicos

Summary

DeepOmicsAE é um fluxo de trabalho centrado na aplicação de um método de aprendizagem profunda (ou seja, um autoencoder) para reduzir a dimensionalidade de dados multi-ômicos, fornecendo uma base para modelos preditivos e módulos de sinalização que representam várias camadas de dados ômicos.

Abstract

Grandes conjuntos de dados ômicos estão se tornando cada vez mais disponíveis para pesquisas em saúde humana. Este artigo apresenta o DeepOmicsAE, um fluxo de trabalho otimizado para a análise de conjuntos de dados multi-ômicos, incluindo proteômica, metabolômica e dados clínicos. Esse fluxo de trabalho emprega um tipo de rede neural chamada autoencoder, para extrair um conjunto conciso de recursos dos dados de entrada multi-ômicos de alta dimensão. Além disso, o fluxo de trabalho fornece um método para otimizar os principais parâmetros necessários para implementar o autoencoder. Para mostrar esse fluxo de trabalho, dados clínicos foram analisados de uma coorte de 142 indivíduos saudáveis ou diagnosticados com doença de Alzheimer, juntamente com o proteoma e o metaboloma de suas amostras cerebrais post-mortem. As características extraídas da camada latente do autoencoder retêm a informação biológica que separa pacientes saudáveis e doentes. Além disso, as características individuais extraídas representam módulos de sinalização molecular distintos, cada um dos quais interage de forma única com as características clínicas dos indivíduos, fornecendo um meio para integrar os dados proteômicos, metabolômicos e clínicos.

Introduction

Uma proporção cada vez maior da população está envelhecendo e espera-se que a carga de doenças relacionadas à idade, como a neurodegeneração, aumente acentuadamente nas próximas décadas¹. A doença de Alzheimer é o tipo mais comum de doença neurodegenerativa². O progresso na busca de um tratamento tem sido lento, dada a nossa fraca compreensão dos mecanismos moleculares fundamentais que impulsionam o início e o progresso da doença. A maioria das informações sobre a doença de Alzheimer é obtida post-mortem a partir do exame do tecido cerebral, o que tornou a distinção entre causas e consequências uma tarefa difícil³. O Religious Orders Study/Memory and Aging Project (ROSMAP) é um esforço ambicioso para obter uma compreensão mais ampla da neurodegeneração, que envolve o estudo de milhares de indivíduos que se comprometeram a submeter-se a exames médicos e psicológicos anualmente e a contribuir com seus cérebros para pesquisas após sua morte⁴. O estudo se concentra na transição do funcionamento normal do cérebro para a doença de Alzheimer². Dentro do projeto, amostras cerebrais post-mortem foram analisadas com uma infinidade de abordagens ômicas, incluindo genômica, epigenômica, transcriptômica, proteômica⁵ e metabolômica.

Tecnologias ômicas que oferecem leituras funcionais de estados celulares (i.e., proteômica e metabolômica)^6,7 são fundamentais para a interpretação da doença8,9,10,11,12, devido à relação direta entre a abundância de proteínas e metabólitos e as atividades celulares. As proteínas são os principais executores dos processos celulares, enquanto os metabólitos são os substratos e produtos para as reações bioquímicas. A análise de dados multi-ômicos oferece a possibilidade de compreender as complexas relações entre dados proteômicos e metabolômicos em vez de apreciá-los isoladamente. Multi-omics é uma disciplina que estuda múltiplas camadas de dados biológicos de alta dimensão, incluindo dados moleculares (sequência e mutações do genoma, transcriptoma, proteoma, metaboloma), dados de imagem clínica e características clínicas. Particularmente, a análise de dados multi-ômicos visa integrar essas camadas de dados biológicos, entender sua regulação recíproca e dinâmica de interação e fornecer uma compreensão holística do início e progressão da doença. No entanto, os métodos de integração de dados multi-ômicos permanecem nos estágios iniciais de desenvolvimento¹³.

Os autoencoders, um tipo de rede neural não supervisionada¹⁴, são uma ferramenta poderosa para a integração de dados multi-ômicos. Ao contrário das redes neurais supervisionadas, os autoencoders não mapeiam amostras para valores-alvo específicos (como saudáveis ou doentes), nem são usados para prever resultados. Uma de suas principais aplicações está na redução da dimensionalidade. No entanto, os autoencoders oferecem várias vantagens em relação a métodos mais simples de redução de dimensionalidade, como análise de componentes principais (PCA), incorporação de vizinhos estocásticos distribuídos em t (tSNE) ou aproximação e projeção de variedade uniforme (UMAP). Ao contrário do PCA, os codificadores automáticos podem capturar relações não lineares dentro dos dados. Ao contrário de tSNE e UMAP, eles podem detectar relações hierárquicas e multimodais dentro dos dados, uma vez que dependem de várias camadas de unidades computacionais, cada uma contendo funções de ativação não lineares. Portanto, representam modelos atrativos para capturar a complexidade de dados multi-ômicos. Finalmente, enquanto a principal aplicação do PCA, tSNE e UMAP é a de agrupar os dados, os codificadores automáticos compactam os dados de entrada em recursos extraídos que são adequados para tarefas preditivas a jusante^15,16.

Resumidamente, as redes neurais compreendem várias camadas, cada uma contendo múltiplas unidades computacionais ou “neurônios”. A primeira e a última camadas são chamadas de camadas de entrada e saída, respectivamente. Autoencoders são redes neurais com uma estrutura ampulheta, consistindo de uma a três camadas de entrada, seguidas por uma a três camadas ocultas e uma pequena camada “latente” tipicamente contendo entre dois e seis neurônios. A primeira metade dessa estrutura é conhecida como codificador e é combinada com um decodificador espelhando o codificador. O decodificador termina com uma camada de saída contendo o mesmo número de neurônios que a camada de entrada. Os codificadores automáticos levam a entrada através do gargalo e a reconstroem na camada de saída, com o objetivo de gerar uma saída que espelhe as informações originais o mais próximo possível. Isso é conseguido minimizando matematicamente um parâmetro denominado “perda de reconstrução”. A entrada consiste em um conjunto de características, que no aplicativo apresentado aqui serão abundâncias de proteínas e metabólitos e características clínicas (ou seja, sexo, educação e idade ao morrer). A camada latente contém uma representação compactada e rica em informações da entrada, que pode ser usada para aplicações subsequentes, como modelos preditivos^17,18.

Este protocolo apresenta um fluxo de trabalho, DeepOmicsAE, que envolve: 1) pré-processamento de dados proteômicos, metabolômicos e clínicos (ou seja, normalização, escala, remoção de outliers) para obter dados com uma escala consistente para análise de aprendizado de máquina; 2) selecionar recursos de entrada apropriados do autoencoder, uma vez que a sobrecarga de recursos pode obscurecer padrões de doenças relevantes; 3) otimizar e treinar o autoencoder, incluindo a determinação do número ótimo de proteínas e metabólitos a serem selecionados, e de neurônios para a camada latente; 4) extrair feições da camada latente; e 5) utilizar as características extraídas para interpretação biológica, identificando módulos de sinalização molecular e sua relação com as características clínicas.

Este protocolo pretende ser simples e aplicável por biólogos com experiência computacional limitada que tenham um conhecimento básico de programação com Python. O protocolo se concentra na análise de dados multi-ômicos, incluindo proteômica, metabolômica e características clínicas, mas seu uso pode ser estendido a outros tipos de dados de expressão molecular, incluindo transcriptômica. Uma importante aplicação nova introduzida por este protocolo é o mapeamento dos escores de importância das características originais em neurônios individuais na camada latente. Como resultado, cada neurônio da camada latente representa um módulo de sinalização, detalhando as interações entre alterações moleculares específicas e as características clínicas dos pacientes. A interpretação biológica dos módulos de sinalização molecular é obtida usando o MetaboAnalyst, uma ferramenta publicamente disponível que integra dados de genes/proteínas e metabólitos para derivar vias metabólicas e de sinalização celular enriquecidas¹⁷.

Protocol

Observação : os dados usados aqui foram dados ROSMAP baixados do portal de conhecimento do AD. Não é necessário consentimento informado para baixar e reutilizar os dados. O protocolo aqui apresentado utiliza deep learning para analisar dados multi-ômicos e identificar módulos de sinalização que distinguem pacientes específicos ou grupos amostrais baseados, por exemplo, em seu diagnóstico. O protocolo também fornece um pequeno conjunto de recursos extraídos que resumem os dados originais em grande escala e po…

Representative Results

Para mostrar o protocolo, analisamos um conjunto de dados que compreende o proteoma, metaboloma e informações clínicas derivadas de cérebros post-mortem de 142 indivíduos saudáveis ou diagnosticados com doença de Alzheimer. Após a realização da seção 1 do protocolo para pré-processar os dados, o conjunto de dados incluiu 6.497 proteínas, 443 metabólitos e três características clínicas (sexo, idade ao morrer e educação). A característica alvo é o diagnóstico de co…

Discussion

A estrutura do conjunto de dados é crítica para o sucesso do protocolo e deve ser cuidadosamente verificada. Os dados devem ser formatados conforme indicado na seção 1 do protocolo. A atribuição correta de posições de coluna também é fundamental para o sucesso do método. Os dados proteômicos e metabolômicos são pré-processados de forma diferente e a seleção de características é conduzida separadamente devido à natureza diferente dos dados. Portanto, é fundamental atribuir posições de coluna correta…

Materials

Computer	Apple	Mac Studio	Apple M1 Ultra with 20-core CPU, 48-core GPU, 32-core Neural Engine; 64 GB unified memory
Conda v23.3.1	Anaconda, Inc.	N/A	package management system and environment manager
conda environment DeepOmicsAE	N/A	DeepOmicsAE_env.yml	contains packages necessary to run the worflow
github repository DeepOmicsAE	Microsoft	https://github.com/elepan84/DeepOmicsAE/	provides scripts, Jupyter notebooks, and the conda environment file
Jupyter notebook v6.5.4	Project Jupyter	N/A	a platform for interactive data science and scientific computing
DT01-metabolomics data	N/A	ROSMAP_Metabolon_HD4_Brain 514_assay_data.csv	This data was used to generate the Results reported in the article. Specifically, DT01-DT04 were merged by matching them based on the individualID. The column final consensus diagnosis (cogdx) was filtered to keep only patients classified as healthy or AD. Climnical features were filtered to keep the following: age at death, sex and education. Finally, age reported as 90+ was set to 91, then the age column was transformed to float64. The data is available at https://adknowledgeportal.synapse.org
DT02-TMT proteomics data	N/A	C2.median_polish_corrected_log2 (abundanceRatioCenteredOn MedianOfBatchMediansPer Protein)-8817×400.csv
DT03-clinical data	N/A	ROSMAP_clinical.csv
DT04-biospecimen metadata	N/A	ROSMAP_biospecimen_metadata .csv
Python 3.11.3	Python Software Foundation	N/A	programming language