Análisis integrativo de datos ómicos y datos clínicos: Predicción de variables clínicas a partir de datos de expresión génica en pacientes con Enfermedad Pulmonar Obstructiva Crónica

Abstract

El análisis integrativo de datos clínicos y ómicos puede aumentar el poder de predicción que ambos tienen por separado, lo que ayudaría a una mejor comprensión de múltiples enfermedades. Este trabajo estudia este análisis como herramienta para la predicción de variables clínicas de gravedad de la enfermedad pulmonar obstructiva crónica (EPOC). Se escogió un conjunto de datos real de pacientes con EPOC (repositorio GEO: GSE42057), y se llevó a cabo revisión bibliográfica sobre los principales métodos para análisis integrativo. Se analizó la información clínica y ómica por separado con análisis de componentes principales (PCA), y se construyó un modelo mediante regresión de mínimos cuadrados parciales dispersos (sPLS) para predecir las variables clínicas. La evaluación del modelo se realizó mediante validación cruzada. El análisis de genes diferencialmente expresados entre pacientes EPOC grave y controles detectó la participación de vías biológicas como la diferenciación celular hematopoyética, la interacción citoquina-receptor y las inmunodeficiencias primarias. El PCA identificó que el primer componente principal explicaba el mayor porcentaje de la varianza (79% datos clínicos; 57% datos ómicos). Seguidamente, se construyó el modelo con sPLS, obteniendo un coeficiente Q2>0,0975 para el primer componente principal. El análisis integrativo de datos clínicos y ómicos tiene un amplio potencial para el estudio de la EPOC. Puede ser un abordaje útil para realizar predicciones de variables clínicas como la relación FEV1/FVC, el FEV1 y la distancia caminada en el test de la marcha de 6 minutos, a partir de un conjunto de datos de expresión génica.

The integrative analysis of clinical and omic data can increase the prediction power that both have separately, which would help a better understanding of multiple diseases. This study aims to use this analysis as a tool for the prediction of clinical variables of severity of chronic obstructive pulmonary disease (COPD). A real data set of patients with COPD was selected (GEO repository: GSE42057), and a literatura review of the main methods for integrative analysis was performed. Clinical and omic information was analyzed separately with principal component analysis (PCA), and a model was constructed by sparse partial least squares regression (sPLS) to predict clinical variables. The evaluation of the model was carried out through cross validation. The analysis of differentially expressed genes between patients with severe COPD and controls detected the participation of biological pathways such as hematopoietic cell differentiation, cytokine-receptor interaction and primary immunodeficiencies. The PCA identified that the first principal component explained the highest percentage of the variance (79% of clinical data, 57% of omic data). Afterwards, the model was constructed with sPLS, obtaining a coefficient Q2> 0.0975 for the first principal component. The integrative analysis of clinical and omic data has a wide potential for the study of COPD. It can be a useful approach to make predictions of clinical variables such as FEV1 / FVC ratio, FEV1 and walking distance in the 6-minute walk test, from a set of gene expression data.

L'anàlisi integratiu de dades clíniques i òmiques pot augmentar el poder de predicció que tots dos tenen per separat, la qual cosa ajudaria a una millor comprensió de múltiples malalties. Aquest treball estudia aquesta anàlisi com a eina per a la predicció de variables clíniques de gravetat de la malaltia pulmonar obstructiva crònica (MPOC). Es va escollir un conjunt de dades reals de pacients amb MPOC (repositori GEO: GSE42057), i es va dur a terme una revisió bibliogràfica sobre els principals mètodes per a l'anàlisi integratiu. Es va analitzar la informació clínica i òmica per separat amb l'anàlisi de components principals (PCA), i es va construir un model mitjançant regressió de mínims quadrats parcials dispersos (SPLS) per predir les variables clíniques. L'avaluació del model es va realitzar mitjançant validació creuada. L'anàlisi de gens diferencialment expressats entre pacients MPOC greus i controls va detectar la participació de vies biològiques com la diferenciació cel·lular hematopoètica, la interacció citocina-receptor i les immunodeficiències primàries. El PCA va identificar que el primer component principal explicava el major percentatge de la variància (79% dades clíniques; 57% dades òmics). Seguidament, es va construir el model amb SPLS, obtenint un coeficient Q2> 0,0975 per al primer component principal. L'anàlisi integratiu de dades clíniques i òmiques té un ampli potencial per a l'estudi de la MPOC. Pot ser un abordatge útil per fer prediccions de variables clíniques com la relació FEV1/FVC, el FEV1 i la distància caminada en el test de la marxa de 6 minuts, a partir d'un conjunt de dades d'expressió gènica.