Elaboración de modelos predictivos con datos multimodales

Abstract

Tradicionalmente el análisis de los datos ómicos se ha realizado de forma individual sacando conclusiones solamente utilizando la ómica analizada. Últimamente se ha visto que la información que nos proporcionan las diferentes ómicas si se utilizan de forma conjunta, aporta mucha más información que analizarlas por separado. El método de integración de diferentes datos ómicos no está establecido. El principal objetivo de este trabajo es el definir un flujo de trabajo de integración de los datos ómicos. Se ha elegido un conjunto de datos que contiene cuatro tipos de datos: análisis de la expresión génica, análisis de la expresión de miRNA, análisis de las poblaciones celulares y una colección extensa de variables clínicas. Inicialmente se ha analizado cada conjunto de datos por separado y se han seleccionado aquellas variables en cada caso que han resultado más significativas para incluirlas en el posterior flujo de trabajo de la integración de todos los datos. Se ha utilizado el método DIABLO implementado en el paquete de R de Bioconductor llamado mixOmics. Entre los resultados obtenidos se observa que las variables clínicas seleccionadas son las que mejor separan las dos condiciones experimentales presentes en las muestras, seguidas de los miRNA. También se han identificado un grupo de variables procedentes de las diferentes ómicas estudiadas que están muy correlacionadas entre sí. Se han creado varias redes que relacionan estas variables entre ellas. El modelo creado clasifica bastante bien las muestras del conjunto de datos de test.

Tradicionalment l'anàlisi de les dades ómicos s'ha realitzat de manera individual traient conclusions solament utilitzant la ómica analitzada. Últimament s'ha vist que la informació que ens proporcionen les diferents ómicas si s'utilitzen de manera conjunta, aporta molta més informació que analitzar-les per separat. El mètode d'integració de diferents dades ómicos no està establert. El principal objectiu d'aquest treball és el definir un flux de treball d'integració de les dades ómicos. S'ha triat un conjunt de dades que conté quatre tipus de dades: anàlisi de l'expressió gènica, anàlisi de l'expressió de miRNA, anàlisi de les poblacions cel·lulars i una col·lecció extensa de variables clíniques. Inicialment s'ha analitzat cada conjunt de dades per separat i s'han seleccionat aquelles variables en cada cas que han resultat més significatives per a incloure-les en el posterior flux de treball de la integració de totes les dades. S'ha utilitzat el mètode DIABLE implementat en el paquet de R de Bioconductor anomenat mixOmics. Entre els resultats obtinguts s'observa que les variables clíniques seleccionades són les que millor separen les dues condicions experimentals presents en les mostres, seguides dels miRNA. També s'han identificat un grup de variables procedents de les diferents ómicas estudiades que estan molt correlacionades entre si. S'han creat diverses xarxes que relacionen aquestes variables entre elles. El model creat classifica bastant bé les mostres del conjunt de dades de test.

Traditionally, the analysis of the omic data has been carried out individually, drawing conclusions only using the single omics analyzed. Lately, it has been seen that the information provided by the different omics if used together, provides much more information than analyzing them separately. The method of integrating different omic data is not well established. The main objective of this work is to define a workflow for the integration of omic data. A data set that contains four types of data: analysis of gene expression, analysis of miRNA expression, analysis of cell populations and an extensive collection of clinical variables has been used in this work. In a first instance, each data set has been analyzed separately and the most significant variables in each case have been selected to be included in the subsequent integration workflow. DIABLO method implemented in the Bioconductor R package called mixOmics has been used. Among the results obtained, it is observed that the clinical variables selected are the ones that best separate the two experimental conditions present in the samples, followed by the miRNAs. A group of variables has been also identified from the different omics studied that are highly correlated with each other. Several networks have been created that relate these variables to each other. The created model classifies the samples of the test data set quite well.