Multiblock omics data fusion using the Consensus OPLS R package
Fusion de données omiques multiblocs à l'aide du package R Consensus OPLS
Résumé
Omics approaches have proven their value in providing a broad monitoring of biological systems. However, despite the wealth of data generated by modern analytical platforms, the analysis of a single dataset is still limited and insufficient to reveal the full biochemical complexity of biological samples. The fusion of information from several data sources constitutes therefore a relevant approach to assessing biochemical events more comprehensively. However, inherent problems encountered when analyzing single tables are amplified with the generation of multi-block datasets. Finding the relationships between data layers of increasing complexity constitutes a challenging task. Here we propose an extension to the versatile methodology combining the strength of established data analysis strategies, multi-block approaches with the Orthogonal Partial Least Squares (OPLS) framework, to offer an efficient tool as an R package for the fusion of Omics data obtained from multiple sources [1].The method, already available in MATLAB, has been translated into an R package that includes quality metrics for optimal model selection, such as the R-squared (R²) coefficient, the Stone-Geisser Q² coefficient, the discriminant Q² index (DQ²) [2], permutation diagnostics statistics [3], as well as many graphical outputs (scores plot, block contributions, loadings, permutation results, etc.). It has been enhanced with additional functionalities such as the multi-class response or the computation of the Variable Importance in Projection (VIP) values [4]. Moreover, the new implementation now offers the possibility of using different kernels, i.e. linear (previously the only option), polynomial, or Gaussian, which greatly enhances the versatility of the method and extends its scope to a wide range of applications. The package also includes its own parallelization wrapper. The package is available on the Comprehensive R Archive Network (CRAN) at https://CRAN.R-project.org/package=ConsensusOPLS.A demonstration case study available from a public repository of the National Cancer Institute, namely the NCI-60 data set, was used to illustrate the method's potential for omics data fusion. A subset of NCI-60 data (transcriptomics, proteomics and metabolomics) involving experimental data from 14 cancer cell lines from two tissue origins, i.e. colon and ovary, was used [5]. Results from the ConsensusOPLS R package and MATLAB on this dataset were strictly identical (tolerance of 10e-06). Moreover, the package has been validated on a published dataset [6] (transcriptomics, plasma shotgun Mass Spectrometry (MS) lipidomics, and targeted LC-MS sphingolipids data) from living human pancreatic islet donors (n=51) with various diabetes status. Two analyses were performed: (i) a discriminant analysis to distinguish patients with impaired glucose tolerance, type 2 diabetes, and type 3c diabetes, and (ii) a regression analysis to model the level of HbA1c, a parameter of longer-term glycaemia. OPLS multiblock models enabled the identification of significant biomarkers across various blocks, leading to novel biological insights. The Consensus OPLS method was demonstrated as a relevant and widely applicable alternative to handle efficiently the inherent characteristics of multiple Omics data, such as very large numbers of noisy collinear variables.
Les approches omiques ont prouvé leur valeur en permettant une surveillance étendue des systèmes biologiques. Cependant, malgré la richesse des données générées par les plateformes analytiques modernes, l'analyse d'un seul ensemble de données reste limitée et insuffisante pour révéler toute la complexité biochimique des échantillons biologiques. La fusion d'informations provenant de plusieurs sources de données constitue donc une approche pertinente pour évaluer les événements biochimiques de manière plus complète. Cependant, les problèmes inhérents rencontrés lors de l'analyse d'un seul ensemble de données sont amplifiés avec la génération d'ensembles de données multi blocs. Trouver les relations entre des couches de données de plus en plus complexes constitue un véritable défi. Nous proposons ici une extension de la méthodologie polyvalente combinant la force des stratégies d'analyse de données établies, les approches multi blocs avec le cadre de l'analyse des moindres carrés partiels orthogonaux (OPLS), afin d'offrir un outil efficace sous la forme d'un package R pour la fusion des données Omics obtenues à partir de sources multiples [1]. La méthode, déjà disponible dans MATLAB, a été implémentée dans un paquetage R qui inclut des mesures de qualité pour la sélection optimale du modèle, telles que le coefficient R², le coefficient Q² de Stone-Geisser, l'indice Q² discriminant (DQ²) [2], les statistiques de diagnostic de permutation [3], ainsi que de nombreuses sorties graphiques (diagramme des scores, contributions des blocs, chargements, résultats de permutation, etc. ). Il a été enrichi de fonctionnalités supplémentaires telles que la réponse multi-classes ou le calcul des valeurs de l'importance de la variable dans la projection (VIP) [4]. En outre, la nouvelle implémentation offre désormais la possibilité d'utiliser différents noyaux, c'est-à-dire linéaires (auparavant la seule option), polynomiaux ou gaussiens, ce qui améliore considérablement la polyvalence de la méthode et étend son champ d'application à un large éventail d'applications. Le package comprend également son propre wrapper de parallélisation. Il est disponible sur le Comprehensive R Archive Network (CRAN) à l'adresse https://CRAN.R-project.org/package=ConsensusOPLS.Une étude de cas de démonstration disponible dans un dépôt public de l'Institut national du cancer, à savoir l'ensemble de données NCI-60, a été utilisée pour illustrer le potentiel de la méthode pour la fusion de données omiques. Un sous-ensemble de données NCI-60 (transcriptomique, protéomique et métabolomique) comprenant des données expérimentales provenant de 14 lignées cellulaires cancéreuses de deux origines tissulaires, à savoir le côlon et l'ovaire, a été utilisé [5]. Les résultats du package R ConsensusOPLS et de MATLAB sur cet ensemble de données étaient strictement identiques (tolérance de 10e-06). De plus, le package a été validé sur un ensemble de données publiées [6] (transcriptomique, lipidomique plasma shotgun par spectrométrie de masse (MS) et données ciblées LC-MS sur les sphingolipides) provenant de donneurs vivants d'îlots pancréatiques humains (n=51) présentant différents statuts de diabète. Deux analyses ont été réalisées : (i) une analyse discriminante pour distinguer les patients présentant une intolérance au glucose, un diabète de type 2 et un diabète de type 3c, et (ii) une analyse de régression pour modéliser le niveau d'HbA1c, un paramètre de la glycémie à plus long terme. Les modèles OPLS multi blocs ont permis d'identifier des biomarqueurs significatifs dans différents blocs, ce qui a conduit à de nouvelles connaissances biologiques. La méthode Consensus OPLS a été démontrée comme une alternative pertinente et largement applicable pour traiter efficacement les caractéristiques inhérentes aux données Omics multiples, telles qu'un très grand nombre de variables colinéaires bruyantes.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|