Eines de bioinformàtica per a la interpretació biològica i la visualització de dades
Des del grup hem desenvolupat eines com la Food-Biomarker Ontology (FOBI) (Castellano-Escuder P, et al., 2020), la primera ontologia dissenyada per integrar dades de metabolòmica i nutrició, i POMAShiny (Castellano-Escuder P, et al., 2021), que ofereix mètodes estadístics univariants, mètodes multivariants i de reducció de dimensions, tècniques de selecció de característiques, enfocaments d’anàlisi de regressió regularitzada, algorismes de classificació basats en aprenentatge automàtic, estratègies de models de predicció i diverses opcions d’interacció visual d’alta qualitat.
Seguint els principis FAIR, ambdòs codis font i els fitxers de dades estan disponibles a partir dels repositoris públics de GitHub.
The Food-Biomarker Ontology (FOBI) és la primera ontologia creada per integrar dades de metabolòmica i nutrició (Castellano-Escuder P, et al., 2020). Aquesta ontologia té com a objectiu relacionar diferents tipus d’aliments amb els seus metabòlits associats o biomarcadors d’ingesta alimentària.
FOBI consta de 1.197 termes, 4 propietats diferents, 13 classes d’aliments de nivell superior, 11 classes de biomarcadors de nivell superior i més de 4.500 relacions. A més, FOBI forma part del projecte OBOFoundry, i els identificadors de FOBI s’han indexat a les bases de dades HMDB i FooDB per facilitar la interoperabilitat i l’intercanvi de dades.
Food-Biomarker Ontology (FOBI)
- Anàlisi d’enriquiment de classes químiques: ORA i MSEA utilitzant les classes químiques de FOBI com a conjunts de metabòlits.
- Anàlisi d’enriquiment d’aliments: ORA i MSEA utilitzant els grups d’aliments de FOBI com a conjunts de metabòlits.
POMAShiny
POMAShiny és una eina web que ofereix un flux de treball estructurat, flexible i fàcil d’utilitzar per al processament, exploració i anàlisi estadística de dades metabolòmiques. Aquesta eina es basa en el paquet POMA de R/Bioconductor, que augmenta la reproductibilitat i la flexibilitat de l’anàlisi fora de l’entorn web. El flux de treball de POMAShiny està estructurat en quatre panells seqüencials i ben definits:
- Carrega de dades,
- Preprocessament,
- EDA (Exploració de Dades),
- Anàlisi estadística.
POMAShiny
- Imputació de valors perduts: En metabolòmica i proteòmica, sovint alguns valors no es poden identificar o quantificar per raons biològiques o tècniques (com detecció imprecisa o valors sota el límit de quantificació). Per abordar aquest problema, POMAShiny ofereix un panell d’imputació de valors perduts en tres passos seqüencials:
- Distingir entre zeros i valors perduts.
- Eliminar característiques amb un alt percentatge de valors perduts (per defecte, 20%).
- Imputar els valors perduts restants utilitzant mètodes com imputació per zero, mitjana, mediana, mínim, o l’algoritme de k-nearest neighbours.
- Normalització: La variabilitat en les dades pot influir en els resultats estadístics, fent necessària la normalització. POMAShiny ofereix sis mètodes de normalització per transformar i escalar les dades en un sol pas: autoscaling, level scaling, log scaling, log transformation, vast scaling i log pareto scaling. Això permet corregir factors com diferències en magnituds, variabilitat tècnica o heteroscedasticitat.
- Detecció de valors anòmals:
Els valors anòmals poden ser biològics (variacions naturals) o analítics (errors durant el procés). Aquests poden distorsionar els resultats estadístics i les tècniques de modelatge predictiu. POMAShiny facilita la detecció d’anòmals mitjançant gràfics i taules, amb opcions personalitzables per eliminar-los abans de l’anàlisi estadística.
L’EDA ajuda a identificar factors incontrolats i possibles valors anòmals, i és recomanable realitzar-la abans de l’anàlisi estadística. A més, en absència de biaixos significatius, l’EDA pot proporcionar una visió inicial de les característiques més rellevants de l’estudi.
POMAShiny ofereix gràfics interactius i personalitzables per a l’EDA, incloent-hi gràfics de volcà (per a estudis de dos grups), boxplots, gràfics de densitat i mapes de calor agrupats. També inclou opcions per a anàlisi de components principals (PCA) i anàlisi de clústers.
Aquest panell inclou diversos mètodes estadístics, des dels enfocaments més habituals en l’anàlisi de dades de metabolòmica i proteòmica fins a altres metodologies menys freqüents en aquests camps. Tots els mètodes estadístics que ofereix POMAShiny estan implementats de manera molt intuïtiva per a l’usuari i generen tant taules descarregables com gràfics interactius com a resultats. Aquests anàlisis són els següents:
- Anàlisi univariant
- Limma
- Anàlisi multivariant
- Anàlisi de clústers
- Anàlisi de correlació
- Regressió regularitzada
- Boscos aleatoris
- Ràtio d’odds
- Productes de rang