Multi‐omics integration via similarity network fusion to detect subtypes of aging
Notice bibliographique
Résumé
Abstract Background Molecular subtyping of brain tissue provides insights into the heterogeneity of common neurodegenerative conditions, such as Alzheimer’s disease (AD). However, existing subtyping studies have mostly focused on single data modalities, such as RNA sequencing (RNAseq), which provide incomplete neurobiological information on pathological processes. To remedy this, we applied similarity Network Fusion (SNF), a method capable of integrating multiple high‐dimensional multi‐‘omics data modalities simultaneously. Method We analyzed human frontal cortex brain tissue samples characterized by five ‘omic modalities bulk RNAseq (18,629 genes), DNA methylation (53,932 cpg sites), histone H3K9 acetylation (26,384 peaks), tandem mass tag proteomics (7,737 proteins), and metabolomics (654 metabolites). SNF followed by spectral clustering was used for subtype detection, with subtype numbers determined by eigen‐gaps and dip‐test statistics. Normalized Mutual Information (NMI) was calculated to determine the contribution of each modality and feature to the fused network. Resulting subtypes were characterized by associations with 12 age‐related neuropathologies and cognitive performance. Result Fusion of all five data modalities (overlapping n = 111) yielded four molecular subtypes (nS1 = 32, nS2 = 26, nS3 = 31, nS4 = 22); S1 exhibited lower episodic memory performance than other subtypes proximal to death (t = 4.7, p = 1.5×10‐4). Histone acetylation (NMI = 0.32) and RNAseq (NMI = 0.16) contributed most strongly to this fused network; the top individual features were an acetylation peak in the promoter of CD200 and RNA abundance of PARP4. Secondary analysis fusing only RNAseq and histone acetylation (n = 520) yielded five subtypes which were correlated with the fully integrated subtypes (Fisher’s p = 5.0×10‐4) and strongly associated with AD neuropathology and episodic and semantic memory. Sensitivity analyses of all modality combinations and sample subsets found substantial influences of sample size and subtype number, but reinforced the importance of histone acetylation, RNAseq, and DNA methylation. Conclusion We identified highly integrative molecular subtypes of aging derived from up to five multi‐‘omics data modalities simultaneously. These subtypes recapitulate some features of previous subtyping work in AD using single modalities, but also provide new molecular targets and shed light on the benefits and challenges of multi‐omic integration and individual subtyping in this field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».