当前位置：首页 > news >正文

【文献分享】NOODAI：一款用于网络导向型多组学数据分析及整合流程的网络服务器

news 2025/11/5 13:51:52

在这里插入图片描述

文章目录

- 介绍
- 代码
- 参考

介绍

组学分析已被证明在无偏且全面地识别定义生物表型和潜在医学状况的关键特征方面具有重要作用。每种组学分析都能帮助对与所研究表型相关的特定分子成分进行特征描述，而它们的联合评估则能为生物系统的整体机制运作提供更深入的见解。在此，我们介绍了一种方法，即从每个组学分析中获得的代表性特征（例如差异表达的元素）出发，构建并分析联合交互网络。所得到的网络基于生物实体之间可靠交互的现有知识。我们利用这些图谱来识别和描述核心元素，这些元素连接了所研究表型的多个特征，并且我们利用 MONET 网络分解工具来突出功能相连的网络模块。为了使这种方法能够广泛使用，我们开发了 NOODAI 软件平台，该平台通过用户友好的界面实现了整合组学分析。分析结果以原始输出表格、信息丰富的汇总图表以及书面报告的形式呈现。由于 MONET 工具能够使用在识别与疾病相关的模块方面表现卓越的算法，因此 NOODAI 软件平台对于分析临床多组学数据集具有很高的价值。

Omics profiling has proven of great use for unbiased and comprehensive identification of key features that define biological phenotypes and underlie medical conditions. While each omics profile assists characterization of specific molecular components relevant for the studied phenotype, their joint evaluation can offer deeper insights into the overall mechanistic functioning of biological systems. Here, we introduce an approach where, starting from representative traits (e.g. differentially expressed elements) obtained for each omics profile, we construct and analyze joint interaction networks. The resulting networks rely on the existing knowledge of confident interactions among biological entities. We use these maps to identify and describe central elements, which connect multiple entities characteristic of the studied phenotypes and we leverage MONET network decomposition tool in order to highlight functionally connected network modules. In order to enable broad usage of this approach, we developed the NOODAI software platform, which enables integrative omics analysis through a user-friendly interface. The analysis outcomes are presented both as raw output tables as well as informative summary plots and written reports. Since the MONET tool enables the use of algorithms with strong performance in identifying disease-relevant modules, NOODAI software platform can be of a high value for analyzing clinical multi-omics datasets.

对生物样本的组学特征分析能够全面识别并定量细胞内存在的分子。检测基因组突变，以及测量不同形式的转录本、蛋白质、代谢物和表观遗传变化的丰度，已被证明对于理解定义生物表型的细胞过程具有极大的价值。来自不同组学特征的数据库通常会单独进行分析和解读。然而，由于不同类型的分子在发挥生物功能时存在强烈的相互作用，同时评估多个组学特征能够有助于识别代表系统并对其功能至关重要的新特征。
在文献中，已有多种整合多组学特征图谱的方法被提出（Subramanian 等人，2020 年；Picard 等人，2021 年）。其中，MOFA（Argelaguet 等人，2018 年）、mixOmics（Rohart 等人，2017 年）和 MCIA（Meng 等人，2014 年）是整合不同组学层的标准化测量值并共同对其进行分析的统计框架的突出例子，其目的是识别能够捕捉不同条件下分子表型中高比例变异的特征组合（如基因突变、转录和蛋白质水平）。另一种常用的组学整合方法是 WGCNA（Langfelder 和 Horvath，2008 年），它基于使用相关性分析进行数据驱动的网络生成。其他方法包括 MCFA（Brown 等人，2023 年）、iClusterPlus（Mo 等人，2013 年）和 SNF（Wang 等人，2014 年）。尽管这些方法具有很高的价值，但数据驱动的方法通常需要扎实的编程技能和专门的知识来解读所报告的趋势。
为了提高不同组学层整合方法的可操作性，已开发了多个网络平台。3Omics 平台能够从用户提供的感兴趣特征出发，进行通路富集和特征共表达分析（Kuo 等人，2013 年）。另外两个常用的平台是 OmicsNet（周等人，2022 年）和 OmicsAnalyst（周等人，2021 年）。OmicsNet 依靠已知的相互作用来构建网络，并以单个组学分析中的显著命中作为网络种子。OmicsAnalyst 支持数据驱动的分析，并提供多视图聚类以及基于监督（来自 mixOmics 套件的 DIABLO）和无监督（MOFA、MCIA）方法的降维方法。这两个平台都提供了易于使用的可视化工具以及网络分析和功能富集评估的方法。其他用于多组学分析的网络工具示例包括 Omics Integrator（Tuncbag 等人，2016 年）、GeneTrail2（Stöckel 等人，2016 年）、MAINE（Gruca 等人，2022 年）、Mergeomics 2.0（丁等人，2021 年）和 PaintOmics4（Liu 等人，2022 年）。这些网络工具中所采用的基于网络的方法通常会使用并非专门为生物网络设计的图分析方法。总的来说，从多组学数据中提取具有生物学和临床意义的见解仍然是一项相当艰巨的任务。