Un marco de aprendizaje cooperativo para la integración de datos metabolómicos de cohortes múltiples y la...

Área de la Ciencia:

• * Biología computacional y bioinformática; * Integración y análisis de datos ómicos

Sus antecedentes:

• * La integración de datos de metabolómica de múltiples estudios aumenta la potencia estadística para el descubrimiento de biomarcadores.; * Los desafíos incluyen efectos de lote, sesgos específicos del estudio y heterogeneidad de los conjuntos de datos, lo que dificulta la reproducibilidad.; * Los métodos existentes de fusión temprana y tardía tienen limitaciones para manejar la variabilidad y las relaciones entre estudios.

Objetivo del estudio:

• * Proponer un nuevo marco de aprendizaje cooperativo para la integración de datos de metabolómica multiestudio.; * Mejorar el descubrimiento de biomarcadores candidatos equilibrando las ventajas de la fusión temprana y tardía.; * Mitigar los factores de confusión específicos del estudio y mejorar la fiabilidad de los resultados.

Principales métodos:

• * Un marco de aprendizaje cooperativo que integra análisis univariados y multivariados con una función de pérdida optimizada.; * La integración en etapa temprana utilizó un método multiblock (MINT-PLS-DA).; * La fusión tardía empleó PLS-DA por separado, y el análisis univariado utilizó un modelo mixto.

Principales resultados:

• * Se validó el marco utilizando datos sintéticos y datos humanos de metabolómica no dirigida del mundo real.; * Las evaluaciones preliminares mostraron una reducción de los efectos de lote y una buena concordancia entre los resultados de la fusión temprana y tardía.; * El análisis de datos del mundo real reveló una estabilidad de características del 10 % en todos los métodos de fusión, lo que demuestra una mayor coherencia.

Conclusiones:

• * El enfoque de aprendizaje cooperativo captura eficazmente la información fenotípica común entre los conjuntos de datos.; * Aprovecha las fortalezas complementarias de la fusión temprana y tardía para una integración robusta de datos de metabolómica.; * El modelo desarrollado ofrece una solución eficiente para el descubrimiento fiable de biomarcadores potenciales.