Detekce biomarkerů
z omics experimentů
• Mgr. Eva Budinská, PhD
• RECETOX
• budinska@recetox.muni.cz
• Podzim 2019
Objeování neznámých skupin
Jak se hledá
potenciální
biomarker v
omics datech
Kontrola kvality
Normalizace
Sumarizace
Biologická otázka
(hypotéza)
N matic základních dat
(jedna pro každý z N vzorků)
Provedení experimentu
(hybridizace mikročipů,
hmotnostní spektrometrie...)
Dizajn experimentu
Objevování skupin?
(Shlukování)
Porovnání skupin?
(Testování)
Predikce skupin?
(Klasifikace)
Analýza přežití
Analýza časových řad
Charakterizace nových
skupin
List genů
se stejným profilem
změn exprese v čase
Interpretace Validace Publikace
Matice informací o vzorcích
N x P
(např. klinická data v medicíně)
Finální datová matice
N vzorků a K genů
(proteinů)
Nové skupiny
genů nebo vzorků
List genů
s odlišnou expresí
mezi skupinami vzorků
Klasifikační pravidlo
využívající
genovou expresi
Seznam
prognostických genů
Pathway analýza
Objevování skupin
• Snažíme se vyvodit závěry o vzorcích
nebo molekulách bez (braní do úvahy)
jakékoliv předchozí znalostí
biologických skupin (=shlukování)
• Cílem je vytvořit skupiny objektů na
základě jejich vzájemné podobnosti
• Objekty uvnitř skupiny mají být co
nejpodobnější a objekty z různých
skupin mají být vzájemně tak odlišné,
jak jen je to možné
Existují skupiny vzorků s
podobným molekulárním
profilem?
Existují skupiny molekul s
podobnými vlastnostmi?
Odpovídáme
na otázky:
Kdy
provádíme
shlukování v
molekulární
biologii
• Shlukování proměných
• Chceme identifikovat skupiny ko-regulovaných
genů/proteinů/metabolitů…
• Chceme zredukovat dimenzi dat na základě
funkčních genových/proteinových/… skupin
• Shlukování vzorků
• Kontrolujeme kvalitu vzorků
• Chceme najít nové skupiny vzorků (například
podtypy)
• Chceme zkontrolovat diskriminační schopnost
proměnných (genů etc….) vybraných při
porovnávání známých skupin
Příklady
objevování
skupin
Molekulární podtypy karcinomu prsu
Bakterie se stejnými geny rezistence
Proteiny s podobnou abundancí u
zdravých vs nemocných
Geny se stejnou genovou expresí v čase
Skupiny bakterií společně se vyskytuících s
konkrétními metabolity
Omezení
• Neznámá pravda – nutné co nejobjektivněji popsat
skutečnost
• (Ne) reprezentatívnost populace v datech
• Technické možnosti
• Odchylky v datech můžou podstatně ovlivnit výsledek
• Typ dat určuje uhol pohledu (génová exprese vs proteinová abundance,
metabolický profil, epidemiologie, histologie, DNA mutace... )
Princip
shlukování
• Máme datovu matici X velikosti N x P
• N – počet objektů (vzorků)
• P – počet proměnných (geny/proteiny…)
• Hledáme nejlepší rozdělení dat na skupiny tak, aby
nalezené skupiny byly uvnitř skupiny vysoce homogenní
a mezi sebou vysoce heterogenní
N vzorků
P proměnných
(geny, proteiny)
Typy
shlukovacích
metod
• Shlukovací metody se dělí na dvě hlavní skupiny:
• Metody založené na vzdálenosti
• neparametrické
• nejčastěji používané, intuitivní
• hierarchické a nehierarchické shlukování
• Metody založené na modelování
• parametrické, kladou silné předpoklady na
rozložení dat
• založeny na statistickém modelování –
přiřazují každému objektu pravděpodobnost s
jakou patří do daného shluku
Metody
založené na
vzdálenostech
• Zvolíme metriku vzdálenosti (jak vzdálenost měříme?)
• Vypočteme matici vzdáleností mezi objekty (každý s každým)
• Vybereme shlukovací algoritmus
• Stanovíme počet shluků – jen u některých metod
• Aplikujeme shlukovací algoritmus na matici vzdálenosti
získáme shluky
Princip:
• Hierarchické
• Aglomerativní – Single, Complete, Average, Ward linkage,
…
• Divizivní – DIANA,...
• Nehierarchické
• K-means, PAM...
Shlukovací algoritmy:
Metriky vzdálenosti
Euklideovská vzdálenost
• Euklideovská vzdálenost:
• Standardizovaná Euklideovská vzdálenost:
Tato metrika penalizuje – snižuje vzdálenost mezi objekty s velkou
variabilitou, předpokládajíc, že jsou důležitější než objekty s malou
variabilitou.
Máme 2 vektory hodnot x = (x1, …, xn), y = (y1, …, yn)
å=
-=
n
i
iiE yxyxd
1
2
)(),(
( ) å=
-=
n
i
iiiE yxyxd
1
22
/)(, s
Manhattanova vzdálenost
Máme 2 vektory hodnot x = (x1, …, xn), y = (y1, …, yn)
Robustnější vůči odlehlým hodnotám.
.),(
1
å=
-=
n
i
iiM yxyxd
Metriky vzdálenosti založené na korelačním
koeficientu
Obzvláště často využívané u dat z omics experimentů
Můžeme odvodit dvě různé metriky:
[ ]2
2 ),(1),( yxryxd -=
[ ] 2/),(1),(1 yxryxd -=
d1=0.05, d2=0.19 d1=0.5, d2=1 d1=0.95, d2=0.19
Pří použití d1 budou
geny s opačnými
profily patřit do
odlišných shluků,
zatímco při použití
metriky d2 budou
patřit do toho
stejného shluku.
Pokud chceme shluky
interpretovat jako
množiny genů ze
stejné regulační sítě,
použijeme raději d2.
Výběr metriky
• Výběr metriky záleží na tom, jaký typ podobnosti nás
zajímá
•
• Pokud nás zajímá podobnost hodnot (A a B jsou
podobné), aplikujeme Euklidovskou vzdálenost
• Pokud nás zajímá vzor hodnot (A a C jsou podobné),
aplikujeme vzdálenost založenou na korelaci
A
B
C
Gene ID
Log2Ratio 0
3
2
1
4
Na co si dávat
pozor I.
• Mnoho shlukovacích
technik najde shluky i v
datech, ve kterých nejsou
žádné přirozené shluky, jen
proto, že byly pro tento
účel vytvořeny.
• Příkladem je právě
hierarchické shlukování!
728197631140
35596624693082625875875903741
7732789173465395105135734315
238654392949196265211338601488
276807410082641722283129852
728619495067897944784769244
20455655719942931487016438536
1533189668
3663842582
549253524858774966840100975761
10869160322099791642681237648
9437735649756990725211776758
917708334182833314558819650
29317127162413551956544464798
239894543893781580133071266
425922643821
Na co si dávat
pozor II.
• Výsledek jediného
shlukování by nikdy
neměl být považován za
objektivní reprezentaci
informace skryté v
datech, protože je závislý
od použité metody a také
v rámci metody od jejího
nastavení!
Další
problémy
Výběr shlukovacího algoritmu a metriky
ovlivňuje konečné výsledky
Výsledky jsou závislé na samotných datech
Kolik shluků?
Potřebujeme odhad jistoty, že nalezené
shluky jsou správné
Odhad kvality shluků je založen na metrikách
z dat z kterých byli shluky vytvořené
Kolik shluků?
• V případě nehierarchických metod počet shluků určujeme dopředu
• V případě hierarchického shlukování vytváříme strom, dendrogram,
který se potom prořezává
• Počet shluků je následně určený tak, aby heterogenita v rámci shluků
byla co nejmenší a mezi shluky co největší
• Různé metriky heterogenity shluků – variabilita, Silhouette, ...
Řezání dendrogamu jeho problém
• U hiararchického shlukování se stanovuje fixní výška řezu
dendrogramu
• Problém: u omicsových molekulárních dat se často vyskytují shluky v
různých výškách řezu
AML
AML
AML
AML
AML
AML
AML
AML
AML
AML
AML
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_B-cell
ALL_T-cell
ALL_T-cell
0.20.40.60.81.01.2
Cluster Dendrogram
hclust (*, "complete")
as.dist(1 - cor(d))
Height
static
cutreeHybrid_5
cutreeHybrid_3
Dynamic hybrid tree cut
AML
AML
AML
AML
AML
AML
AML
AML
AML
AML
AML
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_B-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_T-cell
ALL_B-cell
ALL_T-cell
ALL_T-cell
0.20.40.60.81.01.2
Cluster Dendrogram
hclust (*, "complete")
as.dist(1 - cor(d))
Height
static
cutreeHybrid_5
cutreeHybrid_3
• Metoda dynamického
prořezávání dendrogramu
(Langfelder et al, 2007)
• Dynamické řezání dendrogramu
na základě minimální velikosti
shluků, maximální výšky řezu a
dalších parametrů
• Pokud vzorek nesplňuje kritéria,
není zařazen do shluku!
Dynamic
hybrid tree cut
- základy
Jádro (nejnižší propojené objekty) každého shluku musí být silně
propojeno
Každý shluk by měl být oddělený od okolí mezerou
Příliš vzdálené objekty jsou ze shluku vyloučené i v případě, že
patří do stejného ramena dendrogramu
Shluk musí mít minimální počet objektů
Parametry dynamic hybrid cut
Algoritmus dynamic hybrid tree cut
Robustní
shlukování
V analýze vysocepokryvních molekulárních dat mají výše uvedené
problémy větší váhu
Malý počet vzorků a vysoký počet proměnných (genů, proteinů...)
spolu s vyšším množstvím šumu v datech jsou důvodem, proč je
shlukování těchto dat citlivé na přeučení (overfitting)
Shlukování je méně robustní (více ovlivněné variabilitou dat)
Variabilita dat a výsledky shlukování se dají simulovat
opakovaným náhodným výběrem z dat
Konsenzuální shlukování
• Forma robustního shlukování (Monti et al., 2003)
• Opakované vzorkování a shlukování jako způsob nalezení konsenzusu mezi jednotlivými
výsledkami shlukování za účelem:
• Určení počtu a stability shluků v datech
• Vytvoření nové metriky vzdálenosti – konsenzusu
• Základní princip:
• Rozrušení struktůry originální N x P datové matice pomocí náhodného výběru podmnožiny
vzorků a/nebo genů
• Na novém datovém souboru aplikujeme shlukovací algoritmus se stejnou mírou similarity
a počtem shluků
• Oba body jsou opakované L krát pro jiný počet shluků.
Základní princip konsenzuálního shlukování
(i) Rozrušení struktury originální N x P datové matice pomocí
náhodného výběru podmnožiny vzorků a/nebo proměnných
(ii) Na novém datovém souboru aplikace shlukovacího
algoritmu se stejnou mírou similarity a počtem shluků
(i) a (ii) opakuj L-krát pro různé počty shluků (1, …, k)
Algoritmus N x p
Nl x p
Výběr ze souboru
bez opakování
Matice propojení
Cl
ij=1
Když i,j spolu ve
shluku, 0 jinak
Shlukování Indikátorová matice
Il
ij=1
Když i,j spolu ve
výběru, 0 jinak
l = 1.. L
opakování
Matice konsenzusu
å
å
=
=
= L
l
l
ij
L
l
l
ij
ij
I
C
M
1
)(
1
)(
Výběr počtu
shluků
k = 1 .. K
shluků
Konsenzuální shlukování
å
å
=
=
= L
l
l
ij
L
l
l
ij
ij
I
C
M
1
)(
1
)(
Myšlenka konsenzuálního shlukování
• Pokud se dva vzorky v jednotlivých výběrech nacházejí často spolu ve
shluku, jsou důvěryhodnějšími členy shluku než ty, které se ve shluku
nacházejí méně často
Data bez struktury (náhodný
výběr z normálního rozložení)
Data se třemi skupinami
A. B.
Odhad počtu shluků I
{ }
2/)1(
1
-
£
=
å<
NN
xM
CDF
ji
ij
x
Kumulativní distribuční funkce
Konsenzus mezi
dvěma vzorky
golub data, k=3
Consensus measure
Frequency
0.0 0.2 0.4 0.6 0.8 1.0
0204060
Histogram míry
konsenzusu
Odhad počtu shluků II
golub data, k=3
Consensus measure
Frequency
0.0 0.2 0.4 0.6 0.8 1.0
0204060
golub data, k=6
Consensus measure
Frequency
0.0 0.2 0.4 0.6 0.8 1.0
050100150
{ }
2/)1(
1
-
£
=
å<
NN
xM
CDF
ji
ij
x
6 shluků má podstatně míň
vzorků s konsenzusem 1 a tím
pádem jsou tyto shluky míň
důvěryhodné
Struktura se 3 shluky naopak
vypadá jako optimum
Jako rozhodovací pravidlo –
rozdíl v plochách pod CDF
křivkami
Odhad počtu zhlukov III
Delta = relativní změna plochy pod CDF
křivkou mezi dvěma k
Další metriky konsenzuálního shlukování
Konsenzus shluku k Konsenzus vzorku si v k-tém shluku
Obě míry se používají pro identifikaci odlehlých hodnot (vzorky s nízkou mírou konsenzu k
jakémukoliv jinému vzorku v jinak homogenním shluku; shluky s nízkou mírou konsenzu
obecně)
kde je indikátorová funkce
å
<
Î-
=
ji
Iji
ij
ll
k
k
M
NN
m
,2/)1(
1
{ }å
¹
ÎÎ-
=
ij
Ij
ij
kil
k
i
l
M
IsN
m
1
1
{ }ki Is Î1
Metody
založené na
modelech
• Modely Gaussových směsí (mixture models)
• Předpokládají, že naměřené hodnoty
genu/proteinu g ve všech vzorkách (Xg) jsou
náhodným výběrem a jejich rozložení závisí na
skupině do které gen g patří
• Náhodnost Xg souvisí s pozorovanou variabilitou v
datech z genomických a proteomických
experimentů
• Na rozdíl od metod založených na vzdálenosti
poskytují tyto modely:
• odhad parametrů, které charakterizují každou
skupinu (průměr, rozptyl, …)
• pravděpodobnost příslušnosti genu ke každé ze
skupin
• statistické kritéria pro výběr počtu skupin
Modely Gaussových směsí
Pokud objekt
patří do více
skupin shluků
• Většina shlukovacích technik vytváří disjunktní shluky:
každý objekt je součástí jediného shluku
• Toto zvlášť v genomice a proteomice nemusí být
nejlepší přístup, protože většina proteinů/genů je
součástí více biologických drah -> proto by měli patřit
do více skupin
• Jak zohlednit tuto informaci:
• Aplikujeme speciální shlukovací metody
(například fuzzy clustering)
• Aplikujeme metody založené na modelech a
vyvodíme závěry z přiřazených pravděpodobností
• Biclustering (two-way clustering) shlukuje zaráz řádky i
sloupce
Jak shlukovat
efektivně • V genomice a proteomice obvykle nemá význam shlukovat úplně všechny
objekty (proteiny/geny)
• Většina z nich není významná
• Vnášejí do procesu šum, který zakryje pravou strukturu dat
• Je vhodné zredukovat dimenzi dat:
• PCA, gene-shaving, … - dokáží extrahovat informaci o
genech/proteinech s podobnými charakteristikami, stačí potom ve
shlukování reprezentovat charakteristikami těchto skupin
• Redukce na základě SD anebo CV
Problémy shlukování u omicsových molekulárních dat
- Šum v datech negativně ovlivňuje výsledky
- Jedna veľká množina genů (proteinů, metabolitů) ze
stejného biologického motivu ovplyvní zásadně shluky
Kde hledat shluky
• Data můžou vytvářet shluky v odlišných dimenzích
Kde hledat shluky
II.
• V případě, že předpokládáme shlukování v
nižších dimenzích, můžeme:
• Hledat v nižších dimenzích vytvořených
PCA
• Použijeme podprostorové shlukovací
algoritmy, které jsou schopné detekovat
shluky, které existují ve více podprostorech
a mohou se překrývat
Podprostorové shlukovaní
• Hledá shluky ve všech podprostorech
• Počet podprostorů je 2d, kde d je počet dimenzí (počet genů/proteinů)
• Typy algoritmů:
• Top-down – najde iniciální rozložení na všech dimenzích a potom se
dívá na podprostory každého shluku, iterativně zlepšují výsledky
• Bottom-up – najdou regiony v nižších dimenzích a potom je
zkombinují a vytvoří shluky
• MAFIA (Nagesh, 1999)
• ENCLUS (Chen, 1999)
• COSA (Damian et al., 2007)
• SMART (Jing et al., 2009)
> library(orclus)
Vizualizace výsledků
• Správná vizualizace výsledků je nejdůležitější součást analýzy!
Boxploty exprese genůVizualizace korelací mezi vzorky
Alizadeh et al., Nature 403:503-11, 2000
Validace ve shlukování
molekulárních dat
Jak validovat, když neznáme pravdu???
Validace algoritmu a
parametrů modelu na
testovacím souboru
(Když zopakujeme
celou proceduru na
dalším souboru,
dostaneme stejný
výsledek?)
Jak validovat, když neznáme pravdu???
Validace konceptu pomocí
klinických, molekulárních
a histologických
charakteristik objevených
skupin
(Mají objevené skupiny
biologickou podstatu /
odrážejí známé vědecké
poznatky?)
(Je rozložení těchto
charakteristik mezi
podtypy srovnatelné ve
validačním souboru?)
Shrnutí
Více metod v rámci jedné studie
Konsenzuální shlukování
Dynamické řezání stromu
Vizualizace výsledků
Propojení výsledků s biologickými či klinickými
proměnnými
Validace výsledků na testovacím souboru!
Kolorektálny karcinóm
príklad
Heterogénne ochorenie s rozdielnou odpoveďou na terapiu.
Len niekoľko klinicky používaných markerov:
- BRAF/KRAS mutácia – pre kvalifikáciu na antiEGFR terapiu (u
štádia s metastázami)
- MSI – mikrosatelitová nestabilita – všeobecne považovaná za
dobrý marker
Cieľ:
Nájsť skupiny nádorov kolorekta s podobnou expresiou
génov (podobným génovým profilom) ~ podtypy
Charakterizovať tieto podtypy pomocou klinických a
známych molekulárnych parametrov.
Dátové súbory:
Matica obsahujúca kvantitatívnu expresiu génovej
aktivity nádorov
N x p, k=1..5
Matica klinických a molekulárnych parametrov ku každej
nádorovej vzorke, vrátane prežitia pacienta
Vzorky nádorov
Gény
VÝBER PREMENNÝCH /
Zmenšenie dimenzie dát
Nezávislý výber – z 25 000 génov, výber podmnožiny 3025 génov s
najvyššou variabilitou v súbore
Redukcia dimenzionality – práca s génovými modulmi
génový modul – sada génov s rovnakou génovou
expresiou
Jedná sa o istú formu váženia efektu biologických
motívov
Predpoklad:
sada korelovaných génov ~ biologický motív
Príklad EMT
• EMT – epiteliálno mesenchymálny
prechod
• Génová expresia podobná zdravému
mezenchymálnemu tkanivu
• Obvykle reprezentovaný zmenou v
stovkách génov
• Identifikácia modulu EMT a jeho
reprezentácia jedinou hodnotou
(priemerom) zmenší jeho efekt v
zhlukovaní a dá šancu ďalším dôležitým
procesom reprezentovaným menším
množstvom génov
3025 génov
Dátový súbor 1
150 génových modulov
Pearsonova korelácia,
Hierarchické zhlukovanie
Complete linkage
Rezanie dendrogramu
Výber 54 modulov
(625 génov)
Validácia ich korelácií v
4 ďalších dátových súboroch
54 Meta-génov
Medián génov v module
Pearsonova korelácia,
Hierarchické zhlukovanie
Complete linkage
Rezanie dendrogramu
8 hlavných zhlukov
~ hlavné biologické
motívy
Identifikácia biologických motívov
• Analýza génových
sád
Biol motív:
EMT, proliferácia,
Chromozóm 20q...
V
genóme
V biol
motíve
V
genóme
a b
V
module
c d
Cieľ:
Nájsť skupiny nádorov kolorekta s podobnou expresiou
génov (podobným génovým profilom) ~ podtypy
Charakterizovať tieto podtypy pomocou klinických a
známych molekulárnych parametrov.
Motívy génovej expresie v podtypoch
Hierarchické zhlukovanie na
matici konsenzusu
Analýza génových sád
Expresné profily pre jednotlivé podtypy
• Klasifikátor LDA (linear discriminant analysis)
Minimálna génová sada
• Selekcia génov pomocou elastic net – počíta s korelovanými
génmi (neodstraňuje len jeden gén, ale všetky korelované)
• Klasifikátor vytvorený na selektovaných génoch (shrunken
centroids)
Subtype Minimálna génová sada
A
CLCA1, PADI2, ADTRP, RETNLB, TIMP3, MUC2, FNDC1, NR3C2, SULF1, B3GNT7, STYK1,
CHI3L1
B
FARP1, ALOX5, FSCN1, HNF4A, RARRES3, MYRIP, GPSM2, TSPAN6, CCDC113, CDHR1,
KCTD12, SGK1, BASP1, MT1E, GPX8, RPS6KA3, SOCS3, SLC5A6, PRR15, PLAGL2, IHH,
CREB3L1, TP53RK, YAE1D1, EPB41L3, QPRT, KCNK5, RNF43, VAV3, CXCR4, ITPRIP, GRM8,
GFPT2, KCNMA1, KIAA0226L,RNASE1
C
TFAP2A, ATP9A, RAB27B, ANP32E, CXCL14, IDO1,RARRES3, EGLN3,
KIAA0226L,C10orf99,RPL22L1, PLK2
D PRICKLE1, RBM47, TAGLN, BOC, HOOK1, C7, ANK2, DCHS1, DDR2, CRYAB, GEM
E
REG4, IL6, CXCL5, RAB27B, CEACAM6, PI15, MRPS31, RAP2A, UQCC, AGR3, HSD11B1,
IL1B
Cieľ:
Nájsť skupiny nádorov kolorekta s podobnou expresiou
génov (podobným génovým profilom) ~ podtypy
Charakterizovať tieto podtypy pomocou klinických a
známych molekulárnych parametrov.
Vzor expresie biologických motívov
• Analýza génových sád pomocou KS testu
Rozdiely v prežití
• Kaplan-Meierove krivky prežitia
• Coxov model proporcionálnych rizík (efekt štádia vs podtypov)
• Rozdiel od populačnej baseline u každého podtypu pomocou Fisherovho
exaktného testu, FDR úprava p-hodnôt
Charakterizácia podtypov klinickými a
molekulárnymi premennými
Histologické rozdiely
• Fisherov test, adjustácia na FDR
Podtyp A – Surface crypt like - KRAS mutanti, papillary a serrated morfotyp, najviac
diferencovaný, bez aktívnej Wnt signálnej dráhy. Dobrý OS a RFS.
Podtyp B – Lower crypt like – diferencované ale bez sekrečných buniek,
proliferujúce, a aktívnou Wnt signálnou dráhou. Komplexný tubulárny morfotyp.
Časo MSS, BRAFwt, nižšieho grádu, dobré prežitie v OS, RFS i SAR.
Podtyp C – CIMP-H like - časo MSI, BRAF-mutantné, hypermutované, z pravej časti
hrubého čreva. Histologicky - horšie diferencované, solídno-trabekulárne s
mucínovéým morfotypom. Aktívne proliferujú a majú silnú imunitnú reakciu.
Dobrý RFS, ale zlý OS and SAR.
Podtyp D – Mesenchymal – markery kmeňových buniek, veľa mezenchymálnych
buniek, ktoré sa prejavujú expresiou EMT génov. Wnt signálna dráha je neaktívna
a proliferácia nízka. Klinické a mutačné charakteristiky sa nelíšia od populačnej
baseline. Majú najkratšie prežitie do relapsu, zlý OS a SAR.
Podtyp E – Mixed – často MSS, BRAFwt, z ľavej strany hrubého čreva. Podobne ako
podtyp D exprimuje gény kmeňových buniek a EMT procesu, avšak podobne s B má
vysokú aktiviu kanonickej Wnt dráhy a vyzerá viac diferenciovaný. Je podobný B –
komplexný tubulárny, len častejšie obsahuje mutáciu p53.
Validace podtypů kolorektálního karcinomu
Validácia algoritmu a parametrov modelu na
testovacom súbore
Keď zopakujem celú procedúru na inom súbore,
dostanem podobné skupiny?
Cluster/subtype
in validation set
Subtypes from training set most correlated to validation subtypes
First subtype Second subtype
Subtype Cor P-val Subtype Cor P-val
C1 / A A 0.85 p<1.0E-15 F 0.41 p<1.0E-15
C2 / B1 B 0.71 p<1.0E-15 E 0.47 p<1.0E-15
C3 / B2 B 0.91 p<1.0E-15 A 0.36 p<1.0E-15
C4 / C C 0.89 p<1.0E-15 F 0.29 p<1.0E-15
C5 / D D 0.93 p<1.0E-15 E 0.37 p<1.0E-15
C6 / E E 0.63 p<1.0E-15 D 0.58 p<1.0E-15
C7 / F F 0.61 p<1.0E-15 C 0.55 p<1.0E-15
Cluster/subtype
in validation set
LDA assignment
SUM
A B C D E
C1 / A 74 4 3 3 0 84
C2 / B1 1 58 0 2 13 74
C3 / B2 12 134 1 0 1 148
C4 / C 1 2 99 4 0 106
C5 / D 0 3 12 64 7 86
C6 / E 1 17 0 17 13 48
C7 / F 23 1 22 9 1 56
Non-core 21 53 18 8 18 118
SUM 133 272 155 107 53 720
Validácia konceptu pomocou klinických, molekulárnych
a histologických charakteristík objavených skupín
Majú objavené skupiny biologickú podstatu / odrážajú
známe vedecké poznatky?
Je rozloženie týchto charakteristík medzi podtypmi
porovnateľné vo validačnom súbore?
Majú objavené skupiny biologickú podstatu / odrážajú
známe vedecké poznatky?
Podtyp C – pravostranné, BRAFm, MSI nádory, ktoré sú známe zlým prežitím
po relapse
Zvýšená expresia génov chr. 20q v podtype B by mohla znamenať
amplifikáciu chr20q regiónu.
Podtyp D – mezenchymálny – histologické vyhodnotenie: v nádore prítomná
silná desmoplastická reakcia (mezenchymálne tkanivo)
Nádor
Je rozloženie klinických charakteristík medzi podtypmi
porovnateľné vo validačnom súbore?
Dataset 1 Dataset 2 Dataset N
1 3
4
Definícia podtypov
karcinómu
Klinické dáta
2
Prežitie
Iné zdroje dát
(CNV, metylácia...)
Molekulárny profil
Rezistencia na liečbu
Right MSI KRAS BRAF
35% 25% 10% 10%
15% ...
0% ...
50% ...