stringtranslate.com

Multiómica

Número de citas de los términos “Multiomics” y “Multi-omics” en PubMed hasta el 31 de diciembre de 2021.

La multiómica , multiómica , ómica integrativa , "panomics" o "pan-ómica" es un enfoque de análisis biológico en el que los conjuntos de datos son múltiples " omas ", como el genoma , el proteoma , el transcriptoma , el epigenoma , el metaboloma y el microbioma (es decir, un metagenoma y/o un metatranscriptoma , dependiendo de cómo se secuencia); [1] [2] [3] en otras palabras, el uso de múltiples tecnologías ómicas para estudiar la vida de manera concertada . Al combinar estos "omas", los científicos pueden analizar grandes datos biológicos complejos para encontrar nuevas asociaciones entre entidades biológicas, identificar biomarcadores relevantes y construir marcadores elaborados de enfermedades y fisiología. Al hacerlo, la multiómica integra diversos datos ómicos para encontrar una relación o asociación geno-feno-envirotipo coherentemente coincidente. [4] El servicio OmicTools enumera más de 99 programas relacionados con el análisis de datos multiómicos, así como más de 99 bases de datos sobre el tema.

Los enfoques de la biología de sistemas se basan a menudo en el uso de datos de análisis panómicos. [5] [6] La Sociedad Estadounidense de Oncología Clínica (ASCO) define panómica como "la interacción de todas las funciones biológicas dentro de una célula y con otras funciones corporales, combinando datos recopilados mediante pruebas específicas... y ensayos globales (como la secuenciación del genoma) con otra información específica del paciente". [7]

Multiómica de una sola célula

Una rama del campo de la multiómica es el análisis de datos unicelulares multinivel , denominado multiómica unicelular. [8] [9] Este enfoque nos brinda una resolución sin precedentes para observar transiciones multinivel en la salud y la enfermedad a nivel de una sola célula. Una ventaja en relación con el análisis masivo es mitigar los factores de confusión derivados de la variación de célula a célula, lo que permite descubrir arquitecturas de tejidos heterogéneos. [8]

Los métodos para el análisis genómico y transcriptómico de células individuales en paralelo se pueden basar en la amplificación simultánea [10] o la separación física del ARN y el ADN genómico [11] . Permiten obtener información que no se puede obtener únicamente a partir del análisis transcriptómico, ya que los datos de ARN no contienen regiones genómicas no codificantes ni información sobre la variación del número de copias , por ejemplo. Una extensión de esta metodología es la integración de transcriptomas de células individuales a metilomas de células individuales, combinando la secuenciación de bisulfito de células individuales [12] [13] con RNA-Seq de células individuales [14] . También existen otras técnicas para consultar el epigenoma, como ATAC-Seq de células individuales [15] y Hi-C de células individuales [16] .

Un desafío diferente, pero relacionado, es la integración de datos proteómicos y transcriptómicos. [17] [18] Un enfoque para realizar dicha medición es separar físicamente los lisados ​​de células individuales en dos, procesando la mitad para ARN y la otra mitad para proteínas. [17] El contenido proteico de los lisados ​​se puede medir mediante ensayos de extensión de proximidad (PEA), por ejemplo, que utilizan anticuerpos con código de barras de ADN. [19] Un enfoque diferente utiliza una combinación de sondas de ARN de metales pesados ​​y anticuerpos proteicos para adaptar la citometría de masas para el análisis multiómico. [18]

Relacionado con la multiómica de células individuales está el campo de la ómica espacial, que analiza los tejidos mediante lecturas ómicas que preservan la orientación espacial relativa de las células en el tejido. La cantidad de métodos de ómica espacial publicados aún está por detrás de la cantidad de métodos publicados para la multiómica de células individuales, pero los números se están poniendo al día (métodos unicelulares y espaciales).

Multiómica y aprendizaje automático

En paralelo a los avances en biología de alto rendimiento, las aplicaciones de aprendizaje automático para el análisis de datos biomédicos están floreciendo. La integración del análisis de datos multiómicos y el aprendizaje automático ha llevado al descubrimiento de nuevos biomarcadores . [20] [21] [22] Por ejemplo, uno de los métodos del proyecto mixOmics implementa un método basado en regresión de mínimos cuadrados parciales dispersos para la selección de características (biomarcadores putativos). [23] Un marco estadístico unificado y flexible para la integración de datos heterogéneos llamado "Análisis de correlación canónica generalizada regularizada" (RGCCA [24] [25] [26] [27] ) permite identificar dichos biomarcadores putativos. Este marco se implementa y se pone a disposición de forma gratuita dentro del paquete RGCCA.

Multiómica en salud y enfermedad

Descripción general de las fases 1 y 2 del proyecto del microbioma humano.

Actualmente, la multiómica promete llenar los vacíos en la comprensión de la salud y la enfermedad humanas, y muchos investigadores están trabajando en formas de generar y analizar datos relacionados con las enfermedades. [28] Las aplicaciones varían desde la comprensión de las interacciones huésped-patógeno y las enfermedades infecciosas, [29] [30] el cáncer, [31] hasta una mejor comprensión de las enfermedades crónicas y complejas no transmisibles [32] y la mejora de la medicina personalizada. [33]

Proyecto Microbioma Humano Integrado

La segunda fase del Proyecto del Microbioma Humano de 170 millones de dólares se centró en la integración de datos de pacientes a diferentes conjuntos de datos ómicos, considerando la genética del huésped, la información clínica y la composición del microbioma. [34] [35] La fase uno se centró en la caracterización de comunidades en diferentes sitios del cuerpo. La fase 2 se centró en la integración de datos multiómicos del huésped y el microbioma a las enfermedades humanas. Específicamente, el proyecto utilizó la multiómica para mejorar la comprensión de la interacción de los microbiomas intestinales y nasales con la diabetes tipo 2 , [36] los microbiomas intestinales y la enfermedad inflamatoria intestinal [37] y los microbiomas vaginales y el parto prematuro. [38]

Inmunología de sistemas

La complejidad de las interacciones en el sistema inmunológico humano ha impulsado la generación de una gran cantidad de datos ómicos multiescala relacionados con la inmunología. [39] El análisis de datos multiómicos se ha empleado para recopilar nuevos conocimientos sobre la respuesta inmunitaria a enfermedades infecciosas, como la chikungunya pediátrica , [40] así como enfermedades autoinmunes no transmisibles . [41] La ómica integrativa también se ha empleado fuertemente para comprender la efectividad y los efectos secundarios de las vacunas , un campo llamado vaccinología de sistemas. [42] Por ejemplo, la multiómica fue esencial para descubrir la asociación de los cambios en los metabolitos plasmáticos y el transcriptoma del sistema inmunológico en la respuesta a la vacunación contra el herpes zóster . [43]

Lista de programas para análisis multiómico

El proyecto Bioconductor organiza una variedad de paquetes R destinados a integrar datos ómicos:

El paquete RGCCA implementa un marco versátil para la integración de datos. Este paquete está disponible de forma gratuita en la Red Integral de Archivos R (CRAN).

La base de datos OmicTools [49] destaca además los paquetes R y otras herramientas para el análisis de datos multiómicos:

Bases de datos multiómicas

Una limitación importante de los estudios ómicos clásicos es el aislamiento de un solo nivel de complejidad biológica. Por ejemplo, los estudios transcriptómicos pueden proporcionar información a nivel de transcripción, pero muchas entidades diferentes contribuyen al estado biológico de la muestra ( variantes genómicas , modificaciones postraduccionales , productos metabólicos, organismos interactuantes, entre otros). Con el advenimiento de la biología de alto rendimiento , cada vez es más asequible realizar múltiples mediciones, lo que permite correlaciones e inferencias transdominio (por ejemplo, niveles de ARN y proteína). Estas correlaciones ayudan a la construcción de redes biológicas más completas , llenando vacíos en nuestro conocimiento.

Sin embargo, la integración de datos no es una tarea fácil. Para facilitar el proceso, los grupos han seleccionado bases de datos y canales para explorar sistemáticamente los datos multiómicos:

Véase también

Referencias

  1. ^ Bersanelli, Matteo; Mosca, Ettore; Remondini, Daniel; Giampieri, Enrico; Sala, Claudia; Castellani, Gastone; Milanesi, Luciano (1 de enero de 2016). "Métodos para la integración de datos multiómicos: aspectos matemáticos". Bioinformática BMC . 17 (2): S15. doi : 10.1186/s12859-015-0857-9 . ISSN  1471-2105. PMC  4959355 . PMID  26821531.
  2. ^ Bock, Christoph; Farlik, Matthias; Sheffield, Nathan C. (agosto de 2016). "Multiómica de células individuales: estrategias y aplicaciones". Tendencias en biotecnología . 34 (8): 605–608. doi :10.1016/j.tibtech.2016.04.004. PMC 4959511 . PMID  27212022. 
  3. ^ Vilanova, Cristina; Porcar, Manuel (26 de julio de 2016). "¿Son suficientes las multiómicas?". Nature Microbiology . 1 (8): 16101. doi :10.1038/nmicrobiol.2016.101. PMID  27573112. S2CID  3835720.
  4. ^ Tarazona, S., Balzano-Nogueira, L. y Conesa, A. (2018). Integración de datos multiómicos en experimentos de series temporales. doi :10.1016/bs.coac.2018.06.005
  5. ^ Sesión de Panómica del Cáncer de PSB'14 Archivado el 23 de septiembre de 2013 en Wayback Machine
  6. ^ El panorama molecular del cáncer: el uso de la panómica para impulsar el cambio Archivado el 9 de noviembre de 2013 en Wayback Machine
  7. ^ "Glosario". Aceleración del progreso contra el cáncer: plan de la ASCO para transformar la investigación clínica y traslacional del cáncer (PDF) . Sociedad Estadounidense de Oncología Clínica. 2011. pág. 28 . Consultado el 13 de septiembre de 2013 .
  8. ^ ab MacAulay, Iain C.; Ponting, Chris P.; Voet, Thierry (2017). "Multiómica de células individuales: mediciones múltiples a partir de células individuales". Tendencias en genética . 33 (2): 155–168. doi :10.1016/j.tig.2016.12.003. PMC 5303816 . PMID  28089370. 
  9. ^ Hu, Youjin; An, Qin; Sheu, Katherine; Trejo, Brandon; Fan, Shuxin; Guo, Ying (20 de abril de 2018). "Tecnología multiómica de células individuales: metodología y aplicación". Frontiers in Cell and Developmental Biology . 6 : 28. doi : 10.3389/fcell.2018.00028 . ISSN  2296-634X. PMC 5919954 . PMID  29732369. 
  10. ^ Kester, Lennart Spanjaard, Bastiaan Bienko, Magda van Oudenaarden, Alexander Dey, Siddharth S (2015). "Secuenciación integrada del genoma y transcriptoma de una misma célula". Biotecnología de la Naturaleza . 33 (3): 285–289. doi :10.1038/nbt.3129. OCLC  931063996. PMC 4374170 . PMID  25599178. {{cite journal}}: CS1 maint: multiple names: authors list (link)
  11. ^ Macaulay, Iain C; Teng, Mabel J; Haerty, Wilfried; Kumar, Parveen; Ponting, Chris P; Voet, Thierry (29 de septiembre de 2016). "Separación y secuenciación paralela de los genomas y transcriptomas de células individuales utilizando G&T-seq". Nature Protocols . 11 (11): 2081–2103. doi :10.1038/nprot.2016.138. hdl : 20.500.11820/015ce29d-7e2d-42c8-82fa-cb1290b761c0 . ISSN  1754-2189. PMID  27685099. S2CID  24351548.
  12. ^ Tang, Fuchou; Wen, Lu; Li, Xianlong; Wu, Xinglong; Zhu, Ping; Guo, Hongshan (1 de diciembre de 2013). "Paisajes de metilomas unicelulares de células madre embrionarias de ratón y embriones tempranos analizados mediante secuenciación de bisulfito de representación reducida". Genome Research . 23 (12): 2126–2135. doi :10.1101/gr.161679.113. ISSN  1088-9051. PMC 3847781 . PMID  24179143. 
  13. ^ Kelsey, Gavin; Reik, Wolf; Stegle, Oliver; Andrews, Simon R.; Julian Peat; Saadeh, Heba; Krueger, Felix; Angermueller, Christof; Lee, Heather J. (agosto de 2014). "Secuenciación de bisulfito de todo el genoma de una sola célula para evaluar la heterogeneidad epigenética". Nature Methods . 11 (8): 817–820. doi :10.1038/nmeth.3035. ISSN  1548-7105. PMC 4117646 . PMID  25042786. 
  14. ^ Angermueller, Christof; Clark, Stephen J; Lee, Heather J; Macaulay, Iain C; Teng, Mabel J; Hu, Tim Xiaoming; Krueger, Felix; Smallwood, Sébastien A; Ponting, Chris P (11 de enero de 2016). "La secuenciación paralela de células individuales vincula la heterogeneidad transcripcional y epigenética". Nature Methods . 13 (3): 229–232. doi :10.1038/nmeth.3728. ISSN  1548-7091. PMC 4770512 . PMID  26752769. 
  15. ^ Greenleaf, William J.; Chang, Howard Y.; Snyder, Michael P.; Michael L. Gonzales; Ruff, Dave; Litzenburger, Ulrike M.; Wu, Beijing; Buenrostro, Jason D. (julio de 2015). "La accesibilidad de la cromatina unicelular revela principios de variación regulatoria". Nature . 523 (7561): 486–490. Bibcode :2015Natur.523..486B. doi :10.1038/nature14590. ISSN  1476-4687. PMC 4685948 . PMID  26083756. 
  16. ^ Fraser, Peter; Tanay, Amos; Laue, Ernest D.; Dean, Wendy; Yaffe, Eitan; Schoenfelder, Stefan; Stevens, Tim J.; Lubling, Yaniv; Nagano, Takashi (octubre de 2013). "Hi-C unicelular revela variabilidad de célula a célula en la estructura cromosómica". Nature . 502 (7469): 59–64. Bibcode :2013Natur.502...59N. doi :10.1038/nature12593. ISSN  1476-4687. PMC 3869051 . PMID  24067610. 
  17. ^ ab Darmanis, Spyros; Galante, Caroline Julie; Marinescu, Voichita Dana; Niklasson, Mia; Segerman, Anna; Flamourakis, Georgios; Fredriksson, Simón; Assarsson, Erika; Lundberg, Martín (12 de enero de 2016). "Medición multiplexada simultánea de ARN y proteínas en células individuales". Informes celulares . 14 (2): 380–389. doi :10.1016/j.celrep.2015.12.021. ISSN  2211-1247. PMC 4713867 . PMID  26748716. 
  18. ^ ab Gherardini, Pier Federico; Nolan, Garry P.; Chen, Shih-Yu; Hsieh, Elena WY; Zunder, Eli R.; Bava, Felice-Alessio; Frei, Andreas P. (marzo de 2016). "Detección simultánea altamente multiplexada de ARN y proteínas en células individuales". Nature Methods . 13 (3): 269–275. doi :10.1038/nmeth.3742. ISSN  1548-7105. PMC 4767631 . PMID  26808670. 
  19. ^ Assarsson, Erika; Lundberg, Martín; Holmquist, Göran; Björkesten, Johan; Bucht Thorsen, Stine; Ekman, Daniel; Eriksson, Anna; Rennel Dickens, Emma; Ohlsson, Sandra (22 de abril de 2014). "Inmunoensayo homogéneo de PEA de 96 plexos que muestra alta sensibilidad, especificidad y excelente escalabilidad". MÁS UNO . 9 (4): e95192. Código Bib : 2014PLoSO...995192A. doi : 10.1371/journal.pone.0095192 . ISSN  1932-6203. PMC 3995906 . PMID  24755770. 
  20. ^ Garmire, Lana X.; Chaudhary, Kumardeep; Huang, Sijia (2017). "Más es mejor: progreso reciente en métodos de integración de datos multiómicos". Frontiers in Genetics . 8 : 84. doi : 10.3389/fgene.2017.00084 . ISSN  1664-8021. PMC 5472696 . PMID  28670325. 
  21. ^ Tagkopoulos, Ilias; Kim, Minseung (2018). "Integración de datos y métodos de modelado predictivo para conjuntos de datos multiómicos". Molecular Omics . 14 (1): 8–25. doi :10.1039/C7MO00051K. PMID  29725673.
  22. ^ Lin, Eugene; Lane, Hsien-Yuan (20 de enero de 2017). "Aproximaciones de aprendizaje automático y genómica de sistemas para datos multiómicos". Biomarker Research . 5 (1): 2. doi : 10.1186/s40364-017-0082-y . ISSN  2050-7771. PMC 5251341 . PMID  28127429. 
  23. ^ ab Rohart, Florian; Gautier, Benoît; Singh, Amrit; Lê Cao, Kim-Anh (14 de febrero de 2017). "mixOmics: un paquete R para la selección de características 'ómicas y la integración de múltiples datos". PLOS Computational Biology . 13 (11): e1005752. Bibcode :2017PLSCB..13E5752R. bioRxiv 10.1101/108597 . doi : 10.1371/journal.pcbi.1005752 . PMC 5687754 . PMID  29099853.  
  24. ^ Tenenhaus, Arthur; Tenenhaus, Michel (17 de marzo de 2011). "Análisis de correlación canónica generalizada regularizada". Psychometrika . 76 (2): 257–284. doi :10.1007/s11336-011-9206-8. ISSN  0033-3123.
  25. ^ Tenenhaus, A.; Philippe, C.; Guillemot, V.; Le Cao, K.-A.; Grill, J.; Frouin, V. (17 de febrero de 2014). "Selección de variables para el análisis de correlación canónica generalizada". Bioestadística . 15 (3): 569–583. doi : 10.1093/biostatistics/kxu001 . ISSN  1465-4644. PMID  24550197.
  26. ^ Tenenhaus, Arthur; Philippe, Cathy; Frouin, Vincent (octubre de 2015). "Análisis de correlación canónica generalizada de kernel". Estadística computacional y análisis de datos . 90 : 114–131. doi :10.1016/j.csda.2015.04.004. ISSN  0167-9473.
  27. ^ Tenenhaus, Michel; Tenenhaus, Arthur; Groenen, Patrick JF (23 de mayo de 2017). "Análisis de correlación canónica generalizada regularizada: un marco para métodos de componentes secuenciales multibloque". Psychometrika . 82 (3): 737–777. doi :10.1007/s11336-017-9573-x. ISSN  0033-3123.
  28. ^ Hasin, Yehudit; Seldin, Marcus; Lusis, Aldons (5 de mayo de 2017). "Enfoques multiómicos para la enfermedad". Genome Biology . 18 (1): 83. doi : 10.1186/s13059-017-1215-1 . ISSN  1474-760X. PMC 5418815 . PMID  28476144. 
  29. ^ Khan, Mohd M.; Ernst, Orna; Manes, Nathan P.; Oyler, Benjamin L.; Fraser, Iain DC; Goodlett, David R.; Nita-Lazar, Aleksandra (11 de marzo de 2019). "Estrategias multiómicas que descubren interacciones entre huésped y patógeno". ACS Infectious Diseases . 5 (4): 493–505. doi :10.1021/acsinfecdis.9b00080. ISSN  2373-8227. PMID  30857388. S2CID  75137107.
  30. ^ Aderem, Alan; Adkins, Joshua N.; Ansong, Charles; Galagan, James; Kaiser, Shari; Korth, Marcus J.; Law, G. Lynn; McDermott, Jason G.; Proll, Sean C. (1 de febrero de 2011). "Un enfoque de biología de sistemas para la investigación de enfermedades infecciosas: innovación en el paradigma de investigación patógeno-huésped". mBio . 2 (1): e00325-10. doi :10.1128/mbio.00325-10. ISSN  2150-7511. PMC 3034460 . PMID  21285433. 
  31. ^ Mouchtouris, N; Smit, RD; Piper, K; Prashant, G; Evans, JJ; Karsy, M (4 de marzo de 2022). "Una revisión de las plataformas multiómicas en la patogénesis del adenoma hipofisario". Frontiers in Bioscience (Landmark Edition) . 27 (3): 77. doi : 10.31083/j.fbl2703077 . PMID:  35345309. S2CID  : 247560386.
  32. ^ Yan, Jingwen; Risacher, Shannon L; Shen, Li; Saykin, Andrew J. (30 de junio de 2017). "Enfoques de red para el análisis de enfermedades complejas en biología de sistemas: métodos integradores para datos multiómicos". Briefings in Bioinformatics . 19 (6): 1370–1381. doi :10.1093/bib/bbx066. ISSN  1467-5463. PMC 6454489 . PMID  28679163. 
  33. ^ He, Feng Q.; Ollert, Markus; Balling, Rudi; Bode, Sebastian FN; Delhalle, Sylvie (6 de febrero de 2018). "Una hoja de ruta hacia la inmunología personalizada". npj Systems Biology and Applications . 4 (1): 9. doi :10.1038/s41540-017-0045-9. ISSN  2056-7189. PMC 5802799 . PMID  29423275. 
  34. ^ Proctor, Lita M.; Creasy, Heather H.; Fettweis, Jennifer M.; Lloyd-Price, Jason; Mahurkar, Anup; Zhou, Wenyu; Buck, Gregory A.; Snyder, Michael P.; Strauss, Jerome F. (mayo de 2019). "El proyecto del microbioma humano integrador". Nature . 569 (7758): 641–648. Bibcode :2019Natur.569..641I. doi :10.1038/s41586-019-1238-8. ISSN  1476-4687. PMC 6784865 . PMID  31142853. 
  35. ^ "Después del Proyecto Microbioma Humano Integrativo, ¿qué sigue para la comunidad del microbioma?". Nature . 569 (7758): 599. 2019-05-29. Bibcode :2019Natur.569Q.599.. doi : 10.1038/d41586-019-01674-w . PMID  31142868. S2CID  169035865.
  36. ^ Snyder, Michael; Weinstock, George M.; Sodergren, Erica; McLaughlin, Tracey; Tse, David; Rost, Hannes; Piening, Brian; Kukurba, Kim; Rose, Sophia Miryam Schüssler-Fiorenza (mayo de 2019). "Multiómica longitudinal de la dinámica huésped-microbio en la prediabetes". Nature . 569 (7758): 663–671. Bibcode :2019Natur.569..663Z. doi :10.1038/s41586-019-1236-x. ISSN  1476-4687. PMC 6666404 . PMID  31142858. 
  37. ^ Huttenhower, Curtis; Xavier, Ramnik J.; Vlamakis, Hera; Franzosa, Eric A.; Clish, Clary B.; Winter, Harland S.; Stappenbeck, Thaddeus S.; Petrosino, Joseph F.; McGovern, Dermot PB (mayo de 2019). "Multiómica del ecosistema microbiano intestinal en enfermedades inflamatorias del intestino". Nature . 569 (7758): 655–662. Bibcode :2019Natur.569..655L. doi :10.1038/s41586-019-1237-9. ISSN  1476-4687. PMC 6650278 . PMID  31142855. 
  38. ^ Buck, Gregory A.; Strauss, Jerome F.; Jefferson, Kimberly K.; Hendricks-Muñoz, Karen D.; Wijesooriya, N. Romesh; Rubens, Craig E.; Gravett, Michael G.; Sexton, Amber L.; Chaffin, Donald O. (junio de 2019). "El microbioma vaginal y el parto prematuro". Nature Medicine . 25 (6): 1012–1021. doi :10.1038/s41591-019-0450-2. ISSN  1546-170X. PMC 6750801 . PMID  31142849. 
  39. ^ Kidd, Brian A; Peters, Lauren A; Schadt, Eric E; Dudley, Joel T (21 de enero de 2014). "Unificación de la inmunología con la informática y la biología multiescala". Nature Immunology . 15 (2): 118–127. doi :10.1038/ni.2787. ISSN  1529-2908. PMC 4345400 . PMID  24448569. 
  40. ^ Harris, Eva; Kasarskis, Andrés; Wolinsky, Steven M.; Suárez-Fariñas, Mayte; Zhu, junio; Wang, Li; Balmaseda, Ángel; Thomas, Guajira P.; Stewart, Michael G. (1 de agosto de 2018). "Perfil inmunológico innato completo de la infección por el virus chikungunya en casos pediátricos". Biología de sistemas moleculares . 14 (8): e7862. doi : 10.15252/msb.20177862. ISSN  1744-4292. PMC 6110311 . PMID  30150281. 
  41. ^ Firestein, Gary S.; Wang, Wei; Gay, Steffen; Ball, Scott T.; Bartok, Beatrix; Boyle, David L.; Whitaker, John W. (22 de abril de 2015). "El análisis ómico integrativo de la artritis reumatoide identifica objetivos terapéuticos no obvios". PLOS ONE . ​​10 (4): e0124254. Bibcode :2015PLoSO..1024254W. doi : 10.1371/journal.pone.0124254 . ISSN  1932-6203. PMC 4406750 . PMID  25901943. 
  42. ^ Pulendran, Bali; Li, Shuzhao; Nakaya, Helder I. (29 de octubre de 2010). "Vacunología de sistemas". Inmunidad . 33 (4): 516–529. doi :10.1016/j.immuni.2010.10.006. ISSN  1074-7613. PMC 3001343 . PMID  21029962. 
  43. ^ Li, Shuzhao; Sullivan, Nicole L.; Rouphael, Nadine; Yu, Tianwei; Banton, Sophia; Maddur, Mohan S.; McCausland, Megan; Chiu, Christopher; Canniff, Jennifer (18 de mayo de 2017). "Fenotipos metabólicos de la respuesta a la vacunación en humanos". Cell . 169 (5): 862–877.e17. doi :10.1016/j.cell.2017.04.026. ISSN  0092-8674. PMC 5711477 . PMID  28502771. 
  44. ^ Meng, Chen; Kuster, Bernhard; Culhane, Aedín C; Gholami, Amin (2014). "Un enfoque multivariado para la integración de conjuntos de datos multiómicos". BMC Bioinformatics . 15 (1): 162. doi : 10.1186/1471-2105-15-162 . ISSN  1471-2105. PMC 4053266 . PMID  24884486. 
  45. ^ Ramos, Marcel; Schiffer, Lucas; Re, Angela; Azhar, Rimsha; Basunia, Azfar; Rodriguez, Carmen; Chan, Tiffany; Chapman, Phil; Davis, Sean R.; Gomez-Cabrero, David; Culhane, Aedin C.; Haibe-Kains, Benjamin; Hansen, Kasper D.; Kodali, Hanish; Louis, Marie S.; Mer, Arvind S.; Riester, Markus; Morgan, Martin; Carey, Vince; Waldron, Levi (1 de noviembre de 2017). "Software para la integración de experimentos multiómicos en bioconductores". Investigación sobre el cáncer . 77 (21): e39–e42. doi :10.1158/0008-5472.CAN-17-0344. PMC 5679241 . PMID  29092936. 
  46. ^ Seonggyun Han, Younghee Lee (2017), IMAS, Bioconductor, doi :10.18129/b9.bioc.imas , consultado el 28 de junio de 2019
  47. ^ Karim Mezhoud [Aut, Cre] (2017), bioCancer, Bioconductor, doi :10.18129/b9.bioc.biocancer , consultado el 28 de junio de 2019
  48. ^ Hernandez-Ferrer, Carles; Ruiz-Arenas, Carlos; Beltran-Gomila, Alba; González, Juan R. (17 de enero de 2017). "MultiDataSet: un paquete R para encapsular múltiples conjuntos de datos con aplicación a la integración de datos ómicos". BMC Bioinformatics . 18 (1): 36. doi : 10.1186/s12859-016-1455-1 . ISSN  1471-2105. PMC 5240259 . PMID  28095799. 
  49. ^ "Aproveche las ventajas de un motor de conocimiento biológico". omicX . Consultado el 26 de junio de 2019 .
  50. ^ Conesa, Ana; Dopazo, Joaquín; García-López, Federico; García-Alcalde, Fernando (2011-01-01). "Paintomics: una herramienta web para la visualización conjunta de datos transcriptómicos y metabolómicos". Bioinformática . 27 (1): 137–139. doi :10.1093/bioinformatics/btq594. ISSN  1367-4803. PMC 3008637 . PMID  21098431. 
  51. ^ Conesa, Ana; Pappas, Georgios J.; Furió-Tarí, Pedro; Balzano-Nogueira, Leandro; Martínez-Mira, Carlos; Tarazona, Sonia; Hernández-de-Diego, Rafael (2018-07-02). "PaintOmics 3: un recurso web para el análisis de rutas y visualización de datos multiómicos". Investigación de ácidos nucleicos . 46 (W1): W503–W509. doi : 10.1093/nar/gky466. ISSN  0305-1048. PMC 6030972 . PMID  29800320. 
  52. ^ Chari, Raj; Coe, Bradley P.; Wedseltoft, Craig; Benetti, Marie; Wilson, Ian M.; Vucic, Emily A.; MacAulay, Calum; Ng, Raymond T.; Lam, Wan L. (7 de octubre de 2008). "SIGMA2: Un sistema para el análisis genómico multidimensional integrador de genomas, epigenomas y transcriptomas del cáncer". BMC Bioinformatics . 9 (1): 422. doi : 10.1186/1471-2105-9-422 . ISSN  1471-2105. PMC 2571113 . PMID  18840289. 
  53. ^ Choi, Hyungwon; Ewing, Rob; Choi, Kwok Pui; Fermin, Damian; Koh, Hiromi WL (23 de julio de 2018). "iOmicsPASS: un nuevo método para la integración de datos multiómicos sobre redes biológicas y el descubrimiento de subredes predictivas". bioRxiv : 374520. doi :10.1101/374520. S2CID  92157115.
  54. ^ Kanai, Masahiro; Maeda, Yuichi; Okada, Yukinori (19 de junio de 2018). "Grimon: interfaz gráfica para visualizar redes multiómicas". Bioinformática . 34 (22): 3934–3936. doi :10.1093/bioinformatics/bty488. ISSN  1367-4803. PMC 6223372 . PMID  29931190. 
  55. ^ Su, Andrew I.; Loguercio, Salvatore; Carland, Tristan M.; Ducom, Jean-Christophe; Gioia, Louis; Meißner, Tobias; Fisch, Kathleen M. (1 de junio de 2015). "Omics Pipe: un marco basado en la comunidad para el análisis de datos multiómicos reproducibles". Bioinformática . 31 (11): 1724–1728. doi :10.1093/bioinformatics/btv061. ISSN  1367-4803. PMC 4443682 . PMID  25637560. 
  56. ^ Montague, Elizabeth; Stanberry, Larissa; Higdon, Roger; Janko, Imre; Lee, Elaine; Anderson, Nathaniel; Choiniere, John; Stewart, Elizabeth; Yandl, Gregory (junio de 2014). "MOPED 2.5: un recurso multiómico integrado: la base de datos de expresión de perfiles multiómicos ahora incluye datos transcriptómicos". OMICS: una revista de biología integrativa . 18 (6): 335–343. doi :10.1089/omi.2014.0061. ISSN  1536-2310. PMC 4048574 . PMID  24910945. 
  57. ^ Zhang, Bing; Wang, Jing; Straub, Peter; Vasaikar, Suhas V. (4 de enero de 2018). "LinkedOmics: análisis de datos multiómicos dentro y entre 32 tipos de cáncer". Investigación de ácidos nucleicos . 46 (D1): D956–D963. doi :10.1093/nar/gkx1090. ISSN  0305-1048. PMC 5753188 . PMID  29136207. 
  58. ^ "LinkedOmics :: Iniciar sesión". www.linkedomics.org . Consultado el 26 de junio de 2019 .
  59. ^ Kan, Zhengyan; Rejto, Paul A.; Roberts, Peter; Ding, Ying; AChing, Keith; Wang, Kai; Deng, Shibing; Schefzick, Sabine; Estrella, Heather (enero de 2016). "OASIS: plataforma basada en la web para explorar datos multiómicos del cáncer". Nature Methods . 13 (1): 9–10. doi :10.1038/nmeth.3692. ISSN  1548-7105. PMID  26716558. S2CID  38621277.
  60. ^ Wu, Jiaqi; Hu, Shuofeng; Chen, Yaowen; Li, Zongcheng; Zhang, Jian; Yuan, Hanyu; Shi, Qiang; Shao, Ningsheng; Ying, Xiaomin (mayo de 2017). "BCIP: una plataforma centrada en genes para identificar posibles genes reguladores en el cáncer de mama". Informes científicos . 7 (1): 45235. Código bibliográfico : 2017NatSR...745235W. doi :10.1038/srep45235. ISSN  2045-2322. PMC 5361122 . PMID  28327601. 
  61. ^ Husi, Holger; Patel, Alisha; Fernandes, Marco (12 de noviembre de 2018). "C/VDdb: una base de datos de perfiles de expresión multiómica para un enfoque basado en el conocimiento en enfermedades cardiovasculares (ECV)". PLOS ONE . ​​13 (11): e0207371. Bibcode :2018PLoSO..1307371F. doi : 10.1371/journal.pone.0207371 . ISSN  1932-6203. PMC 6231654 . PMID  30419069. 
  62. ^ Gupta, Amit Kumar; Kaur, Karambir; Rajput, Akanksha; Dhanda, Sandeep Kumar; Sehgal, Manika; Khan, Md. Shoaib; Monga, Isha; Dar, Showkat Ahmad; Singh, Sandeep (16 de septiembre de 2016). "ZikaVR: un recurso integrado sobre el virus del Zika para análisis genómico, proteómico, filogenético y terapéutico". Scientific Reports . 6 (1): 32713. Bibcode :2016NatSR...632713G. doi :10.1038/srep32713. ISSN  2045-2322. PMC 5025660 . PMID  27633273. 
  63. ^ Tagkopoulos, Ilias; Violeta Zorraquino; Rai, Navneet; Kim, Minseung (7 de octubre de 2016). "La integración multiómica predice con precisión el estado celular en condiciones inexploradas para Escherichia coli". Nature Communications . 7 : 13090. Bibcode :2016NatCo...713090K. doi :10.1038/ncomms13090. ISSN  2041-1723. PMC 5059772 . PMID  27713404. 
  64. ^ Li, Guojing; Lu, Zhongfu; Lin, Jiandong; Hu, Yaowen; Yunping Huang; Wang, Baogen; Wu, Xinyi; Wu, Xiaohua; Xu, Pei (26 de febrero de 2018). "GourdBase: una base de datos multiómica centrada en el genoma para la calabaza (Lagenaria siceraria), un cultivo de cucurbitáceas económicamente importante". Scientific Reports . 8 (1): 3604. Bibcode :2018NatSR...8.3604W. doi :10.1038/s41598-018-22007-3. ISSN  2045-2322. PMC 5827520 . PMID  29483591. 
  65. ^ Liu, Haijun; Wang, Fan; Xiao, Yingjie; Tian, ​​Zonglin; Wen, Weiwei; Zhang, Xuehai; Chen, Xi; Liu, Nannan; Li, Wenqiang (2016). "MODEM: minería y envolvente de datos multiómicos en maíz". Base de datos . 2016 : baw117. doi : 10.1093/base de datos/baw117. ISSN  1758-0463. PMC 4976297 . PMID  27504011. 
  66. ^ Xu, Dong; Nguyen, Henry T.; Stacey, Gary; Gaudiello, Eric C.; Endacott, Ryan Z.; Zhang, Hongxin; Liu, Yang; Chen, Shiyuan; Fitzpatrick, Michael R. (1 de enero de 2014). "Base de conocimiento de la soja (SoyKB): un recurso web para la integración de la genómica traslacional de la soja y el mejoramiento molecular". Investigación de ácidos nucleicos . 42 (D1): D1245–D1252. doi :10.1093/nar/gkt905. ISSN  0305-1048. PMC 3965117 . PMID  24136998. 
  67. ^ Samaras, Patroklos; Schmidt, Tobias; Frejno, Martin; Gessulat, Siegfried; Reinecke, Maria; Jarzab, Anna; Zecha, Jana; Mergner, Julia; Giansanti, Piero; Ehrlich, Hans-Christian; Aiche, Stephan (8 de enero de 2020). "ProteomicsDB: un recurso multiómico y multiorganismo para la investigación en ciencias de la vida". Investigación de ácidos nucleicos . 48 (D1): D1153–D1163. doi :10.1093/nar/gkz974. ISSN  0305-1048. PMC 7145565 . PMID  31665479.