Metabolomics analysis strategy

Come spiegato nel nostro precedente post sulla strategia di analisi metabolomica, La metabolomica può essere applicata a diverse applicazioni (scoperta di biomarcatori, studi sulla composizione degli alimenti, ecc.). Tuttavia, è in realtà difficile ottenere risultati standardizzati da laboratorio.
A nostro avviso, dovrebbe essere proposta una strategia di stabilità per aumentare la standardizzazione e la qualità dell’approccio metabolomico. La pipeline mostrata in Figura 1 può portare a ottenere le informazioni richieste in condizioni standardizzate e stabili.

Figura 1 Strategia per l’elaborazione dei dati metabolomici.

Quindi una strategia metabolomica ad alta efficienza può essere strutturata come segue:

A) I passaggi 1-3 sono completamente automatizzati e sono relativi all’acquisizione, all’estrazione e alla normalizzazione dei dati. Idealmente, questi passaggi non dovrebbero dipendere dall’operatore. Questo fatto rende possibile ottenere un formato di dati standardizzato e riproducibile che contenga sia informazioni qualitative che quantitative di informazioni sul profilo molecolare.

B) I passaggi 4-5 dipendono dall’utente. Infatti ogni utente può ordinare le informazioni, applicare query su di esse in base alle esigenze.

Diversi gruppi hanno cercato di produrre approcci che rendano possibile estrarre informazioni dai dati metabolomici ma in realtà non è presente un punto di riferimento definito. Alcuni strumenti promettenti sono stati proposti per l’elaborazione dei dati metabolomici come metlin o mzMINE. Tuttavia, è necessaria una piattaforma più completa per estrarre dati stabili e riproducibili da analizzare.

Riguardo ai passaggi personalizzati dall’utente (4 e 5), essi portano a produrre app personalizzate per risolvere le esigenze dei clienti(es.: app per la medicina personalizzata).
Riteniamo che nel prossimo futuro una forte evoluzione della metabolomica seguirà la strategia descritta per produrre una piattaforma di riferimento completa.

Medicina personalizzata e di precisione

I termini medicina personalizzata e di precisione sono abbastanza simili. Tuttavia, esiste una differenza tra loro ed è consistente:

1) la medicina personalizzata è focalizzata sulla malattia specifica e unica del paziente.
2) la medicina di precisione è nata per trovare l’approccio migliore per il trattamento brevettuale basato sulla tendenza del know how.

La definizione estesa si può trovare a questo link.

A nostro avviso entrambi gli approcci sono utili e applicabili in diverse situazioni.
Come spiegato nel nostro precedente post sulla strategia di analisi metabolomica, i primi passi dell’analisi dei dati sono legati all’estrazione di informazioni standardizzate e le successive sono utili per studiare la patologia e definire il trattamento. È a questo ultimo livello che dovrebbe essere deciso l’approccio alla medicina personalizzata o di precisione.

Promettente approccio proteomico ad alta produttività

La proteomica è cresciuta rapidamente negli anni precedenti grazie all’avvento delle tecniche di spettrometria di massa. Le applicazioni di proteomica coprono i settori clinico, farmaceutico, cosmetico, alimentare e altri settori industriali. Alcuni esempi di applicazione sono:

1) Ricerca di biomarcatori differenzialmente espressi per uso clinico.

2) Caratterizzazione dell’anticorpo utilizzato in chemioterapia.

3) Valutazione della composizione specifica delle proteine ​​dei prodotti alimentari per definire l’attività biologica benefica

4) Stessa analisi del punto 3) applicata in campo cosmetico.

La necessità di aumentare il rendimento analitico è piuttosto elevata, principalmente a causa della crescente richiesta del mercato. MALDI-TOF-MS rappresentano una buona tecnologia per questo scopo. Può analizzare più di un campione al minuto. Tuttavia, la mancanza è correlata alla scarsa qualità dell’analisi quantitativa. LC-MS rappresenta un’alternativa che combina buone prestazioni qualitative e quantitative. Tuttavia, in questo caso il rendimento diminuisce a causa dei tempi del passaggio cromatografico.
Noi crediamo che la Ion Mobility Mass Spectrometric technology rappresenti una potenziale soluzione per analisi qualitative e quantitative di proteomica ad alto rendimento.In effetti, consente di ottenere valori elevati in tutto (in alcuni casi più di un campione al minuto). La pipeline analitica è mostrata in figura 1

Figura 1:

Fondamentalmente


– Step 1:
l’estrazione di proteine ​​selettive e automatizzabili dovrebbe essere utilizzata per mezzo di kit standardizzati in modo da ridurre la variabilità di estrazione e gli effetti della matrice di origine.

– Step 2: Per analizzare il campione è possibile utilizzare un approccio qualitativo e quantitativo spettrometrico di massa per la mobilità ionica. Alcune interessanti tecnologie di mobilità ionica per uso industriale sono FAIMS e CIMS. Il primo è adatto per analizzare specifiche molecole per analisi, mentre il secondo è particolarmente adatto per analizzare una classe di molecole per analisi sulla base della selezione dell’intervallo di peso molecolare.

– Step 3: Uno strumento di elaborazione automatica dei dati dovrebbe essere utilizzato per elaborare un ampio numero di campioni.

In realtà diverse applicazioni di proteomica per la pipeline proposta sono in fase di sviluppo e saranno presentate al mercato nei prossimi mesi. Vi terremo aggiornati.

Medicina personalizzata: una raccolta di revisioni recenti

 

Qui presentiamo alcune interessanti revisioni recenti pubblicate nel campo della medicina personalizzata attraverso l’approccio di proteomica e metabolomica. I documenti sono tutti open source e scaricabili direttamente dai links allegati:

 

Accelerator grant

Il programma farmaceutico Zambon propone un programma per aiutare il nuovo inizio alla crescita. È una buona opportunità per aprire una startup nel campo delle biotecnologie. L’idea è completamente realizzata in Italia ed è aperta a proposte di progetto provenienti da tutto il mondo. Le aree finanziate sono:

  • Sistemi di somministrazione di farmaci.
  • Prototipazione open source: dispositivo medico, diagnostica biomarker.
  • Indossabili e salute digitale.
  • Big data.

La chiamata è appena chiusa per il 2017. Tuttavia, dai un’occhiata al 2018. È possibile che venga proposta nuovamente. Maggiori dettagli possono essere trovati al seguente link.

Machine learning e medicina


Molti gruppi propongono l’apprendimento automatico per risolvere i problemi di diagnosi clinica. Tuttavia, l’obiettivo di ottenere un sistema di elaborazione dei dati semplice e accurato è abbastanza lontano. Ci sono diversi motivi per questo:

  • I protocolli standardizzati dovrebbero essere compilati in modo da raccogliere dati riproducibili. In realtà questi protocolli non sono presenti e i laboratori operano con approcci diversi.
  • Il modello biologico è piuttosto complesso. Applicare l’apprendimento automatico per classificare correttamente una malattia non è così facile da discriminare la presenza di un minerale estratto dai terreni. L’uomo esibisce un equilibrio biochimico complesso ei dati da elaborare devono essere attentamente acquisiti e selezionati per ottenere la diagnosi corretta.
  • Le informazioni corrette dovrebbero essere inserite nel database di machine learning per aumentarne il potere discriminatorio. Non è sufficiente fornire dati di strumenti analitici e basare tutti su un tipo di segnale strumentale. Anche i dati dell’anamnesi dei pazienti come età, stile di vita ecc. Possono aggiungere specificità e selettività all’elaborazione dei dati. Questi dati dovrebbero essere raccolti da un gruppo certificato in modo da evitare errori durante il processo di inserimento dei dati del database.

Il machine learning è sicuramente una buona opportunità per aiutare la clinica a fare diagnosi e trovare la terapia, ma le attività successive sono previste in futuro per aumentarne l’applicabilità:

  • Definire il tipo di dati da raccogliere.
  • Definire protocolli standard per la raccolta dei dati.
  • Ottimizzare l’algoritmo del machine learning sui modelli biologici complessi.
  • Convalidare la tecnologia del machine learning mediante studi interlaboratorio presso istituti certificati. Le prestazioni diagnostiche dovrebbero essere espresse chiaramente in termini di selettività, specificità e sensibilità.

Seguiremo lo sviluppo di questo interessante settore e ci terremo in aggiornamento per condividere le notizie.

Algoritmi consolidati per la scoperta di biomarker

Qui riportiamo tre algoritmi ampiamente utilizzati e consolidati per la scoperta di biomarcatori. I dati devono essere acquisiti mediante spettrometria di massa in cromatografia liquida. Sono tutti open source e possono essere liberamente scaricati e utilizzati:

  • mzmine sulla piattaforma Java. L’estrazione dei dati può essere fortemente personalizzata.
  • XCMS sulla piattaforma R. Estrae solo dati ad alta frequenza con un buon profilo cromatografico.
  • apLCMS sulla piattaforma R. Estrae tutti i segnali, anche quelli a bassa intensità.