La multiomique est une discipline de la biotechnologie alliant les dernières avancées et analyses des champs de recherche de la génomique, de la métabolomique, de la transcriptomique et de la protéomique. Elle est parfois aussi appelée: omique intégrative, panomique ou pan-omique.
Le terme peut être décrit comme une approche d'analyse biologique dans laquelle les ensembles de données sont des « omes » multiples, tels que le génome, le protéome, le transcriptome, l'épigénome, le métabolome et le microbiome (c'est-à-dire un métagénome et/ou un métatranscriptome, selon la manière dont il est séquencé) en d'autres termes, l'utilisation de multiples technologies omiques pour étudier la vie de manière croisée.
En combinant ces omiques, on peut analyser des mégadonnées biologiques pour trouver de nouvelles associations entre des entités biologiques, ou encore repérer des biomarqueurs pertinents et construire des marqueurs physiologiques. Ce faisant, la multiomique intègre diverses données omiques pour trouver une relation ou une association « géno-phéno-envirotype » cohérente.
Historique vignette |Nombre de publications en rapport avec la multiomique, sur Pubmed (2004-2018). La publication de la structure de l'ADN par Francis Crick et James Watson le marqua un tournant dans l'étude de la génomique https://www.jeanmann.com/a3999541.html. Elle peut être vue comme le point de départ historique du développement d'études transversales et croisées dans le futur domaine de la biotechnologie. Ces avancées amèneront la création de la multiomique comme discipline, à la fin du .
La lecture et l'étude du transcriptome, à partir des années 1980, permet progressivement d’identifier et de quantifier les produits de l’expression des gènes d’une cellule ou d’un tissu dans un environnement donné ; c'est le début d'une vision « méta » des effets de l'expression génétique dans l'organisme humain (ex: la phénotypologie).
Une évolution nette du nombre de publications incluant la multiomique apparaît à la fin des années 2000 (cf. graphique Pubmed ci-contre) ; ce nombre passant de zéro en 2000 à plus de 400 par an en 2018 ; ce chiffre croissait alors de manière exponentielle.
Multiomique unicellulaire Une branche de la multiomique s'intéresse à l'analyse des données « multiniveau » d'une cellule unique, appelée « multiomique unicellulaire Han, Jing-Dong Jackie (2018). Faculty of 1000 evaluation for Single-Cell Multiomics: Multiple Measurements from Single Cells. doi:10.3410/f.727213649.793550351 ». Cette approche nous donne une résolution sans précédent dans l'examen des transitions au niveau unicellulaire, applicable notamment (mais pas exclusivement) dans tous les domaines médicaux. Un avantage par rapport à l'analyse en masse est d'atténuer les facteurs de confusion, provenant de la variation d'une cellule à l'autre, ce qui permet de découvrir des architectures tissulaires hétérogènes.
Ces méthodes parallèles d'analyse génomique et transcriptomique à l'échelle unicellulaire peuvent être basées sur « l'amplification simultanée » Kester, Lennart Spanjaard, Bastiaan Bienko, Magda van Oudenaarden, Alexander Dey, Siddharth S (2015). Integrated genome and transcriptome sequencing of the same cell. Nature Biotechnology. 33 (3): 285–289. . . . . ou la séparation physique de l'ARN et de l'ADN génomique. Elles permettent d'obtenir des informations qui ne peuvent être obtenues uniquement à partir de l'analyse transcriptomique, car les données ARN ne contiennent pas de régions génomiques non codantes ni d'informations concernant la variation du nombre de copies, par exemple. Une extension de cette méthodologie est l'intégration des transcriptomes unicellulaires aux méthylomes unicellulaires, en combinant le séquençage au bisulfite à l'ARN-Seq unicellulaire 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 (2016-01-11).Parallel single-cell sequencing links transcriptional and epigenetic heterogeneity. Nature Methods. 13 (3): 229–232. . . . . Il existe également d'autres techniques pour interroger l'épigénome, comme l'« ATAC-Seq unicellulaire » Greenleaf, William J.; Chang, Howard Y.; Snyder, Michael P.; Michael L. Gonzales; Ruff, Dave; Litzenburger, Ulrike M.; Wu, Beijing; Buenrostro, Jason D. (2015). Single-cell chromatin accessibility reveals principles of regulatory variation. Nature. 523 (7561): 486–490. et le « Hi-C unicellulaire ».
Un défi différent, mais connexe, est l'interaction des données protéomiques et transcriptomiques https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4713867/. Cette approche consiste à séparer physiquement les lysats de cellules uniques en deux, en traitant la moitié pour l'ARN et l'autre moitié pour les protéines. La teneur en protéines des lysats peut être mesurée par des « essais d'extension de proximité » (en anglais: « PEA ») Assarsson, Erika; Lundberg, Martin; Holmquist, Göran; Björkesten, Johan; Bucht Thorsen, Stine; Ekman, Daniel; Eriksson, Anna; Rennel Dickens, Emma; Ohlsson, Sandra (2014). Homogenous 96-Plex PEA Immunoassay Exhibiting High Sensitivity, Specificity, and Excellent Scalability. PLOS ONE., par exemple, qui utilisent des anticorps codés par l'ADN. Une autre approche utilise une combinaison de sondes ARN à métaux lourds et d'anticorps protéiques pour adapter la cytométrie de masse à une analyse multiomique.
Multiomique et apprentissage automatique Parallèlement aux progrès de la « biologie à haut débit » – utilisant notamment les mégadonnées, les applications de l'apprentissage automatique aux besoins de l'analyse de données biomédicales sont toujours en plein essor. L'intégration de l'analyse de données multiomiques et de l'apprentissage automatique conduisit à la découverte de nouveaux biomarqueurs. Par exemple, l'une des méthodes du projet mixOmics met en œuvre un procédé basé sur la régression des moindres carrés partiels pour la sélection de caractéristiques (on appelle alors celles-ci des « biomarqueurs putatifs »). Un cadre statistique unifié pour l'intégration de données hétérogènes intitulé "Regularized Generalized Canonical Correlation Analysis" (RGCCA) permet de réaliser ces analyses intégratives pour l'identification de biomarqueurs putatifs. RGCCA est disponible au travers du package R RGCCA.
Dans la santé La multiomique promet actuellement de combler des lacunes dans la compréhension de la santé et des maladies humaines. De nombreux chercheurs travaillent sur des moyens de générer et d'analyser des données multiomiques liées aux maladies Hasin, Yehudit; Seldin, Marcus; Lusis, Aldons (2017). Multi-omics approaches to disease. Genome Biology..
Les applications vont de la compréhension des interactions hôte-pathogène et des maladies infectieuses Aderem, Alan; Adkins, Joshua N.; Ansong, Charles; Galagan, James; Kaiser, Shari; Korth, Marcus J.; Law, G. Lynn; McDermott, Jason G.; Proll, Sean C. (2011). A Systems Biology Approach to Infectious Disease Research: Innovating the Pathogen-Host Research Paradigm. mBio. à une meilleure compréhension des maladies chroniques et complexes non transmissibles et à l'amélioration de la médecine personnalisée He, Feng Q.; Ollert, Markus; Balling, Rudi; Bode, Sebastian F. N.; Delhalle, Sylvie (2018). A roadmap towards personalized immunology. NPJ Systems Biology and Applications..
Projet microbiote humain Le Projet microbiote humain utilise largement les techniques de la multiomique décrits ci-dessus. La deuxième phase du projet (170 000 000$) est axée sur l'intégration des données des patients à différents ensembles de données omiques, en tenant compte de la génétique de l'hôte, des informations cliniques et de la composition du microbiome 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. (2019). The Integrative Human Microbiome Project. Nature..
La phase 1 était axée sur la caractérisation des communautés cellulaires dans différents sites corporels. La phase 2 se concentre sur l'intégration des données multiomiques de l'hôte et du microbiome aux maladies humaines. Plus précisément, le projet utilise la multiomique pour améliorer la compréhension de l'interaction entre les microbiomes intestinaux et nasaux et le diabète de type 2 Snyder, Michael; Weinstock, George M.; Sodergren, Erica; McLaughlin, Tracey; Tse, David; Rost, Hannes; Piening, Brian; Kukurba, Kim; Rose, Sophia Miryam Schüssler-Fiorenza (May 2019). Longitudinal multi-omics of host–microbe dynamics in prediabetes. Nature.; les microbiomes intestinaux et les maladies inflammatoires de l'intestin; et les microbiomes vaginaux et la naissance prématurée 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. (June 2019). The vaginal microbiome and preterm birth. Nature Medicine..
Immunologie La complexité des interactions dans le système immunitaire humain entraine la production d'une multitude de données omiques multi-échelles liées à l'immunologie Kidd, Brian A; Peters, Lauren A; Schadt, Eric E; Dudley, Joel T (2014). Unifying immunology with informatics and multiscale biology. Nature Immunology.. L'analyse de données multi-omiques est déjà utilisée pour recueillir de nouvelles informations sur une réponse immunitaire aux maladies infectieuses (comme le chikungunya pédiatrique) ainsi qu'à des maladies auto-immunes non transmissibles. Par exemple, la multiomique fut centrale dans la découverte de l'association entre les changements des métabolites du plasma et le transcriptome du système immunitaire et la réponse à la vaccination contre le zona.
Liste de logiciels pour l'analyse multi-omique thumb|Bioconductor, logiciel libre de bioinformatique. Le projet Bioconductor regroupe une variété de paquets R (un ensemble exprimable de lignes de code) visant à intégrer des données omiques : omicade4, pour l'analyse de co-inertie multiple d'ensembles de données multi omiques https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4053266/ MultiAssayExperiment, qui offre une interface Bioconductor pour les échantillons superposés Ramos, Marcel; Schiffer, Lucas; Re, Angela; Azhar, Rimsha; Basunia, Azfar; Rodriguez Cabrera, Carmen; Chan, Tiffany; Chapman, Philip; Davis, Sean (2017). Software For The Integration Of Multi-Omics Experiments In Bioconductor. Sur biorxiv.org.. IMAS, un paquetage axé sur l'utilisation de données multi omiques pour l'évaluation de l'épissage alternatif https://bioconductor.org/packages/release/bioc/html/IMAS.html bioCancer, un paquetage pour la visualisation de données multiomiques sur le cancer Karim Mezhoud (2017), bioCancer, Bioconductor mixOmics, une suite de méthodes multivariées pour l'intégration de données Rohart, Florian; Gautier, Benoît; Singh, Amrit; Lê Cao, Kim-Anh (2017). mixOmics: an R package for 'omics feature selection and multiple data integration. PLOS Computational Biology. MultiDataSet, un paquetage pour l'encapsulation de plusieurs ensembles de données Hernandez-Ferrer, Carles; Ruiz-Arenas, Carlos; Beltran-Gomila, Alba; González, Juan R. (2017). MultiDataSet: an R package for encapsulating multiple data sets with application to omic data integration. BMC Bioinformatics.. Le package RGCCA implémente un cadre statistique flexible pour l'intégration de données hétérogènes. Le package RGCCA est disponible sur le CRAN.
D'autres outils existent : PaintOmics, une ressource Web pour la visualisation d'ensembles de données multi-omiques http://www.paintomics.org/.