PLATE-FORME BIOINFORMATIQUE INTÉGRÉE

Analyse en composantes principales (ACP)

L'ACP donne un premier aperçu des principales relations dans les données et permet d'observer des profils métabolomiques fortement corrélés, ce qui peut aider à formuler des hypothèses et à planifier une analyse plus détaillée.

Vue d'ensemble de l'APC

L'analyse en composantes principales (ACP) est un outil précieux pour l'exploration et l'interprétation d'ensembles de données métabolomiques complexes, facilitant l'identification de marqueurs biologiquement pertinents et la compréhension des mécanismes métaboliques. Cet outil intuitif vous permet d'étudier et de visualiser facilement des données pour répondre à des questions de recherche fondamentale et peut servir de point de départ aux chercheurs. L'outil PCA offre des fonctions personnalisables pour répondre à vos besoins et vous permet d'être autonome dans l'étude des données en fonction de vos objectifs de recherche.

L'analyse en composantes principales est une technique de transformation linéaire populaire et utile utilisée dans de nombreuses applications, notamment l'analyse de l'expression génétique et les études métabolomiques. En métabolomique, où les ensembles de données sont souvent complexes et de haute dimension, l'ACP est un outil précieux pour la réduction de la dimensionnalité et la visualisation des données. En réduisant les données à leurs composantes principales, l'ACP permet de simplifier l'ensemble des données tout en conservant les informations importantes, ce qui facilite le traitement et l'analyse des données par les algorithmes d'apprentissage automatique.

L'un des principaux avantages de l'analyse ACP est sa nature non supervisée, qui la rend plus directe en termes de paramétrage. Par non-supervisée, on entend ici que l'ACP ne nécessite pas de données étiquetées. Cela signifie que l'algorithme est relativement simple, de sorte qu'il peut être calculé sur la plateforme au départ et que votre paramètre clé est le nombre de composantes, directement lié à la part de variance que vous souhaitez conserver dans les données réduites.

L'ACP est souvent utilisée comme étape préliminaire dans l'analyse des données et le prétraitement pour d'autres tâches d'apprentissage automatique et permet la visualisation de données à haute dimension. Bien que l'ACP elle-même ait peu de paramètres, les étapes de prétraitement des données telles que la normalisation et la mise à l'échelle peuvent avoir un impact significatif sur ses performances et l'interprétation des résultats. C'est là que la plateforme de Metabolona une grande valeur car nous avons des experts qui ont de nombreuses années d'expérience dans l'application de méthodes statistiques pour s'assurer que les données d'entrée d'un algorithme comme l'ACP sont cohérentes.

L'ACP au sein de la plateforme bioinformatique intégrée de Metabolon

L'utilité de l'analyse PCA a été incorporée dans la plateforme bioinformatique de Metabolon. Grâce à cet outil, vous pouvez mieux interpréter et formuler des hypothèses sur le profil métabolomique des groupes d'étude et identifier des modèles ou des métabolites d'intérêt à partir de la visualisation et de l'exportation des données.

Analyse exploratoire des données
L'ACP donne un premier aperçu des principales relations dans les données et permet d'observer des profils métabolomiques fortement corrélés, ce qui peut aider à formuler des hypothèses et à planifier une analyse plus détaillée.

Visualisation et reconnaissance des formes
La réduction des dimensions facilite la visualisation des données à haute dimension en deux ou trois dimensions. L'utilisation de l'ACP permet de distinguer visuellement les états de santé et de maladie sur la base des profils métabolomiques. En visualisant les échantillons en fonction de ces composantes principales, il est plus facile de discerner les modèles, les relations et les groupes sous-jacents au sein des différents échantillons. Cette représentation visuelle aide à comprendre la structure intrinsèque des données, en mettant en évidence la façon dont les échantillons sont liés les uns aux autres dans l'espace à dimensions réduites créé par l'ACP.

Réduction du bruit
La réduction du bruit filtre les métabolites moins informatifs en se concentrant sur les composantes principales présentant la variance la plus élevée et permet aux chercheurs de se concentrer sur les caractéristiques les plus significatives des données.

Interpréter et visualiser les composantes principales calculées pour la génération d'hypothèses

Analyse ACP précalculée
Visualisations personnalisées
Tableaux exportables

Analyse ACP précalculée

Notre plateforme ne vous demande pas de définir des paramètres pour le calcul initial de l'ACP.Au lieu de cela, jusqu'à 32 ACP sont précalculées pour que vous puissiez les choisir et les comparer. Les données sont normalisées avant le calcul de l'ACP, ce qui est pris en charge par la plateforme. Les PCS sont déterminés sur la base de la matrice de covariance des données et ne changent pas en fonction de critères externes.

Visualisations personnalisées

Vous avez un contrôle total sur l'apparence des graphiques, depuis les schémas de couleurs jusqu'à la taille de la police des légendes. Les graphiques sont interactifs et vous pouvez donc effectuer des panoramiques, des zooms et sélectionner des entités individuelles dans les graphiques. Vous pouvez également exporter et sauvegarder les graphiques que vous avez personnalisés. Vous pouvez colorer et symboliser les tracés individuels par groupe d'étude, ce qui signifie que les tracés eux-mêmes peuvent devenir très spécifiques et conduire à la génération d'hypothèses.

Tableaux exportables

Tous les tableaux de données peuvent être exportés et téléchargés, y compris l'ensemble de données et les composantes principales calculées.

Caractéristiques de l'analyse en composantes principales (ACP)

Vue d'ensemble

La fonction "Vue d'ensemble" affiche des diagrammes de dispersion 2D d'échantillons projetés sur des paires de composantes principales (CP). Ces diagrammes vous aident à visualiser la distribution et le regroupement des échantillons selon différentes combinaisons de composantes principales. Appliquez des lentilles de biomarqueurs pour filtrer votre ensemble de données et vous concentrer sur des voies spécifiques, des maladies ou des listes personnalisées de métabolites significatifs pour déclencher le recalcul en temps réel de l'ACP.

Tracé de l'ACP

La fonction "PCA Plot" montre la projection des échantillons sur les quelques premières composantes principales, représentées sous forme de tracés 2D ou 3D. Les scores sont dérivés de la projection des données originales sur les composantes principales et permettent d'obtenir une vue en dimensions réduites de l'ensemble de données. Affinez encore votre analyse en supprimant les échantillons aberrants pour recalculer et tracer dynamiquement les composantes principales.

Éboulis

La fonction "Scree" fournit un diagramme à barres indiquant la proportion de variance expliquée par chaque composante principale. Cette visualisation aide à déterminer l'importance de chaque PC, en montrant la quantité cumulative de variance capturée au fur et à mesure que d'autres composantes sont prises en compte.

Charges

La fonction "Loadings" permet de visualiser la contribution de chaque métabolite à des composantes principales spécifiques. Les diagrammes à barres affichent les charges, qui sont les poids de chaque variable originale sur les composantes principales. Cette visualisation permet d'identifier les métabolites ayant une forte influence sur les composantes principales sélectionnées.

Biplot

La fonction "Biplot" combine les scores et les charges en un seul graphique. Il représente la relation entre les échantillons et la manière dont les métabolites influencent ces relations sur les composantes principales sélectionnées. Ce graphique permet d'établir une corrélation entre les métabolites originaux et la distribution des échantillons dans l'espace de l'ACP.

Plate-forme bioinformatique

Démonstration de la plate-forme bioinformatique

Des outils avancés d'analyse et d'enrichissement des données, des voies d'accès, des statistiques et des visualisations personnalisées sont inclus dans notre plateforme bioinformatique intégrée.

logo d'un lieu de travail agréable

Démonstration de notre plateforme bioinformatique

Des outils avancés d'analyse et d'enrichissement des données, des voies d'accès, des statistiques et des visualisations personnalisées sont inclus dans notre plateforme bioinformatique intégrée.

En saisissant votre adresse électronique, vous acceptez de recevoir un suivi pour vous aider à compléter votre démo.

DÉMARRAGE

Parler avec un expert

Demandez un devis, obtenez des informations détaillées sur les types d'échantillons ou découvrez comment la métabolomique peut accélérer votre recherche. Nos coordonnées sont ici.

Retrouvez-nous sur :

Discuter avec un expert en métabolomique

Références

1. Zgoda-Pols, J.R., et al., Une analyse métabolomique révèle une élévation du sulfate de 3-indoxyle dans le plasma et le cerveau lors d'une lésion rénale aiguë d'origine chimique chez la souris : étude des agonistes des récepteurs de l'acide nicotinique. Toxicol Appl Pharmacol, 2011. 255(1) : p. 48-56.

2. Bryant, J.A., et al., L'impact d'un traitement oral à base de microbiome purifié sur le microbiome gastro-intestinal. Nat Med, 2026. 32(1) : p. 186-196

3. McGovern, B. H., et al., « SER-109, un médicament expérimental ciblant le microbiome visant à réduire les récidives après une infection à Clostridioides difficile : enseignements tirés d'un essai de phase II ». Clin Infect Dis, 2021, 72(12), p. 2132-2140.

4. Feuerstadt, P., et al., SER-109, un traitement oral à base de microbiome contre les infections récurrentes à Clostridioides difficile. N Engl J Med, 2022. 386(3) : p. 220-229.

5. Hu, Z., et al., La métabolomique ciblée met en évidence de nouveaux biomarqueurs diagnostiques du cancer colorectal. Mol Oncol, 2025. 19(6) : p. 1737-1750.

6. Butler, F.M., et al., Les habitudes alimentaires végétariennes et les métabolites liés à l'alimentation sont associés à la fonction rénale dans la cohorte de l'étude Adventist Health Study-2. J Ren Nutr, 2025.

7. Stanford, J., et al., « Profilage métabolomique et évaluation de la qualité de l'alimentation dans le cadre d'un essai croisé randomisé portant sur des régimes alimentaires sains et courants ». Mol Nutr Food Res, 2025. 69(23) : p. e70271.

8. O’Connor, L.E., et al., Profilage métabolomique d’un régime alimentaire ultra-transformé dans le cadre d’un essai alimentaire croisé randomisé et contrôlé mené à domicile. J Nutr, 2023. 153(8) : p. 2181-2192.

9. Fritsch, D.A., et al., La fonction du microbiome est à la base de l'efficacité d'une intervention alimentaire enrichie en fibres chez les chiens souffrant de diarrhée chronique du gros intestin. BMC Vet Res, 2022. 18(1) : p. 245.

10. Leal, L.N., et al., « Un apport nutritionnel adéquat avant le sevrage améliore la productivité laitière et réduit le risque d'abattage chez les vaches Holstein ». J Dairy Sci, 2025. 108(6) : p. 5875-5888.

11. Ahsin, M., et al., La santé des sols et des pâturages est à l'origine de l'amélioration de la densité nutritionnelle de la viande bovine, telle que déterminée par la métabolomique non ciblée dans les systèmes d'élevage bovin nourri à l'herbe du sud des États-Unis. NPJ Sci Food, 2025. 9(1) : p. 151.

12. Yin, W., et al., Profil lipidique plasmatique chez différentes espèces pour l'identification de modèles animaux optimaux de la dyslipidémie humaine. J Lipid Res, 2012. 53(1) : p. 51-65.

13. Porter, F. D., et al., Les produits d'oxydation du cholestérol constituent des biomarqueurs sanguins sensibles et spécifiques de la maladie de Niemann-Pick de type C1. Sci Transl Med, 2010. 2(56) : p. 56ra81.

14. Needham, B. D., et al., Profils des métabolites plasmatiques et fécaux dans les troubles du spectre autistique. Biol Psychiatry, 2021. 89(5) : p. 451-462

15. Li, C., et al., L'estradiol et mTORC2 agissent en synergie pour favoriser la biosynthèse des prostaglandines et la tumorigenèse dans les cellules LAM déficientes en TSC2. J Exp Med, 2014. 211(1) : p. 15-28.

16. Green, P.G., et al., Flexibilité métabolique et remodelage inverse du cœur défaillant chez l'homme. Eur Heart J, 2025. 46(25) : p. 2422-2433.

17. Maekawa, H., et al., L'inhibition du SGLT2 protège la fonction rénale grâce à une répression épigénétique, dépendante de la SAM, des gènes inflammatoires en cas de stress métabolique. J Clin Invest, 2025. 135(19).

18. Wu, D., et al., Des criblages intégrés révèlent que la déplétion en nucléotides guaniniques, rendue irréversible par le ciblage de l'IMPDH2, inhibe le cancer du pancréas et potentialise l'inhibition de KRAS. Gut, 2026.

19. Schwerdtfeger, L.A., et al., Le microbiote intestinal et ses métabolites sont associés à la progression de la sclérose en plaques. Cell Rep Med, 2025. 6(4) : p. 102055.

20. Wu, H., et al., Dynamique du microbiome et du métabolome associée à un mauvais contrôle glycémique et aux réactions aux changements de mode de vie. Nat Med, 2025. 31(7) : p. 2222-2231.

21. Jacobs, J.P., et al., La thérapie cognitivo-comportementale pour le syndrome du côlon irritable entraîne des modifications bidirectionnelles de l'axe cerveau-intestin-microbiome associées à une amélioration des symptômes gastro-intestinaux. Microbiome, 2021. 9(1) : p. 236.

22. Pietzner, M., et al., « Les métabolites plasmatiques pour cartographier les voies métaboliques dans la multimorbidité liée aux maladies non transmissibles ». Nat Med, 2021. 27(3) : p. 471-479.

23. Faquih, T.O., et al., « Prédiction métabolomique robuste de l'âge à partir d'un large éventail de métabolites ». J Gerontol A Biol Sci Med Sci, 2025, vol. 80, n° 3.

24. Scherer, N., et al., « L'association de la métabolomique et du séquençage de l'exome met en évidence des effets graduels de variants hétérozygotes rares et délétères sur la fonction des gènes et les traits humains ». Nat Genet, 2025. 57(1) : p. 193-205.

25. Holmes, Z.C., et al., Une analyse métabolomique non ciblée du lait maternel provenant de mères en bonne santé met en évidence les facteurs à l'origine de la variabilité des métabolites. Sci Rep, 2024. 14(1) : p. 20827.

26. Titz, B., et al., Implications des facteurs de confusion oculaires pour les analyses protéomiques et métabolomiques de l'humeur aqueuse dans les maladies rétiniennes. Transl Vis Sci Technol, 2024. 13(6) : p. 17.

27. Bloom, S.M., et al., La dépendance en cystéine de Lactobacillus iners constitue une cible thérapeutique potentielle pour la modulation du microbiote vaginal. Nat Microbiol, 2022. 7(3) : p. 434-450.

28. Leimer, E.M., et al., Profil lipidique du liquide synovial humain à la suite d'une fracture intra-articulaire de la cheville. J Orthop Res, 2017. 35(3) : p. 657-666.