Integração multi-ômica
Em revisão científica
Esta página introdutória está em revisão científica. Use como orientação educacional, não para decisão clínica.
Nota educacional: integração multi-ômica pode gerar hipóteses fortes, mas não produz automaticamente biomarcadores clínicos válidos nem escolhas de tratamento.
TL;DR
Integração multi-ômica combina camadas como genômica, epigenômica, transcriptômica, proteômica, metabolômica, imagem e variáveis clínicas para entender a biologia tumoral de forma mais completa que um único ensaio.
O risco central é overfitting: dados de alta dimensão podem criar clusters bonitos e predições pouco validadas. Qualquer claim clínico precisa de validação independente, pré-processamento reprodutível e endpoint claro.
O que é integrado
| Camada | Sinal típico | Uso comum |
|---|---|---|
| Genômica | Mutações, copy-number, variantes estruturais | Drivers, pareamento terapêutico, evolução tumoral |
| Epigenômica | Metilação, acessibilidade cromatínica | Estado celular, linhagem, silenciamento, enhancers |
| Transcriptômica | Abundância de RNA e splicing | Atividade de vias, subtipo, estado imune |
| Proteômica | Abundância e fosforilação de proteínas | Sinalização, engajamento de alvo, resposta a fármaco |
| Metabolômica | Metabólitos e proxies de fluxo | Uso de nutrientes, hipóxia, resistência |
| Clínica/imagem | Estágio, desfechos, patologia, radiologia | Definição de endpoint, modelos de risco, validação |
Estratégias de integração
- Fusão precoce: concatena features antes do modelo. Simples, mas sensível a escala e dados faltantes.
- Fusão tardia: modela cada camada separadamente e combina saídas. Mais auditável, às vezes menos expressiva.
- Fusão intermediária: aprende representações latentes compartilhadas. Poderosa, mas mais difícil de interpretar.
- Integração por grafos: conecta genes, proteínas, vias, variantes, fármacos e fenótipos.
- Clusterização multi-view: descobre subgrupos usando concordância entre modalidades.
Padrões de evidência
Antes de tratar um resultado multi-ômico como acionável, cheque:
- A divisão foi por paciente, não por amostra ou tile?
- Houve coorte externa independente?
- Batch effects, dados faltantes e vieses de ancestralidade/local foram tratados?
- O endpoint é clínico, molecular ou apenas clusterização não supervisionada?
- O método explica qual camada dirigiu o resultado?
- Código, features e pré-processamento são reprodutíveis?
O que não faz
- Não transforma correlação em causalidade.
- Não substitui validação clínica prospectiva.
- Não torna um biomarcador acionável sem ensaio, limiar, indicação e contexto terapêutico.
- Não remove requisitos de privacidade e governança de dados de pacientes.
Fontes úteis de dados
- NCI Genomic Data Commons para genômica de câncer harmonizada.
- cBioPortal para exploração de genômica tumoral e contexto clínico.
- CPTAC para datasets proteogenômicos de câncer.
- ClinicalTrials.gov API para metadados de ensaios ao ligar biomarcadores a estudos.
Referências
- Hoadley KA, Yau C, Hinoue T, et al. Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer. Cell. 2018;173(2):291-304.e6. PMID: 29625048. https://doi.org/10.1016/j.cell.2018.03.022
- National Cancer Institute. Genomic Data Commons. https://gdc.cancer.gov/
- National Cancer Institute. Clinical Proteomic Tumor Analysis Consortium. https://proteomics.cancer.gov/programs/cptac
- cBioPortal. Cancer genomics portal. https://www.cbioportal.org/