An integrated unsupervised machine learning workflow for transcriptome analysis: a case study in cardiac differentiation

Inês Sofia Martins Pereira Soares

Key information

Authors:

Inês Sofia Martins Pereira Soares (Inês Sofia Martins Pereira Soares)

Supervisors:

Ana Luísa Nobre Fred (Ana Luísa Nobre Fred); Carlos André Vitorino Rodrigues (Carlos André Vitorino Rodrigues)

Published in

November 14, 2023

Abstract

No panorama atual da biologia e da bioinformática, a integração de algoritmos de aprendizagem automática tornou-se crucial para a análise de dados biológicos de alta dimensionalidade, como dados de transcriptómica. Os algoritmos de aprendizagem automática não supervisionada são uma abordagem conveniente e eficaz para identificar padrões desconhecidos e extrair informação relevante de dados de transcriptómica complexos. As doenças cardiovasculares são a principal causa de mortalidade, segundo a Organização Mundial da Saúde. Neste âmbito, a transcriptómica surge como uma ferramenta molecular fundamental para o estudo destas doenças. As células estaminais pluripotentes humanas (hPSCs) mostram-se promissoras na área da medicina regenerativa cardíaca. A produção eficiente de cardiomiócitos e a compreensão genética da diferenciação de hPSCs, combinadas com técnicas de aprendizagem automática não supervisionada, são fundamentais para o avanço da pesquisa em doenças cardiovasculares. Esta dissertação introduz uma inovadora metodologia integrada, construída a partir do trabalho anterior de Agostinho, utilizando Python como linguagem de programação. Este método engloba vários algoritmos de aprendizagem não supervisionada num fluxo de trabalho unificado, para a análise de dados de transcriptómica biológicos. A metodologia foi implementada em três casos de estudo distintos de células cardíacas, revelando informações relevantes não só sobre a sobreexpressão e transições de expressão de conjuntos de genes durante o desenvolvimento de fibroblastos cardíacos de ratos, mas também a descoberta de semelhanças entre cardiomiócitos tratados e não tratados. O método desenvolvido neste projeto é adaptável a diversos dados e pode ser personalizado de acordo com os requisitos do utilizador, sendo aplicável em vários problemas biológicos. In the contemporary landscape of biology and bioinformatics, the integration of Machine Learning (ML) algorithms has become crucial for analysing intricate high-dimensional biological data, such as transcriptomic data. ML algorithms have proven to be a convenient and highly effective approach for revealing hidden patterns and extracting valuable insights from extensive transcriptomic datasets. Considering the global impact of cardiovascular diseases as the leading cause of mortality, transcriptomics emerges as an essential molecular tool for understanding the biological dynamic of these diseases. In this field, Human Pluripotent Stem Cells (hPSCs) show promise for heart regeneration therapies. Efficient cardiomyocyte production and understanding hPSCs differentiation genetics, combined with unsupervised ML techniques are key to advancing cardiovascular disease research. This dissertation introduces a novel integrated methodology, built upon Agostinho's prior work, employing Python as the programming language. This method encompasses several unsupervised learning algorithms, such as hierarchical agglomerative clustering, bi-clustering, self-organizing map, and k-means, within a unified workflow, for analyzing transcriptomic data. The methodology was successfully applied in three distinct case studies related to cardiac cells, resulting in the discovery of valuable biological insights. These insights encompassed not only the overexpression and expression patterns of specific gene subsets during the development of rat cardiac fibroblasts but also unveiled intriguing similarities between treated and untreated cardiomyocytes. Notably, this unsupervised approach yielded results consistent with existing literature and unveiled previously undiscovered gene expression patterns. The method developed in this project is adaptable to diverse datasets, customizable to specific user needs, and applicable across various biological problems.