Multi-omik analiz, bireyin biyolojik durumunu tek bir veri katmanıyla değil, birbirini tamamlayan çoklu katmanlarla değerlendiren bir yaklaşımdır. Genomik veri (DNA dizisindeki kalıtsal varyantlar), epigenomik veri (DNA metilasyonu gibi gen ifadesini düzenleyen kimyasal değişiklikler), transkriptomik veri (hangi genlerin ne zaman ve ne yoğunlukta ifade edildiğini gösteren RNA verisi), proteomik veri (hücrede üretilen proteinlerin türü ve miktarı), metabolomik veri (metabolik süreçlerin ürünü olan küçük moleküllerin profili) ve klinik/yaşam tarzı verileri (biyomarkerlar, demografik bilgiler, yaşam alışkanlıkları) bir araya getirilerek incelenir. Bu katmanlar ayrı ayrı sınırlı bilgi sunarken, birlikte değerlendirildiklerinde bireyin genetik yatkınlığının hücresel ve moleküler düzeyde nasıl işlediğini ve çevresel faktörlerle nasıl etkileşime girdiğini çok daha net ortaya koyar.
Bu yaklaşım, özellikle tek bir genetik nedene bağlı olmayan, kompleks ve çok faktörlü kronik hastalıklarda değer taşır. Kardiyovasküler hastalıklar, tip 2 diyabet gibi metabolik bozukluklar, çeşitli kanser türleri, Alzheimer gibi nörodejeneratif hastalıklar ve otoimmün hastalıklar bu kapsamdaki başlıca örneklerdir. Bu hastalıkların ortak özelliği, genetik yatkınlık, gen ifadesi, protein ve metabolit düzeyindeki değişiklikler ile yaşam tarzı faktörlerinin bir arada hastalık riskini şekillendirmesidir; bu nedenle tek katmanlı analizler yerine multi-omik yaklaşım daha güvenilir bir risk tahmini sağlar.
Biyolojik Veri Katmanları
HeraBiyo olarak, bireye en uygun sağlık çözümlerini geliştirmek için en az üç temel omik veri katmanını değerlendiriyoruz:
- Genomik (WGS): DNA dizinizdeki kalıtsal değişiklikler ve varyantlar incelenir. Bu, Poligenik Risk Skoru (PRS) analizimizin temelini oluşturur.
- Epigenomik (DNA Metilasyonu): DNA üzerindeki metilasyon gibi değişiklikler incelenir. Bu, genlerin ne zaman ve nerede açılıp kapandığını, yani gen ifadesinin nasıl düzenlendiğini anlamamızı sağlar. Bu veriler, epigenetik yaş tayini gibi analizlerde kullanılır.
- Klinik ve Yaşam Tarzı Verileri: Geleneksel biyomarkerlar (lipid panel, glukoz, CRP), demografik veriler (yaş, cinsiyet, BMI) ve yaşam tarzı alışkanlıkları (sigara, fiziksel aktivite) gibi faktörler, genetik yatkınlığın dış faktörlerle etkileşimini modellemek için sürece dahil edilir.
Entegrasyon Mimarisi
Bu farklı omik verilerin güvenilir bir risk tahmini sağlaması için karmaşık bir bütünleştirme mimarisi kullanılır.
- Veri Harmonizasyonu ve Özellik Mühendisliği: Farklı veri kümelerinden gelen verilerin tutarlılığını sağlamak için harmonizasyon yapılır. Eksik veriler için MICE KNN gibi çoklu imputasyon yöntemleri kullanılır. Nitel (aile hikayesi) ve nicel (kan değerleri) veriler, modele entegre edilmeden önce uygun encoding ve normalizasyon işlemlerine tabi tutulur.
- Makine Öğrenmesi ile Bütünleştirme: Tüm omik ve klinik veriler, bireysel düzeyde 10-20 yıllık hastalık riskini tahmin etmek üzere yapay zekâ destekli modellere verilir. Bu modellerin çıktısı, hekimlere erken tanı ve önleyici sağlık kararlarında yol gösterecek güvenilir risk tahminleri sunar.
Referanslar
- Hasin, Y., Seldin, M., Lusis, A. (2017). Multi-omics approaches to disease. Genome Biology, 18, 83.
- Karczewski, K. J., Snyder, M. P. (2018). Integrative omics for health and disease. Nature Reviews Genetics, 19, 299–310.
- Steinfeldt, J. et al. (2022). Neural network-based integration of polygenic and clinical information… The Lancet Digital Health, 4(2), e84-e94.
Multi-omic analysis evaluates an individual's biological state not through a single data layer, but through multiple complementary layers. Genomic data (inherited variants in the DNA sequence), epigenomic data (chemical modifications such as DNA methylation that regulate gene expression), transcriptomic data (RNA data showing which genes are expressed, when and at what intensity), proteomic data (the type and quantity of proteins produced in the cell), metabolomic data (the profile of small molecules produced by metabolic processes) and clinical/lifestyle data (biomarkers, demographics, lifestyle habits) are examined together. Each layer alone offers limited information; taken together, they reveal far more clearly how an individual's genetic susceptibility operates at the cellular and molecular level and how it interacts with environmental factors.
This approach is particularly valuable in complex, multifactorial chronic diseases that cannot be traced to a single genetic cause. Cardiovascular diseases, metabolic disorders such as type 2 diabetes, various cancers, neurodegenerative diseases such as Alzheimer's and autoimmune diseases are the principal examples. What these diseases have in common is that genetic susceptibility, gene expression, protein- and metabolite-level changes and lifestyle factors together shape disease risk; for this reason a multi-omic approach provides a more reliable risk estimate than single-layer analyses.
Biological Data Layers
At HeraBiyo, we evaluate at least three fundamental omic data layers to develop the most suitable health solutions for the individual:
- Genomics (WGS): Hereditary changes and variants in your DNA sequence are examined. This forms the foundation of our Polygenic Risk Score (PRS) analysis.
- Epigenomics (DNA Methylation): Changes such as methylation on your DNA are examined. This enables us to understand when and where genes are turned on or off—in other words, how gene expression is regulated. This data is used in analyses such as epigenetic age determination.
- Clinical and Lifestyle Data: Factors such as traditional biomarkers (lipid panel, glucose, CRP), demographic data (age, gender, BMI), and lifestyle habits (smoking, physical activity) are included in the process to model the interaction between genetic susceptibility and external factors.
Integration Architecture
A complex integration architecture is used to ensure these different omic data provide a reliable risk prediction.
- Data Harmonization and Feature Engineering: Harmonization is performed to ensure the consistency of data from different datasets. Multiple imputation methods like MICE KNN are used for missing data. Qualitative (family history) and quantitative (blood values) data undergo appropriate encoding and normalization processes before being integrated into the model.
- Integration with Machine Learning: All omic and clinical data are fed into AI-supported models to predict the 10-20 year disease risk at the individual level. The output of these models provides reliable risk predictions that guide physicians in early diagnosis and preventive health decisions.
References
- Hasin, Y., Seldin, M., Lusis, A. (2017). Multi-omics approaches to disease. Genome Biology, 18, 83.
- Karczewski, K. J., Snyder, M. P. (2018). Integrative omics for health and disease. Nature Reviews Genetics, 19, 299–310.
- Steinfeldt, J. et al. (2022). Neural network-based integration of polygenic and clinical information… The Lancet Digital Health, 4(2), e84-e94.
