Doğal Dinamikler Görselleştiricisi, Gen Düzenleyici Ağ Çıkarım Ardışık Düzeninden Çıktıları Değerlendirmek ve Görselleştirmek için etkileşimli bir uygulama

Summary

Inherent Dynamics Visualizer, gelişmiş, kolaylaştırılmış işlevsel ağ modelleri üretimi için gen düzenleyici ağ çıkarım aracına bağlanan etkileşimli bir görselleştirme paketidir. Görselleştirici, çıkarım aracını parametrelendirmek için daha bilinçli kararlar vermek ve böylece ortaya çıkan modellere olan güveni artırmak için kullanılabilir.

Abstract

Gen düzenleyici ağ modellerinin geliştirilmesi sistem biyolojisinde önemli bir zorluktur. Bu zorluğun üstesinden gelmek için yeni geliştirilen Inherent Dynamics Pipeline da dahil olmak üzere çeşitli hesaplama araçları ve işlem hatları geliştirilmiştir. Inherent Dynamics Pipeline, sinerjik olarak çalışan ve doğrusal bir şekilde bağlanan ve bir aracın çıktısının daha sonra aşağıdaki araç için giriş olarak kullanıldığı daha önce yayımlanmış birkaç araçtan oluşur. Çoğu hesaplama tekniğinde olduğu gibi, Inherent Dynamics Pipeline'ın her adımı, kullanıcının kesin bir biyolojik tanımı olmayan parametreler hakkında seçim yapmasını gerektirir. Bu seçimler, analiz tarafından üretilen gen düzenleyici ağ modellerini önemli ölçüde etkileyebilir. Bu nedenle, her adımda çeşitli parametre seçimlerinin sonuçlarını görselleştirme ve keşfetme yeteneği, seçimlere ve sonuçlara olan güveni artırmaya yardımcı olabilir. Inherent Dynamics Visualizer, bir web tarayıcısında etkileşimli bir arabirim aracılığıyla parametre seçimlerini değerlendirme sürecini kolaylaştıran kapsamlı bir görselleştirme paketidir. Kullanıcı, işlem hattının her adımının çıktısını ayrı ayrı inceleyebilir, görsel bilgilere dayalı sezgisel değişiklikler yapabilir ve Doğal Dinamikler Ardışık Düzeni için gerekli giriş dosyalarının otomatik olarak üretilmesinden yararlanabilir. Inherent Dynamics Visualizer, zaman serisi transkriptomik verilerden gen düzenleyici ağların keşfi için son derece karmaşık bir araca benzersiz bir erişim sağlar.

Introduction

Hücre farklılaşması ve çevresel tepki gibi birçok önemli biyolojik süreç, bir gen düzenleyici ağında (GRN) birbirleriyle etkileşime giren gen kümeleri tarafından yönetilir. Bu GRN'ler kontrol ettikleri fenotipin etkinleştirilmesi ve sürdürülmesi için gereken transkripsiyonsal dinamikleri üretir, bu nedenle GRN'nin bileşenlerini ve topolojik yapısını tanımlamak birçok biyolojik süreci ve işlevi anlamanın anahtarıdır. GRN, düğümleri genler olan ve kenarları etkileşim yönünü ve biçimini tanımlayan bir ağ tarafından tanımlanan etkileşime giren genler ve/veya gen ürünleri kümesi olarak modellenebilir (örneğin, transkripsiyonun aktivasyonu/baskısı, çeviri sonrası modifikasyon vb.) ¹. Etkileşimler daha sonra, düzenleyici bir genin hedeflerinin üretimi üzerindeki etkisini açıklayan parametreli matematiksel modeller olarak ifade edilebilir ^2,3,4. Bir GRN modelinin çıkarımı, hem etkileşim ağının yapısının çıkarımını hem de temel etkileşim parametrelerinin tahminini gerektirir. Grn ^modellerini yutan zaman serisi gen ekspresyon verilerini ve çıktısını alma5 gibi çeşitli hesaplamalı çıkarım yöntemleri geliştirilmiştir. Son zamanlarda, gen ekspresyon verilerindeki gözlemlenen dinamiklerle eşleşen dinamikler üretebilen etiketli düzenleyici hedef etkileşimlerine sahip GRN modelleri üretmek için zaman serisi gen ekspresyon verilerini kullanan Inherent Dynamics Pipeline (IDP) adı verilen yeni bir GRN çıkarım yöntemi ^{geliştirildi6}. IDP, bir boru hattına doğrusal olarak bağlanmış bir araç paketidir ve üç adıma ayrılabilir: GRN7,8'in işleviyle ilgili olduğu bilinen veya şüphelenilen gen ifade özelliklerine göre genleri sıralayan bir Düğüm Bulma adımı, çift yönlü düzenleyici ilişkileri sıralayan bir Kenar Bulma ^{adımı8, 9} ve gözlemlenen dinamikleri üretebilen GRN modelleri üreten bir Ağ Bulma adımı10,11,12,13,14,15.

Çoğu hesaplama yöntemi gibi, IDP de giriş verilerinin nasıl çözümlendiğini belirleyen kullanıcı tarafından belirtilen bağımsız değişkenler kümesi gerektirir ve farklı bağımsız değişken kümeleri aynı verilerde farklı sonuçlar üretebilir. Örneğin, IDP de dahil olmak üzere çeşitli yöntemler, verilere bazı eşikler uygulayan bağımsız değişkenler içerir ve belirli bir yöntemin ardışık çalıştırmaları arasında bu eşiği artırmak/azaltmak, çalıştırmalar arasında benzer olmayan sonuçlara neden olabilir (bkz. Ek Not 10: Ağ çıkarım ^yöntemleri5). Her bağımsız değişkenin analizi ve sonraki sonuçları nasıl etkileyebileceğini anlamak, sonuçlara yüksek güven elde etmek için önemlidir. Çoğu GRN çıkarım yönteminin aksine, IDP, her biri bir kullanıcının belirtmesi gereken ve her birinin kendi sonuçlarına sahip olduğu kendi bağımsız değişken kümesine sahip birden çok hesaplama aracından oluşur. IDP, her aracın nasıl parametreleştirılacağına ilişkin kapsamlı belgeler sunarken, her aracın önceki adımın çıktısına olan bağımlılığı, ara analizler olmadan tüm işlem hattını parametrelendirmeyi zorlaştırır. Örneğin, Edge ve Network Finding adımlarındaki bağımsız değişkenlerin önceden biyolojik bilgi tarafından bilgilendirilmesi muhtemeldir ve bu nedenle veri kümesine ve/veya organizmaya bağlı olacaktır. Ara sonuçları sorgulamak için, temel bir programlama anlayışının yanı sıra IDP'den tüm sonuç dosyalarının ve içeriklerinin derinlemesine anlaşılması gerekir.

Inherent Dynamics Visualizer (IDV), kullanıcının tarayıcı penceresinde çalışan ve IDP kullanıcılarının bağımsız değişken seçimlerinin IDP'deki herhangi bir adımdan elde edilen sonuçlar üzerindeki etkisini değerlendirmeleri için bir yol sağlayan etkileşimli bir görselleştirme paketidir. IDV, IDP tarafından üretilen karmaşık bir dizin yapısında geziniyor ve her adım için gerekli verileri topluyor ve verileri kullanıcının keşfetmesi için sezgisel ve etkileşimli rakamlarla ve tablolarda sunuyor. Bu etkileşimli ekranları keşfettikten sonra, kullanıcı daha bilinçli kararlara dayalı olabilecek bir IDP adımından yeni veriler üretebilir. Bu yeni veriler daha sonra IDP'nin bir sonraki ilgili adımında hemen kullanılabilir. Ayrıca, verilerin araştırılması, bir IDP adımının ayarlanmış parametrelerle yeniden çalıştırılıp çalıştırılmayacağını belirlemeye yardımcı olabilir. IDV, maya hücre döngüsünün çekirdek osilatörü GRN'yi araştırarak gösterildiği gibi, IDP'nin kullanımını artırabilir ve daha sezgisel ve ulaşılabilir hale getirebilir. Aşağıdaki protokol, her IDP adımının çalıştırını (düğüm, kenar ve ağ bulma) çalıştırtıktan sonra IDV'yi içeren bir yaklaşıma karşı tam parametreli bir IDP çalıştırmasından IDP sonuçlarını içerir.

Protocol

1. IDP ve IDV'yi yükleyin

NOT: Bu bölümde docker, conda, pip ve git'in zaten yüklü olduğu varsayılıyor (Malzeme tablosu).

1. Terminalde, komutu girin: git klon https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
2. IDP'nin README dosyasındaki yükleme yönergelerini izleyin.
3. Terminalde, komutu girin: git klon https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
   NOT: IDV'nin klonlaması IDP'nin en üst düzey dizininin dışında gerçekleşmelidir.
4. IDV'nin README dosyasındaki yükleme yönergelerini izleyin.

2. Düğüm bulma

1. Düğüm Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
   NOT: Aşağıdaki adımlardaki tüm tırnak işaretleri yazılmamalıdır. Tırnak işaretleri burada yalnızca protokol metni ile yazılacak metin arasında sınırlayıcı olarak kullanılır.
   1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin.
   2. Metin düzenleyicisinde yeni bir metin dosyası açın ve tek tek satırlara "data_file =", "annotation_file =", "output_dir =", "num_proc =" ve "IDVconnection = True" yazın.
   3. "data_file" için, eşittir işaretinden sonra, ilgili zaman serisi dosyasının yolunu ve adını yazın ve addan sonra virgül yazın. Birden fazla kez seri veri kümesi kullanılıyorsa, her veriyi virgülle ayır. Zaman serisi gen ifade dosyalarına bir örnek için Ek Dosya 1 ve Ek Dosya 2'ye bakın.
   4. "annotation_file" ek açıklama dosyasının yolunu ve adını, eşittir işaretinden sonra yazın. Ek açıklama dosyası örneği için Ek Dosya 3'e bakın.
   5. "output_file" için, eşittir işaretinden sonra, sonuçların kaydedileceği klasörün yolunu ve adını yazın.
   6. İşarete eşit olduktan sonra, "num_proc" için, IDP'nin kullanması gereken işlem sayısını yazın.
   7. Yapılandırma dosyasına Düğüm Bulma bağımsız değişkenleri ekleyin.
   8. Adım 2.1.1 ile aynı metin dosyasına, tek tek satırlara "[dlxjtk_arguments]", "nokta =" ve "dlxjtk_cutoff =" olarak sunulan sırayı yazın. Bunları ana argümanlardan sonra yerleştirin.
   9. "Nokta" için, eşittir işaretinden sonra, tek seferlik seri veri kümesi kullanılıyorsa, her dönem uzunluğunu virgülle ayırarak yazın. Birden fazla kez seri veri kümesi için, her dönem uzunluğu kümesini önceki gibi yazın, ancak her kümenin etrafına köşeli ayraçlar yerleştirin ve kümeler arasına virgül yerleştirin.
   10. eşittir işaretinden sonra, "dlxjtk_cutoff" için, de Lichtenberg tarafından JTK_CYCLE (DLxJTK) tarafından gene_list_file çıktıda tutulacak maksimum gen sayısını belirten bir tamsayı yazın (Tablo 1).
       NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki dlxjtk_arguments bölümleri gözden geçirmeniz önerilir. Düğüm Bulma bağımsız değişkenlerinin belirtildiği bir yapılandırma dosyası örneği için Ek Dosya 4'e bakın.
2. Terminalde, inherent_dynamics_pipeline adlı IDP dizinine gidin.
3. Terminalde, komutu girin: conda dat2net'i etkinleştirin
4. IDP'yi, bu komutu terminalde çalıştırarak 2.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın; burada dosyanın adıdır: python src/dat2net.py
5. Terminalde, inherent_dynamics_visualizer adlı dizine gidin ve komutu girin: . /viz_results.sh
   NOT: , IDP için çıktı dizini olarak kullanılan dizini işaret edecektir.
6. Web tarayıcısında, URL olarak http://localhost:8050/ girin.
7. IDV artık tarayıcıda açıkken, Düğüm Bulma sekmesine tıklayın ve açılır menüden ilgi çekici düğüm bulma klasörünü seçin.
8. Sonraki IDP adımları için kullanılacak IDV'deki gen listesi tablosundan yeni bir gen listesini manuel olarak küratörlüğünü alın.
   1. Gen listesi tablosunu genişletmek veya kısaltmak için, yukarı veya aşağı okları tıklayın veya DLxJTK dereceli genlerin Gen ifadesinin yanındaki kutuya 1 ile 50 arasında bir tamsayıyı manuel olarak girin. Üst:.
   2. Gen listesi tablosunda, gen ifade profilini çizgi grafikte görüntülemek için bir genin yanındaki kutuya tıklayın. Birden fazla gen eklenebilir.
   3. İsteğe bağlı olarak, ilk döngüyü depo gözlerine bölmek için Giriş tamsayısı etiketli gen listesi tablosunun üstündeki giriş kutusuna bir tamsayı girerek, genleri en yüksek ifadelerini içeren zaman aralığına göre hesaplamak ve sıralamak için eşit büyüklükteki depo gözlerinin sayısını belirtin:.
      NOT: Bu seçenek salınımlı dinamiklere özgüdür ve diğer dinamik türleri için geçerli olmayabilir.
   4. Genleri Sırala: İlk döngüdeki gen ekspresyon zirvesinin zamanına göre genleri sipariş eden İlk Döngü Maksimum İfadesi (Tablo 1) altındaki bir seçeneğe tıklayarak bir ısı haritası görüntüleme tercihi seçin.
      NOT: DLxJTK Rank , IDP'nin DLxJTK algoritmasından periyodiklik sıralamasına göre genleri sıralar.
   5. Gen listesini Kenar Bulma adımı için gereken dosya formatına indirmek için Gen Listesini İndir düğmesine tıklayın. Gen listesi dosyası örneği için Ek Dosya 5'e bakın.
9. Düzenlenebilir Gen Ek Açıklama Tablosu'nda, yeni bir Kenar Bulma çalıştırmasında Kenar Bulma adımı için ek açıklama dosyasında bir geni hedef, düzenleyici veya her ikisi olarak etiketleyin. Bir gen bir düzenleyici ise, geni bir aktivatör, represör veya her ikisi olarak etiketleyin.
   1. Bir geni aktivatör olarak etiketlemek için, tf_act sütunundaki hücreyi tıklatın ve değeri 1 olarak değiştirin. Bir geni baskılayıcı olarak etiketlemek için tf_rep sütunundaki değeri 1 olarak değiştirin. Bir genin, hem tf_act hem de tf_rep sütunlarındaki değerleri 1 olarak ayarlayarak Kenar Bulma adımında hem aktivatör hem de represör olarak hareket etmesine izin verilecektir.
   2. Bir geni hedef olarak etiketlemek için hedef sütundaki hücreye tıklayın ve değeri 1 olarak değiştirin.
10. Ek açıklama dosyasını Kenar Bulma adımı için gereken dosya biçimine indirmek için Ek Açıklama İndir düğmesini tıklatın.

3. Kenar bulma

1. Kenar Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
   1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin. Metin düzenleyicisinde yeni bir metin dosyası açın ve 2.1.1 adımlarını yineleyin.
   2. Yapılandırma dosyasına Kenar Bulma bağımsız değişkenleri ekleyin.
   3. Adım 3.1.1 ile aynı metin dosyasına, tek tek satırlarda "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" ve "num_edges_for_seed =" satırlarını yazın. Bunlar ana argümanların altına inmelidir.
   4. "gene_list_file" için, eşittir işaretinden sonra, 2.8.5 adımında oluşturulan gen listesi dosyasının yolunu ve adını girin.
   5. "edge_score_column" için, eşittir işaretinden sonra, kenarları filtrelemek için lempy çıktısından hangi veri çerçevesi sütununun kullanılacağını belirtmek için "pld" veya "norm_loss" girin.
   6. "edge_score_threshold" veya "num_edges_for_list" seçeneğini belirleyin ve diğerini silin. "edge_score_threshold" seçilmişse, 0 ile 1 arasında bir sayı girin. Bu sayı, 3.1.5 adımında belirtilen sütuna göre kenarları filtrelemek için kullanılacaktır.
      1. "num_edges_for_list" seçilmişse, olası kenar sayısına eşit veya daha az bir değer girin. Bu sayı, kenarları adım 3.1.5'te belirtilen sütunda nasıl sıralandıklarına göre filtrelemek için kullanılacaktır. Kalan kenarlar Ağ Bulma'da ağlar oluşturmak için kullanılacaktır.
   7. "seed_threshold" veya "num_edges_for_seed" seçeneğini belirleyin ve diğerini silin. "seed_threshold" seçilmişse, 0 ile 1 arasında bir sayı girin. Bu sayı, 3.1.5 adımında belirtilen sütuna göre kenarları filtrelemek için kullanılacaktır.
      1. "num_edges_for_seed" seçilmişse, olası kenar sayısına eşit veya daha az bir değer girin. Bu sayı, kenarları adım 3.1.5'te belirtilen sütunda nasıl sıralandıklarına göre filtrelemek için kullanılacaktır. Kalan kenarlar, Ağ Bulma'da kullanılan tohum ağını (Tablo 1) oluşturmak için kullanılacaktır.
         NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki lempy_arguments ve netgen_arguments bölümlerini gözden geçirmeniz önerilir. Edge bulma bağımsız değişkenlerinin belirtildiği bir yapılandırma dosyası örneği için Ek Dosya 7'ye bakın.
2. 2.2 ve 2.3.
3. IDP'yi, bu komutu dosyanın adı olan terminalde çalıştırarak 3.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın: python src/dat2net.py
4. IDV hala çalışıyorsa, programı durdurmak için terminal penceresinde C Denetimi'ne basarak durdurun. 2.5 ve 2.6 adımlarını yineleyin.
5. IDV tarayıcıda açıkken, Kenar Bulma sekmesine tıklayın ve açılır menüden ilgi çekici kenar bulma klasörünü seçin.
   NOT: Kenar Bulma'da birden çok veri kümesi kullanılıyorsa, Yerel Kenar Makinesi (LEM) çözümlemesinde (Tablo 1) kullanılan son veri kümesini seçtiğinizden emin olun. Bu çıktı düğümler arasındaki düzenleyici ilişkilerin çıkarımında önceki tüm veri dosyalarını içerdiğinden, yapılandırma dosyasında listelenen son seri verilerine bakmak için LEM sonuçlarına dayalı çekirdek ağ veya kenar listesi için kenarlar seçerken önemlidir.
6. Kenar tablosunu genişletmek veya kısaltmak için, Kenar Sayısı: altındaki giriş kutusuna el ile bir tamsayı girin.
7. İsteğe bağlı olarak, LEM ODE parametrelerindeki kenarları filtreleyin. Her parametrenin kaydırıcısının sol tarafını veya sağ tarafını taşımak için tıklatıp sürükleyin ve kenar tablosundan izin verilen yeni parametre sınırlarının dışında parametreler olan kenarları kaldırın.
8. İsteğe bağlı olarak, IDP tarafından önerilenden farklı bir tohum ağı isteniyorsa yeni bir tohum ağı oluşturun. Tohum ağ dosyası örneği için Ek Dosya 8'e bakın.
   1. Tohum ağını seçmek için Tohumdan'ı veya Ağ:altındaki açılır menüden Seçim'i seçin.
   2. Çekirdek ağdan kenarları kaldırmak/eklemek için her kenarın bitişiğindeki ilgili onay kutularını tıklatarak kenar tablosundan kenarların seçimini kaldırın/seçin.
9. Tohum ağını Düzenleyici Ağlar Tarafından Oluşturulan Dinamik İmzalar (DSGRN) (Tablo 1) ağ belirtimi biçiminde indirmek için DSGRN NetSpec'i indirin düğmesine tıklayın.
10. Ağ Bulma adımında kullanılacak ek düğümleri ve kenarları seçin.
    1. Ağ Bulma'da kullanılan kenar listesi dosyasına eklemek için ilgili onay kutularını tıklatarak kenar tablosundan kenarları seçin.
    2. Düğüm listesini ve kenar listesi dosyalarını Ağ Bulma'da kullanımları için gereken biçimde indirmek için Düğüm ve Kenar Listelerini İndir'e tıklayın. Sırasıyla kenar ve düğüm listesi dosyaları örnekleri için Ek Dosya 9 ve Tamamlayıcı Dosya 10'a bakın.
       NOT: Düğüm listesi, kenar listesi dosyasındaki tüm düğümleri içermelidir, böylece IDV düğüm listesi dosyasını seçilen kenarlara göre otomatik olarak oluşturur. Kenar Bulma'da kenarları görüntülemek için iki seçenek mevcuttur. LEM Özet Tablosu seçeneği, kenarları ilk 25 kenarın sıralı bir listesi olarak sunar. Üst ÇizgiLI LEM Tablosu , kenarları olası her regülatör için ilk üç sıralı kenarın birleştirilmiş bir listesinde sunar. Her seçenek için görüntülenen kenar sayısı, Kenar Sayısı giriş kutusundaki sayı değiştirilerek kullanıcı tarafından ayarlanabilir.

4. Ağ bulma

1. Ağ Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
   1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin. Metin düzenleyicisinde yeni bir metin dosyası açın ve 2.1.1 adımlarını yineleyin.
   2. Ağ Bulma bağımsız değişkenlerini yapılandırma dosyasına ekleyin.
   3. 4.1.1. adımdakiyle aynı metin dosyasına, "[netper_arguments]" olarak sunulan sırayı yazın, "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[olasılıklar]]", "addNode =", "addEdge =", "removeNode =" ve "removeEdge =" tek tek satırlarda, ana bağımsız değişkenlerin altında.
   4. "seed_net_file", "edge_list_file" ve "node_list_file" için, eşittir işaretinden sonra, çekirdek ağ dosyasının yolunu ve adını ve 3.9 ve 3.10.2 adımlarında oluşturulan kenar ve düğüm listesi dosyalarını girin.
   5. Eşittir işaretinden sonra, "range_operations" için virgülle ayrılmış iki sayı yazın. Birinci ve ikinci sayılar, sırasıyla ağ başına düğümlerin veya kenarların eklenmesi veya kaldırılması için minimum ve maksimum sayıdır.
   6. "Numneighbors" için, imzalamaya eşit olduktan sonra, Ağ Bulma'da kaç ağ bulacağını gösteren bir sayı girin.
   7. "Maxparams" için, imzalamaya eşit olduktan sonra, bir ağa izin vermek için en fazla DSGRN parametre sayısını temsil eden bir sayı girin.
   8. Bu bağımsız değişkenlerin her biri için 0 ile 1 arasında değerler girin: "addNode", "addEdge", "removeNode" ve "removeEdge", eşittir işaretinden sonra. Sayılar 1 olarak toplanmalıdır.
      NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki netper_arguments ve netquery_arguments bölümlerini gözden geçirmeniz önerilir. Ağ Bulma bağımsız değişkenlerinin belirtildiği yapılandırma dosyası örnekleri için Ek Dosya 11 ve Tamamlayıcı Dosya 12'ye bakın.
2. 2.2 ve 2.3.
3. IDP'yi, bu komutu dosyanın adı olan terminalde çalıştırarak 4.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın: python src/dat2net.py
4. IDV hala çalışıyorsa, programı durdurmak için terminal penceresinde C Denetimi'ne basarak durdurun. 2.5 ve 2.6 adımlarını yineleyin.
5. IDV tarayıcıda açıkken, Ağ Bulma sekmesine tıklayın ve ilgi çekici ağ bulma klasörünü seçin.
6. Kenar yaygınlığı tablosu (Tablo 1) oluşturmak ve ağları ilgili sorgu sonuçlarıyla birlikte görüntülemek için bir ağ veya ağ kümesi seçin.
   1. Ağları seçmek için iki seçenek vardır: Seçenek 1 - Çizimin x eksenine ve y eksenine karşılık gelen giriş kutularına minimum ve maksimum değerler girerek sorgu sonuçlarına alt ve üst sınırları girin. Seçenek 2 - Eklenecek ağların etrafına bir kutu çizmek için saçılım pilota tıklayın ve sürükleyin. Seçim veya giriş sınırları girildikten sonra, Seçili Ağlardan Kenar Yaygınlığını Al düğmesine basın.
      NOT: Birden fazla DSGRN sorgusu belirtilmişse, her sorgunun sonuçları arasında geçiş yapmak için sorgu türüyle etiketlenmiş radyo düğmelerini kullanın. Aynı durum, birden fazla epsilon (gürültü seviyesi) belirtilmişse de geçerlidir.
7. Tablonun bir sonraki sayfasına gitmek için kenar yaygınlığı tablosunun altındaki okları tıklatın. Kenar yaygınlığı tablosunu karşıdan yüklemek için Tabloyu İndir'e basın.
8. 4.6. adımda yapılan seçimden tek bir ağı görüntülemek için Ağ Dizini giriş kutusuna bir tamsayı girin. Görüntülenen ağı DSGRN ağ belirtimi biçiminde indirmek için DSGRN NetSpec'i indirin'i tıklatın.
9. Ağlarda belirli bir motife veya ilgi alanı ağına benzerlik arayın.
   1. Ağa dahil edilecek kenarları veya benzerlik analizi için kullanılan motifi seçmek için her kenara karşılık gelen onay kutularını kullanın. Seçili motif veya ağ için benzerlik dağılım pilotu oluşturmak için Gönder'i tıklatın.
      NOT: Alfabetik olarak sıralamak için kenar listesindeki okları ve tablonun bir sonraki sayfasına gitmek için tablonun altındaki okları kullanın.
   2. Kenar yaygınlığı tablosu oluşturmak ve ağları ilgili sorgu sonuçlarıyla birlikte görüntülemek üzere bir ağ veya ağ kümesi seçmek üzere eklenecek ağların etrafına bir kutu çizmek için dağılım pilotunun üzerine sürükleyin.
      NOT: Birden fazla DSGRN sorgusu belirtilmişse, her sorgunun sonuçları arasında geçiş yapmak için sorgu türüyle etiketlenmiş radyo düğmelerini kullanın. Aynı durum, birden fazla epsilon (gürültü seviyesi) belirtilmişse de geçerlidir.
   3. Benzerlik analizi için sırasıyla kenar yaygınlık tablosunu ve görüntülenen ağı indirmek için 4.7 ve 4.8 adımlarını yineleyin.

Representative Results

Şekil 1'de metinsel olarak yukarıda ve grafiksel olarak açıklanan adımlar, maya hücre döngüsü çalışmasında toplanan zaman serisi gen ekspresyon verilerinde gözlemlenen dinamikleri üretebilen fonksiyonel GRN modellerini keşfetmenin mümkün olup olmadığını görmek için maya hücre döngüsünün çekirdek salınımlı GRN'sine ^{uygulanmıştır16}. IDV'nin IDP çıktısını nasıl netleştirebileceğini ve iyileştirebileceğini göstermek için, sonuçlar, bu analizi iki şekilde gerçekleştirdikten sonra karşılaştırıldı: 1) IDP'nin tüm adımlarını IDV olmadan tek geçişte çalıştırmak ve 2) hem önceki biyolojik bilgileri birleştirerek hem de IDP çıktılarına dayalı rafine seçimler yaparak ara sonuçların ayarını sağlayan IDV'nin yardımıyla IDP'den geçmek. Örnek olarak kullanılan iyi çalışılmış maya hücre döngüsü GRN'nin düzenleyici ilişkilerinin çoğu deneysel olarak doğrulanmıştır. Farklı ve/veya daha az açıklamalı bir organizma veya biyolojik süreç inceleniyorsa, ara sonuçların veya parametrelerin nasıl ayarlandığına ilişkin seçimler farklı olabilir. Ağları değerlendirmek için kullanılabilecek bir sorgu türünü göstermek için, her ağın sağlamlığı kararlı salınımları desteklemek ve düğümlerinin gözlemlenen transkripsiyon dinamiklerini model parametreleri arasında eşleştirmek için ölçüldü.

İki çoğaltma serisinin gen ekspresyon zaman serisi verileri Orlando 200816'dan alındı ve orijinal deneyde uygulanan hücre döngüsü senkronizasyon yöntemiyle ilişkili herhangi bir gen ifadesini kaldırmak için önceden işlendi (Ek Dosya 1 ve Ek Dosya 2). ^{Yeastract17'de} bulunan dna bağlama ve ifade kanıtları tarafından desteklenen ve böylece bir GRN'de düzenleyici olarak işlev görebilen zaman serisi verilerindeki tüm genleri içeren bir ek açıklama dosyası oluşturulmuştur. TOS4, PLM2 ve NRM1, Yeastract'te her iki kanıt türüne sahip bulunmasalar da düzenleyici olarak dahil edildi, çünkü literatürdeki kanıtlara dayanarak maya çekirdeği GRN için önemli olduklarına inanılıyor ^18,19 (Ek Dosya 3). Tüm regülatörler hem aktivatör hem de represör hem de hedef olarak etiketlendi.

IDP ilk olarak IDP'nin düğüm, kenar ve ağ bulma gibi tüm adımlarında çalışacak şekilde parametrelendirilir. Güçlü bir şekilde bağlı bir ağa katılan küçük bir gen kümesi olan maya hücre döngüsü GRN'nin mevcut anlayışına dayanarak uygun görünen bir dizi argüman seçildi (Ek Dosya 4). Bu anlayış çoğunlukla Düğüm ve Kenar Bulma seçeneklerini etkiledi. Ağ Bulma'daki olasılık parametreleri, ağ bulma üzerine yalnızca gerçek genlerin ve düzenleyici etkileşimlerin geçirileceği varsayımına dayanıyordu. IDP'nin bu tam parametreli çalışması Düğüm ve Kenar Bulma için sonuçlar üretti (Şekil 2B,C), ancak Ağ Bulma'da modelle kabul edilebilir ağ bulunamadı (Şekil 2A,D). Model kabul edilebilirliği, IDP'nin bir bağımlılığı olan python modülü dsgrn_net_gen ^14'ün kod belgelerinde açıklanmıştır. Kısaca, kendinden baskılayıcı kenarlar içeren veya tek bir düğümde çok fazla giriş veya çıkışa sahip ağlar DSGRN yazılımı tarafından sorgulanamaz (Tablo 1). IDP, model tarafından kabul edilebilir ağların bulunamayan birçok neden verir ve sorunları çözmek için sorun giderme adımlarını açıklar. Temel olarak, bu parametreleri ve/veya giriş dosyalarını değiştirmeyi ve ilgili IDP adımını yeniden çalıştırmayı ve sonuçları incelemeyi içerir. IDV, bu süreci daha az sıkıcı ve zaman alıcı hale getirmek için kullanıldı.

Düğüm Bulma sonuçları, IDP'nin Kenar Bulma adımına geçirilen genleri incelemek için IDV'ye yüklendi. IDP tarafından verilen düğümler, DLxJTK (Tablo 1) tarafından sıralanan en iyi N genleridir, N kullanıcı tarafından belirtilmektedir, ancak bu gen listesi analizin amacı için uygun olmayabilir. Önceden biyolojik bilgi olmadan, sadece DLxJTK puanları kullanılarak düğümlerin otomatik olarak seçilmesi, maya hücre döngüsünde (RME1) bir rolün sınırlı kanıtı olan bir gen döndürürken, bilinen birkaç hücre döngüsü transkripsiyon düzenleyicisi yüksek dereceli değildi (Şekil 2B). Mayalayıcı deneysel kanıtlar, DLxJTK tarafından hücre döngüsü ek açıklaması olanlar tarafından en yüksek dereceli genler arasından seçim yapmak için kullanılmıştır. Bu genler SWI4, YOX1, YHP1, HCM1, FKH2, NDD1 ve SWI5'tir. Bilinen düzenleyici ilişkileri Şekil 3'te görülebilir. FKH2 , DLxJTK tarafından sıralanan ilk on gende (dlxjtk_cutoff ek dosya 4'te on olarak ayarlanmıştır) görünmez, bu nedenle gen listesi FKH2 bulunana kadar IDV kullanılarak genişletilmiştir (Şekil 4). Genişletilmiş gen listesindeki ek genlerin bazıları bilinen çekirdek genlerdir ve Düğüm Bulma sonuçları araştırılmadan kaçırılmış olabilir. Gen listesinin DLxJTK dereceli listesinden aşağı doğru genişletilmesiyle daha bilinen çekirdek genler bulunurken, ilgi çekici genlere odaklanıldı. Bu nedenle, bazı üst düzey genlerin seçimi kaldırılmış ve yedi gen içeren bir gen listesi (Ek Dosya 5) ile sonuçlanmıştır (Şekil 4). Bu yedi gen temel alınarak yeni bir ek açıklama dosyası oluşturuldu (Ek Dosya 6), her gen hedef olarak etiketlendi ve regülatör tipi Mayalayıcı kullanılarak belirtildi. Yeni gen listesi ve ek açıklama dosyası, bir sonraki IDP adımı olan Edge Finding'de kullanılmak üzere indirildi. IDV olmadan, gen listesine ve ek açıklama dosyasına gen ekleme ve çıkarma prosedürü mütevazı kodlama becerileri gerektirir.

Yeni bir IDP yapılandırma dosyası, yeni gen listesi ve ek açıklama dosyasıyla birlikte yalnızca Kenar Bulma adımı (Ek Dosya 7) için parametreleştirildi. Yeni yapılandırma dosyasıyla IDP tamamlandıktan sonra sonuçlar IDV'ye yüklendi (Şekil 5A). Ağ Bulma adımı, ona sağlanan tohum ağının ağ alanı etrafında stochastically aradıkça, iyi bir tohum ağı sağlamak önemli olabilir. İyi bir tohum ağı, gerçek kenarlar içeren bir ağ olarak düşünülebilir. IDV ile ve Yeastract ve Saccharomyces Genom Veritabanı (SGD)²⁰ gibi çevrimiçi veritabanları kullanılarak, tohum ağı DENEYSEL kanıtlara sahip LEM'in (Tablo 1) düzenleyici ilişkileri kullanılarak görüntülenebilir ve ayarlanabilir. Örnek olarak, YHP1 = tf_act (HCM1) kenarının seçimi kaldırıldı, çünkü Mayalayıcı'da bu ilişkinin belgelenmiş bir kanıtı (Şekil 5B). Bu ilişkinin belgelenmiş kanıtları olduğu için SWI5 = tf_act (FKH2) kenarı ^eklendi21. Tohum ağı (Tablo 1) tatmin edici olduğunda, ağ için DSGRN ağ belirtim dosyası indirildi (Ek Dosya 8).

IDV olmadan, tohum ağını oluşturmak için deneysel bir kanıt kullanılmayan kenarların şansı daha yüksektir. Şekil 2C'de görülebileceği gibi, Edge Finding adımında oluşturulan tohum ağı, IDP'yi her adımda durmadan çalıştırmaktan, Mayalayıcı'daki deneysel kanıtlarla desteklenmeyen bir kenar içerir, SWI4 = tf_rep ( NDD1), muhtemelen NDD1'in transkripsiyonal bir aktivatör olduğu ^{bilinmektedir22}. Bu bilgiler, tüm düzenleyicilerin hem aktivatör hem de represör olmasına izin veren kesintisiz çalıştırmadaki ek açıklama dosyasında kodlanmamıştır.

IDV kullanılarak, Şekil 3'ün bir alt ağı olan bir tohum ağı el ile küratörlüğünü yaptı ve kalan dört kenar ağ alanını örneklemek için kullanılan kenar listesine yerleştirildi (YHP1 = tf_act(SWI4), YOX1 = tf_act (SWI4), SWI4 = tf_rep (YOX1), SWI5 = tf_act(NDD1)). Önceki biyolojik bilgiye dayalı kenarların seçilmesi, kenar listesini oluşturmak için de kullanılabilir; ancak bu durumda, LEM Özet Tablosu görünümünden en iyi 20 kenar seçildi (Ek Dosya 9). Düğüm listesi dosyası seçilen kenarlardan otomatik olarak oluşturulur (Ek Dosya 10). LEM'den ODE parametreleri, ODE modelinde çıkarılan parametrelerin biyolojik olarak gerçekçi olmadığına inanıyorsa kenarları filtrelemek için de kullanılabilir, ancak bu bilgi burada kullanılmamıştır.

Daha sonra, üç yeni dosya kullanılarak Ağ Bulma adımı için yeni bir IDP yapılandırma dosyası parametreleştirildi. Tohum ağı deneysel kanıtlarla iyi desteklenen kenarlarla oluşturulduğundan, bu kenarların tüm ağlara dahil edilmesi istendi. Bu nedenle, Ağ Bulma olasılıkları eklemeye izin vermek için ayarlanmıştır, ancak düğümlerin ve kenarların kaldırılmasına izin vermemektedir (Ek Dosya 11). Numneighbors Ağ Bulma parametresi 2.000 ağı arayacak şekilde ayarlandı. IDP'yi çalıştırdıktan sonra, Ağ Bulma adımında sıfır olan kesintisiz çalıştırmanın aksine 37 model tarafından kabul edilebilir ağ bulundu. Ağ Bulma sonuçlarını IDV'ye yüklerken, bu 37 ağın %64'ü (24) kararlı bir şekilde salınım yapma kapasitesine sahipti (Şekil 6A). Bu 24 ağdan en iyi performans gösterenler, verileri salınımlı model parametrelerinin %50'sinde eşleştiren iki ağdı (Şekil 6B).

Kenar Yaygınlık Tablosu (Tablo 1), bir kenarın seçili ağ koleksiyonunda oluşma sayısını tablolayarak, yüksek performanslı ağlardaki yaygınlığının bir göstergesini verir. Dağılım grafiğinde önceki iki ağ seçilerek üretilen Kenar Yaygınlık Tablosu'nun incelenmesi, beklendiği gibi iki ağın her birinde, iki tohum dışı ağ kenarı (Şekil 6B), SWI4 = tf_act (SWI5) ve HCM1 = tf_rep(YHP1) ile birlikte tüm tohum ağ kenarlarının bulunduğunu ortaya koymaktadır. Bu iki kenardan her ikisinde de Yeastract'te onları destekleyen kanıtlar yoktu. Bu kadar az miktarda ağ alanı araştırıldığından, gözlenen dinamiklerin üretiminde kenarların ve düğümlerin önemini değerlendirmek zordur.

Numneighbors parametresi 2.000 olarak ayarlanmış olsa da Ağ Bulma'da yalnızca 37 model tarafından kabul edilebilir ağ bulundu, bu da ağ aramasının gereksiz yere sınırlı olabileceğini gösteriyor. IDP'deki dsgrn_net_gen python modülünün belgelerinde açıklandığı gibi, sorun çekirdek ağ, kenar listesi, düğüm listesi, Ağ Bulma parametre seçimleri veya bunların bir kombinasyonuyla ilgili olabilir. Araştırmak için, daha önce olduğu gibi aynı çekirdek ağ, kenar listesi ve düğüm listesi kullanıldı, ancak Ağ Bulma parametreleri, ağ oluşturma sırasında kenarları kaldırma yeteneği eklenerek değiştirildi (Ek Dosya 12). Yeni Ağ Bulma sonuçlarının IDV'ye yüklenmesi, bu adımda 612 ağ bulunduğunu ve bu ağların %67'sinin (411) kararlı bir şekilde salınım yapma kapasitesine sahip olduğunu göstermektedir (Şekil 7A). İlginçtir ki, istikrarlı salınımlı dinamiklere sahip ağların %13'ü (82) verilerde görülenlere benzer dinamikler üretemedi (Şekil 7B). 411 ağın %30'u (124) verilere sağlam eşleşmeler sergiledi (yani, kararlı salınımlı model parametrelerinin %50'sinden fazlası veri eşleşmesi sergiledi) (Şekil 7C).

Ağ Bulma'nın ikinci turu tarafından oluşturulan uç yaygınlık sayıları artık çok daha büyük bir ağ seçimine dayanmaktadır ve bir GRN'deki düzenleyici bir ilişkinin önemini değerlendirmede daha güvenle kullanılabilir. Örneğin, HCM1 = tf_rep(YHP1) hala sağlam dinamikler üreten ağlarda yüksek oranda temsil edilmektedir, bu da bu ilişkinin deneysel olarak araştırılmaya değer olabileceğini düşündürmektedir (Şekil 7C). Kenar Yaygınlık Tablosu'nun (yukarıda belirtilen 124 ağa dayanarak) daha fazla incelenmesi, SWI4 = tf_rep (YOX1) ve YOX1 = tf_act (SWI4) kenarlarının henüz SWI4 = tf_rep (YHP1) ve YHP1 = tf_act (SWI4) kenarlarının üst sıralarda yer aldığını ortaya koydu (Şekil 7C). Olumsuz geri bildirim, salınımlı dinamikler ^{üretmek için önemlidir23} ve bu düzenleyici ilişki kümelerinin her ikisi de Şekil 3'teki GRN'de bu işlevi sağlar. Bu kenarların dördünü de içeren bir ağın var olup olmadığını bulmak, bunların GRN modellerinin koleksiyonunda neden sık sık birlikte bulunmadığına dair bazı bilgiler sağlayabilir; ancak, tek tek ağlar arasında tıklamak sıkıcı olacaktır. Bunun yerine, Ağ Bulma sayfasının Benzerlik Analizi bölümü, dört kenarı da içerebilecek ağları aramak için kullanılmıştır (Şekil 7D). 612 ağlarının bu dört kenarın motifine ne kadar benzer olduğunu gösteren dağılım grafiğinin, gözlemlenen dinamiklerle eşleşen model parametre alanının yüzdesine göre incelenmesi, 612 ağın yalnızca %0,65'inin (4) bu kenarların dördünü de içerdiğini ortaya koymaktadır (Şekil 7D). Bu, gözlemlenen dinamikleri üretmek için bu boyuttaki bir ağ için iki olumsuz geri bildirim döngüsünden yalnızca birinin gerekli olduğu test edilebilir bir hipotez göstermektedir. Bu hipotez, IDP adımlarının yeniden çevrilmesi ve ağ alanının daha kapsamlı bir şekilde aranması veya gen nakavtları gibi deneysel olarak hesaplamalı olarak daha fazla araştırılabilir. Bu analizden elde edilen tüm sonuçlar Ek Dosya 13'te bulunabilir.

Şekil 1: IDP ve IDV iş akışına genel bakış. Alt satır IDP'nin üç ana adımını tasvir eder: Düğüm, Kenar ve Ağ Bulma. Üst satır, IDV'nin ana adımlarını tasvir eder ve bir kullanıcının sonuçlarla etkileşim kurabileceği çeşitli yolları açıklar. İkisi arasındaki koyu gri oklar, IDV ve IDP'nin, kullanıcıların IDP'nin her adımı için bilinçli kararlar vermelerine izin vermek için sinerjik olarak nasıl çalışabileceğini, IDV'deki görselleştirmeler için sonuçlar sağlayan bireysel IDP adımları, yeni veya ayarlanmış parametrelerin girilebilmesine izin veren bireysel IDV adımları ve sonraki IDP adımı için ayarlanmış sonuçlar ve girişler ile nasıl çalışabileceğini göstermektedir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: IDP'nin her adımını adımlar arasında IDV kullanmadan ardışık olarak çalıştırmanın sonuçlarına örnek. (A) Her IDP adımını ardışık olarak çalıştırmaktan kaynaklanan terminal çıktısının ekran görüntüsü. IDP tamamlanmak üzere koştu, ancak Ağ Bulma adımı sırasında sıfır ağ bulundu. (B) IDV'ye yüklenen Düğüm Bulma sonuç dizini node_finding_20210705183301 (Ek Dosya 13). Gen listesi tablosundaki tüm genler, çizgi grafikte ilgili ifade profillerini göstermek ve bir ek açıklama tablosu oluşturmak için seçildi (kırmızı ok). Ek açıklama tablosu, genlerin orijinal ek açıklama dosyasında (yeşil ok) nasıl etiketlendiğini yansıtmak için doldurulmuştu. (C) IDV'ye yüklenen Sonuç Dizini edge_finding_20210705183301 (Ek Dosya 13) Bulma. (D) IDV'ye yüklenen Ağ Bulma sonuçları dizin network_finding_20210705183301 (Ek Dosya 13). Ağ Bulma sayfası hiçbir sonuç göstermiyor, bu da Ağ Bulma adımının yeniden yorumlanmasını veya Düğüm veya Kenar Bulma adımının yeniden değerlendirilmesini öneriyor. IDP belgeleri, kullanıcının bir sonraki denemelerini belirlemeye yardımcı olmak için sorun giderme adımları içerir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Maya hücre döngüsü GRN modeli. SGD'den bilinen bir dizi maya hücre döngüsü regülatörü seçildi ve Mayaract'tan genler arasındaki bilinen düzenleyici ilişkiler çıkarıldı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: IDV'de IDP Düğümü Bulma sonuçları örneği. IDV'ye yüklenen Düğüm Bulma sonuçları dizini node_finding_20210705183301 (Ek Dosya 13). Seçilmiş çevrimiçi maya veritabanlarını inceledikten sonra ayarlanan sonuçlar. Gen listesi tablosu Şekil 3'ün GRN modelinde kalan geni bulmak için genişletilmiştir (sarı ok) ve aynı GRN modelinde (kırmızı ok) bulunmayan genleri çıkarmak için genlerin seçimi kaldırılmıştır. Ek açıklama tablosu, Mayalayıcı'da (yeşil ok) bulunan her gen için düzenleme kanıtlarına dayanarak doldurulmuştu. Yeni gen listesi ve ek açıklama dosyası, ilgili indirme düğmeleri (mavi oklar) seçilerek indirildi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: IDP Kenarı IDV'de sonuç bulma örneği. IDV'ye yüklenen Kenar Bulma sonuç dizini edge_finding_20210701100152 (Ek Dosya 13). (A) IDP tarafından üretilen ilk sonuç. Kullanılan yapılandırma dosyasındaki bağımsız değişkenlere dayanarak IDP tarafından üretilen çekirdek ağı görüntülemek için Tohumdan Ağ açılır seçeneği (kırmızı ok) seçildi (Ek Dosya 7). Kenar tablosundaki seçilen genler tohum ağında kullanılan kenarlardır. (B) Tohum ağını deneysel kanıt içermeyen kenarlar için inceledikten sonra düzeltilmiş sonuçlar. Seçimden Ağ açılır menüsü seçeneği seçildi (kırmızı ok). Kenarlar kenar tablosundan (yeşil ok) seçildi/seçimi kaldırıltı. Çekirdek ağ, kenar listesi ve düğüm listesi dosyaları, ilgili düğmeleri (sarı oklar) tıklatarak indirildi. Gösterilen kenar tablosu, two_wts_EdgeFinding_config.txt yapılandırma dosyasında (Ek Dosya 7) listelenen son seri verileridir. Bu çıktı düğümler arasındaki düzenleyici ilişkilerin çıkarımında önceki tüm veri dosyalarını içerdiğinden, yapılandırma dosyasında listelenen son seri verilerine bakmak için LEM sonuçlarına dayalı çekirdek ağ veya kenar listesi için kenarlar seçerken önemlidir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 6: IDP Ağ Bulma örneği, IDV'nin IDP yapılandırma dosyasını two_wts_NetFind_rd1_config.txt (Ek Dosya 11) kullanmasına neden olur). (A) Dağılım grafiğindeki y eksenindeki ilgili verileri görüntülemek için sorgu Kararlı Tam Döngü (kırmızı ok) seçildi. Dağılım grafiğindeki mavi noktalar, dağılım grafiği için Kutu Seçimi işlevini kullanarak seçilen noktaları temsil eder. Noktalı seçim kutusu, kutu seçiminin nasıl göründüğünü göstermek için gösterilmiştir. (B) y ekseni ve x ekseni için min ve max tamsayıları bu sınırlar içindeki seçili ağlara (yeşil ok) manuel olarak girilmiştir. Her seçimden sonra, Seçili Ağlardan Kenar Yaygınlığını Al düğmesi (sarı oklar) tıklatıldı ve Kenar Yaygınlık Tablosu ve Seçili DSGRN Tahmin Edilen Ağlar alanları oluşturuldu. Ağ Dizini'nde, seçili ağlara (mavi oklar) göz atmak için yukarı ve aşağı oklar tıklatılabilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 7: IDP Ağ Bulma örneği, IDV'nin IDP yapılandırma dosyası two_wts_NetFind_rd2_config.txt (Ek Dosya 12) kullanmasına neden olur. (A-C) Ağların seçimi, min ve max giriş kutularına (kırmızı oklar) değerler girilerek gerçekleştirildi. Kenar Yaygınlığı Tablosu ve Seçili DSGRN Tahmin Edilen Ağlar alanlarını oluşturmak için Seçili Ağlardan Kenar Yaygınlığını Al düğmesi tıklatıldı. (D) edge_list tabloda ilgi çekici kenarlar seçildi (sarı ok) ve seçilen sorguya (mavi ok) dağılım grafiğinde çizim yapmak için benzerlik puanlarını hesaplamak için Gönder düğmesi (yeşil ok) tıklatıldı. Kutu Seç işlevi, Kenar Yaygınlık Tablosu ve Seçili DSGRN Tahmin Edilen Ağlar alanlarını oluşturmak için bir ağ kümesi (mor ok) seçmek için kullanıldı. Seçimdeki ikinci ağı görüntülemek için Ağ Dizini 2'ye (turuncu ok) yükseltildi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Terim	Ardışık Düzen Adımı	Tanım
de Lichtenburg tarafından JTK-CYCLE (DLxJTK)	Düğüm Bulma	Genleri sıralamak için kullanılan hem periyodiklik hem de düzenleme gücünün tek bir nicel ölçüsü. Daha önce yayınlanan periyodiklik ölçümleri de Lichtenberg (DL) ve JTK-CYCLE 'ı (JTK) birleştirir.
İlk Döngü En Büyük İfadesi	Düğüm Bulma	Periyodik gen ekspresyonunun ilk döngüsü sırasında maksimum gen ekspresyişi. First Cycle Max Expression tarafından sipariş edilen genler, maksimum gen ifadelerine ulaştıkları ilk döngüden itibaren zaman noktasına göre sıralanacaktır.
Yerel Kenar Makinesi (LEM)	Kenar Bulma	Zaman serisi gen ekspresyon verilerini kullanarak belirli bir hedef genin en olası düzenleyicilerini ve düzenleme modlarını (aktivasyon veya baskılama) tanımlamak için potansiyel gen etkileşim modellerini sıralayan bir Bayes ağı çıkarım yöntemi.
Tohum Ağı	Ağ Bulma	En üst sıralı LEM kenarlarını seçerek makul bir küresel etkileşim ağında ilk tahmin. Çekirdek, sağlanan zaman serisi verileriyle tutarlılık gösterme olasılığı yüksek olan yüksek salınımlı bir ağ alanı bölgesini yerelleştirir.
Düzenleyici Ağlar (DSGRN) Tarafından Oluşturulan Dinamik İmzalar	Ağ Bulma	Bir ağın sergileyebileceği çeşitli uzun vadeli dinamik davranışları kapsamlı bir şekilde hesaplamak için bir yazılım paketi.
Kenar Yaygınlığı	Ağ Bulma	Söz konusu kenarı içeren ağ bulma adımından en çok puan alan ağların yüzdesi. Puan, sıfır olmayan bir yaygınlığa sahip kenarların sıralamasına izin sağlar.

Tablo 1: Inherent Dynamics Pipeline ve Inherent Dynamics Visualizer terimlerinin tanımı.

Ek Dosya 1: Orlando, 200813'ten alınan zaman serisi gen ifade verileri (Replicate ¹).

Ek Dosya 2: Orlando, 200813'ten alınan zaman serisi gen ifade verileri (Replicate 2).

Ek Dosya 3: Ek Dosya 1 ve Ek Dosya 2'de bulunan tüm genleri içeren ek açıklama dosyası. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 4: Tamamen parametrelendirilmiş Inherent Dynamics Pipeline yapılandırma dosyası. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 5: Gen listesi dosyası, Inherent Dynamics Visualizer'ın Düğüm Bulma sayfasından indirilir. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 6: Doğal Dinamikler Görselleştiricisi'nin Düğüm Bulma sayfasından indirilen ek açıklama dosyası. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 7: Inherent Dynamics Pipeline yapılandırma dosyası yalnızca Kenar Bulma adımı için parametrelendi. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 8: Doğal Dinamikler Görselleştiricisi'nin Kenar Bulma sayfasından indirilen tohum ağ dosyası. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 9: Kenar listesi dosyası, Inherent Dynamics Visualizer'ın Kenar Bulma sayfasından indirilir. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 10: Düğüm listesi dosyası, Inherent Dynamics Visualizer'ın Kenar Bulma sayfasından indirilir. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 11: Inherent Dynamics Pipeline yapılandırma dosyası yalnızca Ağ Bulma adımı için parametrelendi. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 12: Güncelleştirilmiş Inherent Dynamics Pipeline yapılandırma dosyası (Ek Dosya 11) yalnızca Ağ Bulma adımı için parametrelendi. Bu Dosyayı indirmek için lütfen tıklayınız.

Ek Dosya 13: Temsili Sonuçlar bölümünden sonuçları içeren dizin. Bu Dosyayı indirmek için lütfen tıklayınız.

Discussion

GRN'lerin çıkarımı sistem biyolojisinde önemli bir zorluktur. IDP, verileri giderek daha karmaşık şekillerde kullanan bir dizi araç kullanarak gen ifade verilerinden model GRN'leri oluşturur. Her adım, verilerin nasıl işleyeceği ve IDP'nin bir sonraki katmanına hangi öğelerin (genler, işlevsel etkileşimler) geçirileceği hakkında kararlar gerektirir. Bu kararların IDP sonuçları üzerindeki etkileri o kadar açık değildir. Bu konuda yardımcı olmak için IDV, IDP içindeki GRN çıkarım araçlarının tek tek adımlarından elde edilen çıktıların yararlı etkileşimli görselleştirmelerini sağlar. IDV, deneyleri hızlandırmak ve analiz seçimlerini bilgilendirmek için bu hesaplamalı çıkarım yöntemlerinden elde edilen sonuçları değerlendirme sürecini kolaylaştırır ve kolaylaştırır, bu da yüksek güvenli ağ modellerinin ve hipotezlerinin üretiminin hızlandırılmasına olanak sağlayacaktır. IDV ayrıca, kenarları LEM ODE parametre seçimlerine göre filtreleme, genlerin ifade sürelerine göre binning ve bir motife veya ağa benzerliğe dayalı ağları kümeleme dahil olmak üzere IDP'nin işlevselliğini genişleten özellikler uygular. Daha da önemlisi, IDV, kullanıcının literatürden insan bilgisini ve önceki bilgileri kolayca otomatik hale alınamayacak şekilde kolayca dahil etmesini sağlayan her IDP adımı arasında manuel müdahalelere izin verir. IDP'nin naif bir çalışması bu bilgileri yerel olarak içermez, bu nedenle deneye özgü bilgiler mevcut olduğunda IDV'nin kullanımı sonuçlara olan güveni artıracaktır. Genel olarak, IDV'yi IDP ile birlikte kullanmak, kullanıcıların gerçek GRN hakkında çok az bilgi sahibi olsalar veya hiç bilgi sahibi olmasalar bile biyolojik süreçler için daha fazla güvenle ağ hipotezleri oluşturmalarını sağlar.

IDV'de üç kritik adım vardır. Birincisi, IDV'deki IDP Düğüm Bulma sonuçlarını değerlendirmektir. IDV'nin Düğüm Bulma sayfası yeni bir gen listesi ve istenirse bir gen ek açıklama dosyası oluşturabilir. Yeni bir gen listesinin küratörlüğü, hangi genlerin GRN hedefleri ve/veya düzenleyicileri olarak modellenilmesine izin verildiğini sınırlayarak potansiyel ağ alanını büyük ölçüde azalttığı için kritik bir adımdır. Ek olarak, GRN'ler çoğunlukla transkripsiyon faktörlerinden oluşturduğundan, gen ek açıklamalarına sahip olmak tutarlı GRN modellerinin oluşturulmasına büyük ölçüde yardımcı olacaktır.

Bir sonraki adım, IDV'deki sonuçları bulmak için IDP Edge'i değerlendirmektir. Ağ Bulma adımında örneklenecek ağ alanı bölgesini yerelleştirdiğinden, yeni bir çekirdek ağın küratörlüğünü yapmak kritik bir adımdır. Ancak, nereden başlayacağınızı bilmek her zaman açık değildir, bu nedenle, yüksek güven kenarları içeren bir ağ alanı bölgesinde başladığına dair güven sağlamak için bir tür deneysel kanıta sahip kenarların kullanılması önerilir. IDV'nin Edge Finding sayfası, tohum ağlarının kolayca bir şekilde birelenmesini sağlar ve ilişkili DSGRN ağ belirtim dosyasının yanı sıra düğüm ve kenar listelerini oluşturur.

Son adım, IDV'deki IDP Ağ Bulma sonuçlarını değerlendirmektir. IDV'nin Ağ Bulma sayfası, örneklenen ağların ve ağın gözlemlenen dinamikleri üretme kapasitesini tahmin eden ilişkili puanlarının kolayca araştırılmasını sağlar. Düğüm ve Kenar Bulma her zaman sonuç döndürürken (Düğüm Bulma'dan en az iki gen geçirilirse), Ağ Bulma sıfır sonuç döndürebilir. Bu nedenle, parametrelerdeki ayarlamaların gerekli olup olmadığını bilmek, Ağ Bulma'da Düğüm ve Kenar Bulma'dan daha açık olacaktır. Bulunan çok az veya hiç ağ bulunmayan bu tür oluşumlar, hangi ağların analiz edilebileceğine yerleştirilen kısıtlamaların bir sonucu olabilir. Bu kısıtlamalar şunlardır: 1) ağlar her zaman güçlü bir şekilde bağlı olsun veya etmesin, 2) her düğüme en az ve maksimum giriş kenarı sayısı, 3) düğüm ve kenar ekleme ve kaldırma olasılıkları ve 4) izin verilen düğümlerin ve kenarların eklenmesi ve kaldırılması. Şekil 2'de olduğu gibi çok az sayıda modele izin verilen ağ bulunursa veya hiç model kabul edilemezse, IDP belgelerine başvurmak, IDV'deki sonuçların daha sonra değerlendirilmesi ile IDP'nin herhangi bir veya tüm adımlarının yeniden haline getirilmesi konusunda rehberlik için önerilir.

Bu yaklaşımın geçerli bir sınırlaması, Düğüm Bulma sayfasının çoğunlukla hücre döngüsünün ve sirkadiyen saatin transkripsiyon programlarında görülenler gibi salınımlı dinamiklere odaklanmasıdır. Özellikle, IDP Düğüm Bulma adımı şu anda belirli bir dönemde salınımlı dinamikler sergileyen genleri aramak üzere yapılandırılmıştır. IDP, farklı transkripsiyonal dinamik türlerini ölçebilen analizleri içerecek şekilde genişledikçe, IDV de bu diğer davranışların görselleştirilmesini ve sorgulanmasını destekleyecek şekilde güncelleştirilecektir. Ağ Bulma adımında aranan ve analiz edilen ağların boyutu şu anda yaklaşık 10 gen gibi daha küçük boyutlu ağlarda sınırlıdır. DSGRN ölçeğindeki hesaplamalar kombinatorially gerçekleştiği için bu bir gerekliliktir. Başka bir sınırlama, seçilen bir ağ için model parametre alanını keşfetmenin IDV'de mümkün olmamasıdır. Ancak, belirli bir ağ için DSGRN ağ belirtim dosyası indirilebilir ve her model parametresiyle ilişkili dinamikler DSGRN Görselleştirme web sitesinde (https://sites.math.rutgers.edu/~gameiro/dsgrn_viz/) görselleştirilebilir. Son olarak, IDV Linux (Ubuntu) ve iOS (Big Sur) sistemleri kullanılarak test edilmiştir. IDV, Windows 10 kullanıcılarının linux ve IDV'yi farklı bir bilgisayara, sanal makineye veya çift önyükleme kurulumuna ihtiyaç duymadan çalıştırmasına izin veren Windows Linux Için Alt Sistemi (WSL) kullanılarak Windows 10'da test edilmiştir. IDV şu anda yerel Windows'ta çalışmıyor.

GRN'leri incelemek, doğal karmaşıklıkları nedeniyle zordur ve IDP gibi yararlı çıkarım araçlarının anlaşılması ve güvenle dağıtılması zor olabilir. IDV, gen ifade dinamiklerinin ötesinde ek bilgilerin dahil edilmesini kolaylaştırırken, IDP kullanılarak çıkarılan GRN'leri incelemenin karmaşıklığını azaltmak için bir yöntem sağlar. Burada açıklandığı gibi IDV'yi IDP ile birlikte kullanmak, araştırmacıları insan hücre döngüsü gibi iyi çalışılmış sistemlerin işlevsel modellerini geliştirmeleri ve analiz etmelerine güç verecektir. Ayrıca, bu araçlar, bir ^GRN24 tarafından kontrol edildiği şüphelenilen ancak henüz bir modelin önerilmeyeceği sıtma intra-eritrosik gelişim döngüsü gibi daha az anlaşılan süreçler için test edilebilir hipotezler üretecektir.

Materials

Name	Company	Catalog Number	Comments
Docker			https://docs.docker.com/get-docker/
Git			https://git-scm.com/
Inherent Dynamics Pipeline			https://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizer			https://gitlab.com/bertfordley/inherent_dynamics_visualizer
Miniconda			https://docs.conda.io/en/latest/miniconda.html
Pip			https://pip.pypa.io/en/stable/