هنا، نقدم بروتوكولا لاستخدام NetDecoder، أداة نمذجة الشبكات، لبناء شبكات تفاعل البروتينات الخاصة بالسياق وبناء نماذج فائدة جينية (GUMs). باستخدام بيانات النسخ، بالاقتران مع شبكات تفاعل البروتين والبروتين المنسقة (PPI)، يمكن NetDecoder تحديد الأهداف الرئيسية والشبكات الفرعية.
مقالة منهجية
بروتوكول NetDecoder لبناء شبكات تفاعل بروتينية محددة السياق من بيانات النسخ باستخدام نمذجة تدفق المعلومات
Easton Blissenbach1 , Cheng Zhang1 , Carter Caya1 , Ian D. Li1 , Zhuofei Zhang1 , Shizhen Zhu1,2 , Hu Li1,3,4 , Choong Yong Ung1 , Cristina Correia1
1Department of Molecular Pharmacology and Experimental Therapeutics, Mayo Clinic College of Medicine and Science, 2Department of Biochemistry and Molecular Biology, Mayo Clinic College of Medicine and Science, 3Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, 4Paul F. Glenn Center for Biology of Aging Research, Mayo Clinic
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعد تحليل التعبير التفريقي تقنية شائعة الاستخدام لتحديد الأهداف العلاجية المحتملة، لكنه يغفل عن تعقيد شبكات الجينات عبر المسارات البيولوجية. غالبا ما لا تفسر الجينات ذات التعبير العالي بالضرورة خصائص النمط الظاهري البيولوجي. تم تطوير NetDecoder، أداة علم الأحياء الشبكي التي تدمج بيانات النسخات مع شبكات تفاعل البروتين والبروتين (PPI) لنمذجة تدفق المعلومات الخاص بالسياقات، وفائدة الجينات، والحواف الرئيسية وشبكات الجينات المستخدمة بشكل تفاضلي، لمعالجة هذا القيد في تحليل التعبير التفاضلي.
هذا البروتوكول هو دليل سهل للمبتدئين خطوة بخطوة لاستخدام NetDecoder، مع إرشادات شاملة تشمل معالجة البيانات المسبقة، وتنفيذ NetDecoder، وتحليل المخرجات. يشمل سير العمل تكوين البرمجيات، وبناء الشبكات، وتحليل النمذجة المعتمدة على التدفق لقياس الفروق بين الجينات (العقدة) والتفاعل بين الجين (المستوى الحافي) بين الظروف البيولوجية. تشمل المخرجات الناتجة أهدافا رئيسية وأجهزة توجيه، وشبكات فرعية تفاضلية للجريان، وتوزيعات تدفق الحواف، مما يمكن من تحديد الجينات التنظيمية الرئيسية والمسارات المرتبطة بحالات بيولوجية محددة. بعد اتباع الخطوات الموضحة، سيتمكن الباحثون من إجراء أبحاث مستقلة لكشف تدفق الجينات الظاهري عبر الأنماط الظاهرية باستخدام بيانات النسخ النصية وشبكات مثبطات مضخة البروتون المختارة.
المقدمة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
غالبا ما يكون اختيار الجينات والمسارات المرتبطة بها للبحث العلاجي مدفوعا بتحليلات التعبير التفريقي1. تعد هذه الطريقة التحليلية فعالة في تحديد كيفية اختلاف التعبير الجيني بين حالتين أو أكثر. ومع ذلك، تعمل الجينات ضمن شبكات بيولوجية معقدة ومترابطة، مما يعني أن التعبير الجيني الفردي لا يلتقط بشكل كامل كيفية تفاعل الجينات في الشبكة وعلاقاتها بين الجيناتوالجينات. تدمج طرق الانتشار الشبكي التعبير الجيني مع شبكات التفاعل لتحديد الجينات البيولوجية المهمة التي قد تغفل عن التعبير التفريقيوحده 3. لا تحدد الأساليب الحالية بشكل صريح الأهمية الوظيفية للجينات وكيفية إعادة توزيع المعلومات البيولوجية داخل شبكات تفاعل البروتين والبروتين (PPI) عبر الظروف البيولوجية. لذلك، كان هناك حاجة إلى طريقة لنمذجة سلوك الشبكة الخاصة بالحالة وقياس التغيرات في تدفق المعلومات عبر الأنظمة البيولوجية. لتفسير كيفية تفاعل الجينات داخل شبكة بيولوجية أوسع، تم تطوير NetDecoder، منصة بيولوجيا الشبكات، لكشف جينات ذات أكبر فرق في تدفق المعلومات بين الحالات. يستخدم NetDecoder خوارزمية تدفق موجهة بالعمليات لترجمة المعرفة الحالية بشبكة PPI البشرية، إلى جانب بيانات تسلسل RNA بكميات كبيرة، لبناء نموذج للتفاعلات المدفوعة بتدفق المعلومات4.
باستخدام بيانات تدفق المعلومات للشبكات الظاهرية، يمكن تطوير نموذج منفعة جينية (GUM)5 لتحديد الجينات ذات تدفق المعلومات العالي باعتبارها ذات أعلى فائدة جينية شاملة داخل الشبكة، بغض النظر عن قيم التعبير التفاضلية لديها. يدعم هذا النهج استراتيجيات تحديد أولويات الأهداف بشكل أكثر فعالية، مما يوفر رؤى غالبا ما يغفلها التحليل التقليدي. على عكس طرق الشبكات التقليدية القائمة على التعبير التفاضلي أو الارتباط، يقوم NetDecoder بقياس كل من التغيرات الجينية (على مستوى العقدة) والتفاعل (مستوى الحواف) في تدفق المعلومات، مما يمكن من تحديد الجينات المهمة وظيفيا، حتى في غياب تغييرات التعبير الكبيرة 4,5. يستخدم NetDecoder على نطاق واسع في مجموعات بيانات تسلسل الحمض النووي الريبي الضخم التي تتضمن تحليلا مقارنا بين حالتين بيولوجيتين، مما يمكن من تحديد التغيرات في تدفق المعلومات وتنظيم الشبكة. على الرغم من أن NetDecoder يدعم دمج مجموعات بيانات الأوميكس الأخرى، بما في ذلك البروتيوميات وعلم الجينوميات فوق الجينومية، إلا أن البروتوكول الحالي يوضح بشكل خاص سير العمل باستخدام بيانات النسخ النصية. في هذه التطبيقات، يمكن للمستخدمين تعريف جينات المصدر بناء على البروتينات أو الجينات المنظمة فوق الوراثي، مما يسمح ببدء تحليل تدفق المعلومات من هذه الميزات الجزيئية. تمكن هذه المرونة من دمج أدلة الوسائط المتعددة في التحليلات الشبكية وتسهل اكتشاف آليات تنظيمية متعددة الوسائط الكامنة وراء الفروق الظاهرية.
تشمل تصاميم الدراسات الشائعة مقارنات ثنائية، بما في ذلك على سبيل المثال لا الحصر، الفرق بين المرض والحالات الصحية، والمستجيبين للعلاج مقابل غير المستجيبين، والعلاجات الدوائية، والتجارب بين الإسقاط أو الإسقاط مقابل التجربات الضابطة، وتحليلات انتقالات الحالة التطورية أو الخلوية. هدف هذا البروتوكول هو توضيح إطار عمل قابل للتكرار لتطبيق NetDecoder لاكتشاف جينات ذات تأثير شبكي متغير عبر الظروف البيولوجية. يتم تحقيق ذلك من خلال خطوات سهلة المتابعة لإعداد وتشغيل NetDecoder، بالإضافة إلى أمثلة يجب اتباعها مع تقنيات استكشاف الأخطاء الأساسية، كما تم توضيح طرق تفسير النتائج في البروتوكول.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
استخدمت هذه الدراسة مجموعات بيانات تسلسلية الحمض النووي الريبي المتاحة للجمهور ولم تشمل بشكل مباشر البشر أو الحيوانات. لذلك، لم تكن هناك حاجة لموافقة لجنة مراجعة مؤسسية أو موافقة مستنيرة.
ملاحظة: يتطلب NetDecoder ملفات الإدخال التالية: تعبير جيني موضع عبر حالتين بيولوجيتين محددتين؛ ملف بيانات وصفية يصف الظروف البيولوجية؛ قائمة بالجينات المصدرية لبناء الشبكات ونمذجتها؛ شبكة تفاعل البروتين والبروتين (PPI) من الملكية العامة؛ وشبكة مرجحة بالحافة (EWN) مصممة لكل حالة بيولوجية.
1. تحضير البيانات
- استرجاع بيانات تعبير التسلسل الضخم للRNA والبيانات الوصفية
- قم بتنزيل بيانات تسلسل الحمض النووي الريبي (مصفوفة عدد التعبيرات الجينية الخام وأسماء العينات) والبيانات الوصفية المقابلة (أسماء العينات، الظروف، إلخ) من مستودع عام مثل Geo Expression Omnibus (GEO)، أو استخدم مجموعات بيانات تجريبية مولدة في المختبر. عادة، تكون هذه مصفوفة تمثل فيها الصفوف أسماء الجينات والأعمدة تمثل أسماء العينات.
ملاحظة: تم الحصول على مجموعة البيانات النموذجية المستخدمة لإثبات هذا البروتوكول من مستودع الموسوعة الوطنية لبيانات أوميكس (NODE) (قاعدة بيانات BioSino) بموجب ملحق OEP0011056. يمكن للمستخدمين استبدال مجموعات بيانات تسلسل الحمض النووي الريبي الجماعي الخاصة بهم. - إنشاء ملف توضيح نموذجي (بيانات وصفية) من خلال تضمين أسماء العينات ومجموعاتها أو شروطها المرتبطة؛ على سبيل المثال، "السيطرة" و"المرض" هما نوعان شائعان من الحالات. تأكد من تطابق أسماء العينات بين ملفات البيانات الوصفية وملفات التعبير.
- قم بتنزيل بيانات تسلسل الحمض النووي الريبي (مصفوفة عدد التعبيرات الجينية الخام وأسماء العينات) والبيانات الوصفية المقابلة (أسماء العينات، الظروف، إلخ) من مستودع عام مثل Geo Expression Omnibus (GEO)، أو استخدم مجموعات بيانات تجريبية مولدة في المختبر. عادة، تكون هذه مصفوفة تمثل فيها الصفوف أسماء الجينات والأعمدة تمثل أسماء العينات.
- بيانات التعبير المجمعة والبيانات الوصفية
- تأكد من أن مصفوفة البيانات المولدة تتضمن أعداد التعبيرات، وأسماء الجينات، وملف بيانات وصفية يحتوي على أسماء وشروط العينة. إذا لزم الأمر، استخدم حزمة R مثل org. Hs.eg.db (بشري) أو AnnotationDbi لمطابقة معرفات جينية مختلفة.
- قم بقص المعلومات غير الأساسية من ملف البيانات الوصفية باستخدام R أو لغة برمجة مشابهة.
- اجمع المعلومات من ملفات عد التعبيرات في ملف واحد لتسهيل التلاعب.
- تصفية بيانات التعبير
- قم بمعالجة مصفوفة بيانات تعبير الجين مسبقا عن طريق استبعاد النسخ الجينية، والقيم الصفرية (NA)، وانخفاض التعبير (<10 عددا إجماليا)، و/أو الجينات ذات التباين المنخفض، وغيرها.
- معالجة البيانات المسبقة
- تطبيع تسلسل الحمض النووي الريبي وتحليل التعبير التفاضلي
ملاحظة: هذه الخطوة هي واحدة (1.4.1) من طريقتين (1.4.2) لاختيار الجينات لإنشاء شبكة الحافة المرجحة (EWN) واختيار الجينات المصدر (الخطوات 1.5–1.6) عند بدء التحليل من بيانات تسلسل الحمض النووي الريبي الضخم. بدلا من ذلك، يمكن استخدام مطابقة القوالب المعتمدة على الارتباط من بيرسون من خلال الانتقال إلى الخطوة 1.4.3.- قم بإجراء تحويلات معرف الجينات في هذه المرحلة باستخدام حزمة R، AnnotationDbi، بالتزامن مع حزم الكائنات الفردية. يستخدم NetDecoder رموز جينية (مثل معرف الجين) التي تتطابق مع مثال PPI.
- إجراء تحليل التطبيع والتعبير التفاضلي بين حالتين باستخدام حزم R ليما، إيدجر، ديسك2، أو أدوات مماثلة.
- إذا كنت تستخدم DESeq2، قم بإنشاء مجموعة بيانات DESeq باستخدام دالة DESeqDataSetFromMatrix() مع مصفوفة عد (جينات وعينات) وبيانات وصفية للعينة (شروط) كمدخل.
- استخدم دالة DESeq() مع الإعدادات الافتراضية على الكائن الذي تم إنشاؤه في الخطوة 1.4.1.3 لحساب قيم التعبيرات التفاضلية.
- احفظ النتائج في مصفوفة بيانات تحتوي على معرفات جينية (معرف الجين) كأسماء صفوف ومخرجات رئيسية بما في ذلك تغيير الطي log2 (log2FC)، وقيمة p، وقيمة p المعدلة كأعمدة.
- اختياريا، تصفية النتائج حسب قيمة p المعدلة (<0.05) و/أو قيم log2FC (على سبيل المثال: |log2FC| > 1) باستخدام dplyr أو أداة مماثلة.
- تأكد من تصدير جميع قوائم الجينات المعالجة ومصفوفات تغيير اللوغ2 كملفات محددة بعلامات التبويب (.txt أو .csv) لإدخالها في NetDecoder.
- قم بإجراء مقارنات زوجية للخطوة 1.4.1 إذا تم استخدام أكثر من حالتين بيولوجيتين والحصول على نتائج زوجية باستخدام دالة results() من كائن DESeq المولد في الخطوة 1.4.1.5.
- تطبيع تعبير المصفوفة الدقيقة - اختياري
ملاحظة: إذا كنت تستخدم بيانات المصفوفات الدقيقة، قم بهذه الخطوة لتطبيع البيانات.- تطبيع البيانات عن طريق فتح سكريبت تطبيع NetDecoder (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize. R)، متاحة من https://github.com/HuLiLab/NetDecoder_Example/tree/main، في منصة تطوير R وتحرير الجزء المائل ليطابق الدليل العامل الذي يحتوي على ملفات شدة الخلايا (CEL).
setwd(~/NetDecoder_Example/raw_data/CEL_files)
- تطبيع البيانات عن طريق فتح سكريبت تطبيع NetDecoder (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize. R)، متاحة من https://github.com/HuLiLab/NetDecoder_Example/tree/main، في منصة تطوير R وتحرير الجزء المائل ليطابق الدليل العامل الذي يحتوي على ملفات شدة الخلايا (CEL).
- مطابقة القوالب - اختيارية
ملاحظة: هذا هو النهج الاختياري الثاني إذا لم يتم إجراء تحليل التعبيرات التفاضلية (كما هو موضح في الخطوات 1.1–1.4.1 من "إعداد البيانات").- بالنسبة لبيانات تسلسل الحمض النووي الريبي التي لا تتم معالجتها عبر ليما وedgeR وDESeq2، قم بإجراء التطبيع خارجيا قبل تطبيق مطابقة القالب. لبيانات المصفوفات الدقيقة، استخدم قيم التعبير المطبعة المولدة في الخطوات 1.1–1.4.2 مباشرة.
- اختر شرط التحكم كقالب أساسي للتعبير الجيني وقارن قيم التعبير الجيني الطبيعية من جميع الحالات الأخرى ذات الاهتمام.
- احسب معاملات ارتباط بيرسون بين ملف تعبير كل جين والقالب المختار. يوصى بالاحتفاظ بالجينات التي تظهر ارتباطات ذات دلالة إحصائية (p < 0.05) ومعامل ارتباط مطلق أعلى من عتبة يحددها المستخدم (مثل |r| > 0.7).
- تطبيع تسلسل الحمض النووي الريبي وتحليل التعبير التفاضلي
- اختيار الجينات المصدرية
ملاحظة: المدخل لهذه الخطوة يتكون من مصفوفة التعبير الجيني المعدل التي تم تطويرها في الخطوات 1.1–1.4.- اختر مجموعة من الجينات المهمة لتستخدم كجينات مصدر. بالنسبة لسير العمل المعتمد على التعبيرات التفاضلية، اختر عتبات قيمة p المعدلة وعدد log2FC (مثل قيمة p-value adj < 0.05 و |log2FC| > 2). لسير عمل مطابقة القوالب، اختر جينات المصدر من الجينات ذات الصلة ذات الدلالة التي تم تحديدها في الخطوة 1.4.3.3 باستخدام عتبات الارتباط والدلالة المختارة. يجب اختيار العتبات لإنتاج حوالي 300–1000 جين لبناء الشبكات في المرحلة اللاحقة.
ملاحظة: جينات المصدر هي المكان الذي يبدأ فيه تدفق المعلومات وينتشر عبر الشبكة.
- اختر مجموعة من الجينات المهمة لتستخدم كجينات مصدر. بالنسبة لسير العمل المعتمد على التعبيرات التفاضلية، اختر عتبات قيمة p المعدلة وعدد log2FC (مثل قيمة p-value adj < 0.05 و |log2FC| > 2). لسير عمل مطابقة القوالب، اختر جينات المصدر من الجينات ذات الصلة ذات الدلالة التي تم تحديدها في الخطوة 1.4.3.3 باستخدام عتبات الارتباط والدلالة المختارة. يجب اختيار العتبات لإنتاج حوالي 300–1000 جين لبناء الشبكات في المرحلة اللاحقة.
- بناء شبكة مرجحة بالحافة (EWN) لكل نمط ظاهري
ملاحظة: المدخلات التالية مطلوبة لهذه الخطوة: مصفوفة تعبير الجين التطبيع المطورة في الخطوات 1.1–1.4؛ شبكة تفاعل البروتين والبروتين (PPI) مهيأة كقائمة حواف (أزواج geneA-geneB)؛ ملف تعليق توضيحي للعينة (بيانات وصفية) يحدد تسميات الحالة البيولوجية لكل عينة. شبكة PPI مشتركة ككائن R وتم إنشاؤها بناء على قاعدة بيانات البروتين iRefIndex. النسخة المستخدمة في هذا البروتوكول تشمل جميع التفاعلات المباشرة، لكن تم استبعاد الحلقات الذاتية وعدة حواف. تحتوي شبكة مثبطات مضخة البروتون على 15,608 بروتينا و180,044 تفاعلا. لمزيد من التفاصيل، راجع القسم4 من NetDecoder-Methods.- افتح سكريبت شبكة الحافة المرجحة (EWN) من NetDecoder (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R، يمكن الوصول إليه من https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4، في منصة تطوير R.
- قم بتحرير أجزاء السكريبت، المشار إليها بالتعليقات (ومكتوبة بخط مائل أدناه)، لتعيين مسارات وملفات إدخال مخصصة للمستخدم لتطوير EWN.
الطريق<~/NetDecoder_Example/input/
هذا هو المسار إلى الدليل العامل
expQuery <- get(load("expBreastCancer_15Set2014.R")
هذا مثال على كائن مصفوفة تعبير مطبعة Rdata
stQuery < read.csv("stBreastCancer.csv")
هذه هي البيانات الوصفية النموذجية - قم بتصفية مصفوفة التعبير للاحتفاظ فقط بالجينات الموجودة في شبكة مثبطات مضخة البروتون.
- لكل حالة، يتم أخذ عينات من المجموعات الفرعية حسب النمط الظاهري وحساب الارتباطات الزوجية بين الجينات عبر جميع الحواف المحددة في شبكة PPI باستخدام ارتباط بيرسون. احسب الارتباطات باستخدام مصفوفة التعبير المعالجة والمطبرة التي تم إنشاؤها في الخطوة 1.4.
- لكل زوج جيني، احسب معامل الارتباط، والارتباط المطلق، وقيمة p المرتبطة به.
- إزالة الحالات غير المكتملة (مثل قيم NA).
- تصدير شبكة واحدة مرجحة بالحافة لكل حالة كملف محدد بالتبويب (بدون رأس) مع الأعمدة التالية: proteinA، proteinB، abs_cor، cor، و pvalue.
- نفذ سكريبت R لإنشاء شبكات تعبيرات مشتركة لجميع الحالات ذات الصلة.
2. تثبيت وتكوين NetDecoder
- تحميل NetDecoder
- يمكنك الوصول إلى برنامج NetDecoder عبر (https://netdecoder.hulilab.org/#ver)، مختارا R أو Java.
- تثبيت البرنامج المطلوب
- قم بتثبيت Oracle JDK و R لبيئات العمل والتحليل.
- تثبيت حزم R المطلوبة كما هو مذكور في وثائق NetDecoder، باستخدام Bioconductor (https://netdecoder.hulilab.org/#ver)4.
- تبعيات التحميل
- قم بتنزيل التبعيات اللازمة ل NetDecoder، والتي تشمل بيانات أنطولوجيا الجينات (المتاحة من https://geneontology.org/docs/download-ontology/)، بالإضافة إلى دليل مرجعي لارتباط الجينات (يمكن الوصول إليه من https://www.ebi.ac.uk/GOA/human_release).
- إعداد الدليل العامل
- انقل جميع الملفات التي تم تنزيلها (بيانات التعبير، شبكات التعبير المشترك المولدة لكل حالة، بيانات أنطولوجيا الجينات، ودليل مرجعي الارتباط) في مجلد واحد، والذي سيكون دليل عمل NetDecoder.
- أضف المجلد اللازم
- قم بتحميل مجلد NetDecoder (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) إلى دليل العمل الخاص ب NetDecoder.
- قم بفك ضغط مجلد NetDecoder.
3. تشغيل NetDecoder
- افتح نص التحليل
- افتح طرفية تعمل ب GNU Bash وانتقل إلى دليل NetDecoder العامل.
- شغل أمر nano NetDecoder_Analysis.sh لفتح سكريبت bash.
- تعديل السكريبتات
ملاحظة: معظم الكود مكتوب بالفعل. في هذه الخطوة، يتم تحديد المعايير المطلوبة في السكربت في المواقع المشار إليها.- اصنع اسما قصيرا:
عدل الجزء المائل ليكون الشروط التي تتم مقارنتها: myshortname='Your_shortname_here' - حدد مسارات البرمجيات:
قم بتحرير تعريفات المسارات الثلاثة التالية إلى المسارات الصحيحة عن طريق تعديل الأجزاء المائلة:
جافا="/طريقك/هنا"
تصدير R="/طريقك/هنا"
الاسم المستعار R="/your/path/here" - تعيين دليل العمل:
عدل الجزء المائل ليكون الدليل العامل الذي سيتم الوصول إليه من جميع الملفات من: INPUT_DIR="/your/path/here" - Set مكتبة NetDecoder:
قم بتعديل الجزء المائل ليكون المسار إلى مكتبة NetDecoder المثبتة في الخطوة 2.4 من ملف zip: LIB_DIR="/your/path/here/netdecoder_lib" - تحديد أنطولوجيا الجينات ومسارات الارتباط:
عدل الأجزاء المائلة التالية من الدليلين إلى مواقع ملفات الأنطولوجيا/الارتباط الجيني المفضلة.
رمز=$LIB_DIR/gene_association_file
GO=$INPUT_DIR/gene_ontology_file - اضبط حجج الإدخال:
قم بتحديث الأجزاء المائلة من الأسطر الخمسة التالية وفقا للبيانات، وفقا للتعليمات المعلقة الموجودة في سكريبت NetDecoder المرجعي.
geneList=$INPUT_DIR/gene_file
state_trt=الحالة المعالجة
state_ref=شرط المرجع
PPI_trt=$INPUT_DIR/treated_co_expression_network_file
PPI_ref=$INPUT_DIR/مرجع_co_expression_network_file - جهز المشهد المناسب:
قم بإلغاء التعليق (بإزالة رمز #) للمرحلة المطلوبة من التنفيذ، وأعد تعليقه بعد الانتهاء من المرحلة. المرحلة الأولى هي gen_net_trt، تليها gen_net_ref، ثم مرحلة التحليل، وأخيرا مرحلة الجمع.
حدد المرحلة المطلوبة للتنفيذ، بدءا من المرحلة الأولى.
#STAGE="gen_net_trt"
#STAGE="gen_net_ref"
#STAGE="تحليل"
#STAGE="جمع" - التوجه إلى محطة باش الرئيسية:
اضغط Ctrl+X، ثم Y للحفظ والخروج من سكريبت الباش.
- اصنع اسما قصيرا:
- تنفيذ NetDecoder
ملاحظة: إذا تم تشغيله بنجاح، تظهر رسائل التسجيل في الطرفية.- انتقل إلى المحطة وشغل ./NetDecoder_Analysis.sh.
- نفذ المراحل بالترتيب المدرج في الخطوة 3.2.7 حتى يتم إكمال المراحل الأربع بشكل فردي.
- استرجاع النتائج
- انتقل إلى ملفات الإخراج والملخصات الرسومية.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
كما هو موضح في الشكل 1، يعمل NetDecoder من خلال سير عمل منظم يتكون من معالجة البيانات، وتكوين الشبكة، والتحليل القائم على التدفق، مع تنظيم المخرجات في أدلة مميزة تتوافق مع كل مرحلة من مراحل خط الأنابيب. يتيح هذا الهيكل المعياري التحقق المنهجي من المخرجات، مما يضمن تتبع النتائج إلى كل خطوة حسابية ويدعم إمكانية إعادة الإنتاج بشكل عام.
ينتج تنفيذ NetDecoder بنجاح (الشكل 2) مخرجات عبر أربعة أدلة (تحليل، جمع، شبكات، و"your_shortname") تحتوي على بيانات تتوافق مع ظروف مختلفة، بما في ذلك الأشكال والمخرجات الكمية لقيم التدفق، والشبكات الفرعية، ومخرجات تفاعل التدفق الأخرى (الشكل 1، الشكل 2، والشكل 3). وجود ملفات وأشكال مملوءة عبر هذه الأدلة يشير إلى أن خط الأنابيب تم تنفيذه بشكل صحيح. على النقيض من ذلك، تتميز الجولات الفاشلة بنتائج مفقودة و/أو أرقام غير مكتملة. نظرا لأن NetDecoder يقيم آلاف الجينات داخل شبكة PPI، فإن الجليعات الناجحة عادة ما تتطلب ساعات متعددة من الحساب، اعتمادا على حجم مجموعة البيانات والموارد المتاحة. بالنسبة لتحليل سرطان المجرى الصفراوي البشري التمثيلي المعروض هنا، تطلب تنفيذ NetDecoder وقت تشغيل يقارب 4–6 ساعات على محطة عمل Puget3 (Puget Systems) المبنية على لينكس. قد تشير أوقات التشغيل القصيرة بشكل غير معتاد إلى بيانات إدخال غير منسقة بشكل صحيح أو تنفيذ خط أنابيب غير مكتمل. قد تؤدي بيانات الإدخال غير المهيأة بشكل صحيح أو فشل تنفيذ خط الأنابيب إلى ظهور رسائل خطأ يمكن تتبعها إلى سبب المشكلة. يوضح الشكل 3 المخرجات التمثيلية التي تظهر بعد تنفيذ ناجح ل NetDecoder. استخدم التحليل التمثيلي هنا بيانات تسلسل الحمض النووي الريبي من 255 عينة من سرطان المسار الصفراوي (OEP001105)6، مما مكن من مقارنة حالات المرض في المراحل الأولى والثانية والثالثة إلى الرابعة وتغير تدفق المعلومات بين الحالات.
تلخص الخرائط الحرارية الثلاث في الشكل 4 التغيرات العامة في تدفق معلومات الشبكة بين الجينات عبر الظروف، بما في ذلك جينات الموجه التي تنقل تدفقا كبيرا للمعلومات داخل الشبكة، أو الجينات المستهدفة المهمة في المراحل النهائية، أو الجينات العامة المتأثرة بشدة. يشير التوزيع الواسع لكل من التدفق التفاضلي الموجب والسلبي إلى أن المعلومات تعاد توزيعها عبر الشبكة، بدلا من زيادتها أو تناقص بشكل موحد. هذا التباين وتنوع أنواع الجينات يدعم قدرة NetDecoder على تحديد الجينات ذات الأهمية الوظيفية المتغيرة بين الأنماط الظاهرية.
يوضح الشكل 4 أيضا مخططات شريط على مستوى الحافة تحدد تغيرات التدفق لتفاعلات زوج الجينات الفردية عبر الظروف. تظهر هذه النتائج أن التدفق عبر التفاعلات المحددة يمكن أن يختلف عبر الظروف، مما يعكس إعادة توصيل الشبكة المعتمدة على السياق. لذا، يلتقط تدفق الحافة التغيرات على مستوى التفاعل في نقل المعلومات، بينما يوفر التدفق التفاضلي ملخصا على مستوى العقدة لهذه التغيرات، مما يمكن من ترتيب أولويات الجينات التي لديها أكبر تحول إجمالي في تأثير الشبكة.
معا، تظهر هذه المخرجات أن NetDecoder يلتقط تغييرات جينية (على مستوى العقدة)، وجين-جين (على مستوى الحافة)، وعلى مستوى الشبكة في تدفق المعلومات داخل الشبكات البيولوجية (الشكل 4). تحدد خرائط الحرارة الجينات التي تغيرت في انتشار المعلومات وتوجيهها واستقبالها في الشبكة، بينما تكشف التحليلات على مستوى الحافة عن التفاعلات المحددة التي تدفع هذه التغيرات. توفر شبكات المعلومات الخاصة بالنمط الظاهري تمثيلا بصريا لإعادة توصيل الشبكة بين الظروف، حيث تمثل العقد الجينات وسمك الحواف يتوافق مع مقدار تدفق المعلومات (الشكل 4). يدعم هذا التمثيل على مستوى النظام تحديد الجينات التنظيمية الرئيسية والمسارات المرتبطة بالحالات التي تدرس. علاوة على ذلك، يشير الإنتاج الناجح لهذه الأرقام إلى أن NetDecoder قد تم تنفيذه بشكل صحيح.
نظرا لأن NetDecoder ينتج عددا كبيرا من ملفات الإخراج، فإن تحديد النتائج الأكثر صلة أمر ضروري للتفسير. على سبيل المثال، لفحص فروق التدفق بين الظروف (مثل المرحلة المنخفضة مقابل المرحلة العليا)، يمكن استخدام ملفين رئيسيين (تسترشد خطوات التنقل بواسطة هيكل الملف في الشكل 3). الأول، "EDGE_CENTERED_SUBNET_flowDifference_المرض.txt" (الموجود في دليل التحليل/المرض )، يحدد التفاعلات (الحواف) التي تشهد أكبر تغيرات في تدفق المرض بين الحالات. الثانية، "flowDifference_PRIORITIZED_NETWORK.txt" (الموجودة في دليل "your_shortname" )، تحدد الجينات (العقد) التي لديها أكبر اختلافات في التدفق. معا، توفر هذه الملفات رؤية شاملة لكل من التغيرات على مستوى التفاعل والجينات في سلوك الشبكة.
بشكل أوسع، يحتوي مجلد "التحليل" على معلومات عن أجهزة توجيه الشبكة، والأهداف الرئيسية، وجينات التدفق التفاضلي المهمة. يحتوي مجلد "your_shortname" على ملفات نصية خام تحتوي على بيانات خاصة بالنمط الظاهري، مثل قيم التدفق الكلي والأهداف الرئيسية والموجهات. يحتوي مجلد الشبكات على الشبكات الفرعية التي يولدها NetDecoder، والتي يمكن تحليلها وتصويرها بشكل أعمق في Cytoscape7. أخيرا، يحتوي مجلد "الجمع" على بيانات موحدة وأرقام تقدم ملخصا عاما للنتائج. يمكن إجراء المزيد من التصور والتحليل لنتائج NetDecoder باستخدام حزم R مثل ggplot2، igraph، pheatmap، وغيرها.
الشكل 1: تمثيل خط أنابيب NetDecoder والوظائف العامة. يتطلب NetDecoder ثلاث مراحل عامة (الصندوق الأصفر): معالجة البيانات، تكوين NetDecoder، وتنفيذ NetDecoder. يجب اتباع كل خطوة من هذه المراحل عن كثب لضمان تحقيق نتائج ناجحة. يتطلب NetDecoder بيانات تعبير من حالتين (أمثلة في الصندوق الأخضر) للتنبؤ بالجينات التي قد تكون مرتبطة بتدفق معلومات عالي وفائدة جينية. في تشبيه صنبور الماء، يتم توضيح مستويات التعبير الجيني من خلال حجم الصنبور، أي مدى يمكن أن يفتح، بينما تعكس فائدة أو نشاط الجين تدفق الماء الفعلي عبر الصنبور، مما يوضح مدى استخدام هذا الطريق وظيفيا. كما هو موضح في الشكل، الجين عالي التعبير (حجم الصنبور الكبير) يمكن أن يكون له فائدة جينية منخفضة (انخفاض تدفق الماء)، بينما الجين ذو مستوى تعبير منخفض (حجم صنبور صغير) يمكن أن يكون له فائدة جينية عالية (مستويات عالية من تدفق الماء). هذا يوضح كيف يمكن أن تكون الجينات ذات أهمية عامة أعلى في حالة معينة، حتى لو كانت مستويات التعبير أقل من تلك الخاصة بجين آخر. يوضح الرسم التوضيحي في الأسفل في المنتصف كيف يمكن أن تكون الجينات مترابطة وتمر بمستويات مختلفة من التدفق (اللون)، بغض النظر عن مدى تعبيرها (الحجم). تم إنشاؤه في BioRender. بليسنباخ، إ. (2026) https://BioRender.com/8okynbu. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2: سير العمل العام ل NetDecoder. المبدأ الأساسي لخوارزمية NetDecoder هو نمذجة فائدة الجينات في شبكة تفاعل البروتين (PPI) من خلال تحليل تدفق المعلومات. يبدأ سير العمل بمعالجة البيانات المبدئية وبناء الشبكة المرجحة على الحافة (EWN). تتم معالجة بيانات التعبير الجيني من حالتين بيولوجيتين، النمط الظاهري 1 (P1) والنمط الظاهري 2 (P2)، لتحديد الجينات المصدر باستخدام طرق التعبير التفريقي أو مطابقة القوالب. ثم تستخدم مصفوفات التعبير الممطبعة لبناء شبكات EWN خاصة بالشرط، حيث تعكس أوزان الحواف علاقات أزواج الجينات في كل نمط ظاهري. يقوم NetDecoder لاحقا بقياس الفروقات في تدفق المعلومات بين الحالات، مما يمكن من تحديد أحداث إعادة توصيل الشبكة والتغيرات في فائدة الجينات. تشمل النتائج درجات تدفق المعلومات التفاضلية، وشبكات معلومات خاصة بالسياق، وخرائط حرارية لدرجات التأثير، ومقاييس إضافية على مستوى الشبكة والجينات تسهل التفسير البيولوجي اللاحق والاكتشاف الآلي. تم إنشاؤه في BioRender. كوريا، سي. (2026) https://BioRender.com/29cmswf. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3: مخرجات NetDecoder وبنية المجلدات. يمثل هذا المخطط هيكل دليل الإخراج المستخدم للوصول إلى ملفات النتائج للتفسير. ترمز أسماء المجلدات (على أيقونات المجلدات) بالخط المائل، وتلك الموجودة في علامات اقتباس تكون خاصة بتسمية التحليل. تشير القيم على أيقونات صندوق الوارد إلى إما الملفات أو أنواع الملفات، حسب ترميز الألوان. يشير الأحمر إلى أنواع الملفات التي يمكن العثور عليها في كل مجلد، بينما تظهر ملفات المفاتيح بالخط العريض وتحت خط (flowDifference_PRIORITIZED_NETWORK.txt و EDGE_CENTERED_SUBNET_flowDifference_Disease.txt). تم الحصول على أيقونات المجلدات من icons8 (https://icons8.com). تم إنشاؤه في BioRender. بليسنباخ، إ. (2026) https://BioRender.com/8okynbu. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4: مثال على النتائج التي يولدها NetDecoder. جينات التأثير (A)، وأجهزة التوجيه الشبكية (B)، وخرائط الحرارة الرئيسية (C)، بالإضافة إلى الشبكات الخاصة بالسياق (D) ورسوم شريط تدفق الحواف (E)، هي مخرجات رئيسية من NetDecoder. في هذا المثال، تم استخدام مجموعة بيانات تعبير السرطان في المسار الصفراوي (OEP001105) لمقارنة المرضى الذين يعانون من مرض في المراحل المبكرة (المراحل I-II، المنخفضة) ومرض المرحلة المتقدمة (المراحل III-IV، عالية)، وتم تطبيق NetDecoder لتحديد الجينات التي تحتوي على معلومات تفاضلية عالية بين المجموعتين. يظهر كل رسم بياني اللون الأحمر الذي يشير إلى زيادة التدفق والأزرق يشير إلى انخفاض التدفق. أجهزة التوجيه الشبكي (B) هي جينات وسيطة رئيسية حيث تمر كميات كبيرة من التدفق (جمع/Disease_Network_routers.pdf)، والأهداف الرئيسية (C) هي منظمات مهمة في الأسفل (collect/Disease_Key_targets.pdf)، وتمثل خريطة الحرارة لفرق التدفق التغير العام في تدفق المعلومات على مستوى الجين بين الظروف (تحليل/flowDifference_heatmap.pdf). يمكن تصور شبكة معلومات محددة بالنمط الظاهري (D)، حيث يمثل كل جين عقدة وتفاعلات الجين والجين كحواف (خطوط) (تحليل/EDGE_CENTERED_SUBNET_Disease). سمك الحواف يتوافق مع حجم تدفق المعلومات بين الجينات. يظهر الرسم البياني الشريطي (E) اختلافات في تدفق الحواف عبر تفاعلات الجينات والجين بين الظاهرتين المختارتين، حيث تمثل أزواج المرحلة المنخفضة باللون الفيروزي وأزواج المرحلة العليا باللون البرتقالي (تحليل/Disease_keyEdges.pdf). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يوضح هذا البروتوكول تنفيذ NetDecoder، وهو إطار بيولوجي شبكي يدمج بيانات التعبير الجيني مع شبكات تفاعل البروتين والبروتين (PPI) لنمذجة تدفق المعلومات الخاص بالحالة وترتيب أولويات الجينات بناء على تأثيرها الوظيفي داخل الأنظمة البيولوجية. يعتمد التطبيق الناجح لهذه الطريقة على عدة خطوات حاسمة، واختيارات منهجية دقيقة، وتفسير صحيح للمخرجات.
تشمل المراحل الأولى من البروتوكول استرجاع بيانات التعبير، وتوليد البيانات الوصفية، وبناء مصفوفة تعبير موحدة. تعد هذه الخطوات ضرورية لضمان التوافق مع التحليل اللاحق. يجب تنسيق مصفوفة التعبير باستخدام الجينات كصفوف والعينات كأعمدة، مع تطابق أسماء العينات في المصفوفة وملف البيانات الوصفية بشكل متطابق. أي تناقضات في هذه المرحلة (مثل معرفات العينات غير المتطابقة أو أسماء الجينات المكررة) ستنتشر عبر خط الأنابيب وتؤدي إلى أعطال في الخطوات اللاحقة.
تصفية البيانات منخفضة الجودة (مثل الجينات ذات العدد المنخفض، أو القيم المفقودة، أو الجينات ذات التباين المنخفض) أمر مهم بشكل خاص، حيث يمكن لهذه الميزات إدخال الضوضاء في بناء الشبكات المعتمدة على الارتباط. يتم الإشارة إلى خطوة المعالجة المسبقة الناجحة بمصفوفة تعبير نظيفة بدون قيم مفقودة ومعرفات جينية متسقة تتطابق مع تلك المستخدمة في شبكة PPI.
نقطة قرار رئيسية في البروتوكول هي الاختيار بين تحليل التعبير التفاضلي ومطابقة القوالب لاختيار الجينات المصدر المستخدمة في بناء الشبكة المرجحة على الحافة (EWN). تحليل التعبير التفاضلي هو الأنسب عند مقارنة مجموعات تجريبية محددة جيدا مع عدد كاف من النسخ المكررة. يحدد هذا النهج الجينات التي لديها تغيرات تعبيرية ذات دلالة إحصائية بين الظروف، ويوفر مخرجات كمية مثل تغير log2 Fold (log2FC) وقيم p المعدلة. يشير التنفيذ الناجح إلى توزيع الجينات ذات الدلالة والجينات غير المعنوية، بدلا من النتائج الصفرية بشكل موحد. على النقيض من ذلك، يكون مطابقة القوالب أكثر ملاءمة عندما يكون الهدف هو تحديد الجينات ذات أنماط التعبير المرتبطة بملف تعريف مستمر أو مرجعي. تحتفظ هذه الطريقة بالجينات بناء على قوة الارتباط بدلا من مقدار التعبير التفاضلي. خطوة مطابقة القوالب الناجحة تعطي مجموعة من الجينات ذات الارتباط الإحصائي المهم مع الحالة المرجعية. يؤثر الاختيار بين هذين النهجين على طوبولوجيا الشبكة في المراحل النهائية؛ يؤكد التعبير التفاضلي على تغيرات المقادير، بينما يركز مطابقة القوالب على أنماط التعبير المنسقة.
تعد خطوة بناء شبكة EWN واحدة من أهم مكونات البروتوكول. هنا، يتم دمج بيانات التعبير الجيني المعدل مع شبكة PPI لحساب الارتباطات الزوجية بين الجينات والجينات لجميع التفاعلات الموجودة في الشبكة. يتم الاحتفاظ فقط بالجينات المشتركة بين مجموعة بيانات التعبير وشبكة PPI، مما يضمن الصلة البيولوجية والاتساق الحسابي. لكل شرط، يتم حساب معاملات ارتباط بيرسون عبر جميع الحواف، إلى جانب قيم p المقابلة وقيم الارتباط المطلق. تحدد هذه المقاييس أوزان الحواف التي يستخدمها NetDecoder. يشير نجاح بناء EWN إلى آلاف الارتباطات بين الجينات والجينات، وتوزيع واسع لقيم الارتباط، وأقل قيمة مفقودة بعد التصفية. غالبا ما يكون الفشل في هذه المرحلة بسبب عدم تطابق معرفات الجينات، أو حجم عينة غير كاف، أو بيانات تعبير غير مطبعة بشكل صحيح. غالبا ما يمكن حل نقاط الفشل الشائعة في NetDecoder من خلال التحقق المنهجي من ملفات الإدخال وتكوين البرامج. إذا انتهى NetDecoder بشكل غير متوقع أو أنتج مخرجات غير مكتملة، فسيحتاج المستخدمون إلى التحقق من أن معرفات العينات متطابقة بين مصفوفات التعبير وملفات البيانات الوصفية، وأن معرفات الجينات متسقة عبر مجموعات بيانات التعبير، وقوائم الجينات المصدرية، وشبكة PPI، وأن مصفوفات التعبير لا تحتوي على قيم مفقودة. إذا حدثت أخطاء أو نتائج مختصرة، يمكن للمستخدمين التحقق من توافق تثبيت البرنامج وإصداراته، وفحص رسائل السجل التي تم إنشاؤها أثناء التنفيذ، وتأكيد الإكمال الناجح لكل خطوة وسيطة قبل الانتقال إلى التحليلات اللاحقة. يمكن أن يساعد فحص ملفات الإخراج و/أو رسائل وحدة التحكم في تحديد مصدر الخطأ قبل محاولة التحليلات اللاحقة. يتطلب NetDecoder تكوينا دقيقا لمسارات الملفات، ووسائط الإدخال، والتبعيات. تشمل الخطوات الرئيسية تحديد مسارات الدليل العامل والمكتبة، وملفات الأنطولوجيا والتعليقات الجينية، ومدخلات EWN الخاصة بالشرطة، وقوائم الجينات المصدرية.
نظرا لأن خط الأنابيب ينفذ على مراحل (توليد الشبكة لكلا الشرطين، التحليل، وجمع النتائج)، فإن الأخطاء في المراحل المبكرة ستمنع إكمال المراحل التالية بنجاح. التشغيل السليم ينتج عنه أربعة أدلة (تحليل، جمع، شبكات، "your_shortname"), كل منها يحتوي على نتائج خاصة بحالة معينة. مؤشر عملي آخر للتنفيذ الصحيح هو وقت التشغيل. عادة ما تتطلب عمليات التشغيل الناجحة عدة ساعات للمعالجة لأن NetDecoder يقيم شبكات التفاعل الكبيرة؛ غالبا ما تشير أوقات التشغيل القصيرة جدا إلى مدخلات غير مضبوطة أو خطوات حسابية متجاوزة.
يختلف NetDecoder بشكل أساسي عن الأساليب التقليدية لتحديد أولويات الجينات وتحليل الشبكات. طرق مثل تحليل شبكة التعبير المشترك للجينات المرجحة (WGCNA) تعتمد على بنية الارتباط، لكنها لا تدمج التدفق الاتجاهي أو تحدد كيف تنتقل المعلومات عبر الشبكة. وبالمثل، تحدد تحليلات إثراء المسارات9 تمثيل وظيفي مفرط، لكنها لا تأخذ في الاعتبار ديناميكيات مستوى التفاعل أو التغيرات في الاتصال الشبكي.
يستخدم NetDecoder نهجا متكاملا من خلال دمج بيانات التعبير الجيني مع شبكات PPI لنمذجة تدفق المعلومات حسب الحالة. من خلال قياس درجات الجين الفردية (مستوى العقدة) وتغيرات تدفق التفاعل (مستوى الحافة)، يلتقط كيف يتم إعادة برمجة هيكل الشبكة وتوجيه المعلومات بين الظروف. يتيح ذلك تحديد الجينات التي قد لا تظهر تعبيرا تفريقيا قويا مع الاستمرار في لعب دور مركزي في التوسط في سلوك الشبكة، بما يتوافق مع نموذج منفعة الجينات (GUM)5، الذي يفترض أن الجينات ذات تدفق المعلومات التفاضلي العالي تقود وظيفة الشبكة الخاصة بحالة معينة.
على الرغم من نقاط قوتها، لدى NetDecoder عدة قيود. أولا، هو إطار حسابي يستنتج أهمية الجينات بناء على تدفق معلومات الشبكة النمذجة بدلا من الأدلة التجريبية المباشرة10. وبالتالي، يجب تفسير تنبؤاتها على أنها فرضيات تتطلب التحقق من التجارب البيولوجية. تعد طرق التحقق الوظيفي، مثل دراسات إزالة الجينات11 أو اختبارات الاضطراب المستهدف12، ضرورية لتأكيد ما إذا كانت الجينات التي تم تحديدها كذات فائدة عالية بواسطة NetDecoder تؤثر فعلا على العمليات البيولوجية أو حالات الأمراض التي تدرسها. ثانيا، تعتمد الطريقة بشكل كبير على جودة واكتمال شبكة PPI الأساسية. نظرا لأن قواعد بيانات مثبطات مضخة البروتون غالبا ما تتحيز نحو الجينات المدروسة جيدا، فقد تكون التفاعلات الأقل توصيفا أقل تمثيلا كافيا، مما قد يحد من اكتشاف علاقات تنظيمية جديدة. يمكن أن يؤثر التفاوت في حجم العينة، وتصميم التجارب، وجودة البيانات أيضا على بناء الشبكة وحسابات التدفق في المرحلة النهائية. ثالثا، لا يفترض NetDecoder أن الحواف الثابتة تلتقط تدفق المعلومات الديناميكي بالكامل. بدلا من ذلك، يستنتج NetDecoder نشاطا خاصا بالسياقات ويحدد كمية تدفق المعلومات باستخدام شبكة PPI كأساس هيكلي، والذي يعمل كهيكل لتعريف فضاء التفاعلات البيولوجية المعقولة. ثم يتم إدخال السلوك الديناميكي عن طريق تراكب بيانات جزيئية خاصة بالحالة (مثل التعبير الجيني)، مما يعيد وزن أو ينشط مجموعات فرعية من الشبكة بطريقة تعتمد على السياق.
الهدف الأساسي ل NetDecoder هو نمذجة انتشار المعلومات فوق هيكل ثابت من PPI مع الحفاظ على العلاقات الكمية والمستمرة بين الجينات (العقد). على النقيض من ذلك، تقدم طرق مثل الشبكات البوليانية تمثيلا مبسطا وقابلا للتفسير للديناميكيات من خلال نمذجة نشاط البروتينات كحالات تشغيل/إيقاف منفصلة تحكمها التفاعلات المنطقية13. تم استخدام هذه الأساليب على نطاق واسع لدراسة شبكات تنظيم الجينات والإشارات تحت ظروف مختلفة 14,15,16. ومع ذلك، عادة ما تتطلب قواعد منطقية محددة مسبقا وتمييز حالات البروتين، وهو أمر قد يكون صعبا في تحديده على نطاق واسع لشبكات مثبطات مضخة البروتون البيولوجية الكبيرة وغير المتجانسة17. في هذا السياق، تمثل نمذجة الشبكات البوليانية اتجاها مكملا ل NetDecoder. بينما يلتقط NetDecoder تدفق المعلومات المستمر والكمي، فإن دمج الديناميكيات المنطقية القائمة على القواعد أو النماذج الهجينة المتقطعة والمستمرة يمكن أن يعزز قابلية تفسير سلوكيات الإشارات الخاصة بالشرط. لذلك، يمثل تطوير خوارزميات تدفق المعلومات على نمط بوليان طريقا واعدا للعمل المستقبلي.
تشمل الاتجاهات المستقبلية ل NetDecoder التكامل مع أنواع بيانات أوميك إضافية والتوسع إلى النسخ الخلوي الواحد لتحسين الدقة والسياق البيولوجي. على سبيل المثال، تهدف الأساليب القائمة على التعلم العميق للتنبؤ والحساب بالتعبير المكتوب المكاني إلى تحسين جودة البيانات واستعادة الإشارة، لكنها لا تنمذج تدفق المعلومات عبر شبكات التفاعل بشكل صريح18,19. دمج مستويات التحليل متعددة الأوميك يمكن أن يعزز قوة التنبؤ به بشكل أكبر ويؤدي إلى نتائج أكثر موثوقية. مع استمرار التطور المنهجي، ستتمكن NetDecoder من إنتاج طبقات متعددة من تدفق المعلومات، مما يوفر للعلماء التحقق من عدة أوميكس لبياناتهم المهتمة.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
لا توجد مصالح مالية متنافسة بين المؤلفين.
تم إنشاء الرسوم التوضيحية للشكلين 1 و2 باستخدام BioRender (BioRender.com).
شكر وتقدير
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
وقد دعم هذا العمل بمنح من مركز مايو كلينك للاكتشاف الطبي الحيوي، ومركز مايو كلينك الشامل للسرطان (NIH؛ P30 CA015083)، ومركز مايو كلينك للإشارات الخلوية في أمراض الجهاز الهضمي (NIH: P30DK084567)، ومؤسسة جلين للأبحاث الطبية، ومؤسسة V لأبحاث السرطان (S.Z.)، وبرنامج أبحاث السمنة الغذائية في مايو كلينك، وبرنامج المناعة والعلاج المناعي لسرطان ديفيد إف. ومارغريت تي. غروهنه، وعلوم شميت، والابتكار، والمعاهد الوطنية للصحة (NIH؛ U19AG74879، P50CA136393، R01CA240323، R03OD038392).
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| AnnotationDbi | Bioconductor | version 1.68.0 | Annotation و رسم خرائط الجينات |
| Bioconductor | Bioconductor | version 3.19 | إطار عمل لتحليل البيانات النسخية ونظام حزم يدعم DESeq2 و edgeR و limma و AnnotationDbi وقواعد بيانات الكائنات، إلخ. |
| Cytoscape | The Cytoscape Consoritum | version 3.10.4 | تصور الشبكة وتحليلها |
| DESeq2 | Bioconductor | version 1.46.0 | تحليل التعبير التفاضلي (مع النمذجة الأسية السالبة) |
| dplyr | Posit Software, PBC formerly RStudio, PBC | version 1.1.4 | معالجة البيانات وتحويلها |
| edgeR | Bioconductor | version 4.4.2 | تحليل التعبير التفاضلي المبني على العد |
| ggplot2 | Posit Software, PBC formerly RStudio, PBC | version 4.0.0 | تصور البيانات والرسم البياني |
| GNU Bash | GNU Project | System default | Bash، تنفيذ سكريبتات NetDecoder |
| igraph | igraph Development Team | version 2.1.4 | إنشاء الشبكة وتحليل الرسم البياني |
| Limma | Bioconductor | version 3.62.2 | النمذجة الخطية لتحليل التعبير الجيني |
| NetDecoder | Hu Li Laboratory, Mayo Clinic | (2024 Hu Li Lab) | بناء شبكات تفاعل البروتين المحددة بالسياق عبر نمذجة تدفق المعلومات |
| org.Hs.eg.db | Bioconductor | version 3.20.0 | قاعدة بيانات التعليق التوضيحي للجينات البشرية |
| Oracle JDK | Oracle Corporation | ≥ version 1.8 | بيئة تشغيل لتنفيذ NetDecoder |
| pheatmap | Raivo Kolde | version 1.0.13 | تصور التعبير وهيكل الارتباط |
| R | The R Foundation | version 4.4.2 | البيئة الأساسية لتحليل النسخ والشبكة |
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن