بروتوكول NetDecoder لبناء شبكات تفاعل بروتينية محددة السياق من بيانات النسخ باستخدام نمذجة تدفق المعلومات

Easton Blissenbach; Cheng Zhang; Carter Caya; Ian D. Li; Zhuofei Zhang; Shizhen Zhu; Hu Li; Choong Yong Ung; Cristina Correia

doi:10.3791/70869

يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

بروتوكول NetDecoder لبناء شبكات تفاعل بروتينية محددة السياق من بيانات النسخ باستخدام نمذجة تدفق المعلومات

85 مشاهدة

⸱

DOI:

10.3791/70869

⸱

يوليو 31, 2026

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

في هذه المقالة

ملخص

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.

الملخص

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

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 الجينات^{والجينات}. تدمج طرق الانتشار الشبكي التعبير الجيني مع شبكات التفاعل لتحديد الجينات البيولوجية المهمة التي قد تغفل عن التعبير التفريقي^{وحده 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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

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
1. 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.
2. 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.
بيانات التعبير المجمعة والبيانات الوصفية
1. 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.
2. قم بقص المعلومات غير الأساسية من ملف البيانات الوصفية باستخدام R أو لغة برمجة مشابهة.
3. اجمع المعلومات من ملفات عد التعبيرات في ملف واحد لتسهيل التلاعب.
تصفية بيانات التعبير
1. 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
1. 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.
  1. 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.
  2. إجراء تحليل التطبيع والتعبير التفاضلي بين حالتين باستخدام حزم R ليما، إيدجر، ديسك2، أو أدوات مماثلة.
  3. إذا كنت تستخدم DESeq2، قم بإنشاء مجموعة بيانات DESeq باستخدام دالة DESeqDataSetFromMatrix() مع مصفوفة عد (جينات وعينات) وبيانات وصفية للعينة (شروط) كمدخل.
  4. استخدم دالة DESeq() مع الإعدادات الافتراضية على الكائن الذي تم إنشاؤه في الخطوة 1.4.1.3 لحساب قيم التعبيرات التفاضلية.
  5. 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.
  6. اختياريا، تصفية النتائج حسب قيمة p المعدلة (<0.05) و/أو قيم log2FC (على سبيل المثال: |log2FC| > 1) باستخدام dplyr أو أداة مماثلة.
  7. تأكد من تصدير جميع قوائم الجينات المعالجة ومصفوفات تغيير اللوغ2 كملفات محددة بعلامات التبويب (.txt أو .csv) لإدخالها في NetDecoder.
  8. 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.
2. تطبيع تعبير المصفوفة الدقيقة - اختياري
  ملاحظة: إذا كنت تستخدم بيانات المصفوفات الدقيقة، قم بهذه الخطوة لتطبيع البيانات.
  1. 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)
3. 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").
  1. 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.
  2. اختر شرط التحكم كقالب أساسي للتعبير الجيني وقارن قيم التعبير الجيني الطبيعية من جميع الحالات الأخرى ذات الاهتمام.
  3. 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).
اختيار الجينات المصدرية
ملاحظة: المدخل لهذه الخطوة يتكون من مصفوفة التعبير الجيني المعدل التي تم تطويرها في الخطوات 1.1–1.4.
1. 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.
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.
1. 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.
2. 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
3. قم بتصفية مصفوفة التعبير للاحتفاظ فقط بالجينات الموجودة في شبكة مثبطات مضخة البروتون.
4. 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.
5. لكل زوج جيني، احسب معامل الارتباط، والارتباط المطلق، وقيمة p المرتبطة به.
6. إزالة الحالات غير المكتملة (مثل قيم NA).
7. تصدير شبكة واحدة مرجحة بالحافة لكل حالة كملف محدد بالتبويب (بدون رأس) مع الأعمدة التالية: proteinA، proteinB، abs_cor، cor، و pvalue.
8. نفذ سكريبت R لإنشاء شبكات تعبيرات مشتركة لجميع الحالات ذات الصلة.

2. تثبيت وتكوين NetDecoder

تحميل NetDecoder
1. يمكنك الوصول إلى برنامج NetDecoder عبر (https://netdecoder.hulilab.org/#ver)، مختارا R أو Java.
تثبيت البرنامج المطلوب
1. قم بتثبيت Oracle JDK و R لبيئات العمل والتحليل.
2. تثبيت حزم R المطلوبة كما هو مذكور في وثائق NetDecoder، باستخدام Bioconductor (https://netdecoder.hulilab.org/#ver)⁴.
تبعيات التحميل
1. 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
1. 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
1. قم بتحميل مجلد NetDecoder (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) إلى دليل العمل الخاص ب NetDecoder.
2. قم بفك ضغط مجلد NetDecoder.

3. تشغيل NetDecoder

افتح نص التحليل
1. افتح طرفية تعمل ب GNU Bash وانتقل إلى دليل NetDecoder العامل.
2. 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.
1. اصنع اسما قصيرا:
  عدل الجزء المائل ليكون الشروط التي تتم مقارنتها: myshortname='Your_shortname_here'
2. 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"
3. تعيين دليل العمل:
  عدل الجزء المائل ليكون الدليل العامل الذي سيتم الوصول إليه من جميع الملفات من: INPUT_DIR="/your/path/here"
4. 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"
5. 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
6. 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
7. 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"
8. التوجه إلى محطة باش الرئيسية:
  اضغط Ctrl+X، ثم Y للحفظ والخروج من سكريبت الباش.
تنفيذ NetDecoder
ملاحظة: إذا تم تشغيله بنجاح، تظهر رسائل التسجيل في الطرفية.
1. انتقل إلى المحطة وشغل ./NetDecoder_Analysis.sh.
2. نفذ المراحل بالترتيب المدرج في الخطوة 3.2.7 حتى يتم إكمال المراحل الأربع بشكل فردي.
استرجاع النتائج
1. انتقل إلى ملفات الإخراج والملخصات الرسومية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

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 (تحلي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

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 ضر...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

لا توجد مصالح مالية متنافسة بين المؤلفين.
تم إنشاء الرسوم التوضيحية للشكلين 1 و2 باستخدام BioRender (BioRender.com).

شكر وتقدير

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).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
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

المراجع

Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

الطب العدد 233 العدد 233 قيمة فارغة عدد النمذجة الترانسكريبتوميات خوارزمية التدفق التكامل

تم نشر هذه المقالة

الفيديو قريباً

أبقِني على اطلاع: