تعيين بروتوكول لاستخدام الجينات إثراء التحليل لتحديد نموذج الحيوان المناسب للبحوث متعدية
أغسطس 16, 2017
نحن نقدم على بروتوكول موحد لاستخدام الجينات إثراء مجموعة تحليل البيانات ترانسكريبتوميك لتحديد طراز ماوس مثالية للبحوث متعدية الجنسيات.
هذا البروتوكول يمكن استخدامها مع دنا وبيانات تسلسل الحمض النووي الريبي، ويمكن تمديد مرة أخرى للبيانات اوميكس الأخرى إذا كانت البيانات متوفرة.
الهدف العام من هذا الإجراء هو تحديد النموذج الحيواني المناسب لأسئلة البحث الانتقالية. يمكن أن تساعد هذه الطريقة في الإجابة على سؤال رئيسي واحد في البحث الانتقالي وهو كيف يمكنني اختيار نموذج حيواني مناسب لمرض بشري معين أرغب في التحقيق فيه؟ الميزة الرئيسية لهذه التقنية هي مقارنة بيانات الجينوم الكاملة بين النماذج الحيوانية ودراسات الأمراض البشرية.
لذلك ، يتجنب هذا النهج التفسير المتحيز المتعلق بمقارنات الجينات الفردية. على الرغم من أن هذه الطريقة توفر نظرة ثاقبة لملاءمة نماذج الفئران للأمراض الالتهابية ، إلا أنه يمكن تطبيقها أيضا على نماذج الأمراض الأخرى. تساعد GSEA في التحقيق في تنظيم السياسة لدراسات التعبير الجيني.
مخرجات كل نموذج حيواني ودراسة الأمراض هي الأساس لمزيد من المقارنات. ابدأ هذا الإجراء بتنزيل البرامج والبيانات متبوعا بمعالجة البيانات وتنسيقها كما هو موضح في بروتوكول النص. ثم افتح أداة برنامج GSEA.
انقر على تحميل البيانات زر على الجانب الأيسر من النافذة الرئيسية. سيتم فتح علامة تبويب جديدة لاستيراد ملفات البيانات المطلوبة. في علامة التبويب الجديدة ، استعرض وصولا إلى ملف بيانات التعبير الجيني وملف النمط الظاهري.
في حالة عدم تمكن GSEA من الاتصال بالإنترنت ، قم أيضا بتحميل ملفات قاعدة بيانات التوقيع الجزيئي التي تم تنزيلها وملفات التعليقات التوضيحية لشريحة الحمض النووي. تظهر البيانات التي تم استيرادها بنجاح في قسم تحميل البيانات. انقر على تشغيل GSEA زر على الجانب الأيسر من النافذة الرئيسية.
سيتم فتح علامة تبويب جديدة لتعيين معلمات التحليل. تنقسم علامة التبويب إلى ثلاثة أجزاء ، الحقول المطلوبة ، والحقول الأساسية ، والحقول المتقدمة. في الحقول المطلوبة، اختر أولا مجموعة بيانات التعبير.
ثم اختر قاعدة بيانات مجموعات الجينات إما من موقع الويب المتصل أو من ملف مجموعة الجينات المستورد يدويا. قم بتحرير تسميات النمط الظاهري لتحديد مجموعات العينات التي من المفترض أن تتم مقارنتها ببعضها البعض. على سبيل المثال ، مجموعة المرض مقابل المجموعة الضابطة الصحية.
بعد ذلك ، حدد طي مجموعة البيانات إلى رموز الجينات يساوي صواب من أجل ترجمة معرفات المسبار في مجموعة بيانات التعبير إلى رموز جينات هوغو الرسمية المستخدمة في قاعدة بيانات مجموعات الجينات. حدد خطأ إذا كانت مجموعة بيانات التعبير تحتوي بالفعل على رموز جين Hugo. اضبط عدد التباديل على الإعداد الافتراضي عند 1,000.
قم بتغيير نوع التقليب إلى مجموعة جينات حيث يوصى بتبديل النمط الظاهري فقط عندما يكون هناك أكثر من سبع عينات في كل نمط ظاهري. أخيرا ، حدد النظام الأساسي للرقاقة المستخدم لإنشاء بيانات التعبير الجيني إما من موقع الويب المتصل أو من ملف التعليقات التوضيحية لشريحة الحمض النووي المستورد يدويا. في الحقول الأساسية، قم بتحرير اسم التحليل وحفظ النتائج في قسم هذا المجلد.
بالإضافة إلى ذلك ، يمكن تغيير المزيد من المعلمات الإحصائية. لمزيد من التفاصيل حول قسم المعلمات والحقول المتقدمة ، يرجى الانتقال إلى دليل مستخدم GSEA. إذا تم تطبيق مقاييس المجموعة المحسوبة خارجيا لبيانات التعبير الجيني ، فاستخدم أداة GSEA المصنفة مسبقا.
يتم إجراء هذا التحليل بناء على قائمة بسيطة من الجينات المخصصة مسبقا لمقاييس المجموعة المحسوبة مسبقا والتي تستخدم لترتيب الجينات. بعد تحميل ملف التعبير الجيني البديل ، انتقل إلى شريط التنقل الرئيسي وانقر فوق Tools ، GseaPreranked. وبالمثل ، سيتم فتح علامة تبويب جديدة لتعيين معلمات التحليل.
بعد ذلك ، انقر فوق تشغيل زر في الجزء السفلي الأيمن من النافذة. انقر فوق التحليل الناجح في قسم تقرير GSEA لفتح نتائج التحليل. بعد ذلك ، انقر فوق نتائج الإثراء التفصيلية بتنسيق Excel لتصدير نتائج التحليل إلى جدول بيانات.
تصدير النتائج بشكل منفصل لكلا النمطين الظاهريين. في Excel، قم بضم بيانات النتائج في ملف جدول بيانات واحد. للمقارنة اللاحقة بين بيانات التعبير الجيني للعديد من الدراسات ، احتفظ على الأقل باسم مجموعة الجينات ودرجة التخصيب الطبيعية وقيمة FDR الخاصة بها.
كرر تحليل تخصيب مجموعة الجينات للدراسة الثانية ولجميع الدراسات الإضافية التي من المفترض مقارنتها ببعضها البعض. قم بتضمين أكبر عدد ممكن من الدراسات السريرية البشرية ونماذج الفئران المختلفة لتحديد نموذج الفأر الأمثل لسؤال البحث الانتقالي. لتحديد النموذج الحيواني الأمثل لتقليد الوضع البشري ، قارن نتائج GSEA لجميع الدراسات ببعضها البعض.
استخدم درجات التخصيب وقيم FDR لتصنيف المسارات على أنها نشطة أو مثبطة أو لا شيء. بالنسبة للعديد من الدراسات التي سيتم مقارنتها ، يوصى باستخدام نصوص R. لكل مقارنة بين دراستين ، احسب عدد تحقيقات المجموعات التسع الممكنة لتنظيم المسار كما هو موضح في جدول الطوارئ ثلاثة في ثلاثة.
تقييم العلاقة بين دراستين عن طريق حساب القيمة التنبؤية الإيجابية والقيمة التنبؤية السلبية التي هي بحكم تعريفها جزء من المسارات التي تظهر نفس التنظيم في دراستين. أيضا ، قم بتقدير جزء المسارات الذي كان من المتوقع أن يرتبط بالصدفة فقط ، ممثلا بفرصة ppv وفرصة npv. ثم احسب كسب المعلومات.
يمكن إجراء جميع العمليات الحسابية باستخدام برامج جداول البيانات، ولكن يوصى باستخدام وظائف R. استخدم جدول الطوارئ لزوج من الدراسات لحساب قيمة P باستخدام اختبار كاي تربيع، على سبيل المثال باستخدام الدالة R أو اختبار مربع كاي أو برامج جداول البيانات. قم بتخزين بيانات جدول الطوارئ في مصفوفة X.بعد ذلك ، قارن نتائج GSEA لجميع مجموعات الدراسات التي تم اختيارها للتحليل.
قم بفرز جميع المجموعات حسب اكتساب المعلومات. لمقارنة العديد من مجموعات البيانات ، استخدم مصفوفة وتصور النتائج باستخدام خريطة حرارية ملونة. حدد نموذج الذي يحتوي على أعلى اكتساب للمعلومات.
من أجل تقييم أهمية اكتساب المعلومات ، ضع أيضا اختبار مربع كاي في الاعتبار. يتم عرض مصفوفة الارتباط لمقارنات المسار بين الدراسات البشرية والفئران. يظهر تداخل تنظيم المسار على أنه اكتساب المعلومات التي يمكن الحصول عليها من دراسة واحدة للتنبؤ بالتأثيرات في دراسة أخرى.
الأزرق يعني ارتباطا منخفضا والأحمر يعني ارتباطا عاليا بين البيانات. كشفت مقارنة مجموعات البيانات البشرية مع الفئران عن مجموعة فرعية من نماذج الفئران التي كانت مرتبطة ارتباطا وثيقا بالدراسات البشرية. لذلك ، فإن نماذج الماوس هذه هي الأنسب لتقليد الوضع البشري.
في المقابل ، أظهرت الدراسات السابعة والثامنة والتاسعة عدم وجود علاقة بدراسات الأمراض البشرية. بمجرد إتقانها ، يمكن القيام بهذه التقنية في عدة أيام إذا تم إجراؤها بشكل صحيح. يعتمد ذلك على كمية البيانات وتوافر البيانات.
أثناء محاولة هذا الإجراء ، من المهم أن تتذكر أن صحة النتائج تعتمد على جودة البيانات المختارة وأهميتها. بعد مشاهدة هذا الفيديو ، يجب أن يكون لديك فهم جيد لكيفية اختيار نموذج حيواني مناسب لمرض بشري معين بناء على بيانات النسخ.
اعرض النص الكامل واحصل على الوصول إلى آلاف الفيديوهات العلمية
النظرة العامة
تقدم هذه المقالة بروتوكولاً موحدًا لتحليل إثراء مجموعة الجينات (GSEA) للبيانات النسخية لتحديد نماذج الفئران المناسبة للبحث الانتقالي. يقارن الأسلوب بين بيانات الجينوم الكامل بين نماذج الحيوان والدراسات المرضية البشرية، مما يوفر رؤى حول اختيار النموذج لأمراض مختلفة.
مكونات الدراسة الرئيسية
مجال العلم
- البحث الانتقالي
- علم الجينوم
- نماذج الحيوان
الخلفية
- تحديد نماذج الحيوان المناسبة أمر حاسم للبحث الانتقالي.
- GSEA يتجنب التفسيرات المتحيزة من خلال مقارنة بيانات الجينوم الكامل.
- يمكن تطبيق هذه الطريقة على نماذج مرضية مختلفة تتجاوز الأمراض الالتهابية.
- تساعد في التحقيق في تنظيم التعبير الجيني.
هدف الدراسة
- توفير بروتوكول لاختيار نماذج الحيوان لأمراض بشرية معينة.
- تعزيز فهم مدى ملاءمة النموذج في البحث الانتقالي.
- تسهيل استخدام البيانات النسخية في اختيار النموذج.
الأساليب المستخدمة
- تحليل إثراء مجموعة الجينات (GSEA) للبيانات النسخية.
- مقارنة بيانات الجينوم الكامل بين نماذج الحيوان والدراسات المرضية البشرية.
- تطبيق البروتوكول على بيانات المصفوفات الدقيقة الحمض النووي وتسلسل الحمض النووي الريبي.
- الامتداد إلى بيانات علميات أخرى المتاحة.
النتائج الرئيسية
- يحدد البروتوكول بشكل فعال نماذج الفئران المناسبة للبحث الانتقالي.
- GSEA يوفر رؤية شاملة للتعبير الجيني عبر النماذج.
- الرؤى المكتسبة يمكن أن تفيد في اختيار النماذج لأمراض مختلفة.
- تقليل الأسلوب من التحيز المرتبط بمقارنات الجين الفردي.
الاستنتاجات
- البروتكول الموحد يعزز عملية اختيار نماذج الحيوان.
- GSEA هو أداة قيمة في البحث الانتقالي لتحديد النموذج.
- يمكن تكييف هذا الأسلوب لمختلف سياقات الأمراض.
الأسئلة الشائعة
Executive Industry Relevance
Selecting appropriate animal models remains a critical challenge in translational research, where model misalignment contributes to late-stage attrition. This protocol enables systematic evaluation of murine models using transcriptomic concordance with human disease data, reducing reliance on subjective gene filtering. By providing a standardized GSEA-based framework, it supports predictive confidence in model selection and informs go/no-go decisions early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypothesis by assessing pathway-level concordance between human disease and animal model transcriptomes.
- Operational Value: Avoids biased interpretation from single-gene comparisons, reducing mechanistic ambiguity in target validation.
- Predictive Value: Enables data-driven prioritization of models with highest gain of information, supporting portfolio triage.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying models with conserved pathway regulation for downstream compound screening.
- Operational Value: Standardizes cross-study comparison through normalized enrichment scores and FDR values, enhancing reproducibility.
- Scalability: Supports inclusion of multiple human clinical studies and mouse models to identify optimal translational fit.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by identifying models with high correlation to human disease states.
- Risk-Adjusted Advancement: Uses gain of information and chi-squared testing to assess significance of model suitability, informing progression decisions.
- Biomarker Alignment: Facilitates identification of conserved pathways that may serve as translational biomarkers across species.
Pipeline & Workflow Integration
The method fits within the discovery continuum from target validation to preclinical model selection, enabling transcriptomic data to guide animal model choice before significant investment in screening or efficacy studies.
- Discovery Biology: Supports hypothesis testing by comparing whole-genome pathway activation or inhibition patterns between species.
- Screening: Enhances assay readiness by ensuring selected models reflect human disease biology, improving compound evaluation reliability.
- Analytics: Generates quantitative outputs (normalized enrichment score, FDR, gain of information) for objective cross-study comparison.
- Translational Research: Promotes continuity by selecting models with demonstrated pathway-level concordance to human conditions.
- Enterprise Reuse: Establishes a reusable bioinformatics capability applicable across disease areas and omics data types.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in model selection, reducing false positives from inadequate biological representation.
- Operational Value: Promotes standardization and reproducibility in model evaluation across teams and sites.
- Strategic Value: Improves capital efficiency by minimizing investment in poorly predictive models.
- Portfolio Impact: Enables risk-adjusted prioritization of projects based on model suitability evidence.
Implementation Considerations
- Requires expertise in transcriptomic data analysis and GSEA software operation.
- Dependent on access to quality gene expression data from human disease studies and candidate animal models.
- Necessitates standardized data formatting, including gene symbol collapse and phenotype labeling.
- Involves cross-functional alignment between bioinformatics, pharmacology, and pathology teams for interpretation.
- Limited to retrospective analysis; cannot predict model suitability a priori without existing omics data.
