固有动力学可视化工具，一种交互式应用程序，用于评估和可视化基因调控网络推理管道的输出

Summary

固有动力学可视化工具是一个交互式可视化包，可连接到基因调控网络推理工具，以增强、简化功能网络模型的生成。可视化工具可用于为推理工具的参数化做出更明智的决策，从而提高对结果模型的信心。

Abstract

开发基因调控网络模型是系统生物学中的主要挑战。已经开发了几种计算工具和管道来应对这一挑战，包括新开发的固有动力学管道。固有动力学管道由几个以前发布的工具组成，这些工具协同工作并以线性方式连接，其中一个工具的输出随后用作下一个工具的输入。与大多数计算技术一样，固有动力学管道的每个步骤都要求用户对没有精确生物学定义的参数进行选择。这些选择可以极大地影响分析产生的基因调控网络模型。因此，在每一步可视化和探索各种参数选择的后果的能力有助于提高对选择和结果的信心。固有动态可视化工具是一个全面的可视化包，通过 Web 浏览器中的交互式界面简化了评估参数选择的过程。用户可以单独检查管道每个步骤的输出，根据视觉信息进行直观的更改，并从为固有动力学管道自动生成必要的输入文件中受益。固有动力学可视化工具为从时间序列转录组学数据中发现基因调控网络提供了无与伦比的访问水平， 以访问高度复杂的工具。

Introduction

许多重要的生物过程，如细胞分化和环境反应，由基因调节网络（GRN）中相互作用的基因集控制。这些GRN产生激活和维持它们控制的表型所需的转录动力学，因此识别GRN的组分和拓扑结构是理解许多生物过程和功能的关键。GRN可以被建模为一组相互作用的基因和/或基因产物，这些基因和/或基因产物由一个网络描述，其节点是基因，其边缘描述了相互作用的方向和形式（例如，转录的激活/抑制，翻译后修饰等）。¹.然后，相互作用可以表示为参数化的数学模型，描述调节基因对其靶标产生的影响^2，3，4。GRN 模型的推理既需要推断交互网络的结构，也需要估计底层交互参数。已经开发了多种计算推理方法，用于摄取时间序列基因表达数据并输出GRN模型⁵。最近，开发了一种新的GRN推理方法，称为固有动力学管道（IDP），该方法利用时间序列基因表达数据来生成具有标记调节因子 - 靶标相互作用的GRN模型，这些模型能够产生与基因表达数据中观察到的动力学相匹配的动力学⁶。IDP是一套线性连接到管道中的工具，可以分为三个步骤:节点查找步骤，根据已知或怀疑与^GRN7，

Protocol

1. 安装 IDP 和 IDV

注意:本节假设 Docker、conda、pip 和 git 已经安装（材料表）。

1. 在终端中，输入命令: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git。
2. 按照 IDP 的自述文件中的安装说明进行操作。
3. 在终端中，输入命令: git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git。
   注意:IDV 的克隆应在 IDP 的顶级目录之外进行。
4. 按照 IDV 自述文件中的安装说明进行操作。

2. 节点查找

1. 创建一个新的 IDP 配置文件，用于参数化"节点查找"步骤。
   注意:不应键入以下步骤中的所有引号。引号在这里仅用作协议文本和要键入的内容之间的分隔符。
   1. 将主 IDP 参数添加到配置文件中。
   2. 在文本编辑器中打开一个新的文本文件，然后在单独的行上键入"data_file ="、"annotation_file ="、"out....

Results

将上述文本描述的步骤和 图1 中以图形方式描述的步骤应用于酵母细胞周期的核心振荡GRN，以查看是否有可能发现能够产生在酵母细胞周期研究中收集的时间序列基因表达数据中观察到的动力学的功能性GRN模型¹⁶。为了说明IDV如何澄清和改善IDP输出，在以两种方式执行此分析后，对结果进行了比较:1）在没有IDV的情况下一次性运行IDP的所有步骤，以及2）借助IDV逐步通过IDP，这允许通过结合先前的生物学知识并根据IDP输出做出精细选择来调整中间结果。作为示例，经过充分研究的酵母细胞周期GRN已经通过实验验证了许多调控关系。如果正在研究不同的和/或较少注释的生物体或生物过程，则关于如何调整中间结果或参数的选择可能会有所不同。为了说明一种可用于评估网络的查询类型，测量了每个网络的鲁棒性，以支持稳定的振荡，并跨模型参数匹配其节点的观测到的转录动态。

两个重复序列的基因表达时间序列数据取自Orlando ²⁰⁰⁸¹⁶，并进行预处理以去除与原始实.......

Discussion

GRN的推断是系统生物学中的一个重要挑战。IDP使用一系列工具从基因表达数据中生成模型GRN，这些工具以越来越复杂的方式利用数据。每个步骤都需要决定如何处理数据以及哪些元素（基因，功能相互作用）将传递给IDP的下一层。这些决定对国内流离失所者结果的影响并不那么明显。为了在这方面提供帮助，IDV 提供了 IDP 中 GRN 推理工具各个步骤的输出的有用交互式可视化。IDV简化并促进了评估这些计算推理方法的结果的过程，以加快实验并为分析选择提供信息，从而加速高置信度网络模型和假设的产生。IDV还实现了扩展IDP功能的功能，包括通过LEM ODE参数选择过滤边缘，按表达时间对基因进行分箱，以及根据与基序或网络的相似性对网络进行聚类。重要的是，IDV允许在每个IDP步骤之间进行手动干预，这使用户能够以不容易自动化的方式轻松地将人类知识和文献中的先前信息整合在一起。IDP 的幼稚运行不会本机包含此信息，因此，只要有特定于实验的信息可用，使用 IDV 将增加对结果的信心。总体而言，将IDV与IDP结合使用，即使对真正的GRN知之甚少或一无所知，用户也可以更有信心地为生物过程创建网络假设。

ID.......

Materials

List of materials used in this article

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
点			https://pip.pypa.io/en/stable/