一个协议来使用基因集富集分析以确定合适的动物模型转化型研究
2017年8月16日
我们提供一个标准化的协议用于基因集的浓缩转录组数据分析，找出理想的小鼠模型的转化研究。
该协议可以用 DNA 微阵列和 RNA 测序数据，并且可以进一步扩展到其他组学数据如果数据可用。
该程序的总体目标是确定适合转化研究问题的动物模型。这种方法可以帮助回答转化研究中的一个关键问题，即如何为我想研究的特定人类疾病选择合适的动物模型？该技术的主要优点是可以在动物模型和人类疾病研究之间比较全基因组数据。
因此，这种方法避免了与单基因比较相关的偏见解释。虽然这种方法提供了对小鼠模型对炎症性疾病的适用性的见解，但它也可以应用于其他疾病模型。GSEA 有助于研究基因表达研究的政策调节。
每个动物模型和疾病研究的输出是进一步比较的基础。从软件和数据下载开始此过程，然后按照文本协议中的说明进行数据处理和格式化。然后打开 GSEA 软件工具。
单击主窗口左侧的 Load Data 按钮。将打开一个新选项卡，用于导入所需的数据文件。在新选项卡中，浏览到基因表达数据文件和表型文件。
如果 GSEA 无法连接到互联网，还要加载下载的分子特征数据库文件和 DNA 芯片注释文件。成功导入的数据将显示在 load data （加载数据） 部分中。单击主窗口左侧的 Run GSEA 按钮。
将打开一个新选项卡，以便设置分析参数。该选项卡细分为三个部分：必填字段、基本字段和高级字段。在必填字段中，首先选择表达式数据集。
然后从连接的网站或手动导入的基因集文件中选择基因集数据库。编辑表型标签以选择应该相互比较的样本组。例如，疾病组与健康对照组。
接下来，选择 collapse dataset to gene symbols equals true，以便将表达数据集中的探针标识符转换为基因集数据库中使用的官方 Hugo 基因符号。如果表达式数据集已包含 Hugo 基因符号，请选择 false。将排列数设置为默认设置 1， 000。
将排列类型更改为基因集，因为仅当每个表型中有 7 个以上的样本时，才建议进行表型排列。最后，从连接的网站或手动导入的 DNA 芯片注释文件中选择用于生成基因表达数据的芯片平台。在基本字段中，编辑分析名称和 save results in this folder 部分。
此外，还可以更改其他统计参数。有关参数和高级字段部分的更多详细信息，请转到 GSEA 用户指南。如果应用了基因表达数据的外部计算组指标，请使用 GSEA 预排名工具。
该分析是根据预先分配给预先计算的组指标的简单基因列表进行的，这些指标用于对基因进行排名。加载替代基因表达文件后，转到主导航栏并单击 Tools（工具）、GseaPreranked。同样，将打开一个新选项卡，用于设置分析参数。
接下来，点击 运行 窗口右下角的按钮。单击 GSEA 报告部分中的成功分析以打开分析结果。接下来，单击 Excel 格式的详细富集结果，将分析结果导出到电子表格。
分别导出两种表型的结果。在 Excel 中，将结果数据联接到一个电子表格文件中。为了随后比较几项研究的基因表达数据，至少保持基因集的名称、其标准化富集分数和 FDR 值。
对第二项研究和所有要相互比较的进一步研究重复基因集富集分析。包括尽可能多的人类临床研究和不同的小鼠模型，以确定转化研究问题的最佳小鼠模型。为了确定模拟人类情况的最佳动物模型，请将所有研究的 GSEA 结果相互比较。
使用富集分数和 FDR 值将通路分类为激活、抑制或两者都不。对于要比较的许多研究，建议使用 R 脚本。对于两项研究的每次比较，计算由 3 x 3 列联表指示的九种可能的途径调节组合的实现次数。
通过计算阳性预测值和阴性预测值来评估两项研究之间的相关性，根据定义，阴性预测值是在两项研究中显示相同调节的途径部分。此外，估计预期仅凭偶然性相关的通路部分，由 ppv 机会和 npv 机会表示。然后计算 information 的增益。
所有计算都可以使用电子表格程序完成，但建议使用 R 函数。使用一对研究的列联表通过卡方检验计算 P 值，例如，通过使用 R 函数、卡方检验或电子表格程序。将列联表的数据存储在矩阵 X 中接下来，比较选择用于分析的所有研究组合的 GSEA 结果。
按信息增益对所有组合进行排序。对于多个数据集的比较，请使用矩阵并使用彩色热图可视化结果。选择信息增益最高的动物模型。
为了评估信息增益的显著性，还要考虑卡方检验。此处演示了人类和小鼠研究之间通路比较的相关矩阵。通路调控的重叠表现为可以从一项研究中获得的信息增益，以预测另一项研究中的效果。
蓝色表示数据之间的相关性较低，红色表示数据之间的高度相关性。人类数据集与小鼠数据集的比较揭示了与人类研究高度相关的小鼠模型亚组。因此，这些小鼠模型最适合模拟人类的情况。
相比之下，研究 7、8 和 9 与人类疾病研究没有相关性。一旦掌握，如果执行得当，这项技术可以在几天内完成。这取决于数据量和数据可用性。
在尝试此过程时，请务必记住，结果的有效性取决于所选数据的质量和相关性。看完这个视频，你应该对如何根据转录本数据为特定的人类疾病选择合适的动物模型有一个很好的了解。
查看完整文字稿并访问数千部科学视频
概述
本文介绍了一种用于转录组数据基因集富集分析（GSEA）的标准化方案，旨在识别适用于转化研究的小鼠模型。该方法通过比较动物模型与人类疾病研究之间的全基因组数据，为多种疾病的模型选择提供依据。
关键研究组成部分
科学领域
- 转化医学研究
- 基因组学
- 动物模型
背景
- 选择合适的动物模型对于转化研究至关重要。
- GSEA 通过比较全基因组数据，避免了有偏见的解释。
- 该方法可应用于炎症性疾病以外的多种疾病模型。
- 它有助于研究基因表达调控机制。
研究目的
- 提供针对特定人类疾病选择动物模型的实验方案。
- 增进对转化研究中模型适用性的理解。
- 促进转录组学数据在模型选择中的应用。
使用的方法
- 转录组数据的基因集富集分析（GSEA）。
- 动物模型与人类疾病研究之间的全基因组数据比较。
- 本方案在DNA微阵列和RNA测序数据中的应用。
- 可根据可获得情况扩展至其他组学数据。
主要结果
- 该方案可有效鉴定适用于转化研究的小鼠模型。
- 基因集富集分析（GSEA）可提供跨模型的基因表达全面视图。
- 获得的见解可为多种疾病模型的选择提供依据。
- 该方法减少了单个基因比较相关的偏差。
结论
- 标准化的实验方案可优化动物模型的筛选流程。
- 基因集富集分析（GSEA）是转化研究中用于模型鉴定的重要工具。
- 该方法可适用于多种疾病研究背景。
常见问题
行业重要性概要
选择合适的动物模型在转化研究中仍然是一个关键挑战，模型不匹配会导致后期研究的失败。本方案通过利用小鼠模型与人类疾病数据的转录组一致性进行系统性评估，减少对主观基因筛选的依赖。通过提供基于GSEA的标准化框架，该方法可在发现早期支持对模型选择的预测信心，并为“继续/终止”决策提供依据。
生物制药研发中的策略性应用
早期发现与靶点验证
- 科学价值：通过评估人类疾病与动物模型转录组在通路水平上的一致性，验证治疗假说。
- 操作价值：避免单基因比较带来的偏倚性解读，降低靶点验证中的机制不确定性。
- 预测价值：能够基于数据优先筛选信息增益最高的模型，支持项目组合的筛选决策。
筛选与检测方法开发
- 科学价值：通过鉴定具有保守通路调控的模型，构建经过验证的生物系统，用于下游化合物筛选。
- 操作价值：通过标准化富集评分和FDR值，实现跨研究结果的标准化比较，提高可重复性。
- 可扩展性：支持整合多项人类临床研究和小鼠模型，以确定最佳的转化匹配模型。
转化与临床前研究
- 转化连续性：通过识别与人类疾病状态高度相关的模型，将发现研究与临床前验证相连接。
- 风险调整推进：利用信息增益和卡方检验评估模型适用性的显著性，为推进决策提供依据。
- 生物标志物一致性：促进跨物种保守通路的识别，这些通路可能作为转化生物标志物使用。
流程与工作流整合
该方法适用于从靶点验证到临床前模型筛选的整个发现流程，可在对筛选或药效研究进行大量投入之前，利用转录组学数据指导动物模型的选择。
- 发现生物学：通过比较物种间全基因组通路的激活或抑制模式，支持假设验证。
- 筛选：通过确保所选模型能够反映人类疾病的生物学特征，提高化合物评估的可靠性，增强检测的准备性。
- 分析：生成定量输出结果（标准化富集评分、FDR、信息增益），用于客观的跨研究比较。
- 转化研究：通过选择在通路水平上已证明与人类疾病状态一致的模型，促进研究的连续性。
- 企业级复用：建立可复用的生物信息学能力，适用于多种疾病领域和组学数据类型。
运营与企业影响
- 科学价值：提高模型选择的预测置信度，减少因生物学表征不足导致的假阳性结果。
- 操作价值：促进在不同团队和研究地点之间实现模型评估的标准化与可重复性。
- 战略价值：通过减少对预测能力差的模型的投资，提高资本使用效率。
- 项目组合影响：基于模型适用性的证据，实现对项目的按风险调整优先级排序。
实施注意事项
- 需要具备转录组数据分析和GSEA软件操作的专业知识。
- 依赖于从人类疾病研究和候选动物模型中获取高质量的基因表达数据。
- 需要标准化的数据格式，包括基因符号合并和表型标注。
- 涉及生物信息学、药理学和病理学团队之间的跨职能协作以进行结果解读。
- 仅限于回顾性分析；在缺乏现有组学数据的情况下，无法预先预测模型的适用性。
![转录组分析]活体生产牛胚胎植入前胚胎采用双色微阵列平台](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F53754.jpg%3Fv%3D2026-08-11T08%253A27%253A18.054Z&w=384&q=75)
