利用开放接入美国宇航局基因实验室平台探索航天对小鼠生理的影响
January 13th, 2019
美国宇航局基因实验室平台提供了不受限制地获取来自生物太空飞行实验的珍贵组学数据的途径。我们描述了典型的鼠标实验是如何在太空中进行的, 以及如何访问和分析这些实验的数据。
这种方法可以帮助回答空间生物学领域关于假设的产生关键问题，以帮助未来的研究使用公开的所有混合数据。这种技术的主要优点是，它可以用作生成空间生物学数据的工具。GeneLab 的公开数据使研究能够以相对较低的成本开发有关疾病疗法或与太空飞行相关的医疗保健的对策的临床理论。
展示啮齿动物栖息地的将是亚萨曼·希拉齐-法德，他是国际科学研究所啮齿动物研究的任务科学家。分娩后，将啮齿动物分组到标准维瓦里笼内。并且让这些动物适应美国宇航局营养升级的啮齿动物食物棒、利西茨和凸起的电线地板，直到动物被装进运输机。
在地球和国际空间站之间旅行时，每侧放置10只老鼠，每个运输机总共放置20只老鼠。一旦进入国际空间站，将动物通道装置连接到运输机，并使用鼠标转移箱将5只老鼠一次转移到栖息地。要将小鼠装载到栖息地，请将动物进入单元与运输器分离，然后将该装置连接到啮齿动物栖息地。
然后，将动物从老鼠转移箱转移到啮齿动物栖息地，在任务期间它们将在那里居住。每天，训练有素的工作人员都会检查栖息地内动物的视频，以监测啮齿动物的健康和健康状况。所有涉及动物的工作的指导和监督由一名兽医提供。
红外成像用于在光暗周期的黑暗阶段看到栖息地内的动物，当时老鼠通常最活跃。此摄像机视图显示框架顶部的食品栏、左侧的门和窗以及右侧的红外照明。水源位于摄像机视图之外，在此视图中的食品栏后面。
这是研究第二天的地面控制栖息地，在光暗周期的黑暗阶段。这个栖息地是在地球上的方向与废物托盘在笼子的底部，相机视图是沿着重力矢量向下看。离相机最近的动物坐在食物栏上，吃东西。
这个栖息地有五只老鼠，但通常只观察到一只。老鼠往往喜欢封闭的巢状的地方，如食物栏和笼子墙之间的凹陷空间，在那里它们被看到聚集在这个视图。这也是水源的位置。
老鼠正在梳妆，梳理和显示社会互动，这是地球上老鼠的典型行为。老鼠使用栖息地的所有六面墙自由移动，并经常攀爬墙壁。这是研究第二天在光暗周期的黑暗阶段飞行栖息地，当时老鼠通常最活跃。
在太空飞行过程中，就像在地球上一样，老鼠使用笼子的所有六面在栖息地周围移动。老鼠在整个栖息地积极探索和交配，并表现出与地球上的老鼠相同的行为，包括吃、喝、梳妆和社交互动。老鼠使用不同的方法来推动自己在隔间。
在飞行的早期，人们通常看到老鼠用前肢沿着铁丝网拉自己，后来在飞行过程中，老鼠倾向于用四肢穿过栖息地的铁丝网。老鼠也通过从一个位置浮动到另一个位置移动。当老鼠在罗登特研究一项研究期间适应栖息地时，它们不仅熟练地在隔间周围移动，还学会了用尾巴和/或爪子把自己锚定在墙上。
展示数据分析、元数据轴和研究描述的将是 Sam Gebre，这是 GeneLab 团队的数据协调员。要查找用于在 GeneLab 上进行分析的数据集，请打开 GeneLab 网页并单击数据存储库。在搜索数据框中输入关键字，以搜索特定感兴趣的区域，并根据需要选择任何其他感兴趣的数据库。
然后，单击放大镜图标开始搜索。搜索了所有关键字并查看了数据集后，单击工具，然后单击协作工作区，并酌情登录或注册新帐户。登录后，单击"帮助"和"用户手册"以访问有关如何使用工作区的详细说明。
对于每个用户，选择公共基因实验室来访问基因实验室存储库中的所有数据集，然后打开包含感兴趣数据的文件夹。要将感兴趣的数据集复制到本地目录工作区，请右键单击单个文件，在显示的菜单中选择复制/移动，选择要将文件复制到的文件夹，然后单击"复制"。然后查找与之前位于数据集搜索中的以前的发布相关的数据集，然后将元数据文件复制到本地工作区。
若要访问每个感兴趣的数据集的元数据文件，请打开公共基因实验室数据集子文件夹，并访问每个数据集的元数据子文件夹中包含的一个或多个元数据文件，以查找感兴趣的数据集的元数据信息。确保每个数据集都有一个压缩文件，该文件根据调查、研究、分析选项卡规范提供元数据。打开适当的文本编辑器，以可视化和访问包含研究的文本说明和每个数据集的检测元数据的调查、研究、分析选项卡元数据。
然后，按检测类型检查位于每个数据集子文件夹中的输出分析数据文件是否存在。要分析成绩单数据，请单击"到"菜单中的工具，然后单击"星系"。使用基因组空间导入工具从基因实验室、基因组空间导入数据。
数据将显示在分析部分的历史记录中。在确认外观和导入的数据集以及当前历史记录后，使用 GeneLab 星系工具在中心面板中填充具有分析选项和数据输入规范的窗体。完成窗体并单击"执行"以创建用于执行分析和检查提交的作业，这些作业在历史记录和颜色编码中表示，以指示执行状态，然后将工具链接到复杂的工作流中，使用工作流工具管理工作流，并使用共享数据菜单与其他调查人员共享数据集工作流和历史记录。
如本代表性图所示，使用原理成分分析图对生物复制进行分组，可以确定基因集富集分析基因组的前沿基因。利用1.2倍变化的基因，可以预测与上游调节器、规范通路和生物功能的预测相关的基因，从而可以对涉及所有基因的常见重叠基因进行分组。然后，网络表示这些关键基因如何驱动啮齿动物和啮齿动物栖息地之间的反应，以及维他动物对等控制如何显示每个被分析数据集的中心中心。
例如，图激酶一是航天飞机任务STS108来自小鼠的骨骼肌组织的中心枢纽，可以解释为驱动关键基因的基因，最有可能是造成啮齿动物栖息地小鼠与维我笼中的小鼠生物差异的核心作用。采用系统生物学方法，从所有数据集中的基因，这是最连接时，从所有的关键基因构建网络，然后确定，揭示了地图激酶一确实是最连接的基因和中心枢纽从所有的关键基因。在尝试这一程序时，重要的是要记住，进行空间生物学啮齿动物研究实验的研究人员将与美国宇航局的啮齿动物研究任务科学家密切合作，建立并执行实验。
此外，所有与空间生物学相关的所有混合数据都可在美国宇航局 GenesLab 平台上获得，使用这个程序是开发与空间生物学相关的新假设最有效的方法。该技术还可应用于与生物系统（如癌症生物学、阿尔茨海默氏症和心血管疾病）相关的任何其他混合数据集。这项技术开发后，为空间生物学领域的研究人员开始考虑研究二氧化碳对国际空间站宇航员的影响铺平了道路。
概述
NASA GeneLab平台提供了生物太空飞行实验的宝贵组学数据访问。本文概述了在太空中进行小鼠实验的方法以及如何访问和分析生成的数据。
关键研究组成部分
科学领域
- 太空生物学
- 组学数据分析
- 啮齿动物研究
背景
- GeneLab平台提供了太空生物学实验数据的公共访问。
- 了解太空飞行对生物系统的影响对未来任务至关重要。
- 小鼠模型常用于研究太空中的生物反应。
- 这些实验的数据可以为与太空飞行健康风险相关的临床理论提供信息。
研究目的
- 为未来太空生物学研究生成假设。
- 利用公开的数据开发与太空飞行相关的健康问题的对策。
- 演示在微重力环境中进行啮齿动物研究的过程。
使用的方法
- 使用专门的运输器将小鼠运送到国际空间站（ISS）。
- 使用视频监控和红外成像监测啮齿动物的健康和行为。
- 通过GeneLab数据存储库访问和分析数据集。
- 使用元数据文件进行详细的研究描述和测定信息。
主要结果
- 小鼠在微重力下表现出典型行为，如梳理和社交互动。
- 啮齿动物适应其栖息地，显示出与地球相似的探索行为。
- 数据分析工具演示了访问和使用GeneLab数据。
- 研究结果有助于理解生物对太空飞行条件的反应。
结论
- GeneLab平台是太空生物学研究的宝贵资源。
- 太空中的啮齿动物研究提供了微重力对生物系统影响的洞察。
- 公共访问数据促进了太空健康研究的合作和创新。
常见问题
Executive Industry Relevance
Access to spaceflight omics data via the NASA GeneLab platform enables hypothesis generation for space biology research with minimal cost. This approach supports the development of clinical theories for disease therapies and countermeasures related to spaceflight health risks. Researchers can leverage publicly available data to identify key biological responses and inform future mission design.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses using spaceflight-exposed biological systems.
- Operational Value: Provides access to omics data for functional target validation in unique environmental contexts.
- Predictive Value: Supports biological de-risking by identifying conserved responses to spaceflight stressors.
Screening & Assay Development
- Scientific Value: Facilitates preparation of validated biological systems from spaceflight specimens for downstream assay use.
- Operational Value: Promotes assay standardization through reproducible metadata and data access workflows.
- Scalability: Enables platform reuse across diverse biological systems such as cancer, Alzheimer’s, and cardiovascular disease models.
Translational & Preclinical Research
- Translational Value: Connects spaceflight omics data to disease-relevant systems for biomarker alignment.
- Preclinical Continuity: Supports risk-adjusted advancement decisions by revealing biological responses to microgravity and elevated CO2.
- Mechanistic De-risking: Identifies key drivers like MAP kinase one as central hubs in cross-disease network analyses.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis generation to preclinical validation by enabling omics data access and analysis.
- Discovery Biology: Supports hypothesis testing and pathway clarification using spaceflight transcriptomic data.
- Screening: Ensures assay readiness through standardized data retrieval and metadata validation.
- Analytics: Enables quantitative measurements via gene set enrichment, fold change thresholds, and network representation.
- Translational Research: Connects spaceflight responses to preclinical continuity through conserved biological pathways.
- Enterprise Reuse: Positions the GeneLab platform as a reusable capability for multi-disease omics analysis.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through identification of conserved biological responses to spaceflight.
- Operational Value: Standardization and scalability via public data access and shared analytical workflows.
- Strategic Value: Informs go/no-go decisions by revealing health risks associated with spaceflight.
- Portfolio Impact: Enables risk-adjusted prioritization of countermeasures for astronaut health.
Implementation Considerations
- Required expertise in omics data analysis and bioinformatics tools.
- Need for access to genomic analysis platforms such as Galaxy and Genome Space Importer.
- Standardization requirements for metadata handling across investigation, study, and assay levels.
- Adaptation considerations when applying the workflow to terrestrial disease models.
- Practical limitation: dependence on data quality and annotation consistency across GeneLab datasets.
