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
December 7th, 2021
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。
固有动力学可视化工具使研究人员更容易使用多种推理方法并理解其结果，从而加速功能网络模型的生成。固有动态可视化工具的主要优点是可视化和探索中间结果，以便为下游步骤的参数和输入文件内容提供信息。固有动力学可视化工具有助于探索和理解来自多个推理工具的结果。
但是，我们建议参考每个工具的文档，以更好地了解参数选择如何影响结果。在参数化节点查找步骤的新 IDP 配置文件中，在各个行上键入数据文件等于、注释文件等于、输出文件等于、进程数等于和 IDV 连接等于 true。在数据文件的等号后，键入相应时序文件的路径和名称，并在名称后加上逗号。
对于注释文件，键入注释文件的路径和名称。对于输出文件，键入结果文件夹的路径和名称。对于编号进程，键入 IDP 应使用的进程数。
在主参数之后的同一文本文件中，按顺序键入 DLxJTK 参数，在方括号中，句点等于和 DLxJTK 截止值等于在各个行上。对于句点，如果使用一个时序数据集，请键入每个句点长度，并在等号后用逗号分隔。对于多个时间序列数据集，请像以前一样键入每组周期长度，但在每个集合周围放置方括号，并在集合之间放置逗号。
对于 DLxJTK 截止值，在等号之后，键入一个整数，指定 JTK-CYCLE 在 De Lichtenburg 输出的基因列表文件中要保留的最大基因数。接下来，使用创建的配置文件运行 IDP，方法是在终端中运行具有相应文件名的指示命令。在终端中，移动到名为"固有动态可视化工具"的目录，然后输入指示的命令。
然后在 Web 浏览器中，输入显示的 URL。接下来，单击节点查找选项卡，然后从下拉菜单中选择感兴趣的节点查找文件夹。要扩展或缩短基因列表表，请单击向上或向下箭头，或在DLxJTK排名基因的基因表达旁边的框中手动输入一个介于1和50之间的整数。
在基因列表表中，单击基因旁边的框以查看其基因表达谱和折线图。可以添加多个基因。然后，通过单击下载基因列表按钮，将基因列表下载为边缘查找步骤所需的文件格式。
在可编辑的基因注释表中，将基因标记为靶标、调节因子或两者。如果基因是调节因子，则将基因标记为激活剂、抑制因子或两者兼而有之。最后，单击下载注释文件按钮，将注释文件下载为边缘查找步骤所需的文件格式。
在参数化边缘查找步骤的新 IDP 配置文件中，对于基因列表文件，请在等号后输入生成的基因列表文件的路径和名称。对于边缘评分列，输入 PLD 或范数损失，以指定使用 LEM py 输出中的哪个数据帧列来过滤边缘。接下来，为列表选择边缘分数阈值或数个边缘，然后删除另一个边缘。
如果选择了边缘分数阈值，请输入一个介于 0 和 1 之间的数字。如果选择了列表的数条边，请输入一个等于或小于可能边数的值。然后为种子选择种子阈值或数字边，并删除另一个。
如果选择了种子阈值，请输入一个介于 0 和 1 之间的数字。如果选择了种子的数边数，请输入一个等于或小于可能边数的值。接下来，使用创建的配置文件运行 IDP，如前所述。
通过单击每个边旁边的相应复选框来选择或取消选择边缘表中的边缘，以在种子网络中添加或删除边缘。然后单击下载 DSGRN 网络规范按钮，以 DSGRN 网络规范格式下载种子网络。通过单击边缘表中相应的复选框选择要包含在网络查找中使用的边缘列表文件中的边缘后，单击下载节点和边缘列表以在网络查找中使用所需的格式下载节点列表和边缘列表文件。
在参数化网络查找步骤的新 IDP 配置文件中，对于种子网络文件、边缘列表文件和节点列表文件，输入种子网络文件以及边缘和节点列表文件的路径和名称。对于范围操作，键入两个数字，在等号后用逗号分隔。第一个和第二个数字分别是每个网络添加或删除节点或边缘的最小和最大数量。
对于 num 个邻居，输入一个数字，该数字表示要在网络查找中查找的网络数。对于最大参数，输入一个数字，该数字表示允许网络的最大 DSGRN 参数数。对于添加节点，请添加边、删除节点和删除边，请在等号后输入介于 0 和 1 之间的值。
数字之和必须为1。然后使用创建的配置文件运行 IDP，如前所述。要生成边缘流行度表，请使用以下两个选项选择网络。
对于选项 1，通过在与图的 x 轴和 y 轴对应的输入框中输入最小值和最大值，输入查询结果的下限和上限。对于选项 2，单击并在散点图上拖动以在要包含的网络周围绘制一个框。选择或输入输入边界后，单击从所选网络获取边缘流行度按钮。
接下来，在网络索引输入框中输入一个整数，以显示所选内容中的单个网络。然后单击下载 DSGRN 网络规范，以 DSGRN 网络规范格式下载显示网络。使用与每个边对应的复选框，选择要包括在用于相似性分析的网络或图案中的边。
然后单击提交，为所选主题或网络创建相似性散点图。要选择一个网络或一组网络，请单击并拖动散点图。在要包含的网络周围绘制一个框，以生成边缘流行率表并查看网络以及相应的查询结果。
通过单击下载表下载边缘流行度表。然后，点击下载 DSGRN 网络规格进行相似性分析，如前面所示，下载显示网络进行相似性分析。该方案应用于酵母细胞周期的核心振荡器基因调控网络。
此处显示了在步骤之间连续运行 IDP 的每个步骤而不使用 IDV 的结果。IDP 的这种完全参数化的运行产生了节点和边缘查找的结果。然而，在网络查找中，没有发现可接受的模型网络。
然后从酵母菌基因组数据库中选择一组已知的酵母细胞周期调节剂，并从酵母中提取已知的基因之间的调节关系。扩展基因列表表以查找基因调控网络模型中的剩余基因，并取消选择基因以删除同一模型中未找到的基因。使用新的基因列表和注释文件为边缘查找步骤参数化了新的IDP配置文件，并将结果加载到IDV中。
没有实验证据的边缘从种子网络中被移除。在实验证据充分支持下，在创建种子网络后，在网络查找步骤中发现了37个模型可接受网络，其中24个可以稳定振荡。在这24个网络中，表现最好的是两个网络，它们在稳定振荡模型参数的50%处与数据匹配。
当添加在网络生成期间移除边缘的能力时，发现了612个网络，其中67%的网络具有稳定振荡的能力。有趣的是，82个能够稳定振荡动力学的网络无法产生类似于数据中看到的动态。在411个网络中，有124个网络表现出与数据的可靠匹配。
DSGRN不知道生物学上可行的参数空间，但是在节点和边缘查找中结合生物信息有助于将网络查找限制在所有网络空间中的生物合理区域。可以使用边缘查找步骤中的参数对网络执行ODE建模，以进一步测试计算机网络的功能。
View the full transcript and gain access to thousands of scientific videos
概述
固有动力学可视化工具旨在增强基因调控网络推断方法的可用性，使研究人员能够更有效地创建功能网络模型。通过提供可视化和探索中间结果的工具，它有助于参数选择和理解，最终培养对结果模型的信心。
主要研究组成部分
研究领域
- 基因调控网络推断
- 生物系统建模复杂性
- 计算生物学中的可视化工具
背景
- 模型准确性中参数化的重要性
- 可视化与推断方法的协作
- 对简化模型开发的需求
使用的方法
- 交互式可视化软件
- 基因调控网络
- 各种推断步骤的配置文件设置
主要结果
- 促进了推断结果的探索
- 简化了下游建模任务的配置
- 通过可视化工具增强了对参数影响的理解
结论
- 该研究展示了固有动力学可视化工具在网络模型开发中的有效性。
- 该工具显著提高了研究人员通过更好的可视化和与推断工具的交互来获得可靠生物学见解的能力。
常见问题
Executive Industry Relevance
Gene regulatory network inference is a critical step in target validation and mechanistic de-risking for biopharma discovery pipelines. The Inherent Dynamics Visualizer enhances predictive confidence by enabling interactive exploration of parameter impacts on network outputs, supporting data-driven hypothesis refinement. This capability improves translational continuity by aligning computational models with biological plausibility before preclinical investment.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through visualization of network topology changes under varying parameters.
- Operational Value: Supports biological de-risking by identifying parameter sets that yield biologically plausible network structures.
- Predictive Value: Increases confidence in target selection by revealing stable, oscillating network models that match experimental dynamics.
Screening & Assay Development
- Scientific Value: Provides standardized, visualization-ready gene lists and annotation files for downstream edge-finding workflows.
- Operational Value: Automates input file generation for pipeline steps, reducing manual configuration errors and improving reproducibility.
- Scalability: Enables rapid iteration across parameter sets to assess network robustness before compound screening campaigns.
Translational & Preclinical Research
- Translational Continuity: Facilitates alignment of inferred networks with known regulatory relationships from biological databases.
- Mechanistic De-risking: Allows removal of edges lacking experimental evidence to constrain network space to biologically feasible regions.
- Preclinical Alignment: Supports ODE modeling of networks using edge-derived parameters for in silico functional validation.
Pipeline & Workflow Integration
The tool integrates into the discovery continuum from early target hypothesis testing through lead identification by enabling parameter optimization at each inference step, improving model reliability before compound engagement.
- Discovery Biology: Supports hypothesis testing and pathway clarification via interactive visualization of node and edge identification outputs.
- Screening: Enhances assay readiness by generating standardized, reproducible input files for downstream modeling steps.
- Analytics: Enables quantitative comparison of network prevalence and stability across parameter conditions through edge prevalence tables and similarity scatterplots.
- Translational Research: Connects discovery-phase network models to preclinical validation by incorporating biological constraints from curated databases.
- Enterprise Reuse: Functions as a reusable configuration and visualization layer across multiple inference methods and time series datasets.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in target validation through visualization of parameter impact on network stability and dynamics.
- Operational Value: Standardization and reproducibility of configuration file generation and intermediate result evaluation.
- Strategic Value: Improved go/no-go decisions by reducing mechanistic ambiguity in early-stage network models.
- Portfolio Impact: Risk-adjusted prioritization of targets based on network robustness and alignment with known biology.
Implementation Considerations
- Requires expertise in gene regulatory network inference and time series transcriptomic data analysis.
- Depends on computational infrastructure to run the Inherent Dynamics Pipeline and host the web-based visualizer.
- Necessitates cross-team standardization of file naming conventions and parameter reporting for reproducibility.
- Involves adaptation considerations when applying the tool to different model organisms or data types beyond yeast cell cycle.
- Limited by the biological interpretability of DSGRN parameters, requiring integration with ODE modeling for functional validation.
