Name: 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 (视频) | JoVE Journal
Uploaded: 2021-12-07T13:30:00.000+00:00
Duration: 10 min 44 s
Description: 探索固有动力学可视化工具，用于评估和可视化基因调控网络推理管道的输出。该交互式应用程序帮助研究人员更高效地创建功能网络模型，通过可视化中间结果来优化参数选择并增强对模型的理解。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本工作由美国国立卫生研究院（NIH）资助项目 R01 GM126555-01 和美国国家科学基金会（NSF）资助项目 DMS-1839299 支持。

1. 安装 IDP 和 IDV
注意：本节假设您已安装 docker、conda、pip 和 git（材料表）。
<ol>
	<li>在终端中输入命令：git clone&#160;https://gitlab.com/biochron/inherent_dynamics_pipeline.git。</li>
	<li>按照 IDP 的 README 文件中的安装说明进行操作。</li>
	<li>在终端中输入命令：git clone&#160;https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git。 
	注意：IDV 的克隆操作应在 IDP 顶级目录之外进行。</li>
	<li>按照 IDV 的 README 文件中的安装说明进行操作。</li>
</ol>
2. 节点识别
<ol>
	<li>创建一个新的 IDP 配置文件，用于参数化节点识别步骤。 
	注意：以下步骤中的所有引号均不应输入。此处引号仅用于分隔操作说明与需要输入的内容。
	<ol>
		<li>将主要的 IDP 参数添加到配置文件中。</li>
		<li>在文本编辑器中新建一个文本文件并输入 &#34;data_file =&#34;, &#34;annotation_file =&#34;, &#34;output_dir =&#34;, &#34;num_proc =&#34;，以及 &#34;IDVconnection = True&#34; 在单独的行中。</li>
		<li>对于 &#34;数据文件&#34;在等号后输入相应时间序列文件的路径和文件名，文件名后输入逗号。若使用多个时间序列数据集，每个数据之间用逗号分隔。参见 补充文件 1 和 补充文件 2 时间序列基因表达文件的示例。</li>
		<li>输入注释文件的路径和文件名 &#34;注释文件&#34;，等号之后。参见 补充文件 3 参见注释文件示例。</li>
		<li>对于 &#34;output_file&#34;等号后输入用于保存结果的文件夹路径及名称。</li>
		<li>等于号后，对于 &#34;num_proc&#34;，输入IDP应使用的进程数。</li>
		<li>将节点查找参数添加到配置文件中。</li>
		<li>在与步骤 2.1.1 相同的文本文件中，按所列顺序输入 &#34;[dlxjtk_arguments]&#34;, &#34;时期 =&#34;，以及 &#34;dlxjtk_cutoff =&#34; 在单独的行中。将这些内容置于主要参数之后。</li>
		<li>对于 &#34;时期&#34;在等号后，若使用单个时间序列数据集，请输入各周期长度，并以逗号分隔。若使用多个时间序列数据集，则将每组周期长度用方括号括起，组间以逗号分隔，每组内的周期长度仍按前述方式以逗号分隔。</li>
		<li>等于号后，对于 &#34;dlxjtk_cutoff&#34;，输入一个整数，用于指定由 de Lichtenberg 与 JTK_CYCLE（DLxJTK）方法输出的基因列表文件（gene_list_file）中保留的最大基因数量（表1). 
		注意：强烈建议查阅 IDP README 中的 dlxjtk_arguments 部分，以更好地理解每个参数的含义。参见 补充文件 4 有关指定节点查找参数的配置文件示例。</li>
	</ol>
	</li>
	<li>在终端中，进入名为 inherent_dynamics_pipeline 的 IDP 目录。</li>
	<li>在终端中输入命令： conda activate dat2net</li>
	<li>使用第2.1步中创建的配置文件，在终端中运行以下命令来启动IDP，其中 &#60;配置文件名称&#62; 文件的名称是： python src/dat2net.py &#60;配置文件名称&#62;</li>
	<li>在终端中，进入名为 inherent_dynamics_visualizer 的目录&#160;并输入命令：/viz_results.sh &#60;结果目录&#62; 
	注意： &#60;结果目录&#62; 将指向用作IDP输出目录的目录。</li>
	<li>在网页浏览器中输入&#160;http://localhost:8050/ 作为网址。</li>
	<li>IDV 在浏览器中打开后，单击 节点定位 标签，然后从下拉菜单中选择感兴趣的节点查找文件夹。</li>
	<li>在IDV的基因列表表格中手动整理一个新的基因列表，用于后续的IDP步骤。
	<ol>
		<li>要扩展或缩短基因列表表格，请点击向上或向下箭头，或在旁边的框中手动输入 1 至 50 之间的整数 DLxJTK排序基因的基因表达。顶部：.</li>
		<li>在基因列表表格中，点击基因旁的复选框，以在线图中查看其基因表达谱。可添加多个基因。</li>
		<li>可选择在基因列表表格上方标有“输入框”处输入一个整数，指定计算等宽时间区间（bins）的数量，并按基因表达峰值所在的时间区间对基因进行排序 输入整数以将第一个周期划分为若干区间：. 
		注意：此选项专用于振荡动力学，可能不适用于其他类型的动力学。</li>
		<li>通过点击下方选项选择热图查看偏好 按以下方式排序基因：首个周期最大表达量 (表1根据第一周期基因表达峰值出现的时间对基因进行排序。 
		注意： DLxJTK 等级 根据IDP的DLxJTK算法的周期性排序对基因进行排序</li>
		<li>点击 下载基因列表 单击按钮，将基因列表下载为边信息查找步骤所需的文件格式。参见 补充文件 5 基因列表文件的示例。</li>
	</ol>
	</li>
	<li>在 可编辑的基因注释表在新的“边缘查找”运行中，针对“边缘查找”步骤的注释文件，将基因标记为靶基因、调控因子，或两者兼具。若某基因为调控因子，需进一步标注其为激活子、抑制子，或两者兼具。
	<ol>
		<li>若要将某个基因标记为激活因子，请点击 tf_act 列中的对应单元格，并将该值更改为 1。若要将某个基因标记为抑制因子，请将 tf_rep 列中对应单元格的值更改为 1。在边查找（Edge Finding）步骤中，若将某个基因在 tf_act 和 tf_rep 两列的值均设为 1，则该基因将被允许同时作为激活因子和抑制因子发挥作用。</li>
		<li>要将一个基因标记为目标基因，请点击“目标”列中的对应单元格，并将数值更改为1。</li>
	</ol>
	</li>
	<li>点击 下载注释文件 单击按钮以下载注释文件，并将其保存为边缘检测步骤所需的文件格式。</li>
</ol>
3. 边缘检测
<ol>
	<li>创建一个新的 IDP 配置文件，用于参数化边缘检测步骤。
	<ol>
		<li>将主要的 IDP 参数添加到配置文件中。在文本编辑器中新建一个文本文件，并重复步骤 2.1.1。</li>
		<li>将边缘检测参数添加到配置文件中。</li>
		<li>在与步骤 3.1.1 相同的文本文件中，按所列顺序输入 &#34;[lempy_arguments]&#34;, &#34;gene_list_file =&#34;, &#34;[netgen_arguments]&#34;, &#34;edge_score_column =&#34;, &#34;edge_score_thresho =&#34;, &#34;num_edges_for_list =&#34;, &#34;seed_threshold =&#34;，以及 &#34;num_edges_for_seed =&#34; 在单独的行中。这些内容应位于主要论点下方。</li>
		<li>对于 &#34;基因列表文件&#34;在等号后输入第 2.8.5 步生成的基因列表文件的路径和文件名。</li>
		<li>对于 &#34;边缘评分列&#34;等于号后，输入以下任意一项 &#34;pld&#34; 或 &#34;范数损失&#34; 用于指定从 lempy 输出的数据框中哪一列用于过滤边。</li>
		<li>选择以下任意一项 &#34;边缘评分阈值&#34; 或 &#34;列表的边数&#34;，并删除另一个。如果 &#34;边缘评分阈值&#34; 选择后，请输入一个介于 0 和 1 之间的数值。该数值将用于根据步骤 3.1.5 中指定的列对边进行筛选。
		<ol>
			<li>如果 &#34;列表的边数&#34; 选择该选项后，输入一个等于或小于可能边数的数值。该数值将用于根据第3.1.5步中指定列的排序结果对边进行筛选。剩余的边将用于在网络发现（Network Finding）中构建网络。</li>
		</ol>
		</li>
		<li>选择以下任意一项 &#34;种子阈值&#34; 或 &#34;种子点的边数&#34; 并删除另一个。如果 &#34;种子阈值&#34; 选择后，请输入一个介于 0 和 1 之间的数值。该数值将用于根据步骤 3.1.5 中指定的列对边进行过滤。
		<ol>
			<li>如果 &#34;种子节点的边数&#34; 选择的数值应等于或小于可能边数。该数值将用于根据第3.1.5步中指定列的排序结果对边进行筛选。剩余的边将用于构建种子网络。表1) 用于网络发现。 
			注意：强烈建议查阅 IDP README 中的 lempy_arguments 和 netgen_arguments 部分，以更好地理解每个参数的含义。参见 补充文件 7 以配置文件为例，其中指定了边缘检测的相关参数。</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>重复步骤 2.2 和 2.3。</li>
	<li>使用第 3.1 步中创建的配置文件，通过在终端中运行以下命令来执行 IDP，其中 &#60;配置文件名称&#62; 是文件的名称： python src/dat2net.py &#60;配置文件名称&#62;</li>
	<li>如果 IDV 仍在运行，请通过按下停止 对照 C 在终端窗口中停止程序。重复步骤 2.5 和 2.6。</li>
	<li>在浏览器中打开 IDV 后，单击 边缘检测 选项卡，然后从下拉菜单中选择感兴趣的边缘检测文件夹。 
	注意：如果在边缘检测中使用了多个数据集，请确保选择在局部边缘机器（LEM）分析中最后使用的那个数据集表1在根据LEM结果选择种子网络或边列表的边时，应查看配置文件中列出的最后一条时间序列数据，因为该输出在推断节点间的调控关系时已整合了之前所有数据文件的信息。</li>
	<li>要延长或缩短边缘表格，请在下方输入框中手动输入一个整数 边数：.</li>
	<li>可选择基于 LEM ODE 参数对边进行筛选。点击并拖动每个参数滑块的左侧或右侧，以移除边表中参数超出新设定允许范围的边。</li>
	<li>可选择创建一个新的种子网络，如果希望使用的种子网络与IDP建议的不同。参见 补充文件 8 种子网络文件的示例。
	<ol>
		<li>选择以下任意一项 从种子开始 选择种子网络或 从筛选 从下拉菜单中 网络：.</li>
		<li>通过点击每条边旁边对应的复选框，取消选中或选中边表中的边，以从种子网络中移除或添加边。</li>
	</ol>
	</li>
	<li>点击 下载 DSGRN NetSpec 下载由调控网络动态特征（DSGRN）生成的种子网络的按钮表1网络规格格式</li>
	<li>选择在网络查找步骤中要使用的其他节点和边。
	<ol>
		<li>在“网络发现”所使用的边列表文件中，通过勾选边表格中相应的复选框来选择要包含的边。</li>
		<li>点击 下载节点和边列表 下载节点列表和边列表文件，格式需符合网络分析工具的使用要求。参见 补充文件 9 和 补充文件 10 分别为边列表文件和节点列表文件的示例。 
		&#8203;注意：节点列表必须包含边列表文件中的所有节点，因此 IDV 会根据所选边自动生成节点列表文件。在边查找中查看边时提供两种选项。 LEM 摘要表 该选项将边以排名列表的形式呈现，显示前 25 条边。 顶部 LEM 表格 呈现每个可能调控因子排名前三的边，并将其边以串联列表形式展示。用户可通过修改数值，调整每种选项所查看的边的数量。 边的数量 输入框</li>
	</ol>
	</li>
</ol>
4. 网络识别
<ol>
	<li>创建一个新的 IDP 配置文件，用于参数化网络发现步骤。
	<ol>
		<li>将主要的 IDP 参数添加到配置文件中。在文本编辑器中新建一个文本文件，并重复步骤 2.1.1。</li>
		<li>将网络发现参数添加到配置文件中。</li>
		<li>在与步骤 4.1.1 相同的文本文件中，按以下顺序逐行输入：&#34;[netper_arguments]&#34;、&#34;edge_list_file =&#34;、&#34;node_list_file =&#34;、&#34;seed_net_file =&#34;、&#34;range_operations =&#34;、&#34;numneighbors =&#34;、&#34;maxparams =&#34;、&#34;[[probabilities]]&#34;、&#34;addNode =&#34;、&#34;addEdge =&#34;、&#34;removeNode =&#34; 和 &#34;removeEdge =&#34;，置于主参数下方。</li>
		<li>对于 &#34;seed_net_file&#34;、&#34;edge_list_file&#34; 和 &#34;node_list_file&#34;，在等号后输入种子网络文件以及在步骤 3.9 和 3.10.2 中生成的边列表文件和节点列表文件的路径及文件名。</li>
		<li>对于 &#34;range_operations&#34;，在等号后输入两个用逗号分隔的数字。第一个数字和第二个数字分别表示每次生成网络时添加或删除节点或边的最小数量和最大数量。</li>
		<li>对于 &#34;numneighbors&#34;，在等号后输入一个数字，表示在网络发现过程中要查找的网络数量。</li>
		<li>对于 &#34;maxparams&#34;，在等号后输入一个数字，表示允许每个网络拥有的最大 DSGRN 参数数量。</li>
		<li>对于 &#34;addNode&#34;、&#34;addEdge&#34;、&#34;removeNode&#34; 和 &#34;removeEdge&#34;，在等号后输入介于 0 和 1 之间的数值，这些数值之和必须等于 1。 
		注：强烈建议查阅 IDP README 中的 netper_arguments 和 netquery_arguments 部分，以更好地理解每个参数的含义。配置文件中指定网络发现参数的示例请参见 补充文件 11 和 补充文件 12。</li>
	</ol>
	</li>
	<li>重复步骤 2.2 和 2.3。</li>
	<li>在终端中运行以下命令，使用步骤 4.1 中创建的配置文件运行 IDP，其中 &#60;config file name&#62; 为文件名：python src/dat2net.py &#60;config file name&#62;</li>
	<li>如果 IDV 仍在运行，请在终端窗口中按下 Control C 以停止程序。然后重复步骤 2.5 和 2.6。</li>
	<li>在浏览器中打开 IDV 后，点击 网络发现 标签页，并选择感兴趣的网络发现文件夹。</li>
	<li>选择一个或一组网络，以生成边出现频率表（表 1），并查看所选网络及其对应的查询结果。
	<ol>
		<li>选择网络有两种方式：选项 1 —— 在对应于散点图 x 轴和 y 轴的输入框中输入最小值和最大值，以设定查询结果的下限和上限；选项 2 —— 在散点图上点击并拖动，绘制一个包含目标网络的方框。完成选择或输入边界后，点击 从选定网络获取边出现频率 按钮。 
		注：如果指定了多个 DSGRN 查询，请使用标有查询类型的单选按钮在不同查询结果之间切换。若指定了多个 epsilon（噪声水平），同样适用此操作。</li>
	</ol>
	</li>
	<li>点击边出现频率表下方的箭头以翻阅表格的下一页。点击 下载表格 按钮以下载边出现频率表。</li>
	<li>在网络索引输入框中输入一个整数，以显示在步骤 4.6 中选择的单个网络。点击 下载 DSGRN NetSpec 以 DSGRN 网络规范格式下载当前显示的网络。</li>
	<li>搜索与指定模体或目标网络相似的网络。
	<ol>
		<li>使用每条边对应的复选框，选择要包含在用于相似性分析的网络或模体中的边。点击 提交 以生成所选模体或网络的相似性散点图。 
		注：使用边列表中的箭头可按字母顺序排序，使用表格下方的箭头可翻阅表格的下一页。</li>
		<li>在散点图上点击并拖动，绘制一个包含目标网络的方框，以选择一个或一组网络，进而生成边出现频率表，并查看这些网络及其对应的查询结果。 
		注：如果指定了多个 DSGRN 查询，请使用标有查询类型的单选按钮在不同查询结果之间切换。若指定了多个 epsilon（噪声水平），同样适用此操作。</li>
		<li>分别重复步骤 4.7 和 4.8，以下载相似性分析的边出现频率表和当前显示的网络。</li>
	</ol>
	</li>
</ol>

<ol><li>Karlebach, G., Shamir, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+and+analysis+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Nature+Reviews+Molecular+Cell+Biology%22%5BJournal%5D)">Modelling and analysis of gene regulatory networks.</a> Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).</li>
<li>Aijö, T., Lähdesmäki, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+gene+regulatory+networks+from+gene+expression+measurements+using+non-parametric+molecular+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics.</a> Bioinformatics. 25 (22), 2937-2944 (2009).</li>
<li>Huynh-Thu, V. A., Sanguinetti, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+tree-based+and+dynamical+systems+for+the+inference+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Combining tree-based and dynamical systems for the inference of gene regulatory networks.</a> Bioinformatics. 31 (10), 1614-1622 (2015).</li>
<li>Oates, C. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Causal+network+inference+using+biochemical+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Causal network inference using biochemical kinetics.</a> Bioinformatics. 30 (17), 468-474 (2014).</li>
<li>Marbach, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wisdom+of+crowds+for+robust+gene+network+inference%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Wisdom of crowds for robust gene network inference.</a> Nature Methods. 9 (8), 796-804 (2012).</li>
<li>Inherent Dynamics Pipeline. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/inherent_dynamics_pipeline">https://gitlab.com/biochron/inherent_dynamics_pipeline</a> (2021).</li>
<li>Motta, F. C., Moseley, R. C., Cummins, B., Deckard, A., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conservation+of+dynamic+characteristics+of+transcriptional+regulatory+elements+in+periodic+biological+processes%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Conservation of dynamic characteristics of transcriptional regulatory elements in periodic biological processes.</a> bioRxiv. , (2020).</li>
<li>LEMpy. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/lempy">https://gitlab.com/biochron/lempy</a> (2021).</li>
<li>McGoff, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+local+edge+machine%3A+inference+of+dynamic+models+of+gene+regulation%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">The local edge machine: inference of dynamic models of gene regulation.</a> Genome Biology. 17, 214(2016).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Model+rejection+and+parameter+reduction+via+time+series%5BTitle%5D)+AND+%22SIAM+Journal+on+Applied+Dynamical+Systems%22%5BJournal%5D)">Model rejection and parameter reduction via time series.</a> SIAM Journal on Applied Dynamical Systems. 17 (2), 1589-1616 (2018).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Database+of+Dynamic+Signatures+Generated+by+Regulatory+Networks+%28DSGRN%29%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science.+%28including+Subseries+Lecture+Notes+in+Artificial+Intelligence+and+Lecture+Notes+in+Bioinformatics%29%22%5BJournal%5D)">Database of Dynamic Signatures Generated by Regulatory Networks (DSGRN).</a> Lecture Notes in Computer Science. (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 300-308 (2017).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DSGRN%3A+Examining+the+dynamics+of+families+of+logical+models%5BTitle%5D)+AND+%22Frontiers+in+Physiology.+9%22%5BJournal%5D)">DSGRN: Examining the dynamics of families of logical models.</a> Frontiers in Physiology. 9. 9, 549(2018).</li>
<li>DSGRN. , Available from: 
 <a target="_blank" href="https://github.com/marciogameiro/DSGRN">https://github.com/marciogameiro/DSGRN</a> (2021).</li>
<li>Dsgm_Net_Gen. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_gen">https://github.com/breecummins/dsgrn_net_gen</a> (2021).</li>
<li>Dsgrn_Net_Query. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_query">https://github.com/breecummins/dsgrn_net_query</a> (2021).</li>
<li>Orlando, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+control+of+cell-cycle+transcription+by+coupled+CDK+and+network+oscillators%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Global control of cell-cycle transcription by coupled CDK and network oscillators.</a> Nature. 453 (7197), 944-947 (2008).</li>
<li>Monteiro, P. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((YEASTRACT%2B%3A+a+portal+for+cross-species+comparative+genomics+of+transcription+regulation+in+yeasts%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">YEASTRACT+: a portal for cross-species comparative genomics of transcription regulation in yeasts.</a> Nucleic Acids Research. 48 (1), 642-649 (2020).</li>
<li>de Bruin, R. A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Constraining+G1-specific+transcription+to+late+G1+phase%3A+The+MBF-associated+corepressor+Nrm1+acts+via+negative+feedback%5BTitle%5D)+AND+%22Molecular+Cell%22%5BJournal%5D)">Constraining G1-specific transcription to late G1 phase: The MBF-associated corepressor Nrm1 acts via negative feedback.</a> Molecular Cell. 23 (4), 483-496 (2006).</li>
<li>Horak, C. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+transcriptional+circuitry+at+the+G1%2FS+transition+in+Saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Genes+%26+Development%22%5BJournal%5D)">Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae.</a> Genes & Development. 16 (23), 3017-3033 (2002).</li>
<li>Cherry, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Saccharomyces+genome+database%3A+The+genomics+resource+of+budding+yeast%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">Saccharomyces genome database: The genomics resource of budding yeast.</a> Nucleic Acids Research. 40, 700-705 (2012).</li>
<li>Zhu, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+yeast+forkhead+genes+regulate+the+cell+cycle+and+pseudohyphal+growth%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth.</a> Nature. 406 (6791), 90-94 (2000).</li>
<li>Loy, C. J., Lydall, D., Surana, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NDD1%2C+a+high-dosage+suppressor+of+cdc28-1N%2C+is+essential+for+expression+of+a+subset+of+late-S-phase-specific+genes+in+saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Molecular+and+Cellular+Biology%22%5BJournal%5D)">NDD1, a high-dosage suppressor of cdc28-1N, is essential for expression of a subset of late-S-phase-specific genes in saccharomyces cerevisiae.</a> Molecular and Cellular Biology. 19 (5), 3312-3327 (1999).</li>
<li>Cho, C. Y., Kelliher, C. M., Hasse, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+cell-cycle+transcriptional+network+generates+and+transmits+a+pulse+of+transcription+once+each+cell+cycle%5BTitle%5D)+AND+%22Cell+Cycle%22%5BJournal%5D)">The cell-cycle transcriptional network generates and transmits a pulse of transcription once each cell cycle.</a> Cell Cycle. 18 (4), 363-378 (2019).</li>
<li>Smith, L. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+intrinsic+oscillator+drives+the+blood+stage+cycle+of+the+malaria+parasite+Plasmodium+falciparum%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum.</a> Science. 368 (6492), 754-759 (2020).</li>
</ol>

作者无任何利益冲突需要披露。

基因调控网络（GRN）的推断是系统生物学中的一个重要挑战。IDP 利用一系列工具，以逐步复杂化的方式处理基因表达数据，从而生成模型化的 GRN。每一步都需要决策如何处理数据，以及哪些元素（基因、功能相互作用）将被传递到 IDP 的下一层。这些决策对 IDP 结果的影响并不明显。为此，IDV 提供了 IDP 中 GRN 推断工具各步骤输出结果的有用交互式可视化功能。IDV 简化并促进了对这些计算推断方法结果的评估过程，加快实验进程并指导分析选择，从而有助于加速生成高置信度的网络模型和科学假设。IDV 还实现了扩展 IDP 功能的特性，包括根据 LEM ODE 参数选择对边进行过滤、按基因表达时间进行分箱，以及基于与模体或网络的相似性对网络进行聚类。重要的是，IDV 允许在 IDP 的每一步之间进行人工干预，使用户能够便捷地整合来自文献的人类知识和先验信息，而这些操作难以完全自动化。IDP 的默认运行方式无法原生整合此类信息，因此在实验特异性信息可用时，使用 IDV 将提高结果的可信度。总体而言，将 IDV 与 IDP 结合使用，可使用户在对真实 GRN 知之甚少甚至一无所知的情况下，更有信心地构建针对生物过程的网络假设。
<p c...

许多重要的生物学过程，例如细胞分化和环境响应，均由基因调控网络（GRN）中相互作用的基因集合所控制。这些基因调控网络能够产生激活和维持其所控制表型所需的转录动力学，因此，确定基因调控网络的组成成分及其拓扑结构是理解众多生物学过程与功能的关键。基因调控网络可被建模为一组相互作用的基因和/或基因产物，其网络中的节点代表基因，边则描述相互作用的方向和形式（例如转录激活/抑制、翻译后修饰等）1。随后，这些相互作用可表示为参数化的数学模型，用以描述调控基因对其靶基因表达产生的影响2,3,4。推断基因调控网络模型需要同时推断出相互作用网络的结构以及估计其底层的相互作用参数。目前已开发出多种计算推断方法，可输入时间序列的基因表达数据并输出基因调控网络模型5。最近，一种名为“固有动力学流程”（Inherent Dynamics Pipeline, IDP）的新型基因调控网络推断方法被提出，该方法利用时间序列基因表达数据生成具有标注的调控-靶向关系的基因调控网络模型，且所生成的模型能够再现基因表达数据中观察到的动力学特征6。IDP 是一系列线性连接的工具组合，可分为三个步骤：第一步为“节点发现”（Node Finding），根据已知或推测与基因调控网络功能相关的基因表达特征对基因进行排序7,8；第二步为“边发现”（Edge Finding），对成对的调控关系进行排序8,9；第三步为“网络发现”（Network Finding），生成能够再现观测到的动力学行为的基因调控网络模型10,11,12,13,14,15。
与大多数计算方法类似，IDP 需要一组用户指定的参数，以决定输入数据的分析方式，而不同的参数组合可能在相同数据上产生不同的结果。例如，包括 IDP 在内的多种方法均包含对数据施加某种阈值的参数，若在连续运行中提高或降低该阈值，可能导致各次运行结果不一致（参见补充说明10：5中的网络推断方法）。理解每个参数如何影响分析过程及后续结果，对于提高结果的可信度至关重要。与大多数基因调控网络（GRN）推断方法不同，IDP 由多个计算工具组成，每个工具都有用户必须指定的独立参数集，并产生各自的输出结果。尽管 IDP 提供了关于如何设置每个工具参数的详尽文档，但由于各工具的输出依赖于前一步骤的结果，因此在不进行中间分析的情况下对整个流程进行参数设置具有挑战性。例如，边（Edge）和网络发现（Network Finding）步骤中的参数通常需要依据先验的生物学知识来确定，因而会依赖于具体的数据集和/或生物体。为了深入探究中间结果，用户需要具备基本的编程知识，以及对 IDP 生成的所有结果文件及其内容的全面理解。
固有动力学可视化工具（IDV）是一个可在用户浏览器窗口中运行的交互式可视化软件包，为IDP用户提供了一种评估其参数选择对IDP任意步骤结果影响的方法。IDV能够导航由IDP生成的复杂目录结构，收集每个步骤所需的数据，并以直观且可交互的图表和表格形式呈现，供用户探索。在浏览这些交互式显示内容后，用户可根据更充分的判断，从IDP的某一步骤生成新的数据。这些新数据可立即用于IDP的下一个相应步骤。此外，对数据的探索还有助于判断某个IDP步骤是否应以调整后的参数重新运行。IDV能够增强IDP的使用效果，使其使用过程更加直观和易于理解，这一点已在对酵母细胞周期核心振荡基因调控网络（GRN）的研究中得到验证。以下实验方案比较了完全参数化运行IDP所获得的结果，与在IDP各步骤（即节点、边和网络发现）运行后结合使用IDV的方法所获得的结果。

<table><tbody><tr><td>Docker</td><td></td><td></td><td>https://docs.docker.com/get-docker/</td></tr><tr><td>Git</td><td></td><td></td><td>https://git-scm.com/</td></tr><tr><td>固有动力学分析流程</td><td></td><td></td><td>https://gitlab.com/biochron/inherent_dynamics_pipeline</td></tr><tr><td>固有动力学可视化工具</td><td></td><td></td><td>https://gitlab.com/bertfordley/inherent_dynamics_visualizer</td></tr><tr><td>Miniconda</td><td></td><td></td><td>https://docs.conda.io/en/latest/miniconda.html</td></tr><tr><td>Pip</td><td></td><td></td><td>https://pip.pypa.io/en/stable/</td></tr></tbody></table>

固有动力学可视化工具：用于评估与可视化基因调控网络推断流程输出的交互式应用程序

Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline

构建基因调控网络模型是系统生物学中的一个重大挑战。为应对这一挑战，已开发出多种计算工具和分析流程，其中包括新近推出的固有动力学流程（Inherent Dynamics Pipeline）。该流程由多个先前发表的工具协同组成，以线性方式连接，前一个工具的输出作为下一个工具的输入。与大多数计算技术一样，固有动力学流程的每一步都需要用户对缺乏明确生物学定义的参数做出选择，而这些选择会显著影响分析所生成的基因调控网络模型。因此，能够在每一步可视化并探索不同参数选择所带来的影响，有助于增强对参数设定及其结果的信心。固有动力学可视化工具（Inherent Dynamics Visualizer）是一个综合性的可视化软件包，通过网页浏览器中的交互式界面，简化了评估参数选择的过程。用户可分别检查流程中每一步的输出，依据可视化信息进行直观调整，并自动获得固有动力学流程所需的输入文件。固有动力学可视化工具为从时间序列转录组数据中发现基因调控网络这一高度复杂的工具提供了前所未有的可访问性。

上述以文字描述并以图1图示的步骤被应用于酵母细胞周期的核心振荡基因调控网络（GRN），以检验是否能够发现具有功能性的GRN模型，这些模型能够重现从酵母细胞周期研究中收集的时间序列基因表达数据所观察到的动力学特征16。为了说明IDV如何澄清并改进IDP的输出结果，本文比较了两种分析方式的结果：1）一次性完整运行IDP的所有步骤而不使用IDV；2）在IDV的辅助下逐步执行IDP流程，从而能够根据先验生物学知识以及IDP输出结果进行中间结果的调整和更精细的选择。作为示例所使用的酵母细胞周期GRN已被广泛研究，其多数调控关系已通过实验验证。如果研究对象为其他物种或注释较少的生物过程，则对中间结果或参数进行调整的方式可能有所不同。为了展示可用于评估网络的一类查询方法，本文测量了每个网络的鲁棒性，以支持稳定的振荡行为，并使其节点在模型参数变化下与观察到的转录动力学相匹配。
来自 Orlando 2008 的两组重复时间序列基因表达数据16经...

固有动力学可视化工具是一个交互式可视化软件包，可连接至基因调控网络推断工具，以增强并简化功能网络模型的生成。该可视化工具可用于更合理地确定推断工具的参数，从而提高所得模型的可靠性。

构建基因调控网络模型是系统生物学中的一个重大挑战。已有多种计算工具和流程被开发出来以应对……

固有动力学可视化工具通过支持多种推断方法并帮助研究人员理解其结果，使研究人员能够更高效地构建功能网络模型。该工具的主要优势在于能够可视化和探索中间结果，从而为后续步骤的参数设置和输入文件内容提供指导。固有动力学可视化工具促进了对多种推断工具结果的探索与理解。然而，我们建议参考各个工具的文档，以更好地理解参数选择对结果的影响。在一个新的用于参数化节点查找步骤的 IDP 配置文件中，分别在单独的行中输入：data file 等于、annotation file 等于、output file 等于、number process 等于，以及 IDVconnection 等于 true。在 data file 后等号之后，输入相应时间序列文件的路径和文件名，并在文件名后加上逗号。对于注释文件，请输入注释文件的路径及文件名。对于输出文件，请输入结果文件夹的路径及名称。对于进程数量，请输入 IDP 应使用的进程数。在同一个文本文件中，主参数之后，按顺序输入以下内容：方括号中的 DLxJTK 参数，后接单独成行的“periods equal to”和“DLxJTK cutoff equal to”。对于 periods，若使用单个时间序列数据集，在等号后输入各个周期长度，以逗号分隔；若使用多个时间序列数据集，则将每组周期长度用方括号括起，组内周期长度仍以逗号分隔，组间也以逗号分隔。对于 DLxJTK 截断值，在等号后输入一个整数，用于指定由 De Lichtenberg 结合 JTK-CYCLE 方法输出的基因列表文件中保留的最大基因数量。接下来，在终端中运行相应的命令，并指定正确的文件名，使用所创建的配置文件运行 IDP。在终端中，进入名为 Inherent Dynamics Visualizer 的目录，并输入相应的命令。然后在网页浏览器中输入显示的URL。接着，点击“节点查找”标签，并从下拉菜单中选择感兴趣的节点查找文件夹。如需扩展或缩短基因列表表格，可点击向上或向下箭头，或在“按DLxJTK排序的基因表达”旁边的框中手动输入1至50之间的整数。在基因列表表格中，单击基因旁边的复选框以查看其基因表达谱和折线图。可添加多个基因。然后单击“下载基因列表”按钮，将基因列表下载为进行边缘分析步骤所需的文件格式。在可编辑的基因注释表格中，将基因标记为目标基因、调控因子，或两者兼具。如果某基因为调控因子，则进一步将其标记为激活子、抑制子，或两者兼具。最后，点击“下载注释文件”按钮，将注释文件下载为边识别步骤所需的文件格式。在一个新的 IDP 配置文件中，该文件用于参数化边缘查找步骤，在基因列表文件后，等号后输入生成的基因列表文件的路径和文件名。在边缘分数列中，输入 PLD 或 norm loss，以指定使用 LEM py 输出的哪个数据框列来过滤边缘。接下来，选择边缘分数阈值或列表的边数，并删除另一个选项。如果选择了边分数阈值，请输入一个介于零到一之间的数值。如果选择了列表边数，请输入一个小于或等于可能边数的值。然后选择种子阈值或种子边数其中之一，并删除另一个选项。如果选择了种子阈值，请输入一个介于零到一之间的数值。如果选择了种子边数，请输入一个小于或等于可能边数的值。接下来，使用之前创建的配置文件运行 IDP。通过点击每条边旁边对应的复选框，选择或取消选择边表中的边，以向种子网络中添加或移除边。然后点击“下载 DSGRN 网络配置”按钮，将种子网络以 DSGRN 网络配置格式下载。在边表中通过点击对应复选框选择要包含在用于网络搜索的边列表文件中的边后，点击“下载节点和边列表”按钮，以网络搜索所需格式下载节点列表和边列表文件。在一个新的 IDP 配置文件中，该文件用于参数化网络发现步骤，针对种子网络文件、边列表文件和节点列表文件，请输入种子网络文件以及边列表和节点列表文件的路径及名称。对于范围操作，在等号后输入两个用逗号分隔的数字，第一个和第二个数字分别表示每次生成网络时添加或删除节点或边的最小和最大数量。对于“邻点数量”，请输入一个数值，表示在网络搜索中要查找的网络数量。对于“最大参数”，请输入一个数值，表示允许某个网络拥有的DSGRN参数的最大数量。对于“添加节点”、“添加边”、“删除节点”和“删除边”，请在等号后输入介于0和1之间的数值。这些数值的总和必须等于1。然后使用之前创建的配置文件运行IDP。要生成边 prevalence 表，需通过以下两个选项选择网络。对于选项一，在对应于散点图x轴和y轴的输入框中输入最小值和最大值，以设定查询结果的下限和上限。对于选项二，单击并拖动鼠标在散点图上绘制一个方框，框选出需要包含的网络。完成选择或输入边界后，单击“从选定网络获取边 prevalence”按钮。接下来，在网络索引输入框中输入一个整数，以从选项中显示单个网络。然后点击下载 DSGRN 网络规范，以 DSGRN 网络规范格式下载所显示的网络。通过勾选每条边对应的复选框，选择要包含在网络或用于相似性分析的模体中的边。然后点击提交，以生成所选基序或网络的相似性散点图。如需选择一个或多个网络，请在散点图上点击并拖动鼠标，围绕目标网络绘制一个方框，以生成边 prevalence 表，并查看所选网络及其对应的查询结果。单击“下载表格”以下载边的流行度表格。然后单击“下载DSGRN网络配置”以下载用于相似性分析的显示网络，操作方式如前所述。本方案已应用于酵母细胞周期的核心振荡基因调控网络。此处展示了连续执行 IDP 的每一步骤而不在步骤之间使用 IDV 的结果。该次对 IDP 的完整参数化运行获得了节点和边的识别结果。然而，在网络发现过程中，并未发现任何符合模型可接受条件的网络。随后从酿酒酵母基因组数据库中选择了一组已知的酵母细胞周期调控因子，并从yeast tracked中提取了基因之间的已知调控关系。通过扩展基因列表表格，以在基因调控网络模型中找到其余基因，并剔除该模型中不存在的基因。为边识别步骤使用新的基因列表和注释文件参数化了一个新的IDP配置文件，并将结果加载到IDV中。移除了缺乏实验依据的连接边，从而构建了一个由实验数据充分支持的种子网络。在构建该种子网络后，网络搜索步骤共发现了 37 个符合建模要求的网络，其中 24 个网络能够稳定振荡。在这 24 个网络中，表现最优的是两个网络，其在 50% 的稳定振荡模型参数条件下与实验数据吻合。 在网络生成过程中加入删除边的能力后，共发现了612个网络，其中67%的网络具有稳定振荡的能力。有趣的是，在这612个网络中，有82个能够产生稳定振荡动力学的网络却无法生成与实验数据相似的动力学行为。而在411个网络中，有124个表现出对数据的稳健匹配。生物学上可行的参数空间对于DSGRN而言是未知的，但在节点和边的识别过程中引入生物学信息，有助于将网络的搜索范围限制在所有可能网络空间中具有生物学合理性的区域。可利用边识别步骤中获得的参数，对这些网络进行常微分方程（ODE）建模，以进一步在计算机中验证其功能。

inherent-dynamics-visualizer-an-interactive-application-for

Research

科研

JoVE Journal

Biology

生物学

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

一种用于生成高质量机器可读生物通路的网络工具

本文介绍了一种图形用户界面，用于探索和共享通过双光子显微镜在活体小鼠体感皮层中测量的光遗传学诱导血管反应数据库。in...

Neurovascular Network Explorer 2.0：一种用于探索和共享小鼠活体皮层光遗传学诱发血管运动数据库的简易工具

对经酵母双杂交阳性相互作用筛选的酵母群体进行深度测序，可能获得大量关于相互作用配体蛋白的信息。本文介绍了特定生物信息学工具及定制更新软件的操作方法，用于分析此类筛选所产生的序列数据。...

批量酵母双杂交筛选序列数据的生物信息学分析

本研究描述了一种半高通量实验方案，可在一次过夜实验中同时对80–100个C.

一种用于分析的半高通量成像方法与数据可视化工具包 秀丽隐杆线虫 胚胎发育

神经干细胞/前体细胞表现出Notch信号通路组分的多种表达动态，从而导致细胞事件的不同结果。此类动态表达可通过高灵敏度的生物发光成像系统进行实时监测，而非静态分析，从而实现对基因表达快速变化的可视化观察。...

实时生物发光成像监测小鼠神经发生过程中Notch信号动态变化

一种用于代谢通路信息全基因组关联分析的通路关联分析工具

我们介绍一种用于定量蛋白质组学数据分析和可视化网络分析的系统生物学工具...

JUMPn：一种用于蛋白质组学中蛋白质共表达聚类与网络分析的简化应用程序

我们介绍了 CorrelationCalculator 和 Filigree 两种用于代谢组学数据驱动网络构建与分析的工具。CorrelationCalculator 支持基于表达数据构建单一的代谢物相互作用网络，而 Filigree...

CorrelationCalculator 和 Filigree：面向代谢组学数据的基于数据驱动的网络分析工具

本文介绍一种将转录组数据转换为 mqTrans 视图的实验方案，从而实现对“暗”生物标志物的识别。这些生物标志物在传统的转录组分析中并未表现出差异表达，但在 mqTrans...

在小数据集上生成转录组特征的转录调控视图以用于预测任务与暗生物标志物检测

调节性T细胞：治疗移植排斥和1型糖尿病的潜在前景

探索固有动力学可视化工具，用于评估和可视化基因调控网络推理管道的输出。该交互式应用程序帮助研究人员更高效地创建功能网络模型，通过可视化中间结果来优化参数选择并增强对模型的理解。

固有动力学可视化工具：用于评估与可视化基因调控网络推断流程输出的交互式应用程序

探索更多视频