Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

NetDecoder-Protokoll zum Aufbau kontextspezifischer Protein-Interaktionsnetzwerke aus transkriptomischen Daten mittels Informationsflussmodellierung

85 Aufrufe

⸱

DOI:

10.3791/70869

⸱

31. Juli 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Molecular Pharmacology and Experimental Therapeutics, Mayo Clinic College of Medicine and Science, 2Department of Biochemistry and Molecular Biology, Mayo Clinic College of Medicine and Science, 3Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, 4Paul F. Glenn Center for Biology of Aging Research, Mayo Clinic

In diesem Artikel

Zusammenfassung

Hier stellen wir ein Protokoll vor, um NetDecoder, ein Netzwerkmodellierungstool, kontextspezifische Proteininteraktionsnetzwerke zu konstruieren und Gen-Utility-Modelle (GUMs) zu erstellen. Mit Transkriptomik-Daten in Kombination mit kuratierten Protein-Protein-Interaktionsnetzwerken (PPI) ermöglicht NetDecoder die Identifikation wichtiger Ziele und Subnetzwerke.

Zusammenfassung

Die differentielle Expressionsanalyse ist eine häufig verwendete Technik zur Bestimmung potenzieller therapeutischer Ziele, übersieht jedoch die Komplexität von Gennetzwerken über biologische Wege hinweg. Oft erklären hochexprimierte Gene nicht unbedingt die Eigenschaften eines biologischen Phänotyps. NetDecoder, ein Netzwerkbiologie-Werkzeug, das transkriptomische Daten mit Protein-Protein-Interaktionsnetzwerken (PPI) integriert, um kontextspezifischen Informationsfluss, Gennutzen sowie Schlüsselkanten und differenziell genutzte Gennetzwerke zu modellieren, wurde entwickelt, um diese Einschränkung der differentiellen Expressionsanalyse zu adressieren.

Dieses Protokoll ist eine anfängerfreundliche, Schritt-für-Schritt-Anleitung zur Nutzung von NetDecoder, mit umfassenden Richtlinien über Datenvorverarbeitung, NetDecoder-Ausführung bis zur Analyse der Ausgaben. Der Workflow umfasst Softwarekonfiguration, Netzwerkaufbau und flussbasierte Modellierungsanalyse, um Unterschiede in Gen- (Knoten-) und Gen-Gen-Interaktionen (Edge-Level) zwischen biologischen Bedingungen zu quantifizieren. Die resultierenden Ausgaben umfassen Schlüsselziele und Router, Subnetze mit unterschiedlichen Strömungen und Randflussverteilungen, die die Identifikation wichtiger regulatorischer Gene und Signalwege ermöglichen, die mit bestimmten biologischen Zuständen assoziiert sind. Nach Befolgung der genannten Schritte können Forscher unabhängige Forschungen durchführen, um phänotypischen Genfluss über Phänotypen hinweg mithilfe transkriptomischer Daten und kuratierter PPI-Netzwerke aufzudecken.

Einleitung

Die Auswahl von Genen und zugehörigen Signalwegen für therapeutische Untersuchungen wird oft durch differentielle Expressionsanalysengeleitet 1. Diese Analysemethode ist wirksam, um zu bestimmen, wie sich die Genexpression zwischen zwei oder mehr Bedingungen unterscheidet. Gene hingegen funktionieren innerhalb komplexer, miteinander verbundener biologischer Netzwerke, was bedeutet, dass die individuelle Genexpression nicht vollständig erfasst, wie Gene in einem Netzwerk interagieren und wie sie gen-gen-Beziehungen haben2. Netzwerkpropagationsmethoden integrieren Genexpression mit Interaktionsnetzwerken, um biologisch wichtige Gene zu identifizieren, die durch unterschiedliche Expression allein übersehen werden könnten3. Aktuelle Ansätze quantifizieren nicht explizit die funktionelle Bedeutung von Genen und wie biologische Informationen innerhalb von Protein-Protein-Interaktionsnetzwerken (PPI) über biologische Bedingungen hinweg umverteilt werden. Daher wurde eine Methode zur Modellierung bedingungsspezifischer Netzwerkverhalten und zur Quantifizierung von Veränderungen im Informationsfluss über biologische Systeme hinweg benötigt. Um zu erklären, wie Gene innerhalb eines größeren biologischen Netzwerks interagieren, wurde NetDecoder, eine Netzwerkbiologie-Plattform, entwickelt, um Gene mit dem größten Informationsflussunterschied zwischen den Bedingungen aufzudecken. NetDecoder verwendet einen prozessgesteuerten Flussalgorithmus, um bestehendes Wissen über das menschliche PPI-Netzwerk in Kombination mit Bulk-RNA-Sequenzierungsdaten zu übersetzen, um ein Modell informationsflussgetriebener Interaktionen zu erstellen4.

Mit Informationsflussdaten für phänotypische Netzwerke kann ein Gen-Utility-Modell (GUM)5 entwickelt werden, um Gene mit hohem Informationsfluss als Gene mit dem höchsten Gesamtgennutzen innerhalb eines Netzwerks zu identifizieren, unabhängig von ihren unterschiedlichen Expressionswerten. Dieser Ansatz unterstützt effektivere Strategien zur Zielpriorisierung und Identifikation und liefert Erkenntnisse, die traditionelle Analysen oft übersehen. Im Gegensatz zu traditionellen differenziellen Expressions- oder korrelationsbasierten Netzwerkmethoden quantifiziert NetDecoder sowohl Gen- (Knotenebene) als auch Interaktionsänderungen (Randebene) im Informationsfluss, was die Identifikation funktionell wichtiger Gene ermöglicht, auch ohne große Expressionsänderungen 4,5. NetDecoder ist weithin anwendbar für Bulk-RNA-Sequenzierungsdatensätze, die vergleichende Analysen zwischen zwei biologischen Bedingungen erfordern und so die Identifikation von Änderungen im Informationsfluss und in der Netzwerkorganisation ermöglichen. Obwohl NetDecoder die Integration anderer Omics-Datensätze, einschließlich Proteomik und Epigenomik, unterstützt, demonstriert das vorliegende Protokoll speziell den Arbeitsablauf unter Verwendung transkriptomischer Daten. In diesen Anwendungen können Nutzer Quellgene basierend auf Proteinen oder epigenetisch regulierten Genen definieren, wodurch eine Informationsflussanalyse aus diesen molekularen Merkmalen initiiert werden kann. Diese Flexibilität ermöglicht die Einbindung von Multi-Omics-Evidenz in netzwerkbasierte Analysen und erleichtert die Entdeckung intermodaler regulatorischer Mechanismen, die phänotypischen Unterschieden zugrunde liegen.

Gängige Studiendesigns umfassen binäre Vergleiche, darunter aber nicht beschränkt auf Krankheit versus gesunde Zustände, Behandlungsresponder vs. Nicht-Responder, medikamentöse Behandlungen, Knockdowns oder Knockouts versus Kontrollexperimente sowie Analysen von Entwicklungs- oder zellulären Zustandsübergängen. Das Ziel dieses Protokolls ist es, einen reproduzierbaren Rahmen für die Anwendung von NetDecoder zu illustrieren, um Gene mit verändertem Netzwerkeinfluss über biologische Bedingungen hinweg aufzudecken. Dies wird durch leicht verständliche Schritte zur Einrichtung und Ausführung von NetDecoder erreicht, sowie durch Beispiele und grundlegende Fehlerbehebungstechniken, und Methoden zur Ergebnisinterpretation sind ebenfalls im Protokoll festgelegt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese Studie nutzte öffentlich zugängliche RNA-Sequenzierungsdatensätze und bezog sich nicht direkt an Menschen oder Tiere. Daher waren keine Genehmigung des Prüfungsausschusses und eine informierte Zustimmung erforderlich.

HINWEIS: NetDecoder benötigt folgende Eingabedateien: normalisierte Genexpression über zwei definierte biologische Zustände; eine Metadatendatei, die die biologischen Bedingungen beschreibt; eine Liste von Quellgenen für den Netzwerkaufbau und die Modellierung; ein Protein-Protein-Interaktionsnetzwerk (PPI) aus dem öffentlichen Bereich; und ein kantengewichtetes Netzwerk (EWN), das für jede biologische Bedingung gebaut wurde.

1. Datenvorbereitung

  1. Abruf von Bulk-RNA-Sequenzierungs-Expressionsdaten und Metadaten
    1. Laden Sie RNA-Sequenzierungsdaten (Matrix der rohen Genexpressionszählungen und Probennamen) sowie entsprechende Metadaten (Probennamen, Bedingungen usw.) aus einem öffentlichen Repository wie dem Gene Expression Omnibus (GEO) herunter oder verwenden Sie laborgenerierte experimentelle Datensätze. Typischerweise handelt es sich dabei um eine Matrix, in der Zeilen Gennamen entsprechen und Spalten Stichprobennamen.
      HINWEIS: Der Beispieldatensatz, der dieses Protokoll demonstriert, stammt aus dem National Omics Data Encyclopedia (NODE) Repository (BioSino-Datenbank) unter Beitrag OEP0011056. Benutzer können ihre eigenen Bulk-RNA-Sequenzierungsdatensätze ersetzen.
    2. Erstelle eine Beispiel-Annotationsdatei (Metadaten), indem du Beispielnamen und deren Gruppen oder zugehörige Bedingungen einfügst; Zum Beispiel sind "Kontrolle" und "Krankheit" häufige Zustandstypen. Bestätigen Sie, dass die Beispielnamen zwischen den Metadaten- und Ausdrucksdateien übereinstimmen.
  2. Aggregierte Ausdrucksdaten und Metadaten
    1. Stellen Sie sicher, dass die generierte Datenmatrix Expressionszählungen, Gennamen und eine Metadatendatei mit Probennamen und Bedingungen enthält. Falls nötig, verwenden Sie ein R-Paket wie org. Hs.eg.db (menschlich) oder AnnotationDbi, um verschiedene Genidentifikatoren abzugleichen.
    2. Entfernen Sie nicht wesentliche Informationen aus der Metadatendatei mit R oder einer ähnlichen Programmiersprache.
    3. Kombinieren Sie die Informationen aus den Ausdruckszähldateien zu einer einzigen Datei zur einfachen Bearbeitung.
  3. Filterexpressionsdaten
    1. Verarbeiten Sie die Genexpressionsdatenmatrix vor, indem Sie Genduplikate, Nullwerte (NA), niedrige Expression (<10 Gesamtzählungen) und/oder Gene mit niedriger Varianz usw. ausschließen.
  4. Datenvorverarbeitung
    1. RNA-Sequenzierungsnormalisierung und Analyse der differenziellen Expression
      HINWEIS: Dieser Schritt ist einer (1.4.1) von zwei (1.4.2) Ansätzen zur Auswahl von Genen für die Erstellung des Edge Weighted Network (EWN) und die Auswahl der Quellgen-Gene (Schritte 1.5–1.6) beim Beginn der Analyse aus Bulk-RNA-Sequenzierungsdaten. Alternativ kann Pearson-Korrelationsbasierte Template-Matching verwendet werden, indem man zu Schritt 1.4.3 springt.
      1. Führen Sie in dieser Phase Gen-ID-Umwandlungen mit dem R-Paket AnnotationDbi zusammen mit einzelnen Organismuspaketen durch. NetDecoder verwendet Gensymbole (d. h. Gen-ID), die mit dem Beispiel-PPI übereinstimmen.
      2. Führen Sie Normalisierungs- und Differentialexpressionsanalysen zwischen zwei Bedingungen mit den R-Paketen limma, edgeR, DESeq2 oder vergleichbaren Werkzeugen durch.
      3. Wenn DESeq2 verwendet wird, konstruiere einen DESeq-Datensatz mit der Funktion DESeqDataSetFromMatrix() mit einer Zählmatrix (Gene und Proben) und Probenmetadaten (Bedingungen) als Eingabe.
      4. Verwenden Sie die DESeq()-Funktion mit den Standardeinstellungen auf dem in Schritt 1.4.1.3 erstellten Objekt, um differenzielle Ausdruckswerte zu berechnen.
      5. Speichere die Ergebnisse in einer Datenmatrix mit Genidentifikatoren (Gen-ID) als Zeilennamen und Schlüsselausgaben, einschließlich log2-facher Änderung (log2FC), p-Wert und angepasstem p-Wert als Spalten.
      6. Optional filtern Sie die Ergebnisse nach angepasstem p-Wert (<0,05) und/oder log2FC-Werten (zum Beispiel: |log2FC| > 1) mit dplyr oder einem vergleichbaren Werkzeug.
      7. Stellen Sie sicher, dass alle verarbeiteten Genlisten und log2-fachen Änderungsmatrizen als tab-getrennte (.txt oder .csv) Dateien exportiert werden, um sie in NetDecoder einzugeben.
      8. Führen Sie paarweise Vergleiche für Schritt 1.4.1 durch, wenn mehr als zwei biologische Bedingungen verwendet werden, und erhalten Sie paarweise Ergebnisse mit der results()-Funktion aus dem DESeq-Objekt, das in Schritt 1.4.1.5 erzeugt wurde.
    2. Mikroarray-Expressionsnormalisierung – Optional
      HINWEIS: Wenn Sie Microarray-Daten verwenden, führen Sie diesen Schritt zur Datennormalisierung durch.
      1. Normalisieren Sie Daten, indem Sie das NetDecoder-Normalisierungsskript (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize) öffnen. R), zugänglich von https://github.com/HuLiLab/NetDecoder_Example/tree/main, in einer R-Entwicklungsplattform, und den kursivgedruckten Teil bearbeiten, um mit dem Arbeitsverzeichnis mit den Zellintensitätsdateien (CEL) übereinzustimmen.
        setwd(~/NetDecoder_Example/raw_data/CEL_files)
    3. Vorlagenabgleiche – Optional
      HINWEIS: Dies ist der zweite optionale Ansatz, falls keine differentielle Ausdrucksanalyse (wie in den Schritten 1.1–1.4.1 der "Datenvorbereitung" dargelegt) durchgeführt wird.
      1. Für RNA-Sequenzierungsdaten, die nicht über limma, edgeR und DESeq2 verarbeitet werden, führen Sie eine externe Normalisierung vor, bevor Sie Template-Matching anwenden. Für Mikroarray-Daten verwenden Sie direkt die normalisierten Ausdruckswerte, die in den Schritten 1.1–1.4.2 generiert wurden.
      2. Wählen Sie die Kontrollbedingung als Ausgangslage für die Genexpression und vergleichen Sie normalisierte Genexpressionswerte aus allen anderen interessanten Zuständen.
      3. Berechnen Sie die Pearson-Korrelationskoeffizienten zwischen dem Expressionsprofil jedes Gens und der ausgewählten Vorlage. Es wird empfohlen, Gene mit statistisch signifikanten Korrelationen (p < 0,05) und einem absoluten Korrelationskoeffizienten oberhalb einer benutzerdefinierten Schwelle (wie |r| > 0,7) beizubehalten.
  5. Auswahl der Quellgene
    HINWEIS: Die Eingabe für diesen Schritt besteht aus der normalisierten Genexpressionsmatrix, die in den Schritten 1.1–1.4 entwickelt wurde.
    1. Wählen Sie einen Satz bedeutender Gene aus, die als Quellgene verwendet werden. Für differenziell ausdrucksbasierte Workflows wählen Sie angepasste p-Wert- und log2FC-Schwellenwerte (wie z. B. adj p-Wert < 0,05 und |log2FC| > 2). Für Workflows zur Vorlagenabgleichung wählen Sie Quellgene aus den signifikant korrelierten Genen, die in Schritt 1.4.3.3 identifiziert wurden, anhand der gewählten Korrelations- und Signifikanzschwellen. Schwellenwerte sollten so gewählt werden, dass etwa 300–1.000 Gene für den Aufbau eines nachgelagerten Netzwerks entstehen.
      HINWEIS: Quellgene sind der Ort, an dem der Informationsfluss beginnt und sich im Netzwerk ausbreitet.
  6. Baue für jeden Phänotyp ein kantengewichtetes Netzwerk (EWN)
    HINWEIS: Für diesen Schritt sind folgende Eingaben erforderlich: die normierte Genexpressionsmatrix, die in den Schritten 1.1–1.4 entwickelt wurde; ein Protein-Protein-Interaktionsnetzwerk (PPI), formatiert als Randliste (GenA-GenB-Paare); eine Beispielannotationsdatei (Metadaten), die biologische Zustandslabels für jede Probe angibt. Das PPI-Netzwerk wird als R-Objekt geteilt und wurde auf Basis der iRefIndex-Proteindatenbank konstruiert. Die in diesem Protokoll verwendete Version umfasst alle direkten Interaktionen, aber Selbstschleifen und mehrere Kanten wurden ausgeschlossen. Das PPI-Netzwerk enthält 15.608 Proteine und 180.044 Wechselwirkungen. Weitere Details finden Sie im Abschnitt4 zu NetDecoder-Methods.
    1. Öffnen Sie das NetDecoder Edge Weighted Network (EWN)-Skript (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R, zugänglich über https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4, in einer R-Entwicklungsplattform.
    2. Bearbeiten Sie die durch Kommentare angezeigten Skriptabschnitte (und unten kursiv verzeichnet), um benutzerspezifische Pfade und Eingabedateien für die EWN-Entwicklung festzulegen.
      Pfad<~/NetDecoder_Example/input/
      Dies ist der Pfad zum Arbeitsverzeichnis
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      Dies ist ein Beispiel für ein normalisiertes Expressionsmatrix-Objekt Rdata.
      stQuery < read.csv("stBreastCancer.csv")
      Dies ist die Beispielmetadaten
    3. Filtere die Expressionsmatrix so, dass nur Gene im PPI-Netzwerk erhalten bleiben.
    4. Für jede Bedingung werden Stichproben nach Phänotyp unterordnet und paarweise Gen-Gen-Korrelationen über alle im PPI-Netzwerk definierten Kanten mittels Pearson-Korrelation berechnet. Berechnen Sie die Korrelationen mit der in Schritt 1.4 erzeugten prozessierten, normalisierten Ausdrucksmatrix.
    5. Für jedes Genpaar berechnen Sie den Korrelationskoeffizienten, die absolute Korrelation und den zugehörigen p-Wert.
    6. Entfernen Sie unvollständige Fälle (z. B. NA-Werte).
    7. Exportiere pro Bedingung ein kantengewichtetes Netzwerk als tab-deparierte Datei (ohne Header) mit folgenden Spalten: proteinA, proteinB, abs_cor, cor und pvalue.
    8. Führe das R-Skript aus, um Ko-Ausdrucksnetzwerke für alle relevanten Bedingungen zu erstellen.

2. Installation und Konfiguration von NetDecoder

  1. NetDecoder herunterladen
    1. Greifen Sie auf die NetDecoder-Software unter (https://netdecoder.hulilab.org/#ver) zu, wählen Sie R oder Java.
  2. Installation erforderlicher Software
    1. Installiere Oracle JDK und R für Arbeits- und Analyseumgebungen.
    2. Installieren Sie die erforderlichen R-Pakete, wie in der NetDecoder-Dokumentation aufgeführt, unter Verwendung von Bioconductor (https://netdecoder.hulilab.org/#ver)4.
  3. Download-Abhängigkeiten
    1. Laden Sie die notwendigen Abhängigkeiten für NetDecoder herunter, darunter Genontologiedaten (zugänglich von https://geneontology.org/docs/download-ontology/) sowie den Genassoziationsreferenzführer (zugänglich von https://www.ebi.ac.uk/GOA/human_release).
  4. Richte das Arbeitsverzeichnis ein
    1. Verschieben Sie alle heruntergeladenen Dateien (Expressionsdaten, generierte Koexpressionsnetzwerke für jede Bedingung, Genontologiedaten und Assoziationsreferenzleitfaden) in einen Ordner, der das Arbeitsverzeichnis NetDecoder ist.
  5. Fügen Sie den benötigten Ordner hinzu
    1. Laden Sie den NetDecoder-Ordner (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) in das Arbeitsverzeichnis NetDecoder herunter.
    2. Entpacken Sie den NetDecoder-Ordner.

3. Ausführen von NetDecoder

  1. Öffne das Analyse-Bash-Skript
    1. Öffnen Sie ein Terminal, das GNU Bash ausführt, und navigieren Sie zum Arbeitsverzeichnis NetDecoder.
    2. Führe den Befehl nano NetDecoder_Analysis.sh aus, um das Bash-Skript zu öffnen.
  2. Ändern Sie die Skripte
    HINWEIS: Der Großteil des Codes ist bereits geschrieben. In diesem Schritt werden die erforderlichen Parameter im Skript an den angegebenen Stellen angegeben.
    1. Machen Sie einen kurzen Namen:
      Bearbeite den kursivgedruckten Teil zu den zu vergleichenden Bedingungen: myshortname='Your_shortname_here'
    2. Setze Softwarepfade:
      Bearbeiten Sie die folgenden drei Pfaddefinitionen zu den richtigen Pfaden, indem Sie die kursiv geschriebenen Abschnitte bearbeiten:
      JAVA="/dein/Weg/hier"
      exportieren R="/Dein/Weg/hier"
      Alias R="/dein/Weg/hier"
    3. Arbeitsverzeichnis einstellen:
      Bearbeiten Sie den kursivgedruckten Teil so, dass er das Arbeitsverzeichnis ist, aus dem alle Dateien abgerufen werden: INPUT_DIR="/your/path/here"
    4. Setze die NetDecoder-Bibliothek ein:
      Bearbeiten Sie den kursivgedruckten Teil so, dass er der Pfad zur NetDecoder-Bibliothek ist, die in Schritt 2.4 aus der ZIP-Datei installiert wurde: LIB_DIR="/your/path/here/netdecoder_lib"
    5. Set-Genontologie und Assoziationspfade:
      Bearbeiten Sie die folgenden kursivgedruckten Abschnitte der beiden Verzeichnisse zu den Standorten der bevorzugten Genontologie-/Assoziationsdateien.
      SYMBOL=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_file
    6. Setze Eingabeargumente:
      Aktualisieren Sie die kursiv geschriebenen Teile der folgenden fünf Zeilen gemäß den Daten, gemäß den kommentierten Anweisungen im Referenzskript NetDecoder.
      geneList=$INPUT_DIR/gene_file
      state_trt=Behandelte Erkrankung
      state_ref=Referenzbedingung
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/referenz_co_expression_network_file
    7. Setzen Sie die richtige Bühne:
      Entkommentieren (durch Entfernen des #-Symbols) die gewünschte Ausführungsphase und kommentieren Sie sie erneut, sobald die Stufe abgeschlossen ist. Stufe eins ist gen_net_trt, gefolgt von gen_net_ref, dann die Analysephase und schließlich die Sammelphase.
      Stellen Sie die gewünschte Phase zur Ausführung ein, beginnend mit Stufe eins.
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE="Analyse"
      #STAGE="sammeln"
    8. Navigiere zum Haupt-Bash-Terminal:
      Drücke Strg+X, dann Y, um das Bash-Skript zu speichern und zu beenden.
  3. NetDecoder ausführen
    HINWEIS: Wenn es erfolgreich läuft, erscheinen Protokollmeldungen im Terminal.
    1. Navigiere zum Terminal und führe ./NetDecoder_Analysis.sh aus.
    2. Führen Sie die Stufen in der in Schritt 3.2.7 aufgeführten Reihenfolge aus, bis alle vier einzeln abgeschlossen sind.
  4. Ergebnisse abrufen
    1. Navigiere zu den Ausgabedateien und grafischen Zusammenfassungen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Wie in Abbildung 1 dargestellt, arbeitet NetDecoder über einen strukturierten Workflow, der aus Datenverarbeitung, Netzwerkkonfiguration und flussbasierter Analyse besteht, wobei die Ausgaben in separate Verzeichnisse organisiert sind, die zu jeder Phase der Pipeline gehören. Diese modulare Struktur ermöglicht eine systematische Validierung der Ergebnisse, sodass die Ergebnisse auf jeden Berechnungsschritt zurückverfolgt werden können und die Gesamtreproduzi...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Dieses Protokoll beschreibt die Implementierung von NetDecoder, einem netzwerkbiologischen Framework, das Genexpressionsdaten mit Protein-Protein-Interaktionsnetzwerken (PPI) integriert, um den bedingungsspezifischen Informationsfluss zu modellieren und Gene basierend auf ihrem funktionellen Einfluss innerhalb biologischer Systeme zu priorisieren. Die erfolgreiche Anwendung dieser Methode hängt von mehreren kritischen Schritten, sorgfältigen methodologischen Entscheidungen und einer korr...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben keine finanziellen konkurrierenden Interessen.
Die Illustrationen für die Abbildungen 1 und 2 wurden mit BioRender (BioRender.com) erstellt.

Danksagungen

Diese Arbeit wurde durch Fördermittel des Mayo Clinic Center for Biomedical Discovery, des Mayo Clinic Comprehensive Cancer Center (NIH; P30 CA015083), das Mayo Clinic Center for Cell Signaling in Gastroenterology (NIH: P30DK084567), die Glenn Foundation for Medical Research, die V Foundation for Cancer Research (S.Z.), das Mayo Clinic Nutrition Obesity Research Program, das David F. und Margaret T. Grohne Cancer Immunology and Immunotherapy Program, Schmidt Sciences and Innovation sowie die National Institutes of Health (NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
AnnotationDbiBioconductorversion 1.68.0Annotation und Gen-Mapping
BioconductorBioconductorversion 3.19Framework für die Analyse transkriptomischer Daten und Paket-Ökosystem, das DESeq2, edgeR, limma, AnnotationDbi und Organismus-Datenbanken usw. unterstützt.
CytoscapeThe Cytoscape Consortiumversion 3.10.4Netzwerkvisualisierung und -analyse
DESeq2Bioconductorversion 1.46.0Differenzielle Expressionsanalyse (mit negativer binomialer Modellierung)
dplyrPosit Software, PBC formerly RStudio, PBCversion 1.1.4Datenmanipulation und -transformation
edgeRBioconductorversion 4.4.2Count-basierte differenzielle Expressionsanalyse
ggplot2Posit Software, PBC formerly RStudio, PBCversion 4.0.0Datenvisualisierung und Plotting  
GNU BashGNU ProjectSystem defaultBash, Ausführung von NetDecoder-Pipeline-Skripten
igraphigraph Development Teamversion 2.1.4Netzwerkkonstruktion und Graphenanalyse
LimmaBioconductorversion 3.62.2Lineare Modellierung für die Genexpressionsanalyse
NetDecoderHu Li Laboratory, Mayo Clinic(2024 Hu Li Lab)Aufbau kontextspezifischer Protein-Interaktionsnetzwerke durch Informationsflussmodellierung
org.Hs.eg.dbBioconductorversion 3.20.0Datenbank für die Annotation menschlicher Gene
Oracle JDKOracle Corporation≥ version 1.8Laufzeitumgebung für die Ausführung von NetDecoder
pheatmapRaivo Koldeversion 1.0.13Visualisierung von Expression und Korrelationsstruktur
RThe R Foundationversion 4.4.2Kernumgebung für die Transkriptom- und Netzwerkanalyse

Referenzen

  1. Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
  2. Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
  3. Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
  4. Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
  5. Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
  6. Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
  7. Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
  8. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
  9. Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
  10. Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
  11. Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
  12. Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
  13. Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
  14. Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
  15. Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
  16. Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
  17. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
  18. Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
  19. Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

MedizinAusgabe 233Ausgabe 233Leerer WertAusgabeModellierungTranskriptomikFlow-AlgorithmusIntegration

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.