JUMPn: Eine optimierte Anwendung für Protein-Co-Expressions-Clustering und Netzwerkanalyse in der Proteomik
19. Oktober 2021
Wir präsentieren ein systembiologisches Tool JUMPn zur Durchführung und Visualisierung von Netzwerkanalysen für quantitative Proteomikdaten mit einem detaillierten Protokoll, das Datenvorverarbeitung, Co-Expression-Clustering, Signalweganreicherung und Protein-Protein-Interaktionsnetzwerkanalyse umfasst.
Das Protokoll der JUMPn-Software zielt darauf ab, die biologische Interpretation quantitativer Proteomik-Daten zu erleichtern. Die Software ist in der Lage, das gesamte Protein in einer Tierhierarchie von Co-Expressionsclustern und den Proteininteraktionsmodulen zu organisieren. Insbesondere rationalisiert die JUMPn-Software die Analyse von Co-Expression-Clustering, Pathway-Anreicherung und PPI-Modulerkennung.
Es bietet eine benutzerfreundliche Oberfläche und interaktive Visualisierung der Daten und der Netzwerke. Während wir die Anwendung von JUMPn in der gesamten Proteomdatenanalyse erfolgreich demonstriert haben, ist die Methode leicht auf andere Datentypen erweiterbar, einschließlich der Phosphoproteomik-Analyse und der Interaktomdaten aus der Affinitätsreinigungs-Massenspektrometrie. Um die JUMPn-Software einzurichten, laden Sie den Quellcode von der Website herunter und installieren Sie die Software auf dem Befehlszeilenterminal.
Um die JUMPn-Software zu starten, wechseln Sie das aktuelle Verzeichnis in den Ausführungsordner, indem Sie cd execution" auf dem Terminal eingeben, und geben Sie dann den Text auf dem Terminal ein, um JUMPn im Webbrowser zu starten. Klicken Sie auf der JUMPn-Homepage auf die Schaltfläche "Analyse beginnen", um die JUMPn-Analyse zu starten, und klicken Sie dann in der unteren linken Ecke der Seite "Analyse beginnen" auf die Schaltfläche "Demo hochladen B-Cell Proteomic Data", um eine Benachrichtigung über den Erfolg des Datenuploads anzuzeigen. Klicken Sie in der unteren rechten Ecke der Seite auf die Schaltfläche "Submit JUMPn Analysis", um den Demolauf mit Standardparametern zu starten.
Ein Fortschrittsbalken zeigt den Verlauf der Analyse an. Warten Sie, bis der Fortschrittsbalken erfüllt ist. Sobald der Demolauf abgeschlossen ist, erscheint ein Dialogfeld mit der Erfolgsmeldung und dem absoluten Pfad zum Ergebnisordner, dann klicken Sie auf die Registerkarte "Weiter zu den Ergebnissen".
Wenn die Webseite zu den Ergebnissen des Co-Expression-Clusters nach dem WGCNA-Algorithmus führt, klicken Sie im Dialogfenster auf "Ergebnisse anzeigen", um fortzufahren. Suchen Sie links auf der WGCNA-Ausgabeseite der Ergebnisseite die Protein-Co-Expressionsmuster und verwenden Sie das "Wählen Sie das Ausdrucksformat", um zwischen zwei Abbildungsformaten zu navigieren. Die Boxplot-Figur ist standardmäßig ausgewählt.
Wählen Sie die Registerkarte "Trends", um das Trenddiagramm anzuzeigen, wobei jede Zeile die individuelle Proteinhäufigkeit über Proben hinweg darstellt. Die Farbe jeder Zeile stellt dar, wie nahe das Ausdrucksmuster dem Konsens des Koausdrucksclusters liegt. Rechts auf der WGCNA-Ausgabeseite kann die "Pathway Ontology Enrichment Heatmap" angezeigt werden.
In einer Heatmap werden die am stärksten angereicherten Pfade für jeden Cluster zusammen angezeigt. Scrollen Sie als Nächstes auf der Webseite nach unten, um das Expressionsmuster für einzelne Proteine anzuzeigen. Verwenden Sie das Dropdown-Feld, wählen Sie den Co-Expressionscluster aus, um Proteine aus jedem Cluster zu untersuchen, und wählen Sie dann ein bestimmtes Protein in der Tabelle aus, auf dem das Balkendiagramm unter der Tabelle automatisch aktualisiert wird, um seine Proteinhäufigkeit widerzuspiegeln.
Für bestimmte Proteinnamen verwenden Sie das Feld "Suchen" auf der rechten Seite der Tabelle. Schauen Sie sich später die Protein-Protein-Interaktion oder die PPI-Ergebnisse an, indem Sie oben auf die Ergebnisseite 2 PPI-Ausgabe klicken. Um die Ergebnisse für einen bestimmten Co-Ausdruckscluster abzurufen, klicken Sie auf die Registerkarte "Co-Ausdruckscluster auswählen".
Die Anzeigen aller Abbildungsfelder werden für den neu ausgewählten Cluster aktualisiert. Zeigen Sie im linken Abbildungsbereich die PPI-Netzwerke für den ausgewählten Co-Ausdruckscluster an, indem Sie das Dropdownfeld Nach Gruppe auswählen verwenden und einzelne PPI-Module innerhalb des Netzwerks hervorheben, und wechseln Sie dann zum Feld für das ausgewählte Netzwerklayoutformat, um das Netzwerklayout zu ändern. Vergrößern oder verkleinern Sie das PPI-Netzwerk mit Maus und Trackpad, um die Gennamen der einzelnen Knoten im Netzwerk anzuzeigen.
Wenn Sie vergrößert sind, wählen Sie ein bestimmtes Protein aus und klicken Sie darauf, um das Protein und seine Netzwerknachbarn hervorzuheben. Ziehen Sie im Netzwerk einen bestimmten Knoten, um seine Position im Layout zu ändern und das Netzwerklayout neu zu organisieren. Studieren Sie im rechten Bereich der PPI-Ergebnisseite die Informationen auf Co-Expression-Clusterebene, die die Interpretation der PPI-Ergebnisse unterstützen.
Das Co-Ausdrucksmuster für den ausgewählten Cluster kann standardmäßig als Boxplot angezeigt werden. Wählen Sie "Trends", um das Trenddiagramm für das A-Co-Ausdrucksmuster anzuzeigen, und entscheiden Sie sich dann für das Pfadbalkendiagramm, um signifikant angereicherte Pfade für den Co-Ausdruckscluster mit dem Pfadkreisdiagramm anzuzeigen, zeigen Sie signifikant angereicherte Pfade für den Co-Ausdruckscluster im Kreisdiagrammformat an. Um die Ergebnisse auf der Ebene der einzelnen PPI-Module anzuzeigen, scrollen Sie auf der Ergebnisseite nach unten zur PPI-Ausgabewebseite und erweitern Sie das Dropdown-Feld Modul auswählen, um ein bestimmtes PPI-Modul für die Anzeige auszuwählen.
Sehen Sie sich das PPI-Modul im linken Bereich an und manipulieren Sie die Netzwerkanzeige wie zuvor beschrieben. Zeigen Sie im rechten Bereich die Ergebnisse der Pathway-Ontologie-Anreicherung an, verwenden Sie dann das Dropdown-Feld "Pathway Annotation Style" auswählen und aktivieren Sie die Registerkarte Barplot, um weitere Informationen und Anzeigen über erheblich angereicherte Pfade für das ausgewählte PPI-Modul anzuzeigen. Tick Circle Plot, um signifikant angereicherte Pfade für das ausgewählte PPI-Modul im Format eines Kreisdiagramms anzuzeigen und Heatmap zu verwenden, um signifikant angereicherte Pfade und die zugehörigen Gennamen anzuzeigen.
Gehen Sie zu Tabelle", um die detaillierten Ergebnisse der Pfadanreicherung anzuzeigen, einschließlich der Namen der Signalwege, Ontologiebegriffe, Gennamen und des P-Werts von Fishers exaktem Test. Folgen Sie dem absoluten Pfad, der oben auf den Ergebnisseiten abgedruckt ist, und suchen Sie die Tabelle der Veröffentlichungstabelle. JUMPn wurde mit der R Shiny-Plattform für eine benutzerfreundliche Oberfläche entwickelt und integriert drei große Funktionsmodule.
Co-Expression-Clustering-Analyse, Pathway-Anreicherungsanalyse und PPI-Netzwerkanalyse. Nach jeder Analyse werden die Ergebnisse automatisch in unseren über die R glänzenden Widget-Funktionen einstellbar visualisiert und können als Publikationstabellen und Microsoft Excel-Format heruntergeladen werden. Für die PPI-Netzwerkanalyse wurde ein zusammengesetztes PPI-Netzwerk durch die Kombination von STRING, BioPlex und Web-IM-Datenbanken zusammengestellt.
Das endgültige zusammengeführte PPI-Netzwerk umfasst mehr als 20.000 menschliche Gene mit 1.100.000 Kanten. Dieses umfassende Interaktom ist enthalten und wird in einem Bundle mit der JUMPn-Software für empfindliche PPI-Analysen veröffentlicht. Netzwerkbasierte Ansätze, die sowohl Koexpressions- als auch Proteininteraktionsnetzwerke nutzen, können als zusätzliche Methode für die Inferenz von Aktivität in Transkriptionsfaktoren und Kinasen verwendet werden.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Überblick
Die JUMPn-Software ist ein Systembiologie-Tool, das entwickelt wurde, um die biologische Interpretation quantitativer Proteomik-Daten zu erleichtern. Es organisiert Proteine in eine hierarchische Struktur von Koexpressionsclustern und Interaktionsmodulen und vereinfacht so Analyse und Visualisierung.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Systems Biology
- Proteomics
- Datenvisualisierung
Hintergrund
- JUMPn unterstützt die Analyse quantitativer Proteomik-Daten.
- Es bietet eine benutzerfreundliche Oberfläche für die Dateninteraktion.
- Die Software unterstützt verschiedene Datentypen, einschließlich Phosphoproteomik.
- Es verbessert das Verständnis von Proteininteraktionen und -wegen.
Zweck der Studie
- Um die Analyse von Proteomik-Daten zu vereinfachen.
- Um Koexpressionsclustering und Pathway-Enrichment zu erleichtern.
- Um eine interaktive Visualisierung von Protein-Protein-Interaktionsnetzwerken bereitzustellen.
Verwendete Methoden
- Datenvorverarbeitung für quantitative Proteomik.
- Koexpressionsclustering von Proteinen.
- Pathway-Enrichment-Analyse.
- Protein-Protein-Interaktionsnetzwerkanalyse.
Hauptergebnisse
- Erfolgreiche Demonstration von JUMPn in der Analyse ganzer Proteome.
- Effektive Organisation von Proteinen in Koexpressionscluster.
- Vereinfachte Erkennung von Proteininteraktionsmodulen.
- Interaktive Visualisierungsmöglichkeiten verbessern die Dateninterpretation.
Schlussfolgerungen
- JUMPn ist ein wertvolles Werkzeug zur Analyse quantitativer Proteomik-Daten.
- Die Software ist auf andere Datentypen erweiterbar.
- Es unterstützt erheblich die biologische Interpretation komplexer Datensätze.
Häufig gestellte Fragen
Executive Industry Relevance
JUMPn addresses the challenge of deriving biological insights from large-scale quantitative proteomics datasets by integrating co-expression clustering, pathway enrichment, and protein-protein interaction network analysis. This streamlined approach enhances target validation and mechanistic de-risking in early discovery by enabling rapid hypothesis testing and pathway-level interpretation. The tool supports predictive confidence in lead identification and portfolio triage through reproducible, scalable analysis of dysregulated proteomes across disease models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through protein co-expression clustering across samples.
- Scientific Value: Supports functional target validation by identifying dysregulated proteins and their interaction modules.
- Operational Value: Reduces mechanistic ambiguity by linking expression patterns to enriched pathways and PPI networks.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by organizing proteomes into biologically meaningful clusters.
- Operational Value: Enhances assay standardization and reproducibility through quantitative, visualization-ready outputs.
- Operational Value: Supports screening readiness via scalable, reusable analysis of label-free or isobaric labeling-based proteomic data.
Translational & Preclinical Research
- Scientific Value: Promotes translational continuity by connecting discovery-phase clusters to preclinical pathway and biomarker alignment.
- Scientific Value: Enables risk-adjusted advancement decisions through composite PPI network analysis covering >20,000 human genes.
- Operational Value: Facilitates cross-functional collaboration via interactive, downloadable results in publication-ready formats.
Pipeline & Workflow Integration
JUMPn integrates into the discovery continuum from early biology to lead identification by providing quantitative, visualization-driven outputs that support hypothesis testing and pathway clarification.
- Discovery Biology: Supports hypothesis testing and pathway clarification through co-expression clustering and enrichment analysis.
- Screening: Delivers assay readiness via reproducible clustering and quantitative protein abundance trends across samples.
- Analytics: Provides statistical outputs including Fisher’s exact test p-values for pathway enrichment, enabling condition comparison.
- Translational Research: Connects to preclinical continuity through PPI module analysis and pathway ontology enrichment.
- Enterprise Reuse: Functions as a reusable platform for diverse quantitative datasets including phosphoproteomics and interactome data.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity.
- Operational Value: Standardization, reproducibility, and scalability.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions.
Implementation Considerations
- Requires expertise in R/Shiny and systems biology for optimal use.
- Needs computational infrastructure to handle large proteomic datasets and network visualization.
- Demands cross-team standardization for consistent input formatting and parameter selection.
- Requires adaptation considerations when applying to non-human or specialized proteome datasets.
- Practical limitation: Interpretation depends on quality of input PPI databases (STRING, BioPlex, IM).
