Method Article

Inherent Dynamics Visualizer, une application interactive pour évaluer et visualiser les résultats d’un pipeline d’inférence de réseau de régulation de gènes

DOI:

10.3791/63084

⸱

December 7th, 2021

 ,  ,  ,  , 
1Department of Biology, Duke University, 2Department of Mathematical Sciences, Montana State University, 3Department of Mathematical Sciences, Florida Atlantic University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Inherent Dynamics Visualizer est un ensemble de visualisation interactif qui se connecte à un outil d’inférence de réseau de régulation génique pour une génération améliorée et rationalisée de modèles de réseau fonctionnels. Le visualiseur peut être utilisé pour prendre des décisions plus éclairées pour paramétrer l’outil d’inférence, augmentant ainsi la confiance dans les modèles résultants.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Le développement de modèles de réseaux de régulation génique est un défi majeur en biologie des systèmes. Plusieurs outils de calcul et pipelines ont été développés pour relever ce défi, y compris le nouveau pipeline Inherent Dynamics. Le pipeline Inherent Dynamics se compose de plusieurs outils précédemment publiés qui fonctionnent en synergie et sont connectés de manière linéaire, où la sortie d’un outil est ensuite utilisée comme entrée pour l’outil suivant. Comme pour la plupart des techniques de calcul, chaque étape du pipeline Inherent Dynamics nécessite que l’utilisateur fasse des choix sur des paramètres qui n’ont pas de définition biologique précise. Ces choix peuvent avoir un impact considérable sur les modèles de réseaux de régulation des gènes produits par l’analyse. Pour cette raison, la capacité de visualiser et d’explorer les conséquences de divers choix de paramètres à chaque étape peut aider à accroître la confiance dans les choix et les résultats. Inherent Dynamics Visualizer est un package de visualisation complet qui rationalise le processus d’évaluation des choix de paramètres via une interface interactive dans un navigateur Web. L’utilisateur peut examiner séparément la sortie de chaque étape du pipeline, apporter des modifications intuitives en fonction d’informations visuelles et bénéficier de la production automatique des fichiers d’entrée nécessaires pour le pipeline Inherent Dynamics. Le visualiseur Inherent Dynamics offre un niveau d’accès inégalé à un outil très complexe pour la découverte de réseaux de régulation génique à partir de données transcriptomiques de séries chronologiques.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De nombreux processus biologiques importants, tels que la différenciation cellulaire et la réponse environnementale, sont régis par des ensembles de gènes qui interagissent les uns avec les autres dans un réseau de régulation des gènes (GRN). Ces GRN produisent la dynamique transcriptionnelle nécessaire à l’activation et au maintien du phénotype qu’ils contrôlent, de sorte que l’identification des composants et de la structure topologique du GRN est essentielle pour comprendre de nombreux processus et fonctions biologiques. Un GRN peut être modélisé comme un ensemble de gènes en interaction et/ou de produits géniques décrits par un réseau dont les nœuds sont les gènes et dont les bords décrivent la direction et la forme de l’interaction (par exemple, activation/répression de la transcription, modification post-traductionnelle, etc.) 1. Les interactions peuvent ensuite être exprimées sous forme de modèles mathématiques paramétrés décrivant l’impact d’un gène régulateur sur la production de sa ou ses cibles 2,3,4. L’inférence d’un modèle GRN nécessite à la fois une inférence de la structure du réseau d’interaction et une estimation des paramètres d’interaction sous-jacents. Diverses méthodes d’inférence computationnelle ont été mises au point pour ingérer des données d’expression génique de séries chronologiques et produire des modèles GRN5. Récemment, une nouvelle méthode d’inférence GRN a été développée, appelée Inherent Dynamics Pipeline (IDP), qui utilise des données d’expression génique de séries chronologiques pour produire des modèles GRN avec des interactions régulateur-cible marquées capables de produire une dynamique qui correspond à la dynamique observée dans les données d’expression génique6. L’IDP est une suite d’outils connectés linéairement dans un pipeline et peut être décomposé en trois étapes : une étape de recherche de nœud qui classe les gènes en fonction des caractéristiques d’expression génique connues ou soupçonnées d’être liées à la fonction du GRN7,8, une étape de recherche de périphérie qui classe les relations réglementaires par paires8, 9, et une étape de recherche de réseau qui produit des modèles GRN capables de produire la dynamique observée10,11,12,13,14,15.

Comme la plupart des méthodes de calcul, l’IDP nécessite un ensemble d’arguments spécifiés par l’utilisateur qui dictent la façon dont les données d’entrée sont analysées, et différents ensembles d’arguments peuvent produire des résultats différents sur les mêmes données. Par exemple, plusieurs méthodes, y compris l’IDP, contiennent des arguments qui appliquent un certain seuil sur les données, et l’augmentation/diminution de ce seuil entre les exécutions successives de la méthode particulière peut entraîner des résultats différents entre les exécutions (voir la note supplémentaire 10 : Méthodes d’inférence réseau de5). Comprendre comment chaque argument peut avoir une incidence sur l’analyse et les résultats ultérieurs est important pour obtenir une grande confiance dans les résultats. Contrairement à la plupart des méthodes d’inférence GRN, l’IDP se compose de plusieurs outils de calcul, chacun ayant son propre ensemble d’arguments qu’un utilisateur doit spécifier et chacun ayant ses propres résultats. Bien que l’IDP fournisse une documentation complète sur la façon de paramétrer chaque outil, l’interdépendance de chaque outil sur la sortie de l’étape précédente rend difficile le paramétrage de l’ensemble du pipeline sans analyses intermédiaires. Par exemple, les arguments dans les étapes Edge et Network Finding sont susceptibles d’être éclairés par des connaissances biologiques antérieures, et dépendront donc de l’ensemble de données et / ou de l’organisme. Pour interroger les résultats intermédiaires, une compréhension de base de la programmation, ainsi qu’une compréhension approfondie de tous les fichiers de résultats et de leur contenu de l’IDP, seraient nécessaires.

L’Inherent Dynamics Visualizer (IDV) est un package de visualisation interactif qui s’exécute dans la fenêtre du navigateur d’un utilisateur et permet aux utilisateurs de l’IDP d’évaluer l’impact de leurs choix d’arguments sur les résultats de n’importe quelle étape de l’IDP. L’IDV navigue dans une structure de répertoires complexe produite par l’IDP et recueille les données nécessaires pour chaque étape et présente les données dans des figures et des tableaux intuitifs et interactifs que l’utilisateur peut explorer. Après avoir exploré ces écrans interactifs, l’utilisateur peut produire de nouvelles données à partir d’une étape IDP qui peuvent être basées sur des décisions plus éclairées. Ces nouvelles données peuvent ensuite être immédiatement utilisées à l’étape suivante de l’IDP. En outre, l’exploration des données peut aider à déterminer si une étape IDP doit être réexécutée avec des paramètres ajustés. L’IDV peut améliorer l’utilisation de l’IDP, ainsi que rendre l’utilisation de l’IDP plus intuitive et accessible, comme l’a démontré l’étude de l’oscillateur central GRN du cycle cellulaire de la levure. Le protocole suivant inclut les résultats IDP d’une exécution IDP entièrement paramétrée par rapport à une approche qui incorpore l’IDV après les exécutions de chaque étape IDP, c’est-à-dire Node, Edge et Network Finding.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Installez l’IDP et l’IDV

REMARQUE : cette section suppose que docker, conda, pip et git sont déjà installés (Tableau des matériaux).

  1. Dans un terminal, entrez la commande : git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. Suivez les instructions d’installation dans le fichier README du fournisseur d’identité.
  3. Dans un terminal, entrez la commande : git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
    REMARQUE : Le clonage de l’IDV doit avoir lieu en dehors du répertoire de niveau supérieur de l’IDP.
  4. Suivez les instructions d’installation dans le fichier README de l’IDV.

2. Recherche de nœuds

  1. Créez un fichier de configuration IDP qui paramétre l’étape de recherche de nœud.
    Remarque : Tous les guillemets dans les étapes suivantes ne doivent pas être tapés. Les guillemets ne sont utilisés ici que comme délimiteur entre le texte du protocole et ce qui doit être tapé.
    1. Ajoutez les principaux arguments IDP au fichier de configuration.
    2. Ouvrez un nouveau fichier texte dans un éditeur de texte et tapez « data_file = », « annotation_file = », « output_dir = », « num_proc = » et « IDVconnection = True » sur des lignes individuelles.
    3. Pour « data_file », après le signe égal à, tapez le chemin d’accès et le nom du fichier de série chronologique respectif et tapez une virgule après le nom. Séparez chaque donnée par une virgule, si plusieurs ensembles de données de séries chronologiques sont utilisés. Voir Le fichier supplémentaire 1 et le fichier supplémentaire 2 pour un exemple de fichiers d’expression génique de séries chronologiques.
    4. Tapez le chemin d’accès et le nom du fichier d’annotation pour « annotation_file », après le signe égal à. Voir Fichier supplémentaire 3 pour obtenir un exemple de fichier d’annotation.
    5. Pour « output_file », après le signe égal à, tapez le chemin d’accès et le nom du dossier où les résultats seront enregistrés.
    6. Après le signe égal à, pour « num_proc », tapez le nombre de processus que l’IDP doit utiliser.
    7. Ajoutez des arguments de recherche de nœud au fichier de configuration.
    8. Dans le même fichier texte qu’à l’étape 2.1.1, tapez dans l’ordre présenté « [dlxjtk_arguments] », « points = » et « dlxjtk_cutoff = » sur des lignes individuelles. Placez-les après les arguments principaux.
    9. Pour « périodes », après le signe égal à, si un ensemble de données de série unique est utilisé, tapez chaque longueur de période séparée par des virgules. Pour plus d’un ensemble de données de séries chronologiques, tapez chaque ensemble de longueurs de période comme précédemment, mais placez des crochets autour de chaque ensemble et placez une virgule entre les ensembles.
    10. Après le signe égal à, pour « dlxjtk_cutoff », tapez un entier spécifiant le nombre maximal de gènes à conserver dans la gene_list_file sortie de de Lichtenberg par JTK_CYCLE (DLxJTK) (Tableau 1).
      REMARQUE : Il est fortement recommandé de consulter les sections dlxjtk_arguments dans le fichier README IDP pour mieux comprendre chaque argument. Reportez-vous à la section Fichier supplémentaire 4 pour obtenir un exemple de fichier de configuration avec les arguments de recherche de nœud spécifiés.
  2. Dans le terminal, accédez au répertoire IDP, nommé inherent_dynamics_pipeline.
  3. Dans le terminal, entrez la commande: conda activate dat2net
  4. Exécutez l’IDP à l’aide du fichier de configuration créé à l’étape 2.1 en exécutant cette commande dans le terminal, où < nom du fichier config> est le nom du fichier : python src/dat2net.py
  5. Dans le terminal, accédez au répertoire nommé inherent_dynamics_visualizer et entrez la commande : . /viz_results.sh
    REMARQUE : pointera vers le répertoire utilisé comme répertoire de sortie pour l’IDP.
  6. Dans un navigateur Web, entrez http://localhost:8050/ comme URL.
  7. Maintenant que l’IDV est ouvert dans le navigateur, cliquez sur l’onglet Recherche de nœuds et sélectionnez le dossier de recherche de nœuds qui vous intéresse dans le menu déroulant.
  8. Organisez manuellement une nouvelle liste de gènes à partir du tableau de la liste des gènes dans l’IDV à utiliser pour les étapes ultérieures de L’IDP.
    1. Pour étendre ou raccourcir le tableau de la liste des gènes, cliquez sur les flèches vers le haut ou vers le bas ou entrez manuellement un entier compris entre 1 et 50 dans la case à côté de Expression génique des gènes classés DLxJTK. Haut:.
    2. Dans le tableau de la liste des gènes, cliquez sur la case à côté d’un gène pour afficher son profil d’expression génique dans un graphique linéaire. Plusieurs gènes peuvent être ajoutés.
    3. Spécifiez éventuellement le nombre de bacs de taille égale pour calculer et ordonner les gènes en fonction de l’intervalle de temps contenant leur expression maximale, en entrant un entier dans la zone de saisie au-dessus de la table de liste de gènes intitulée Input integer pour diviser le premier cycle en bins:.
      REMARQUE : Cette option est spécifique à la dynamique oscillatoire et peut ne pas s’appliquer à d’autres types de dynamique.
    4. Sélectionnez une préférence d’affichage de carte thermique en cliquant sur une option sous Ordre des gènes par : Expression maximale du premier cycle (Tableau 1) qui ordonne les gènes en fonction de l’heure du pic d’expression génique dans le premier cycle.
      REMARQUE: DLxJTK Rank ordonne les gènes en fonction du classement de périodicité de l’algorithme DLxJTK de l’IDP.
    5. Cliquez sur le bouton Télécharger la liste des gènes pour télécharger la liste des gènes dans le format de fichier nécessaire à l’étape Edge Finding. Voir Fichier supplémentaire 5 pour un exemple de fichier de liste de gènes.
  9. Dans le tableau d’annotation de gènes modifiables, étiquetez un gène en tant que cible, régulateur ou les deux dans le fichier d’annotation pour l’étape de recherche d’arête dans une nouvelle exécution de recherche d’arête. Si un gène est un régulateur, étiquetez-le comme activateur, répresseur ou les deux.
    1. Pour marquer un gène comme activateur, cliquez sur la cellule dans la colonne tf_act et changez la valeur en 1. Pour marquer un gène comme répresseur, remplacez la valeur dans la colonne tf_rep par 1. Un gène sera autorisé à agir à la fois comme activateur et comme répresseur dans l’étape Edge Finding en définissant les valeurs des colonnes tf_act et tf_rep sur 1.
    2. Pour marquer un gène comme cible, cliquez sur la cellule dans la colonne cible et changez la valeur en 1.
  10. Cliquez sur le bouton Télécharger annot. Fichier pour télécharger le fichier d’annotation dans le format de fichier nécessaire à l’étape Recherche Edge.

3. Recherche de bord

  1. Créez un fichier de configuration IDP qui paramétre l’étape Edge Finding.
    1. Ajoutez les principaux arguments IDP au fichier de configuration. Ouvrez un nouveau fichier texte dans un éditeur de texte et répétez l’étape 2.1.1.
    2. Ajoutez des arguments Edge Finding au fichier de configuration.
    3. Dans le même fichier texte qu’à l’étape 3.1.1, tapez dans l’ordre présenté « [lempy_arguments] », « gene_list_file = », « [netgen_arguments] », « edge_score_column = », « edge_score_thresho = », « num_edges_for_list = », « seed_threshold = » et « num_edges_for_seed = » sur des lignes individuelles. Ceux-ci devraient aller en dessous des principaux arguments.
    4. Pour « gene_list_file », après le signe égal à, entrez le chemin d’accès et le nom du fichier de liste de gènes généré à l’étape 2.8.5.
    5. Pour « edge_score_column », après le signe égal à, entrez « pld » ou « norm_loss » pour spécifier quelle colonne de trame de données de la sortie lempy est utilisée pour filtrer les arêtes.
    6. Sélectionnez « edge_score_threshold » ou « num_edges_for_list » et supprimez l’autre. Si « edge_score_threshold » a été sélectionné, entrez un nombre compris entre 0 et 1. Ce nombre sera utilisé pour filtrer les arêtes en fonction de la colonne spécifiée à l’étape 3.1.5.
      1. Si « num_edges_for_list » a été sélectionné, entrez une valeur égale ou inférieure au nombre d’arêtes possibles. Ce nombre sera utilisé pour filtrer les arêtes en fonction de leur classement dans la colonne spécifiée à l’étape 3.1.5. Les bords restants seront utilisés pour créer des réseaux dans Network Finding.
    7. Sélectionnez « seed_threshold » ou « num_edges_for_seed » et supprimez l’autre. Si l’option « seed_threshold » a été sélectionnée, entrez un nombre compris entre 0 et 1. Ce nombre sera utilisé pour filtrer les arêtes en fonction de la colonne spécifiée à l’étape 3.1.5.
      1. Si l’option « num_edges_for_seed » a été sélectionnée, entrez une valeur égale ou inférieure au nombre d’arêtes possibles. Ce nombre sera utilisé pour filtrer les arêtes en fonction de leur classement dans la colonne spécifiée à l’étape 3.1.5. Les arêtes restantes seront utilisées pour construire le réseau de départ (Tableau 1) utilisé dans la recherche de réseau.
        REMARQUE : Il est fortement recommandé de consulter les sections lempy_arguments et netgen_arguments dans le fichier README IDP pour mieux comprendre chaque argument. Reportez-vous à la section Fichier supplémentaire 7 pour obtenir un exemple de fichier de configuration avec les arguments de recherche Edge spécifiés.
  2. Répétez les étapes 2.2 et 2.3.
  3. Exécutez l’IDP à l’aide du fichier de configuration créé à l’étape 3.1 en exécutant cette commande dans le terminal, où < nom du fichier config> est le nom du fichier : python src/dat2net.py
  4. Si l’IDV est toujours en cours d’exécution, arrêtez-le en appuyant sur Contrôle C dans la fenêtre du terminal pour arrêter le programme. Répétez les étapes 2.5 et 2.6.
  5. Avec l’IDV ouvert dans le navigateur, cliquez sur l’onglet Edge Finding et sélectionnez le dossier edge finding d’intérêt dans le menu déroulant.
    Remarque : Si plusieurs jeux de données sont utilisés dans edge finding, veillez à sélectionner le dernier jeu de données qui a été utilisé dans l’analyse local Edge Machine (LEM) (Tableau 1). Lors de la sélection des arêtes pour le réseau d’amorçage ou la liste de périphérie en fonction des résultats LEM, il est important d’examiner les dernières données de série chronologique répertoriées dans le fichier de configuration, car cette sortie intègre tous les fichiers de données précédents dans son inférence des relations réglementaires entre les nœuds.
  6. Pour étendre ou raccourcir la table d’arêtes, entrez manuellement un entier dans la zone de saisie sous Nombre d’arêtes :.
  7. En option, filtrez les bords sur les paramètres LEM ODE. Cliquez et faites glisser pour déplacer le côté gauche ou le côté droit du curseur de chaque paramètre afin de supprimer les arêtes de la table d’arêtes dont les paramètres sont en dehors de leurs nouvelles limites de paramètres autorisées.
  8. Vous pouvez éventuellement créer un nouveau réseau de semences si vous souhaitez créer un réseau de semences différent de celui proposé par le fournisseur d’identité. Voir Fichier supplémentaire 8 pour obtenir un exemple de fichier réseau d’amorçage.
    1. Sélectionnez À partir de l’amorce pour sélectionner le réseau d’amorçage ou à partir de la sélection dans le menu déroulant sous Réseau :.
    2. Désélectionnez/sélectionnez des arêtes dans la table des arêtes en cochant les cases correspondantes adjacentes à chaque arête pour supprimer/ajouter des arêtes du réseau initial.
  9. Cliquez sur le bouton Télécharger DSGRN NetSpec pour télécharger le réseau d’amorçage dans le format de spécification réseau Dynamic Signatures Generated by Regulatory Networks (DSGRN) (Tableau 1).
  10. Sélectionnez des nœuds et des arêtes supplémentaires à utiliser dans l’étape Recherche de réseau.
    1. Sélectionnez les arêtes dans la table Edge en cochant les cases correspondantes à inclure dans le fichier de liste Edge utilisé dans la recherche de réseau.
    2. Cliquez sur Télécharger les listes de nœuds et edge pour télécharger la liste des nœuds et les fichiers de liste Edge dans le format requis pour leur utilisation dans Network Finding. Reportez-vous aux sections Fichier supplémentaire 9 et Fichier supplémentaire 10 pour obtenir des exemples de fichiers de liste de bord et de nœuds, respectivement.
      Remarque : La liste des nœuds doit contenir tous les nœuds dans le fichier de liste Edge, de sorte que l’IDV crée automatiquement le fichier de liste des nœuds en fonction des arêtes sélectionnées. Deux options sont disponibles pour afficher les arêtes dans edge finding. L’option Tableau récapitulatif LEM présente les arêtes sous la forme d’une liste classée des 25 principales arêtes. Top-Line LEM Table présente les arêtes dans une liste concaténée des trois arêtes les mieux classées pour chaque régulateur possible. Le nombre d’arêtes affichées pour chaque option peut être ajusté par l’utilisateur en modifiant le nombre dans la zone de saisie Nombre d’arêtes .

4. Recherche de réseau

  1. Créez un fichier de configuration IDP qui paramétre l’étape Recherche de réseau.
    1. Ajoutez les principaux arguments IDP au fichier de configuration. Ouvrez un nouveau fichier texte dans un éditeur de texte et répétez l’étape 2.1.1.
    2. Ajoutez des arguments de recherche de réseau au fichier de configuration.
    3. Dans le même fichier texte qu’à l’étape 4.1.1, tapez dans l’ordre présenté « [netper_arguments] », « edge_list_file = », « node_list_file = », « seed_net_file = », « range_operations = », « numneighbors = », « maxparams = », « [[probabilités]] », « addNode = », « addEdge = », « removeNode = », et « removeEdge = » sur des lignes individuelles, sous les arguments principaux.
    4. Pour « seed_net_file », « edge_list_file » et « node_list_file », après le signe égal, entrez le chemin d’accès et le nom du fichier réseau d’amorçage et les fichiers de liste de périphériques et de nœuds générés aux étapes 3.9 et 3.10.2.
    5. Après le signe égal à, pour « range_operations », tapez deux nombres séparés par une virgule. Les premier et deuxième nombres sont respectivement le nombre minimum et le nombre maximal d’ajout ou de suppression de nœuds ou de bords par réseau.
    6. Pour « numneighbors », après le signe égal à, entrez un nombre qui représente le nombre de réseaux à trouver dans Network Finding.
    7. Pour « maxparams », après le signe égal à, entrez un nombre qui représente le nombre maximal de paramètres DSGRN pour autoriser un réseau.
    8. Entrez des valeurs comprises entre 0 et 1 pour chacun de ces arguments : « addNode », « addEdge », « removeNode » et « removeEdge », après le signe égal à. La somme des nombres doit être égale à 1.
      REMARQUE : Il est fortement recommandé de consulter les sections netper_arguments et netquery_arguments dans le fichier README IDP pour mieux comprendre chaque argument. Voir Fichier supplémentaire 11 et Fichier supplémentaire 12 pour obtenir des exemples de fichier de configuration avec les arguments de recherche de réseau spécifiés.
  2. Répétez les étapes 2.2 et 2.3.
  3. Exécutez l’IDP à l’aide du fichier de configuration créé à l’étape 4.1 en exécutant cette commande dans le terminal, où < nom du fichier config> est le nom du fichier : python src/dat2net.py
  4. Si l’IDV est toujours en cours d’exécution, arrêtez-le en appuyant sur Contrôle C dans la fenêtre du terminal pour arrêter le programme. Répétez les étapes 2.5 et 2.6.
  5. Avec l’IDV ouvert dans le navigateur, cliquez sur l’onglet Recherche de réseau et sélectionnez le dossier de recherche de réseau qui vous intéresse.
  6. Sélectionnez un réseau ou un ensemble de réseaux pour générer un tableau de prévalence de périphérie (tableau 1) et afficher les réseaux avec leurs résultats de requête respectifs.
    1. Deux options sont disponibles pour sélectionner les réseaux : Option 1 - Entrez les limites inférieure et supérieure des résultats de la requête en saisissant les valeurs minimales et maximales dans les zones de saisie correspondant à l’axe des x et à l’axe des y du tracé. Option 2 - Cliquez et faites glisser sur le nuage de points pour dessiner une boîte autour des réseaux à inclure. Une fois les limites de sélection ou d’entrée entrées saisies, appuyez sur le bouton Obtenir la prévalence Edge à partir des réseaux sélectionnés .
      Remarque : Si plusieurs requêtes DSGRN ont été spécifiées, utilisez les cases d’option étiquetées avec le type de requête pour basculer entre les résultats de chaque requête. Il en va de même si plus d’un epsilon (niveau de bruit) a été spécifié.
  7. Cliquez sur les flèches sous le tableau de prévalence des bords pour passer à la page suivante du tableau. Appuyez sur Télécharger la table pour télécharger la table de prévalence des bords.
  8. Entrez un entier dans la zone de saisie Index réseau pour afficher un seul réseau à partir de la sélection effectuée à l’étape 4.6. Cliquez sur Télécharger DSGRN NetSpec pour télécharger le réseau affiché dans le format de spécification réseau DSGRN.
  9. Recherchez des réseaux pour trouver des similitudes avec un motif ou un réseau d’intérêt spécifié.
    1. Utilisez les cases à cocher correspondant à chaque arête pour sélectionner les arêtes à inclure dans le réseau ou le motif utilisé pour l’analyse de similarité. Cliquez sur Soumettre pour créer le nuage de points de similitude pour le motif ou le réseau sélectionné.
      Remarque : Utilisez les flèches de la liste des arêtes pour trier par ordre alphabétique et les flèches sous le tableau pour passer à la page suivante du tableau.
    2. Cliquez et faites glisser sur le nuage de points pour dessiner une zone autour des réseaux à inclure afin de sélectionner un réseau ou un ensemble de réseaux pour générer un tableau de prévalence périphérique et afficher les réseaux avec leurs résultats de requête respectifs.
      Remarque : Si plusieurs requêtes DSGRN ont été spécifiées, utilisez les cases d’option étiquetées avec le type de requête pour basculer entre les résultats de chaque requête. Il en va de même si plus d’un epsilon (niveau de bruit) a été spécifié.
    3. Répétez les étapes 4.7 et 4.8 pour télécharger le tableau de prévalence en périphérie et le réseau affiché pour l’analyse de similarité, respectivement.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les étapes décrites textuellement ci-dessus et graphiquement à la figure 1 ont été appliquées au GRN oscillant du noyau du cycle cellulaire de la levure pour voir s’il est possible de découvrir des modèles DE GRN fonctionnels capables de produire la dynamique observée dans les données d’expression génique de séries chronologiques recueillies dans une étude du cycle cellulaire de la levure16. Pour illustrer comment l’IDV peut clarifier et améliorer la production de PDI...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’inférence des GRN est un défi important en biologie des systèmes. L’IDP génère des GRN modèles à partir de données d’expression génique à l’aide d’une séquence d’outils qui utilisent les données de manière de plus en plus complexe. Chaque étape nécessite des décisions sur la façon de traiter les données et quels éléments (gènes, interactions fonctionnelles) seront transmis à la couche suivante de l’IDP. Les répercussions de ces décisions sur les résultats des PDI ne sont pas aussi évidentes. Pour aider à cet égard, l’I...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs n’ont rien à divulguer.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail a été financé par la subvention NIH R01 GM126555-01 et la subvention NSF DMS-1839299.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Dockerhttps://docs.docker.com/get-docker/
Githttps://git-scm.com/
Inherent Dynamics Pipelinehttps://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizerhttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
Piphttps://pip.pypa.io/en/stable/

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Gene Regulatory NetworksNetwork InferenceInherent Dynamics PipelineInteractive VisualizationParameter ExplorationTime Series TranscriptomicsNetwork Model EvaluationEdge FindingNode FindingSystems Biology

Related Articles