Un protocole pour l’utilisation de gènes série d’analyses d’enrichissement pour identifier le modèle Animal approprié de recherche translationnelle

L’objectif global de cette procédure est d’identifier le modèle animal approprié pour les questions de recherche translationnelle. Cette méthode peut aider à répondre à une question clé dans la recherche translationnelle : comment puis-je sélectionner un modèle animal approprié pour une maladie humaine spécifique que je veux étudier ? Le principal avantage de cette technique est que les données du génome entier sont comparées entre les modèles animaux et les études de maladies humaines.

Ainsi, cette approche évite l’interprétation biaisée liée aux comparaisons de gènes uniques. Bien que cette méthode donne un aperçu de l’adéquation des modèles murins pour les maladies inflammatoires, elle peut également être appliquée à d’autres modèles de maladies. GSEA aide à étudier la réglementation des politiques pour les études d’expression génique.

Les résultats de chaque modèle animal et étude de maladie constituent la base de comparaisons ultérieures. Commencez cette procédure par le téléchargement du logiciel et des données, puis par le traitement et le formatage des données comme décrit dans le protocole texte. Ouvrez ensuite l’outil logiciel GSEA.

Cliquez sur le bouton Charger les données sur le côté gauche de la fenêtre principale. Un nouvel onglet s’ouvrira pour l’importation des fichiers de données requis. Dans le nouvel onglet, accédez au fichier de données d’expression génique et au fichier de phénotype.

Si GSEA ne peut pas se connecter à Internet, chargez également les fichiers de base de données de signatures moléculaires téléchargés et les fichiers d’annotations de puce à ADN. Les données importées avec succès apparaissent dans la section Charger les données. Cliquez sur le bouton Exécuter GSEA sur le côté gauche de la fenêtre principale.

Un nouvel onglet s’ouvre afin de définir les paramètres de l’analyse. L’onglet est subdivisé en trois parties, les champs obligatoires, les champs de base et les champs avancés. Dans les champs obligatoires, choisissez d’abord l’ensemble de données d’expression.

Choisissez ensuite la base de données des ensembles de gènes soit à partir du site Web connecté, soit à partir du fichier d’ensemble de gènes importé manuellement. Modifiez les étiquettes de phénotype pour sélectionner les groupes d’échantillons qui doivent être comparés les uns aux autres. Par exemple, le groupe de la maladie par rapport au groupe témoin sain.

Ensuite, sélectionnez réduire l’ensemble de données à symboles de gènes égal à vrai afin de traduire les identificateurs de sonde dans l’ensemble de données d’expression en symboles de gènes Hugo officiels utilisés dans la base de données des ensembles de gènes. Sélectionnez false si le jeu de données d’expression contient déjà des symboles de gène Hugo. Définissez le nombre de permutations sur le paramètre par défaut sur 1 000.

Remplacez le type de permutation par un ensemble de gènes, car la permutation du phénotype n’est recommandée que lorsqu’il y a plus de sept échantillons dans chaque phénotype. Enfin, sélectionnez la plate-forme de puce utilisée pour générer les données d’expression génique à partir du site Web connecté ou du fichier d’annotations de puce à ADN importé manuellement. Dans les champs de base, modifiez le nom de l’analyse et les résultats de l’enregistrement dans cette section de dossier.

En outre, d’autres paramètres statistiques peuvent être modifiés. Pour plus de détails sur les paramètres et la section des champs avancés, veuillez consulter le guide d’utilisation de GSEA. Si des mesures de groupe calculées en externe pour les données d’expression génique sont appliquées, utilisez un outil préclassé GSEA.

Cette analyse est effectuée sur la base d’une simple liste de gènes pré-attribués à des mesures de groupe précalculées qui sont utilisées pour classer les gènes. Après avoir chargé le fichier d’expression génique alternatif, allez dans la barre de navigation principale et cliquez sur Outils, GseaPreranked. De même, un nouvel onglet s’ouvrira pour définir les paramètres de l’analyse.

Ensuite, cliquez sur le bouton Exécuter en bas à droite de la fenêtre. Cliquez sur l’analyse réussie dans la section du rapport GSEA pour ouvrir les résultats de l’analyse. Ensuite, cliquez sur les résultats détaillés de l’enrichissement au format Excel pour exporter les résultats de l’analyse dans une feuille de calcul.

Exportez les résultats séparément pour les deux phénotypes. Dans Excel, regroupez les données des résultats dans un seul fichier de tableur. Pour une comparaison ultérieure entre les données d’expression génique de plusieurs études, conservez au moins le nom de l’ensemble de gènes, son score d’enrichissement normalisé et sa valeur FDR.

Répétez l’analyse d’enrichissement de l’ensemble de gènes pour la deuxième étude et pour toutes les autres études qui sont censées être comparées les unes aux autres. Incluez autant d’études cliniques humaines et de modèles de souris différents que possible afin d’identifier le modèle de souris optimal pour la question de recherche translationnelle. Pour identifier le modèle animal optimal pour imiter la situation humaine, comparez les résultats GSEA de toutes les études les uns aux autres.

Utilisez les scores d’enrichissement et les valeurs FDR pour classer les voies comme activées, inhibées ou ni l’une ni l’autre. Pour de nombreuses études à comparer, il est recommandé d’utiliser des scripts R. Pour chaque comparaison de deux études, comptez le nombre de réalisations des neuf combinaisons possibles de régulation des voies, comme l’indique un tableau de contingence trois par trois.

Evaluer la corrélation entre deux études en calculant la valeur prédictive positive et la valeur prédictive négative qui est par définition la partie des voies qui présentent la même régulation dans deux études. Estimez également la partie des voies qui étaient censées être corrélées juste par hasard, représentée par la chance ppv et la chance npv. Calculez ensuite le gain d’information.

Tous les calculs peuvent être effectués à l’aide de tableurs, mais l’utilisation des fonctions R est recommandée. Utilisez le tableau de contingence d’une paire d’études pour calculer la valeur P avec le test du khi-deux, par exemple à l’aide de la fonction R, du test du khi-carré ou de tableurs. Stockez les données du tableau de contingence dans une matrice X.Ensuite, comparez les résultats GSEA pour toutes les combinaisons d’études sélectionnées pour l’analyse.

Triez toutes les combinaisons en fonction du gain d’information. Pour comparer de nombreux ensembles de données, utilisez une matrice et visualisez les résultats à l’aide d’une carte thermique colorée. Sélectionnez le modèle d’animal avec le gain d’information le plus élevé.

Afin d’évaluer l’importance du gain d’information, prenez également en compte le test du chi carré. Une matrice de corrélation des comparaisons de voies entre les études humaines et murines est présentée ici. Le chevauchement de la régulation des voies est montré comme le gain d’informations qui peut être obtenu à partir d’une étude pour prédire les effets dans une autre étude.

Le bleu signifie une faible corrélation et le rouge signifie une forte corrélation entre les données. La comparaison d’ensembles de données humaines et murines a révélé un sous-groupe de modèles murins fortement corrélatifs aux études humaines. Par conséquent, ces modèles de souris sont les mieux adaptés pour imiter la situation humaine.

En revanche, les études sept, huit et neuf n’ont montré aucune corrélation avec les études sur les maladies humaines. Une fois maîtrisée, cette technique peut se faire en quelques jours si elle est bien exécutée. Cela dépend de la quantité de données et de la disponibilité des données.

Lors de cette tentative, il est important de se rappeler que la validité des résultats dépend de la qualité et de la pertinence des données choisies. Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon de sélectionner un modèle animal approprié pour une maladie humaine spécifique sur la base des données de transcription.