Name: Inherent Dynamics Visualizer, une application interactive pour évaluer et visualiser les résultats d’un pipeline d’inférence de réseau de régulation de gènes (Vidéo) | JoVE Journal
Uploaded: 2021-12-07T13:30:00.000+00:00
Duration: 10 min 44 s
Description: Découvrez l'Inherent Dynamics Visualizer pour visualiser et explorer les résultats intermédiaires d'inférence de réseaux de régulation de gènes. Cet outil interactif accélère le développement de modèles fonctionnels fiables.

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

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

<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>

Les auteurs n’ont rien à divulguer.

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...

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.

<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>Inherent Dynamics Pipeline</td><td></td><td></td><td>https://gitlab.com/biochron/inherent_dynamics_pipeline</td></tr><tr><td>Inherent Dynamics Visualizer</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>

inherent dynamics visualizer, une application interactive pour évaluer et visualiser les résultats d’un pipeline d’inférence de réseau de régulation de gènes

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

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.

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...

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.

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

Developing gene regulatory network models is a major challenge in systems biology. Several computational tools and pipelines have been developed to tackle ...

L’Inherent Dynamics Visualizer facilite le travail avec plusieurs méthodes d’inférence et la compréhension de leurs résultats pour les chercheurs, ce qui permet à son tour la production accélérée de modèles de réseau fonctionnels. Le principal avantage d’Inherent Dynamics Visualizer est de visualiser et d’explorer les résultats intermédiaires pour informer les paramètres et le contenu des fichiers d’entrée des étapes en aval. Le visualiseur Inherent Dynamics facilite l’exploration et la compréhension des résultats de plusieurs outils d’inférence.Cependant, nous vous recommandons de référencer la documentation de chaque outil pour mieux comprendre l’impact des choix de paramètres sur les résultats. Dans un nouveau fichier de configuration IDP qui paramétre l’étape de recherche de nœud, tapez fichier de données égal à, fichier d’annotation égal à, fichier de sortie égal à, processus numérique égal à et IDVconnection égal à true sur des lignes individuelles. Après le fichier de données égal à signer, tapez le chemin d’accès et le nom du fichier de série chronologique respectif avec une virgule après le nom.Pour fichier d’annotation, tapez le chemin d’accès et le nom du fichier d’annotation. Pour fichier de sortie, tapez le chemin d’accès et le nom du dossier de résultats. Et pour processus de numérotation, tapez le nombre de processus que l’IDP doit utiliser.Dans le même fichier texte après les arguments principaux, tapez dans l’ordre présenté les arguments DLxJTK entre crochets, des périodes égales à et une coupure DLxJTK égale à sur des lignes individuelles. Pour les périodes, si un jeu de données de série chronologique est utilisé, tapez chaque longueur de période séparée par des virgules après le signe égal à. Pour plusieurs jeux 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.Pour la coupure DLxJTK, après le signe égal à, tapez un entier spécifiant le nombre maximal de gènes à conserver dans la sortie du fichier de liste de gènes par De Lichtenburg par JTK-CYCLE. Ensuite, exécutez le fournisseur d’identité à l’aide du fichier de configuration créé en exécutant la commande indiquée avec le nom de fichier approprié dans le terminal. Dans le terminal, accédez au répertoire nommé Inherent Dynamics Visualizer et entrez la commande indiquée.Ensuite, dans un navigateur Web, entrez l’URL affichée. Ensuite, cliquez sur l’onglet de recherche de nœud et sélectionnez le dossier de recherche de nœud d’intérêt dans le menu déroulant. Pour étendre ou raccourcir le tableau de la liste des gènes, cliquez sur les flèches haut ou bas ou entrez manuellement un entier compris entre un et 50 dans la case à côté de l’expression génique des gènes classés DLxJTK.Dans le tableau de la liste des gènes, cliquez sur la case à côté d’un gène pour afficher son profil d’expression génique et un graphique linéaire. Plusieurs gènes peuvent être ajoutés. Ensuite, téléchargez la liste de gènes dans le format de fichier nécessaire à l’étape de recherche de bord en cliquant sur le bouton de téléchargement de la liste de gènes.Dans le tableau d’annotation de gènes modifiable, étiquetez un gène comme cible, régulateur ou les deux. Si un gène est un régulateur, étiquetez-le comme activateur, répresseur ou les deux. Enfin, cliquez sur le bouton Télécharger le fichier d’annotation pour télécharger le fichier d’annotation dans le format de fichier nécessaire à l’étape de recherche de bord.Dans un nouveau fichier de configuration IDP qui paramétre l’étape de recherche Edge, pour le fichier de liste de gènes, entrez le chemin d’accès et le nom du fichier de liste de gènes généré après le signe égal à. Pour la colonne edge score, entrez PLD ou norm loss pour spécifier quelle colonne de trame de données de la sortie LEM py est utilisée pour filtrer les arêtes. Ensuite, sélectionnez le seuil de score d’arête ou les arêtes numériques pour la liste et supprimez l’autre.Si le seuil de score d’arête a été sélectionné, entrez un nombre compris entre zéro et un. Si le nombre d’arêtes de la liste a été sélectionné, entrez une valeur égale ou inférieure au nombre d’arêtes possibles. Sélectionnez ensuite le seuil d’amorçage ou les arêtes numériques pour l’amorçage et supprimez l’autre.Si le seuil d’amorçage a été sélectionné, entrez un nombre compris entre zéro et un. Si num arêtes pour l’amorçage a été sélectionné, entrez une valeur égale ou inférieure au nombre d’arêtes possibles. Ensuite, exécutez le fournisseur d’identité à l’aide du fichier de configuration créé, comme illustré précédemment.Sélectionnez ou désélectionnez des arêtes dans la table des arêtes en cochant les cases correspondantes adjacentes à chaque arête pour ajouter ou supprimer des arêtes du réseau initial. Cliquez ensuite sur le bouton Télécharger la spécification du réseau DSGRN pour télécharger le réseau d’amorçage au format de spécification du réseau DSGRN. Après avoir sélectionné les arêtes à inclure dans le fichier de liste Edge utilisé dans la recherche de réseau en cochant les cases correspondantes dans la table Edge, cliquez sur télécharger les listes de nœuds et de bords pour télécharger la liste de nœuds et les fichiers de liste Edge dans le format requis pour leur utilisation dans la recherche de réseau.Dans un nouveau fichier de configuration IDP qui paramétre l’étape de recherche réseau, pour le fichier réseau d’amorçage, le fichier de liste Edge et le fichier de liste de nœuds, entrez le chemin d’accès et le nom du fichier réseau d’amorçage et les fichiers de liste de périphériques et de nœuds. Pour les opérations de plage, tapez deux nombres séparés par une virgule après le signe égal à. 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.Pour num neighbors, entrez un nombre qui représente le nombre de réseaux à rechercher dans la recherche de réseau. Et pour les paramètres maximum, entrez un nombre qui représente le nombre maximal de paramètres DSGRN pour autoriser un réseau. Pour ajouter un nœud, ajouter une arête, supprimer un nœud et supprimer une arête, entrez des valeurs comprises entre zéro et un après le signe égal à.La somme des nombres doit être égale à un. Exécutez ensuite le fournisseur d’identité à l’aide du fichier de configuration créé, comme illustré précédemment. Pour générer une table de prévalence edge, sélectionnez les réseaux à l’aide des deux options suivantes.Pour la première option, 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. Pour la deuxième option, cliquez et faites glisser sur le nuage de points pour dessiner une zone autour des réseaux à inclure. Après avoir sélectionné ou entré des limites d’entrée, cliquez sur le bouton Obtenir la prévalence des bords à partir des réseaux sélectionnés.Ensuite, entrez un entier dans la zone de saisie de l’index réseau pour afficher un seul réseau de la sélection. Cliquez ensuite sur télécharger la spécification réseau DSGRN pour télécharger le réseau d’affichage au format de spécification réseau DSGRN. À l’aide des cases à cocher correspondant à chaque arête, sélectionnez les arêtes à inclure dans le réseau ou le motif utilisé pour l’analyse de similarité.Cliquez ensuite sur soumettre pour créer le nuage de points de similitude pour le motif ou le réseau sélectionné. Pour sélectionner un réseau ou un ensemble de réseaux, cliquez et faites glisser sur le nuage de points. Dessinez une boîte autour des réseaux à inclure pour générer un tableau de prévalence edge et afficher les réseaux avec les résultats de requête respectifs.Téléchargez le tableau de prévalence edge en cliquant sur télécharger le tableau. Ensuite, téléchargez le réseau d’affichage pour l’analyse de similarité en cliquant sur télécharger la spécification du réseau DSGRN comme illustré précédemment. Ce protocole a été appliqué au réseau de régulation du gène de l’oscillateur central du cycle cellulaire de la levure.Les résultats de l’exécution consécutive de chaque étape de l’IDP sans utiliser l’IDV entre les étapes sont affichés ici. Cette exécution entièrement paramétrée de l’IDP a produit des résultats pour la recherche de nœuds et de bords. Pourtant, dans la recherche de réseaux, aucun modèle de réseau admissible n’a été découvert.Un ensemble de régulateurs connus du cycle cellulaire de la levure a ensuite été sélectionné dans la base de données du génome de Saccharomyces et les relations régulatrices connues entre les gènes ont été extraites de la levure suivie. Le tableau de la liste des gènes a été étendu pour trouver le gène restant dans le modèle de réseau de régulation des gènes et les gènes ont été désélectionnés pour supprimer les gènes qui ne se trouvaient pas dans le même modèle. Un nouveau fichier de configuration IDP a été paramétré pour l’étape de recherche de bord avec la nouvelle liste de gènes et le nouveau fichier d’annotation, et les résultats ont été chargés dans l’IDV.Les bords sans preuves expérimentales ont été retirés du réseau de semences. Après avoir créé un réseau de semences bien étayé par des preuves expérimentales, 37 réseaux admissibles de modèles ont été trouvés à l’étape de recherche de réseau, dont 24 peuvent osciller de manière stable. Sur ces 24 réseaux, les plus performants étaient deux réseaux qui correspondaient aux données à 50% de leurs paramètres de modèle oscillant de manière stable.Lorsque la possibilité de supprimer les périphéries lors de la génération du réseau a été ajoutée, 612 réseaux ont été trouvés avec 67% de ces réseaux ayant la capacité d’osciller de manière stable. Fait intéressant, 82 réseaux capables d’une dynamique oscillatoire stable n’étaient pas capables de produire une dynamique similaire à celles observées dans les données. Et sur les 411 réseaux, 124 présentaient des correspondances robustes avec les données.L’espace des paramètres biologiquement réalisables est inconnu du DSGRN, mais l’intégration d’informations biologiques dans la recherche de nœuds et de bords aide à limiter la recherche de réseaux à des régions biologiquement raisonnables dans l’espace de tous les réseaux. La modélisation ODE des réseaux à l’aide des paramètres de l’étape de recherche de périphérie peut être effectuée pour tester davantage la fonctionnalité des réseaux in silico.

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

Research

Recherche

JoVE Journal

Biology

Biologie

PathWhiz est un outil de dessin de voie en ligne complète pour générer des voies biochimiques et biologiques. Il utilise des bases de données accessibles au public et facilement extensibles palettes constituées de composants pré-dessinés voie. Ce protocole décrit comment construire facilement de nouvelles voies, reproduire et modifier les voies existantes, et de propager les voies précédemment tirées à différents organismes.

Un outil Web pour la génération de haute qualité lisible par machine voies biologiques

Une interface utilisateur graphique pour explorer et partageant une base de données des réponses vasculaires induite par l’optogenetically en souris cortex somatosensoriel dans vivo mesurée par microscopie 2 photons est présentée. Il permet de parcourir les données, fondées sur des critères de sélection, en moyenne, localisation des mesures dans un volume 3D du système vasculaire et l’exportation des données.

Explorateur de réseau vasculo-nerveux 2.0 : Un outil Simple pour l’exploration et de partage d’une base de données de la vasomotricité évoquée par Optogenetically dans le Cortex de souris In Vivo

Séquençage en profondeur des populations de levures sélectionnées pour les interactions 2-hybride de levure positive potentiellement donne une mine de renseignements sur les protéines qui interagissent de partenaire. Nous décrivons ici l’exploitation d’outils bioinformatiques précis et à jour de logiciels sur mesure pour analyser les données de séquençage de ces écrans.

Analyse informatique des données de séquence d’écrans de 2-hybride de levure lot

Ce travail décrit un protocole semi-haut débit qui permet l'imagerie simultanée en time-lapse 3D de l'embryogenèse dans 80-100 embryons d'élegans de C. dans une seule course de nuit. En outre, des outils de traitement d'image et de visualisation sont inclus pour rationaliser l'analyse des données. La combinaison de ces méthodes avec des souches de reporter personnalisées permet une surveillance détaillée de l'embryogenèse.

Une méthode d'imagerie semi-haut débit et une boîte à outils de visualisation de données pour analyser C. elegans Embryonic Development

Les cellules neurales de tige/progéniteur montrent la dynamique diverse d'expression des composants de signalisation de notch qui mènent aux résultats différents des événements cellulaires. Une telle expression dynamique peut être révélée par une surveillance en temps réel, et non par une analyse statique, à l'aide d'un système d'imagerie de bioluminescence très sensible qui permet de visualiser des changements rapides dans les expressions génétiques.

Imagerie en temps réel de bioluminescence de la dynamique de signalisation d'encoche pendant la neurogenèse de Murine

En exécutant l’outil d’étude pathway association (PAST), soit via l’application Shiny, soit via la console R, les chercheurs peuvent mieux comprendre la signification biologique des résultats de leur étude d’association à l’échelle du génome (GWAS) en étudiant les voies métaboliques impliquées.

Un outil d’étude d’association de voies pour les analyses GWAS de l’information sur les voies métaboliques

Nous présentons un outil de biologie des systèmes JUMPn pour effectuer et visualiser l’analyse de réseau pour des données protéomiques quantitatives, avec un protocole détaillé comprenant le prétraitement des données, le regroupement de co-expression, l’enrichissement des voies et l’analyse du réseau d’interaction protéine-protéine.

JUMPn : Une application simplifiée pour le regroupement de la co-expression des protéines et l’analyse des réseaux en protéomique

Nous présentons CorrelationCalculator et Filigree, deux outils pour la construction de réseaux basés sur les données et l’analyse des données métabolomiques.  CorrelationCalculator prend en charge la création d’un réseau d’interaction unique de métabolites basé sur des données d’expression, tandis que Filigree permet de construire un réseau différentiel, suivi d’une analyse de clustering et d’enrichissement du réseau.

CorrelationCalculator et Filigree : outils pour l’analyse de réseau basée sur les données métabolomiques

Ici, nous introduisons un protocole de conversion des données transcriptomiques en une vue mqTrans, permettant l’identification de biomarqueurs sombres. Bien qu’ils ne soient pas exprimés de manière différentielle dans les analyses transcriptomiques conventionnelles, ces biomarqueurs présentent une expression différentielle dans la vue mqTrans. L’approche sert de technique complémentaire aux méthodes traditionnelles, dévoilant des biomarqueurs jusque-là négligés.

Génération de la vue de régulation transcriptionnelle des caractéristiques transcriptomiques pour la tâche de prédiction et la détection de biomarqueurs sombres sur de petits ensembles de données

Les cellules T régulatrices: un potentiel thérapeutique pour traiter le rejet de greffe et de diabète de type I

Découvrez l'Inherent Dynamics Visualizer pour visualiser et explorer les résultats intermédiaires d'inférence de réseaux de régulation de gènes. Cet outil interactif accélère le développement de modèles fonctionnels fiables.

Inherent Dynamics Visualizer, une application interactive pour évaluer et visualiser les résultats d’un pipeline d’inférence de réseau de régulation de gènes (Vidéo) | JoVE Journal

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

Explorer plus de vidéos