פרוטוקול NetDecoder לבניית רשתות אינטראקציה חלבונים ספציפיות להקשר מנתונים טרנסקריפטומיים באמצעות מידול זרימת מידע

Easton Blissenbach; Cheng Zhang; Carter Caya; Ian D. Li; Zhuofei Zhang; Shizhen Zhu; Hu Li; Choong Yong Ung; Cristina Correia

doi:10.3791/70869

מאמר שיטה

פרוטוקול NetDecoder לבניית רשתות אינטראקציה חלבונים ספציפיות להקשר מנתונים טרנסקריפטומיים באמצעות מידול זרימת מידע

DOI:

10.3791/70869

⸱

31 ביולי 2026

Easton Blissenbach¹ , Cheng Zhang¹ , Carter Caya¹ , Ian D. Li¹ , Zhuofei Zhang¹ , Shizhen Zhu¹^,² , Hu Li¹^,³^,⁴ , Choong Yong Ung¹ , Cristina Correia¹

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

במאמר זה

סיכום

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

כאן אנו מציגים פרוטוקול לשימוש ב-NetDecoder, כלי למידול רשתות, לבניית רשתות אינטראקציה חלבונים ספציפיות להקשר ולבניית מודלים של תועלת גנים (GUMs). באמצעות נתוני טרנסקריפטומיקה, בשילוב עם רשתות אינטראקציה של חלבון-חלבון (PPI), NetDecoder מאפשר זיהוי מטרות ותת-רשתות מרכזיות.

תקציר

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

ניתוח ביטוי שונה הוא טכניקה נפוצה לקביעת מטרות טיפוליות פוטנציאליות, אך היא מתעלמת מהמורכבות של רשתות גנים במסלולים ביולוגיים. לעיתים קרובות, גנים מבוטאים מאוד אינם בהכרח מסבירים את תכונות הפנוטיפ הביולוגי. NetDecoder, כלי ביולוגיית רשת המשלב נתונים טרנסקריפטומיים עם רשתות אינטראקציה בין חלבון לחלבון (PPI) כדי למודל זרימת מידע ספציפית להקשר, תועלת גנים, וקצוות מפתח ורשתות גנים מנוצלות באופן דיפרנציאלי, פותח כדי להתמודד עם מגבלה זו של ניתוח ביטוי דיפרנציאלי.

פרוטוקול זה הוא מדריך ידידותי למתחילים, שלב אחר שלב לשימוש ב-NetDecoder, עם הנחיות מקיפות הכוללות קדם-עיבוד נתונים, ביצוע NetDecoder וניתוח פלטים. תהליך העבודה כולל תצורת תוכנה, בניית רשת, וניתוח מודלים מבוססי זרימה לכימות הבדלים בין גנים (צומת) לבין האינטראקציה בין גנים (ברמת הקצה) בין תנאים ביולוגיים. התוצרים המתקבלים כוללים מטרות מרכזיות ונתבים, תת-רשתות זרימה דיפרנציאלית והתפלגויות זרימה בקצה, המאפשרות זיהוי גנים ורגולטוריים מרכזיים ונתיבים הקשורים למצבים ביולוגיים ספציפיים. לאחר ביצוע השלבים המתוארים, החוקרים יוכלו לבצע מחקר עצמאי לחשיפת זרימת גנים פנוטיפית בין פנוטיפים באמצעות נתונים טרנסקריפטומיים ורשתות PPI מאוצרות.

מבוא

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

בחירת הגנים והמסלולים הנלווים לחקירה טיפולית מונעת לעיתים קרובות על ידי ניתוחי ביטוי שונה¹. שיטת ניתוח זו יעילה בקביעת ההבדל בין ביטוי הגנים בין שני מצבים או יותר. עם זאת, גנים פועלים בתוך רשתות ביולוגיות מורכבות ומקושרות, כלומר ביטוי גנים בודד אינו תופס במלואו כיצד הגנים מתקשרים ברשת ואת הקשרים ביניהם לגן². שיטות הפצת רשת משלבות ביטוי גנים עם רשתות אינטראקציה כדי לזהות גנים ביולוגיים חשובים שעלולים להחמיץ על ידי ביטוי שונה בלבד³. הגישות הנוכחיות אינן מכימות במפורש את החשיבות התפקודית של גנים ואת האופן שבו מידע ביולוגי מתפזר מחדש בתוך רשתות אינטראקציה בין חלבון לחלבון (PPI) בתנאים ביולוגיים. לכן, נדרשה שיטה למידול התנהגות רשת ייחודית למצב וכימות שינויים בזרימת המידע במערכות ביולוגיות. כדי להסביר כיצד גנים מתקשרים בתוך רשת ביולוגית רחבה יותר, פותחה NetDecoder, פלטפורמת ביולוגיה רשתית, כדי לחשוף גנים עם ההבדל הגדול ביותר בזרימת המידע בין מצבים. NetDecoder משתמש באלגוריתם זרימה מונחית תהליך כדי לתרגם ידע קיים על רשת ה-PPI האנושית, בשילוב עם נתוני ריצוף RNA בכמויות גדולות, לבניית מודל של אינטראקציות מונחות זרימת מידע⁴.

באמצעות נתוני זרימת מידע לרשתות פנוטיפיות, ניתן לפתח מודל תועלת גנטית (GUM)⁵ לזיהוי גנים עם זרימת מידע גבוהה כבעלי התועלת הגנית הכוללת הגבוהה ביותר ברשת, ללא קשר לערכי הביטוי השונים שלהם. גישה זו תומכת באסטרטגיות ותעדוף יעדים יעילים יותר, ומספקת תובנות שהניתוח המסורתי לעיתים מפספס. בניגוד לשיטות ביטוי שונה מסורתיות או שיטות רשת מבוססות קורלציה, NetDecoder מכמת הן את השינויים ברמת הגנים (ברמת הצומת) והן את האינטראקציה (רמת הקצה) בזרימת המידע, ומאפשר זיהוי גנים פונקציונליים חשובים, גם בהיעדר שינויים גדולים בביטוי ^4,5. NetDecoder ישים באופן נרחב למאגרי ריצוף RNA בכמויות גדולות הכוללים ניתוח השוואתי בין שני תנאים ביולוגיים, ומאפשרים זיהוי שינויים בזרימת המידע ובארגון הרשת. למרות ש-NetDecoder תומך באינטגרציה של מאגרי נתונים אחרים של אומיקס, כולל פרוטאומיקה ואפיגנומיקה, הפרוטוקול הנוכחי מדגים במפורש את תהליך העבודה באמצעות נתוני טרנסקריפטומיה. ביישומים אלו, המשתמשים יכולים להגדיר גנים מקור בהתבסס על חלבונים או גנים מפוקחים אפיגנטית, מה שמאפשר להתחיל את ניתוח זרימת המידע מתוך תכונות מולקולריות אלו. גמישות זו מאפשרת שילוב ראיות מולטי-אומיקס בניתוחים מבוססי רשת ומקלה על גילוי מנגנוני רגולציה חוצי-מודליים העומדים בבסיס הבדלים פנוטיפיים.

עיצובים נפוצים של מחקרים כוללים השוואות בינאריות, כולל אך לא מוגבל למחלות מול מצבים בריאים, מגיבים לטיפול לעומת לא מגיבים, טיפולים תרופתיים, ניסויים של הפלות או הדחפות מול ביקורת, וניתוחים של מעברים במצב התפתחותי או תאי. מטרת הפרוטוקול היא להמחיש מסגרת ניתנת לשחזור ליישום NetDecoder לחשיפת גנים עם השפעות רשת משתנות בתנאים ביולוגיים. זה מושג באמצעות שלבים קלים ליישום של הקמה והפעלה של NetDecoder, וכן דוגמאות לביצוע טכניקות בסיסיות לפתרון תקלות, ושיטות לפרשנות תוצאות מוצגות גם הן בפרוטוקול.

פרוטוקול

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

מחקר זה השתמש במאגרי נתוני ריצוף RNA הזמינים לציבור ולא כלל ישירות נבדקים של בני אדם או בעלי חיים. לכן, לא נדרשו אישור ועדת ביקורת מוסדית והסכמה מדעת.

הערה: NetDecoder דורש את קבצי הקלט הבאים: ביטוי גנים מנורמל בשני תנאים ביולוגיים מוגדרים; קובץ מטא-דאטה המתאר את התנאים הביולוגיים; רשימת גנים מקור לבניית רשתות ומידול; רשת אינטראקציה בין חלבון לחלבון (PPI) מהציבור; ורשת משוקללת קצוות (EWN) שנבנתה עבור כל מצב ביולוגי.

1. הכנת נתונים

שליפת נתוני ביטוי ונתוני מטא-דאטה של ריצוף RNA בכמויות גדולות
1. הורידו נתוני ריצוף RNA (מטריצה של ספירות ביטוי גנים גולמיים ושמות דגימות) ומטא-נתונים מתאימים (שמות מדגם, תנאים וכו') ממאגר ציבורי, כמו Gene Expression Omnibus (GEO), או השתמשו במאגרי ניסוי שנוצרו במעבדה. בדרך כלל, מדובר במטריצה שבה שורות מתאימות לשמות גנים ועמודות מתאימות לשמות דגימות.
  הערה: מערך הנתונים לדוגמה ששימש להדגמת פרוטוקול זה התקבל ממאגר הנתונים של National Omics Data Encyclopedia (NODE) (מאגר BioSino) תחת גיוס OEP001105⁶. המשתמשים יכולים להחליף את מערכי נתוני ריצוף ה-RNA בכמויות גדולות שלהם.
2. יצירת קובץ סימון לדוגמה (מטא-דאטה) על ידי הכללת שמות דגימות והקבוצות שלהם או תנאים נלווים; לדוגמה, "בקרה" ו"מחלה" הם סוגי מצבים נפוצים. וודא ששמות הדגימות תואמים בין קבצי המטא-דאטה והביטוי.
נתוני ביטוי אגרגטיביים ומטא-דאטה
1. ודא שמטריצת הנתונים שנוצרת כוללת ספירת ביטויים, שמות גנים וקובץ מטא-דאטה עם שמות ותנאים לדוגמה. אם צריך, השתמש בחבילת R כמו org. Hs.eg.db (אנושי) או AnnotationDbi כדי להתאים לזיהוי גנים שונים.
2. חתוך מידע לא חיוני מקובץ המטא-דאטה באמצעות R או שפת תכנות דומה.
3. משלבים את המידע מקבצי ספירת הביטויים לקובץ אחד למניפולציה קלה.
סינון נתוני ביטוי
1. לעבד מראש את מטריצת נתוני ביטוי הגנים על ידי הוצאת כפילויות גנים, ערכי אפס (NA), ביטוי נמוך (<10 ספירות בסך הכל), ו/או גנים עם שונות נמוכה וכו'.
קדם-עיבוד נתונים
1. נרמול ריצוף RNA וניתוח ביטוי דיפרנציאלי
  הערה: שלב זה הוא אחד (1.4.1) מתוך שתי גישות (1.4.2) לבחירת גנים ליצירת רשת משוקללת קצה (EWN) ובחירת גנים מקור (שלבים 1.5–1.6) בעת תחילת הניתוח מנתוני ריצוף RNA בכמויות גדולות. במקום זאת, ניתן להשתמש בהתאמת תבניות מבוססת קורלציה של Pearson על ידי דילוג לשלב 1.4.3.
  1. בצע המרות זיהוי גנים בשלב זה באמצעות חבילת R, AnnotationDbi, בהתאמה לחבילות אורגניזמים בודדות. NetDecoder משתמש בסמלי גן (כלומר, מזהה גן) התואמים לדוגמה PPI.
  2. בצע נרמול וניתוח ביטויים דיפרנציאליים בין שני תנאים באמצעות חבילות R limma, edgeR, DESeq2 או כלים דומים.
  3. אם משתמשים ב-DESeq2, בנו מאגר נתונים של DESeq באמצעות פונקציית DESeqDataSetFromMatrix() עם מטריצת ספירה (גנים ודגימות) ומטא-דאטה של דגימה (תנאים) כקלט.
  4. השתמש בפונקציית DESeq() עם הגדרות ברירת מחדל על האובייקט שנוצר בשלב 1.4.1.3 כדי לחשב ערכי ביטויים דיפרנציאליים.
  5. שמרו את התוצאות במטריצת נתונים עם מזהי גנים (מזהה גן) כשמות שורות ויציאות מפתח, כולל שינוי קיפול log2 (log2FC), ערך p, וערך p מותאם כעמודות.
  6. באופן אופציונלי, לסנן את התוצאות לפי ערך p מותאם (<0.05) ו/או ערכי log2FC (לדוגמה: |log2FC| > 1) באמצעות dplyr או כלי דומה.
  7. ודא שכל רשימות הגנים המעובדות ומטריצות שינוי הקיפול של log2 מיוצאות כקבצים מוגבלים בטאב (.txt או .csv) להזנה ל-NetDecoder.
  8. בצע השוואות זוגיות עבור שלב 1.4.1 אם נעשה שימוש ביותר מ-2 תנאים ביולוגיים וקבל תוצאות זוגיות באמצעות פונקציית results() מאובייקט DESeq שנוצר בשלב 1.4.1.5.
2. נרמול ביטוי מיקרו-מערך - אופציונלי
  הערה: אם משתמשים בנתוני מיקרואראי, בצע שלב זה לנרמול נתונים.
  1. נרמול נתונים על ידי פתיחת סקריפט הנרמול של NetDecoder (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize. R), נגיש מ-https://github.com/HuLiLab/NetDecoder_Example/tree/main, בפלטפורמת פיתוח R וערוך את החלק הנטוי כדי להתאים לתיקיית העבודה המכילה קבצי עוצמת תאים (CEL).
    setwd(~/NetDecoder_Example/raw_data/CEL_files)
3. התאמת תבנית - אופציונלית
  הערה: זו הגישה האופציונלית השנייה אם לא מתבצע ניתוח ביטויים דיפרנציאליים (כפי שמפורט בשלבים 1.1–1.4.1 של "הכנת נתונים").
  1. עבור נתוני ריצוף RNA שלא עובדו דרך limma, edgeR ו-DESeq2, יש לבצע נרמול חיצוני לפני יישום התאמת תבנית. לנתוני מיקרואראי, יש להשתמש בערכי הביטוי המנורמל שנוצרו בשלבים 1.1–1.4.2 ישירות.
  2. בחר את תנאי הביקורת כתבנית בסיס לביטוי גנים והשווה ערכי ביטוי גנים מנורמלים מכל שאר התנאים הרלוונטיים.
  3. חשב מקדמי קורלציה של פירסון בין פרופיל הביטוי של כל גן לתבנית שנבחרה. מומלץ לשמור גנים המציגים מתאמים מובהקים סטטיסטית (p < 0.05) ומקדם מתאם מוחלט מעל סף שהוגדר על ידי המשתמש (כגון |r| > 0.7).
בחירת גנים מקור
הערה: הקלט לשלב זה מורכב ממטריצת ביטוי גנים מנורמלת שפותחה בשלבים 1.1–1.4.
1. בחר סט של גנים משמעותיים שישמשו כגנים מקוריים. לתהליכי עבודה מבוססי ביטוי דיפרנציאליים, בחרו ערך p מותאם וספי log2FC (כגון ערך p-value adj < 0.05 ו-|log2FC| > 2). לתהליכי עבודה של התאמת תבניות, בחרו גני מקור מתוך הגנים המתואם באופן משמעותי שזוהו בשלב 1.4.3.3 באמצעות ספי המתאם והמובהקות שנבחרו. יש לבחור ספים שיניבו כ-300–1,000 גנים לבניית רשת במורד הזרם.
  הערה: גני המקור הם המקום שבו זרימת המידע מתחילה ומתפשטת ברשת.
בניית רשת משוקללת קצוות (EWN) לכל פנוטיפ
הערה: נדרשים הקלטים הבאים לשלב זה: מטריצת ביטוי גנים מנורמלת שפותחה בשלבים 1.1–1.4; רשת אינטראקציה בין חלבון לחלבון (PPI) המעוצבת כרשימת קצה (זוגות geneA-geneB); קובץ הערות לדוגמה (מטא-דאטה) המפרט תוויות מצב ביולוגיות לכל דגימה. רשת ה-PPI משותפת כאובייקט R ונבנתה על בסיס מסד הנתונים של חלבוני iRefIndex. הגרסה המשמשת בפרוטוקול זה כוללת את כל האינטראקציות הישירות, אך לולאות עצמיות ומספר קשתות לא הושמטו. רשת PPI מכילה 15,608 חלבונים ו-180,044 אינטראקציות. לפרטים נוספים, ראו סעיף⁴ של NetDecoder-Methods.
1. פתח את סקריפט NetDecoder Edge Weighted Network (EWN) (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R, נגיש מ-https:/github.com/HuLiLab/NetDecoder_Example/tree/main)⁴, בפלטפורמת פיתוח של R.
2. ערוך את חלקי הסקריפט, המסומנים בתגובות (וכתובים בכתב נטוי למטה), כדי להגדיר מסלולים וקבצי קלט ייעודיים למשתמש לפיתוח EWN.
  שביל<~/NetDecoder_Example/input/
  זהו הנתיב לתיקיית העבודה
  expQuery <- get(load("expBreastCancer_15Set2014.R")
  זהו דוגמה לאובייקט Rdata במטריצת ביטויים מנורמלת
  stQuery < read.csv("stBreastCancer.csv")
  זהו המטא-דאטה לדוגמה
3. סנן את מטריצת הביטוי כך שתשמור רק גנים הנמצאים ברשת ה-PPI.
4. לכל מצב, דגימות תת-קבוצה לפי פנוטיפ ומחשבים מתאמים גנטיים-גנים זוגיים בכל הקצוות המוגדרים ברשת PPI באמצעות קורלציה של Pearson. חשב את הקורלציות באמצעות מטריצת הביטוי המעובדת והמנורמלת שנוצרה בשלב 1.4.
5. עבור כל זוג גנים, יש לחשב את מקדם המתאמים, הקורלציה האבסולוטית וערך ה-p הנלווה.
6. הסר מקרים לא שלמים (למשל, ערכי NA).
7. ייצוא רשת משוקללת קצוות אחת לכל תנאי כקובץ מוגבל בטאב (ללא כותרת) עם העמודות הבאות: proteinA, proteinB, abs_cor, cor ו-pvalue.
8. הרץ את סקריפט R ליצירת רשתות קו-ביטוי לכל התנאים הרלוונטיים.

2. התקנה והגדרת NetDecoder

הורד את NetDecoder
1. גש לתוכנת NetDecoder ב-(https://netdecoder.hulilab.org/#ver), ובוחר R או Java.
התקנת תוכנה נדרשת
1. התקן את Oracle JDK ו-R לסביבות עבודה/ניתוח.
2. התקנה של חבילות R נדרשות כפי שמפורטות בתיעוד NetDecoder, באמצעות Bioconductor (https://netdecoder.hulilab.org/#ver)⁴.
תלותיות להורדה
1. הורידו את התלות הנדרשת ל-NetDecoder, הכוללות נתוני אונטולוגיה גנטית (נגישים מ-https://geneontology.org/docs/download-ontology/), וכן את מדריך ההתייחסות לאסוציאציות גנים (נגיש מ-https://www.ebi.ac.uk/GOA/human_release).
הגדר את תיקיית העבודה
1. העבר את כל הקבצים שהורדו (נתוני ביטוי, רשתות קו-ביטוי שנוצרו לכל מצב, נתוני אונטולוגיה גנטית ומדריך ייחוס אסוציאציה) לתיקייה אחת, שתהיה תיקיית העבודה של NetDecoder.
הוסף את התיקייה הנדרשת
1. הורד את תיקיית NetDecoder (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) לתיקיית העבודה של NetDecoder.
2. פתח את תיקיית NetDecoder.

3. הפעלת NetDecoder

פתח את סקריפט הניתוח של bash
1. פתח טרמינל שמריץ GNU Bash ונווט לתיקיית העבודה של NetDecoder.
2. הרץ את הפקודה nano NetDecoder_Analysis.sh כדי לפתוח את סקריפט ה-bash.
שינוי הסקריפטים
הערה: רוב הקוד כבר כתוב. בשלב זה, הפרמטרים הנדרשים מוגדרים בסקריפט במיקומים המצוינים.
1. תעשה שם קצר:
  ערוך את החלק הנטוי כך שיהיה התנאים המשווים: myshortname='Your_shortname_here'
2. הגדרת מסלולי תוכנה:
  ערוך את שלוש הגדרות המסלולים הבאות לנתיבים הנכונים על ידי עריכת החלקים הנטויים:
  JAVA="/your/path/here"
  ייצוא R="/הדרך שלך/כאן"
  כינוי R="/your/path/here"
3. הגדר תיקיית עבודה:
  ערוך את החלק הנטוי להיות תיקיית העבודה שבה כל הקבצים ייגשו ממנו: INPUT_DIR="/your/path/here"
4. הגדר את ספריית NetDecoder:
  ערוך את החלק הנטוי להיות הנתיב לספריית NetDecoder שהותקנה בשלב 2.4 מתוך קובץ ה-zip: LIB_DIR="/your/path/here/netdecoder_lib"
5. הגדרת אונטולוגיה גנטית ונתיבי אסוציאציה:
  ערוך את החלקים המוטים הבאים בשתי התיקיות למיקומים של קבצי אונטולוגיה/אסוציאציה של גנים מועדפים.
  SYMBOL=$LIB_DIR/gene_association_file
  GO=$INPUT_DIR/gene_ontology_file
6. הגדרת ארגומנטים לקלט:
  עדכן את החלקים הנטויים של חמש השורות הבאות לפי הנתונים, בהתאם להוראות שהוסבו בתסריט NetDecoder המקורי.
  geneList=$INPUT_DIR/gene_file
  state_trt=מצב מטופל
  state_ref=תנאי ייחוס
  PPI_trt=$INPUT_DIR/treated_co_expression_network_file
  PPI_ref=$INPUT_DIR/הפניה_co_expression_network_file
7. הכין את הבמה הנכונה:
  הסר את ההערה (על ידי הסרת הסמל #) של שלב הביצוע הרצוי, והגיב אותו מחדש לאחר סיום השלב. שלב ראשון הוא gen_net_trt, אחריו gen_net_ref, אחר כך שלב הניתוח, ולבסוף שלב האיסוף.
  הגדר את הבמה הרצויה לביצוע, החל מהשלב הראשון.
  #STAGE="gen_net_trt"
  #STAGE="gen_net_ref"
  #STAGE="ניתוח"
  #STAGE="אסוף"
8. ניווט לטרמינל הראשי של באש:
  לחץ על Ctrl+X, ואז Y, כדי לשמור ולצאת מהסקריפט ה-bash.
Execute NetDecoder
הערה: אם הוא רץ בהצלחה, הודעות רישום מופיעות בטרמינל.
1. נווט לטרמינל והפעיל ./NetDecoder_Analysis.sh.
2. בצע את השלבים לפי הסדר המפורט בשלב 3.2.7 עד שכל הארבעה יושלמו בנפרד.
שליפת תוצאות
1. עבור לקבצי הפלט ולסיכומי הגרפיקה.

תוצאות

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

כפי שמוצג באיור 1, NetDecoder פועל באמצעות תהליך עבודה מובנה הכולל עיבוד נתונים, תצורת רשת וניתוח מבוסס זרימה, כאשר הפלטים מאורגנים לתיקיות נפרדות המתאימות לכל שלב בצינור. מבנה מודולרי זה מאפשר אימות שיטתי של פלטים, ומבטיח שניתן לעקוב אחרי התוצאות לכל שלב חישובי ותומך בשחזוריות הכוללת.

ביצוע מוצלח של NetDecoder (איור 2) מניב פלט בארבעה תיקיות (ניתוח, איסוף, רשתות ו-"your_shortname") המכילים נתונים התואמים לתנאים שונים, כולל איורים ופלטים כמותיים עבור ערכי זרימה, תת-רשתות ופלטים אחרים של אינטראקציה זרימה (איור 1, איור 2, ואיור 3). נוכחות קבצים ומספרים מאוכלסים בתיקים אלו מצביעה על כך שהצינור בוצע כראוי. לעומת זאת, ריצות כושלות מאופיינות בפלטים חסרים ו/או נתונים לא שלמים. מכיוון ש-NetDecoder מעריך אלפי גנים בתוך רשת PPI, ריצות מוצלחות בדרך כלל דורשות שעות חישוב מרובות, בהתאם לגודל מערך הנתונים והמשאבים הזמינים. לניתוח המייצג של סרטן מערכת המרה האנושית המוצג כאן, ביצוע NetDecoder דרש זמן ריצה של כ-4–6 שעות בתחנת העבודה Puget3 (Puget Systems) מבוססת לינוקס. זמני ריצה קצרים במיוחד עשויים להעיד על נתוני קלט מעוצבים לא נכונים או ביצוע צינור לא שלם. נתוני קלט מעוצבים בצורה לא נכונה או ביצוע כישלון בצינור עלולים לגרום להודעות שגיאה שניתן לעקוב אחריהן לסיבת הבעיה. איור 3 ממחיש פלטים מייצגים שקיימים לאחר ביצוע מוצלח של NetDecoder. הניתוח המייצג שהוצג כאן השתמש בנתוני ריצוף RNA מ-255 דגימות סרטן בדרכי המרה (OEP001105)⁶, מה שאפשר השוואה בין מצבי מחלת שלבים I–II ושלב III–IV ואת שינוי זרימת המידע בין מצבים.

שלושת מפות החום באיור 4 מסכמות את השינויים הכוללים בזרימת המידע ברשת בין גנים בתנאים שונים, כולל גני ראוטר שמעבירים זרימת מידע משמעותית בתוך הרשת, גנים יעדיים חשובים במורד הזרם, או גנים כלליים מושפעים מאוד. התפלגות רחבה של זרימה דיפרנציאלית חיובית ושלילית מצביעה על כך שהמידע מתפזר מחדש ברשת, ולא מוגבר או יורד באופן אחיד. ההטרוגניות והמגוון של סוגי הגנים תומכים ביכולת של NetDecoder לזהות גנים בעלי חשיבות פונקציונלית משתנה בין פנוטיפים.

איור 4 מציג גם גרפי בר ברמת הקצה שמכמתים שינויים בזרימה עבור אינטראקציות בין זוגות גן בודדים בין גנים. תוצאות אלו מראות כי זרימה דרך אינטראקציות ספציפיות יכולה להשתנות בין תנאים, ומשקפת חיווט מחדש של רשת התלויה בהקשר. לכן, זרימת הקצה לוכדת שינויים ברמת האינטראקציה בהעברת מידע, בעוד שזרימה דיפרנציאלית מספקת סיכום ברמת הצומת של שינויים אלו, ומאפשרת עדיפות לגנים עם השינוי הכולל הגדול ביותר בהשפעה ברשת.

ביחד, תוצאות אלו מראות ש-NetDecoder לוכדת שינויים גנטיים (ברמת הצמת), גן-גן (רמת הקצה) ושינויים ברמת הרשת בזרימת המידע בתוך רשתות ביולוגיות (איור 4). מפות החום מזהות גנים עם הפצת מידע משתנה, ניתוב וקליטה ברשת, בעוד שניתוחים ברמת הקצה חושפים את האינטראקציות הספציפיות שמניעות את השינויים הללו. רשתות המידע הספציפיות לפנוטיפ מספקות ייצוג חזותי של חיווט מחדש של רשת בין תנאים, כאשר הצמתים מייצגים גנים ועובי הקצה תואם לגודל זרימת המידע (איור 4). ייצוג ברמת מערכת זה תומך בזיהוי גנים רגולטוריים מרכזיים ונתיבים הקשורים למצבים הנחקרים. יתרה מזאת, ההפקה המוצלחת של דמויות אלו מצביעה על כך ש-NetDecoder בוצע כראוי.

מכיוון ש-NetDecoder מייצר מספר רב של קבצי פלט, זיהוי התוצאות הרלוונטיות ביותר הוא חיוני לפרשנות. לדוגמה, כדי לבחון הבדלי זרימה בין תנאים (למשל, שלב נמוך לעומת שלב גבוה), ניתן להשתמש בשני קבצי מפתח (שלבי הניווט מונחים על ידי מבנה הקובץ באיור 3). הראשון, "EDGE_CENTERED_SUBNET_flowDifference_מחלה.txt" (הממוקם במדריך הניתוח/מחלה ), מזהה אינטראקציות (קצוות) עם השינויים הגדולים ביותר בזרימה בין מצבים. השני, "flowDifference_PRIORITIZED_NETWORK.txt" (הממוקם בתיקיית "your_shortname" ), מזהה גנים (צמתים) עם ההבדלים הגדולים ביותר בזרימה. יחד, קבצים אלו מספקים תמונה מקיפה של שינויים ברמת האינטראקציה ושל הגנים בהתנהגות הרשת.

באופן רחב יותר, תיקיית "ניתוח" מכילה מידע על נתבי רשת, מטרות מפתח וגנים חשובים בזרימה דיפרנציאלית. תיקיית ה"your_shortname" מכילה קבצי טקסט גולמיים עם נתונים ספציפיים לפנוטיפ, כגון ערכי זרימה כוללת ומטרות מפתח ונתבים. תיקיית ה-networks מכילה את תת-הרשתות שנוצרו על ידי NetDecoder, שניתן לנתח ולהציג אותן בהמשך ב-Cytoscape⁷. לבסוף, תיקיית ה"איסוף" מכילה נתונים ונתונים מאוחדים שמספקים סיכום כללי של התוצאות. ניתן לבצע ויזואליזציה וניתוח נוספים של תוצאות NetDecoder באמצעות חבילות R כגון ggplot2, igraph, pheatmap ועוד.

figure-results-1
איור 1: ייצוג של צינור NetDecoder ופונקציונליות כללית. NetDecoder דורש שלושה שלבים כלליים (קופסה צהובה): עיבוד נתונים, קונפיגורציית NetDecoder וביצוע NetDecoder. כל שלב בשלבים אלו חייב להיות מעקב צמוד כדי להבטיח תוצאות מוצלחות. NetDecoder דורש נתוני ביטוי משני תנאים (דוגמאות בקופסה הירוקה) כדי לחזות אילו גנים עשויים להיות קשורים לזרימת מידע גבוהה ולתועלת גנטית גבוהה. באנלוגיית הברז של המים, רמות ביטוי הגנים מודגשות על ידי גודל הברז, כלומר כמה רחב הוא יכול להיפתח, בעוד שהתועלת או הפעילות של הגן משקפת את זרימת המים האמיתית הנכנסת דרך הברז, וממחישה עד כמה המסלול הזה משמש פונקציונלית. כפי שמוצג באיור, גן מבוטא מאוד (גודל ברז גדול) יכול להיות בעל תועלת גנטית נמוכה (רמת זרימת מים נמוכה), בעוד שגן עם רמת ביטוי נמוכה (גודל ברז קטן) יכול להיות בעל תועלת גנטית גבוהה (רמות גבוהות של זרימת מים). דבר זה ממחיש כיצד גנים עשויים להיות בעלי משמעות כוללת גבוהה יותר במצב מסוים, גם אם רמות הביטוי נמוכות יותר מאלו של גן אחר. האיור במרכז התחתון מראה כיצד גנים יכולים להיות מקושרים ולחוות רמות זרימה שונות (צבע), ללא קשר למידת הביטוי (הגודל). נוצר ב-BioRender. בליסנבאך, א. (2026) https://BioRender.com/8okynbu. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-2
איור 2: זרימת עבודה כללית של NetDecoder. העיקרון המרכזי של אלגוריתם NetDecoder הוא למודל את תועלת הגנים ברשת אינטראקציה בין חלבון לחלבון (PPI) באמצעות ניתוח זרימת מידע. תהליך העבודה מתחיל בעיבוד נתונים מוקדם ובניית רשת משוקללת (EWN). נתוני ביטוי גנים משני תנאים ביולוגיים, פנוטיפ 1 (P1) ופנוטיפ 2 (P2), מעובדים לזיהוי גנים מקור באמצעות גישות ביטוי שונה או התאמת תבניות. מטריצות ביטוי מנורמלות משמשות לבניית EWNים ספציפיים למצב, כאשר משקלי הקצוות משקפים יחסי גנים-זוגות בכל פנוטיפ. NetDecoder מכמת בהבדלים בזרימת המידע בין מצבים, ומאפשר זיהוי אירועי חיווט מחדש של רשת ושינויים בתועלת הגנים. התוצרים כוללים ציוני זרימת מידע דיפרנציאליים, רשתות מידע ספציפיות להקשר, מפות חום של ציון השפעה, ומדדים נוספים ברמת הרשת וברמת הגנים שמסייעים בפרשנות ביולוגית במורד הזרם וגילוי מכניסטי. נוצר ב-BioRender. קוריאה, ס. (2026) https://BioRender.com/29cmswf. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-3
איור 3: פלטי NetDecoder ומבנה התיקיות. דיאגרמה זו מייצגת את מבנה תיקיית הפלט המשמש לגישה לקבצי תוצאות לפרשנות. בכתב נטוי מיוצגים שמות תיקיות (על אייקוני התיקיות), כאשר אלו שבמרכאות הם ספציפיים למונחי ניתוח. הערכים על אייקוני תיבת הדואר הנכנס מציינים קבצים או סוגי קבצים, בהתאם לקידוד הצבע. אדום מציין את סוגי הקבצים שניתן למצוא בכל תיקיה, בעוד שקבצי מפתח מוצגים בכתב מודגש ומקוון (flowDifference_PRIORITIZED_NETWORK.txt ו-EDGE_CENTERED_SUBNET_flowDifference_מחלה.txt). אייקוני התיקיות נלקחו מ-icons8 (https://icons8.com). נוצר ב-BioRender. בליסנבאך, א. (2026) https://BioRender.com/8okynbu. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

figure-results-4
איור 4: דוגמה לתוצאות שנוצרו על ידי NetDecoder. גני השפעה (A), נתבי רשת (B) ומפות חום של יעדים מרכזיים (C), וכן רשתות ספציפיות להקשר (D) וגרפים של סרגל זרימה בקצה (E), הם פלטים מרכזיים מ-NetDecoder. בדוגמה זו, נעשה שימוש במאגר נתונים לביטוי סרטן דרכי המרה (OEP001105) להשוואה בין מטופלים עם מחלה בשלבים מוקדמים (שלבים I-II, נמוך) ומחלה מתקדמת (שלבים III-IV, גבוה), ו-NetDecoder יושם לזיהוי גנים עם מידע שונה גבוה בין שתי הקבוצות. כל גרף מציג אדום המציין זרימה מוגברת וכחול מציין ירידה בזרימה. נתבי רשת (B) הם גנים מתווכים מרכזיים שבהם עוברים כמויות גדולות של זרימה (collect/Disease_Network_routers.pdf), מטרות מרכזיות (C) הן רגולטורים חשובים במורד הזרם (collect/Disease_Key_targets.pdf), ומפת החום של הפרש הזרימה מייצגת את השינוי הכולל בזרימת המידע ברמת הגנים בין תנאים (ניתוח/flowDifference_heatmap.pdf). ניתן להמחיש רשת מידע (D) ספציפית לפנוטיפ, כאשר כל גן מייצג צומת ואינטראקציות גן-גן מיוצגות כקצוות (קווים) (ניתוח/EDGE_CENTERED_SUBNET_Disease). עובי הקצה תואם לעוצמת זרימת המידע בין הגנים. גרף העמודות (E) מראה הבדלים בזרימת הקצה בין האינטראקציות בין גנים-גנים בין שני הפנוטיפים הנבחרים, כאשר זוגות שלבים נמוכים מיוצגים בטורקיז ובזוגות שלבים גבוהים בכתום (ניתוח/Disease_keyEdges.pdf). אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

דיון

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

פרוטוקול זה מתאר את יישום NetDecoder, מסגרת ביולוגיית רשתות המשלבת נתוני ביטוי גנים עם רשתות אינטראקציה בין חלבונים לחלבון (PPI) כדי למודל זרימת מידע ייחודית למצב ולתעדף גנים בהתאם להשפעתם התפקודית בתוך מערכות ביולוגיות. היישום המוצלח של שיטה זו תלוי במספר שלבים קריטיים, בחירות מתודולוגיות מדוקדקות ופרשנות נכונה של הפלטים.

השלבים הראשונים של הפרוטוקול כוללים שליפת נתוני ביטוי, יצירת מטא-דאטה ובניית מטריצת ביטוי מאוחדת. צעדים אלו קריטיים להבטחת תאימות לניתוח במורד הזרם. מטריצת הביטוי חייבת להיות מעוצבת עם גנים כשורות ודגימות כעמודות, כאשר שמות הדגימות במטריצה וקובץ המטא-דאטה תואמים באופן זהה. כל אי-עקביות בשלב זה (למשל, מזהי דגימות לא תואמים או שמות גנים כפולים) יתפשטו בצינור ויגרמו לכשלים בשלבים הבאים.

סינון נתונים באיכות נמוכה (למשל, גנים עם ספירות נמוכות, ערכים חסרים או גנים עם שונות נמוכה) חשוב במיוחד, שכן תכונות אלו עלולות להכניס רעש לבניית רשת מבוססת קורלציה. שלב קדם-עיבוד מוצלח מסומן על ידי מטריצת ביטוי נקייה ללא ערכים חסרים ומזהי גנים עקביים התואמים לאלו שברשת PPI.

נקודת החלטה מרכזית בפרוטוקול היא הבחירה בין ניתוח ביטוי דיפרנציאלי לבין התאמת תבניות לבחירת גנים מקור המשמשים בבניית רשת משוקללת קצה (EWN). ניתוח ביטויים דיפרנציאליים הוא המתאים ביותר כאשר משווים קבוצות ניסוי מוגדרות היטב עם שכפולים מספקים. גישה זו מזהה גנים עם שינויים מובהקים סטטיסטית בביטוי בין מצבים ומספקת פלטים כמותיים כגון שינוי כפול log2 (log2FC) וערכי p מותאמים. ביצוע מוצלח מתבטא בהתפלגות של גנים משמעותיים ולא-משמעותיים, ולא בתוצאות אפסיות אחידות. לעומת זאת, התאמת תבניות מתאימה יותר כאשר המטרה היא לזהות גנים עם דפוסי ביטוי המתואמים עם פרופיל רציף או ייחוס. שיטה זו שומרת על גנים המבוססים על עוצמת הקורלציה ולא על גודל הביטוי הדיפרנציאלי. שלב התאמת תבנית מוצלח מניב קבוצת גנים עם מתאמים מובהקים סטטיסטית עם תנאי הייחוס. הבחירה בין הגישות הללו משפיעה על טופולוגיית הרשת במורד הזרם; ביטוי דיפרנציאלי מדגיש שינויים בעוצמה, בעוד שהתאמת תבנית מדגישה דפוסי ביטוי מתואמים.

שלב בניית EWN הוא אחד המרכיבים הקריטיים ביותר בפרוטוקול. כאן, נתוני ביטוי גנים מנורמלים משולבים עם רשת PPI כדי לחשב מתאמים זוגיים בין גנים לכל האינטראקציות הקיימות ברשת. רק גנים המשותפים בין מאגר הביטוי לרשת PPI נשמרים, מה שמבטיח רלוונטיות ביולוגית ועקביות חישובית. לכל תנאי, מחושבים מקדמי קורלציה של פירסון על פני כל הקשתות, יחד עם ערכי p וערכי מתאם מוחלטים מתאימים. מדדים אלו מגדירים את משקלי הקצוות בהם משתמשת NetDecoder. בניית EWN מוצלחת מתבטאת באלפי קורלציות גן-גן, התפלגות רחבה של ערכי קורלציה, וערכים מינימליים חסרים לאחר הסינון. כישלון בשלב זה נובע לעיתים קרובות מזיהוי גנים לא תואמים, גודל מדגם לא מספק, או נתוני ביטוי לא מנורמלים כראוי. נקודות כשל נפוצות ב-NetDecoder ניתנות לפתרון לעיתים קרובות באמצעות אימות שיטתי של קבצי קלט ותצורת תוכנה. אם NetDecoder מסתיים באופן בלתי צפוי או מפיק פלטים לא שלמים, המשתמשים יצטרכו לבדוק שמזהי הדגימה זהים בין מטריצות ביטוי וקבצי מטא-דאטה, שמזהי גנים עקביים בין מאגרי ביטוי, רשימות גנים מקוריים ורשת PPI, ושמטריצות הביטוי אינן מכילות ערכים חסרים. אם מתרחשות שגיאות או תוצאות מקוצרות, המשתמשים יכולים לאמת התאמות התקנה וגרסאות, לבדוק הודעות יומן שנוצרו במהלך הביצוע, ולאשר השלמה מוצלחת של כל שלב ביניים לפני המשך ניתוחים בהמשך. בדיקה של קבצי הפלט ו/או הודעות הקונסולה יכולה לסייע במיקום מקור השגיאה לפני שניסו ניתוחים נוספים. NetDecoder דורש תצורה מדויקת של מסלולי קבצים, ארגומנטים קלט ותלותיות. השלבים המרכזיים כוללים ציון נתיבי תיקיית העבודה והספריה, קבצי אונטולוגיה ואנוטציה גנטית, קלטי EWN ספציפיים למצב, ורשימות גנים מקור.

מכיוון שהצינור מבוצע בשלבים (יצירת רשת של שני התנאים, ניתוח ואיסוף תוצאות), שגיאות בשלבים מוקדמים ימנעו השלמה מוצלחת של שלבים הבאים. ריצה שפועלת כראוי מייצרת ארבעה תיקיות (ניתוח, איסוף, רשתות, "your_shortname"), שכל אחת מכילה תוצאות ייחודיות למצב. אינדיקטור מעשי נוסף לביצוע נכון הוא זמן ריצה. ריצות מוצלחות בדרך כלל דורשות מספר שעות לעיבוד כי NetDecoder מעריך רשתות אינטראקציה גדולות; זמני ריצה קצרים במיוחד מעידים לעיתים קרובות על הגדרות לא נכונות של קלטים או דילוג על שלבים חישוביים.

NetDecoder שונה באופן יסודי משיטות מסורתיות של עדיפות גנים וניתוח רשת. שיטות כמו ניתוח רשת ביטוי משותף של גנים משוקללים (WGCNA)⁸ מקבלות גנים המבוססים על מבנה קורלציה, אך אינן משלבות זרימה כיוונית או כמותות כיצד מידע מתפשט ברשת. באופן דומה, ניתוחי העשרת מסלולים^מזהים ייצוג יתר פונקציונלי, אך אינם מתחשבים בדינמיקות ברמת האינטראקציה או בשינויים בקישוריות הרשת.

NetDecoder משתמשת בגישה משולבת על ידי שילוב נתוני ביטוי גנים עם רשתות PPI כדי למודל זרימת מידע ייחודית למצב. על ידי כימות ציוני גנים בודדים (ברמת צומת) ושינויים בזרימת אינטראקציה (רמת קצה), הוא לוכד כיצד מבנה הרשת וניתוב המידע משתנים מחדש בין תנאים. דבר זה מאפשר זיהוי גנים שאינם מראים ביטוי שונה חזק אך עדיין ממלאים תפקיד מרכזי בתיווך התנהגות הרשת, בהתאם למודל תועלת הגנים (GUM)⁵, שמניח כי גנים עם זרימת מידע שונה גבוהה מניעים תפקוד רשת ייחודי למצב.

למרות חוזקותיו, ל-NetDecoder יש מספר מגבלות. ראשית, מדובר במסגרת חישובית שמסיקה את חשיבות הגן בהתבסס על זרימת מידע מדומה ברשת ולא על ראיות ניסיוניות ישירות^. לכן, יש לפרש את תחזיותיה כהשערות שדורשות אימות באמצעות ניסויים ביולוגיים. גישות אימות פונקציונליות, כמו מחקרי ניקוי גנים¹¹ או בדיקות הפרעה ממוקדות¹², הן חיוניות לאישור האם גנים שזוהו כתועלת גבוהה על ידי NetDecoder משפיעים באמת על התהליכים הביולוגיים או מצבי המחלה הנחקרים. שנית, השיטה תלויה מאוד באיכות ובשלמות של רשת ה-PPI הבסיסית. מכיוון שמאגרי נתוני PPI נוטים לעיתים קרובות לטובת גנים שנחקרו היטב, אינטראקציות פחות מאופיינות עלולות להיות מיוצגות פחות מדי, מה שעלול להגביל את גילוי הקשרים הרגולטוריים החדשים. שונות בגודל המדגם, תכנון הניסוי ואיכות הנתונים יכולה גם היא להשפיע על בניית הרשת וחישובי זרימה במורד הזרם. שלישית, NetDecoder אינה מניחה שקשתות סטטיות לוכדות במלואן את זרימת המידע הדינמית. במקום זאת, NetDecoder מסיק פעילות ספציפית להקשר ומכמת את זרימת המידע באמצעות רשת PPI כפריור מבני, המשמש כבסיס להגדרת מרחב האינטראקציות הביולוגיות הסבירות. התנהגות דינמית מוכנסת לאחר מכן על ידי חפיפה של נתונים מולקולריים ספציפיים למצב (למשל, ביטוי גנים), ובכך משקללת מחדש או מפעילה תת-קבוצות של הרשת באופן תלוי הקשר.

המטרה העיקרית של NetDecoder היא למודל הפצת מידע מעל פיגום PPI סטטי תוך שמירה על יחסים כמותיים ורציפים בין גנים (צמתים). לעומת זאת, גישות כמו רשתות בוליאניות מציעות ייצוג פשוט וניתן לפרשנות של דינמיקה על ידי מידול פעילות חלבונים כמצבי הפעלה/כיבוי בדידים הנשלטים על ידי אינטראקציות לוגיות¹³. גישות אלו שימשו רבות לחקר רשתות ויסות ואיתות גנים בתנאים משתנים 14,15,16. עם זאת, הם בדרך כלל דורשים כללים לוגיים מוגדרים מראש ודיסקרטיזציה של מצבי חלבון, שיכולים להיות מאתגרים להגדיר בקנה מידה עבור רשתות PPI ביולוגיות גדולות והטרוגניות¹⁷. בהקשר זה, מידול רשת בוליאנית מייצג כיוון משלים ל-NetDecoder. בעוד ש-NetDecoder לוכדת זרימת מידע רציפה וכמותית, שילוב דינמיקה לוגית מבוססת חוקים או מודלים היברידיים בדידים-רציפים יכול לשפר את הפרשנות של התנהגויות איתות ספציפיות למצב. פיתוח אלגוריתמים לזרימת מידע בסגנון בוליאני, אם כן, מהווה דרך מבטיחה לעבודה עתידית.

כיוונים עתידיים של NetDecoder כוללים אינטגרציה עם סוגי נתוני אומיק נוספים והרחבה לטרנסקריפטומיקה של תא יחיד לשיפור הרזולוציה וההקשר הביולוגי. לדוגמה, גישות מבוססות למידה עמוקה לחיזוי והעברה של ביטוי טרנסקריפטומי מרחבי שואפות לשפר את איכות הנתונים ושחזור אותות, אך אינן מדמות במפורש את זרימת המידע בין רשתות אינטראקציה^18,19. שילוב רמות ניתוח מולטי-אומיות יכול גם לשפר עוד יותר את כוח החיזוי שלו וגם להוביל לתוצאות אמינות יותר. עם פיתוח מתודולוגי מתמשך, NetDecoder תוכל לייצר שכבות רבות של זרימת מידע, מה שיספק למדעני מחקר אימות רב-אומי לנתוני העניין שלהם.

גילויים

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

למחברים אין אינטרסים פיננסיים מתחרים.
האיורים לאיורים 1 ו-2 נוצרו באמצעות BioRender (BioRender.com).

תודות

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

עבודה זו נתמכה במענקים ממרכז Mayo Clinic לגילוי ביו-רפואי, מרכז הסרטן המקיף של Mayo Clinic (NIH; P30 CA015083), מרכז מאיו קליניק לאיתות תאים בגסטרואנטרולוגיה (NIH: P30DK084567), קרן גלן למחקר רפואי, קרן V לחקר סרטן (S.Z.), תוכנית מחקר ההשמנה התזונתית של Mayo Clinic, תוכנית האימונולוגיה והאימונותרפיה של סרטן דיוויד פ. ומרגרט ט. גרונה, Schmidt Sciences, וחדשנות והמכונים הלאומיים לבריאות (NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג	הערות
AnnotationDbi	Bioconductor	גרסה 1.68.0	אנוטציה ומיפוי גנים
Bioconductor	Bioconductor	גרסה 3.19	מסגרת לניתוח נתוני טרנסקריפטומיקה ומערכת חבילות התומכת ב-DESeq2, edgeR, limma, AnnotationDbi, ומסדי נתונים של אורגניזמים וכו'
Cytoscape	The Cytoscape Consoritum	גרסה 3.10.4	ויזואליזציה וניתוח רשתות
DESeq2	Bioconductor	גרסה 1.46.0	ניתוח ביטוי דיפרנציאלי (עם מודל בינומיאלי שלילי)
dplyr	Posit Software, PBC לשעבר RStudio, PBC	גרסה 1.1.4	מניפולציה ושינוי נתונים
edgeR	Bioconductor	גרסה 4.4.2	ניתוח ביטוי דיפרנציאלי מבוסס ספירה
ggplot2	Posit Software, PBC לשעבר RStudio, PBC	גרסה 4.0.0	ויזואליזציה ויצוג נתונים
GNU Bash	פרויקט GNU	ברירת מחדל של המערכת	Bash, ביצוע סקריפטים של צינור NetDecoder
igraph	צוות פיתוח igraph	גרסה 2.1.4	בנייה של מבני רשתות ונתוח גרפים
Limma	Bioconductor	גרסה 3.62.2	מודל ליניארי לניתוח ביטוי גנטי
NetDecoder	מעבדת Hu Li, קליניקת מאיו	(2024 מעבדת Hu Li)	בנייה של רשתות אינטראקציה חלבוניות ספציפיות להקשר באמצעות מודל זרימת מידע
org.Hs.eg.db	Bioconductor	גרסה 3.20.0	מאגר אנוטציה של גנים אנושיים
Oracle JDK	Oracle Corporation	≥ גרסה 1.8	סביבת ריצה לביצוע NetDecoder
pheatmap	Raivo Kolde	גרסה 1.0.13	ויזואליזציה של מבנה ביטוי וקורלציה
R	קרן R	גרסה 4.4.2	סביבה ליבה לניתוח טרנסקריפטומיקה ורשתות

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Medicine Networks context specific modelling transcriptomics flow algorithm integration

פרוטוקול NetDecoder לבניית רשתות אינטראקציה חלבונים ספציפיות להקשר מנתונים טרנסקריפטומיים באמצעות מידול זרימת מידע

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים