הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

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

85 צפיות

⸱

DOI:

10.3791/70869

⸱

31 ביולי 2026

 ,  ,  ,  ,  ,  ,  ,  , 
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

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

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

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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

  1. 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.
  2. 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.
  3. 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'.
  4. 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).
  5. 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.
  6. 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

  1. הורד את NetDecoder
    1. גש לתוכנת NetDecoder ב-(https://netdecoder.hulilab.org/#ver), ובוחר R או Java.
  2. 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.
  3. 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).
  4. 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.
  5. 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

  1. 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.
  2. 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.
  3. 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.
  4. שליפת תוצאות
    1. עבור לקבצי הפלט ולסיכומי הגרפיקה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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 במ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

תודות

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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
AnnotationDbiBioconductorגרסה 1.68.0אנוטציה ומיפוי גנים
BioconductorBioconductorגרסה 3.19מסגרת לניתוח נתוני טרנסקריפטומיקה ומערכת חבילות התומכת ב-DESeq2, edgeR, limma, AnnotationDbi, ומסדי נתונים של אורגניזמים וכו'
CytoscapeThe Cytoscape Consoritumגרסה 3.10.4ויזואליזציה וניתוח רשתות
DESeq2Bioconductorגרסה 1.46.0ניתוח ביטוי דיפרנציאלי (עם מודל בינומיאלי שלילי)
dplyrPosit Software, PBC לשעבר RStudio, PBCגרסה 1.1.4מניפולציה ושינוי נתונים
edgeRBioconductorגרסה 4.4.2ניתוח ביטוי דיפרנציאלי מבוסס ספירה
ggplot2Posit Software, PBC לשעבר RStudio, PBCגרסה 4.0.0ויזואליזציה ויצוג נתונים  
GNU Bashפרויקט GNUברירת מחדל של המערכתBash, ביצוע סקריפטים של צינור NetDecoder
igraphצוות פיתוח igraphגרסה 2.1.4בנייה של מבני רשתות ונתוח גרפים
LimmaBioconductorגרסה 3.62.2מודל ליניארי לניתוח ביטוי גנטי
NetDecoderמעבדת Hu Li, קליניקת מאיו(2024 מעבדת Hu Li)בנייה של רשתות אינטראקציה חלבוניות ספציפיות להקשר באמצעות מודל זרימת מידע
org.Hs.eg.dbBioconductorגרסה 3.20.0מאגר אנוטציה של גנים אנושיים
Oracle JDKOracle Corporation≥ גרסה 1.8סביבת ריצה לביצוע NetDecoder
pheatmapRaivo Koldeגרסה 1.0.13ויזואליזציה של מבנה ביטוי וקורלציה
Rקרן Rגרסה 4.4.2סביבה ליבה לניתוח טרנסקריפטומיקה ורשתות

מקורות

  1. Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
  2. Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
  3. Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
  4. Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
  5. Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
  6. Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
  7. Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
  8. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
  9. Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
  10. Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
  11. Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
  12. Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
  13. Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
  14. Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
  15. Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
  16. Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
  17. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
  18. Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
  19. Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

רפואהגיליון 233גיליון 233ערך ריקגיליוןמידולטרנסקריפטומיקהאלגוריתם זרימהאינטגרציה

מאמר זה פורסם

הסרטון יגיע בקרוב

צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.