Method Article

Inherent Dynamics Visualizer, un'applicazione interattiva per la valutazione e la visualizzazione di output da una pipeline di inferenza di rete di regolazione genica

DOI:

10.3791/63084

⸱

December 7th, 2021

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

In This Article

Summary

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

Inherent Dynamics Visualizer è un pacchetto di visualizzazione interattivo che si collega a uno strumento di inferenza della rete di regolazione genica per una generazione migliorata e semplificata di modelli di rete funzionali. Il visualizzatore può essere utilizzato per prendere decisioni più informate per la parametrizzazione dello strumento di inferenza, aumentando così la fiducia nei modelli risultanti.

Abstract

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

Lo sviluppo di modelli di reti di regolazione genica è una sfida importante nella biologia dei sistemi. Diversi strumenti computazionali e pipeline sono stati sviluppati per affrontare questa sfida, tra cui la nuova Inherent Dynamics Pipeline. La pipeline di Dinamica intrinseca è costituita da diversi strumenti pubblicati in precedenza che funzionano sinergicamente e sono collegati in modo lineare, in cui l'output di uno strumento viene quindi utilizzato come input per lo strumento seguente. Come con la maggior parte delle tecniche computazionali, ogni passaggio della Inherent Dynamics Pipeline richiede all'utente di fare scelte su parametri che non hanno una definizione biologica precisa. Queste scelte possono avere un impatto sostanziale sui modelli di rete di regolazione genica prodotti dall'analisi. Per questo motivo, la capacità di visualizzare ed esplorare le conseguenze delle varie scelte di parametri in ogni fase può aiutare ad aumentare la fiducia nelle scelte e nei risultati. Inherent Dynamics Visualizer è un pacchetto di visualizzazione completo che semplifica il processo di valutazione delle scelte dei parametri attraverso un'interfaccia interattiva all'interno di un browser Web. L'utente può esaminare separatamente l'output di ogni passaggio della pipeline, apportare modifiche intuitive basate su informazioni visive e trarre vantaggio dalla produzione automatica dei file di input necessari per Inherent Dynamics Pipeline. L'Inherent Dynamics Visualizer fornisce un livello di accesso senza precedenti a uno strumento altamente complesso per la scoperta di reti di regolazione genica da dati trascrittomici di serie temporali.

Introduction

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

Molti importanti processi biologici, come la differenziazione cellulare e la risposta ambientale, sono governati da insiemi di geni che interagiscono tra loro in una rete di regolazione genica (GRN). Questi GRN producono le dinamiche trascrizionali necessarie per attivare e mantenere il fenotipo che controllano, quindi identificare i componenti e la struttura topologica del GRN è la chiave per comprendere molti processi e funzioni biologiche. Un GRN può essere modellato come un insieme di geni interagenti e/o prodotti genici descritti da una rete i cui nodi sono i geni e i cui bordi descrivono la direzione e la forma di interazione (ad esempio, attivazione/repressione della trascrizione, modifica post-traduzionale, ecc.) 1. Le interazioni possono quindi essere espresse come modelli matematici parametrizzati che descrivono l'impatto che un gene regolatore ha sulla produzione dei suoi bersagli 2,3,4. L'inferenza di un modello GRN richiede sia un'inferenza della struttura della rete di interazione che una stima dei parametri di interazione sottostanti. Sono stati sviluppati una varietà di metodi di inferenza computazionale che acquisiscono dati di espressione genica di serie temporali e modelli GRN di output5. Recentemente, è stato sviluppato un nuovo metodo di inferenza GRN, chiamato Inherent Dynamics Pipeline (IDP), che utilizza i dati di espressione genica di serie temporali per produrre modelli GRN con interazioni regolatore-bersaglio etichettate che sono in grado di produrre dinamiche che corrispondono alle dinamiche osservate nei dati di espressione genica6. L'IDP è una suite di strumenti collegati linearmente in una pipeline e può essere suddiviso in tre passaggi: un passaggio node finding che classifica i geni in base alle caratteristiche di espressione genica note o sospettate di essere correlate alla funzione del GRN7,8, un passaggio edge finding che classifica le relazioni regolatorie a coppie8, 9, e un passaggio di ricerca della rete che produce modelli GRN in grado di produrre le dinamiche osservate10,11,12,13,14,15.

Come la maggior parte dei metodi computazionali, l'IDP richiede un insieme di argomenti specificati dall'utente che dettano il modo in cui vengono analizzati i dati di input e diversi insiemi di argomenti possono produrre risultati diversi sugli stessi dati. Ad esempio, diversi metodi, incluso l'IDP, contengono argomenti che applicano una certa soglia ai dati e l'aumento/diminuzione di questa soglia tra le esecuzioni successive del particolare metodo può comportare risultati dissimili tra le esecuzioni (vedere La nota supplementare 10: Metodi di inferenza di rete di5). Capire come ogni argomento può influire sull'analisi e sui risultati successivi è importante per ottenere un'elevata fiducia nei risultati. A differenza della maggior parte dei metodi di inferenza GRN, l'IDP è costituito da più strumenti computazionali, ognuno con il proprio set di argomenti che un utente deve specificare e ognuno con i propri risultati. Mentre l'IDP fornisce un'ampia documentazione su come parametrizzare ogni utensile, l'interdipendenza di ciascun utensile dall'output del passaggio precedente rende difficile la parametrizzazione dell'intera pipeline senza analisi intermedie. Ad esempio, gli argomenti nelle fasi di Edge e Network Finding sono probabilmente informati da precedenti conoscenze biologiche e quindi dipenderanno dal set di dati e / o dall'organismo. Per interrogare i risultati intermedi, sarebbe necessaria una conoscenza di base della programmazione, nonché una profonda comprensione di tutti i file dei risultati e del loro contenuto dall'IDP.

Inherent Dynamics Visualizer (IDV) è un pacchetto di visualizzazione interattivo che viene eseguito nella finestra del browser di un utente e fornisce agli utenti dell'IDP un modo per valutare l'impatto delle loro scelte di argomento sui risultati di qualsiasi passaggio dell'IDP. L'IDV naviga in una complicata struttura di directory prodotta dall'IDP e raccoglie i dati necessari per ogni passaggio e presenta i dati in figure e tabelle intuitive e interattive che l'utente può esplorare. Dopo aver esplorato questi display interattivi, l'utente può produrre nuovi dati da un passaggio IDP che può essere basato su decisioni più informate. Questi nuovi dati possono quindi essere immediatamente utilizzati nella successiva fase rispettiva dell'IDP. Inoltre, l'esplorazione dei dati può aiutare a determinare se un passaggio IDP deve essere eseguito con parametri regolati. L'IDV può migliorare l'uso dell'IDP, oltre a rendere l'uso dell'IDP più intuitivo e accessibile, come dimostrato studiando l'oscillatore centrale GRN del ciclo cellulare del lievito. Il protocollo seguente include i risultati IDP di un'esecuzione IDP completamente parametrizzata rispetto a un approccio che incorpora l'IDV dopo l'esecuzione di ogni passaggio IDP, ovvero Node, Edge e Network Finding.

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

Protocol

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

1. Installare L'IDP e l'IDV

Nota : questa sezione presuppone che docker, conda, pip e git siano già installati (Tabella dei materiali).

  1. In un terminale, inserisci il comando: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. Seguire le istruzioni di installazione nel file README dell'IDP.
  3. In un terminale, inserisci il comando: git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
    NOTA: la clonazione dell'IDV deve avvenire al di fuori della directory di primo livello dell'IDP.
  4. Seguire le istruzioni di installazione nel file README dell'IDV.

2. Ricerca dei nodi

  1. Creare un nuovo file di configurazione IDP che parametrizzi il passaggio Ricerca nodi.
    Nota : tutte le virgolette nei passaggi seguenti non devono essere digitate. Le virgolette vengono utilizzate qui solo come delimitatore tra il testo del protocollo e ciò che deve essere digitato.
    1. Aggiungere gli argomenti IDP principali al file di configurazione.
    2. Aprire un nuovo file di testo in un editor di testo e digitare "data_file =", "annotation_file =", "output_dir =", "num_proc =" e "IDVconnection = True" sulle singole righe.
    3. Per "data_file", dopo il segno uguale a, digitare il percorso e il nome del rispettivo file della serie temporale e digitare una virgola dopo il nome. Separare ogni dato con una virgola, se viene utilizzato più di un set di dati di serie temporali. Vedere File supplementare 1 e File supplementare 2 per un esempio di file di espressione genica di serie temporali.
    4. Digitare il percorso e il nome del file di annotazione per "annotation_file", dopo il segno uguale. Vedere File supplementare 3 per un esempio di file di annotazione.
    5. Per "output_file", dopo il segno uguale a, digitare il percorso e il nome della cartella in cui verranno salvati i risultati.
    6. Dopo il segno uguale a, per "num_proc", digitare il numero di processi che l'IDP deve utilizzare.
    7. Aggiungere argomenti di ricerca dei nodi al file di configurazione.
    8. Nello stesso file di testo del passaggio 2.1.1, digitare l'ordine presentato "[dlxjtk_arguments]", "periods =" e "dlxjtk_cutoff =" sulle singole righe. Mettili dopo gli argomenti principali.
    9. Per i "punti", dopo il segno uguale a, se viene utilizzato un set di dati di serie una tantum, digitare ogni lunghezza del punto separata da virgole. Per più set di dati di serie temporali, digitare ogni set di lunghezze di periodo come prima, ma posizionare le parentesi quadre attorno a ciascun set e posizionare una virgola tra gli insiemi.
    10. Dopo il segno uguale a, per "dlxjtk_cutoff", digitare un numero intero specificando il numero massimo di geni da conservare nel gene_list_file output di de Lichtenberg per JTK_CYCLE (DLxJTK) (Tabella 1).
      NOTA: si consiglia vivamente di rivedere le sezioni dlxjtk_arguments nel file README IDP per ottenere una migliore comprensione di ogni argomento. Vedere File supplementare 4 per un esempio di file di configurazione con gli argomenti di ricerca dei nodi specificati.
  2. Nel terminale, spostati nella directory IDP, denominata inherent_dynamics_pipeline.
  3. Nel terminale, inserisci il comando: conda activate dat2net
  4. Eseguire l'IDP utilizzando il file di configurazione creato nel passaggio 2.1 eseguendo questo comando nel terminale, dove è il nome del file: python src/dat2net.py
  5. Nel terminale, spostati nella directory denominata inherent_dynamics_visualizer e inserisci il comando: . /viz_results.sh
    NOTA: punterà alla directory utilizzata come directory di output per l'IDP.
  6. In un browser Web, immettere http://localhost:8050/ come URL.
  7. Con l'IDV ora aperto nel browser, fai clic sulla scheda Ricerca nodo e seleziona la cartella di ricerca del nodo di interesse dal menu a discesa.
  8. Curare manualmente un nuovo elenco di geni dalla tabella dell'elenco dei geni nell'IDV da utilizzare per i successivi passaggi IDP.
    1. Per estendere o accorciare la tabella dell'elenco dei geni, fare clic sulle frecce su o giù o inserire manualmente un numero intero compreso tra 1 e 50 nella casella accanto a Espressione genica dei geni classificati DLxJTK. In alto:.
    2. Nella tabella dell'elenco dei geni, fare clic sulla casella accanto a un gene per visualizzarne il profilo di espressione genica in un grafico a linee. È possibile aggiungere più geni.
    3. Facoltativamente specificare il numero di bin di dimensioni uguali per calcolare e ordinare i geni in base all'intervallo di tempo contenente la loro espressione di picco, inserendo un numero intero nella casella di input sopra la tabella dell'elenco dei geni etichettata Input integer per dividere il primo ciclo in bins:.
      NOTA: questa opzione è specifica per la dinamica oscillatoria e potrebbe non essere applicabile ad altri tipi di dinamica.
    4. Selezionare una preferenza di visualizzazione della mappa di calore facendo clic su un'opzione in Ordina geni per: espressione massima del primo ciclo (Tabella 1) che ordina i geni in base al tempo del picco di espressione genica nel primo ciclo.
      NOTA: DLxJTK Rank ordina i geni in base alla classificazione di periodicità dell'algoritmo DLxJTK dell'IDP.
    5. Fare clic sul pulsante Scarica elenco geni per scaricare l'elenco dei geni nel formato di file necessario per il passaggio Edge Finding. Vedere File supplementare 5 per un esempio di file di elenco di geni.
  9. Nella tabella delle annotazioni genetiche modificabili, etichettare un gene come bersaglio, regolatore o entrambi nel file di annotazione per il passaggio Ricerca bordi in una nuova esecuzione di Ricerca bordi. Se un gene è un regolatore, etichettare il gene come attivatore, repressore o entrambi.
    1. Per etichettare un gene come attivatore, fare clic sulla cella nella colonna tf_act e modificare il valore in 1. Per etichettare un gene come repressore, modificare il valore nella colonna tf_rep in 1. Un gene sarà autorizzato ad agire sia come attivatore che come repressore nel passaggio Edge Finding impostando i valori sia nella tf_act che nelle colonne tf_rep su 1.
    2. Per etichettare un gene come bersaglio, fare clic sulla cella nella colonna di destinazione e modificare il valore in 1.
  10. Fare clic sul pulsante Scarica annot. File per scaricare il file di annotazione nel formato di file necessario per il passaggio Di ricerca edge.

3. Ricerca dei bordi

  1. Creare un nuovo file di configurazione IDP che parametrizzi il passaggio Ricerca bordi.
    1. Aggiungere gli argomenti IDP principali al file di configurazione. Aprire un nuovo file di testo in un editor di testo e ripetere il passaggio 2.1.1.
    2. Aggiungere gli argomenti di Ricerca edge al file di configurazione.
    3. Nello stesso file di testo del passaggio 3.1.1, digitare nell'ordine presentato "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" e "num_edges_for_seed =" sulle singole righe. Questi dovrebbero andare al di sotto degli argomenti principali.
    4. Per "gene_list_file", dopo il segno uguale a, immettere il percorso e il nome del file dell'elenco dei geni generato nel passaggio 2.8.5.
    5. Per "edge_score_column", dopo il segno uguale a, immettere "pld" o "norm_loss" per specificare quale colonna di frame di dati dall'output lempy viene utilizzata per filtrare i bordi.
    6. Seleziona "edge_score_threshold" o "num_edges_for_list" ed elimina l'altro. Se è stato selezionato "edge_score_threshold", immettere un numero compreso tra 0 e 1. Questo numero verrà utilizzato per filtrare gli spigoli in base alla colonna specificata nel passaggio 3.1.5.
      1. Se è stato selezionato "num_edges_for_list", immettete un valore uguale o inferiore al numero di spigoli possibili. Questo numero verrà utilizzato per filtrare i bordi in base alla loro classificazione nella colonna specificata nel passaggio 3.1.5. I bordi rimanenti verranno utilizzati per creare reti in Ricerca rete.
    7. Seleziona "seed_threshold" o "num_edges_for_seed" ed elimina l'altro. Se è stato selezionato "seed_threshold", immettere un numero compreso tra 0 e 1. Questo numero verrà utilizzato per filtrare gli spigoli in base alla colonna specificata nel passaggio 3.1.5.
      1. Se è stato selezionato "num_edges_for_seed", immettete un valore uguale o inferiore al numero di spigoli possibili. Questo numero verrà utilizzato per filtrare i bordi in base alla loro classificazione nella colonna specificata nel passaggio 3.1.5. I bordi rimanenti verranno utilizzati per costruire la rete di seed (Tabella 1) utilizzata in Ricerca rete.
        NOTA: si consiglia vivamente di rivedere le sezioni lempy_arguments e netgen_arguments nel file README IDP per ottenere una migliore comprensione di ogni argomento. Vedere File supplementare 7 per un esempio di file di configurazione con gli argomenti di ricerca edge specificati.
  2. Ripetere i passaggi 2.2 e 2.3.
  3. Eseguire l'IDP utilizzando il file di configurazione creato nel passaggio 3.1 eseguendo questo comando nel terminale, dove è il nome del file: python src/dat2net.py
  4. Se l'IDV è ancora in esecuzione, interromperlo premendo Ctrl C nella finestra del terminale per arrestare il programma. Ripetere i passaggi 2.5 e 2.6.
  5. Con l'IDV aperto nel browser, fai clic sulla scheda Edge Finding e seleziona la cartella di ricerca dei bordi di interesse dal menu a discesa.
    NOTA: se in Edge Finding vengono utilizzati più dataset, assicurarsi di selezionare l'ultimo dataset utilizzato nell'analisi LEM (Local Edge Machine) (Tabella 1). Quando si selezionano i bordi per la rete di inizializzazione o l'elenco dei bordi in base ai risultati LEM, è importante esaminare i dati dell'ultima serie temporale elencati nel file di configurazione, poiché questo output incorpora tutti i file di dati precedenti nella sua inferenza delle relazioni normative tra i nodi.
  6. Per estendere o accorciare la tabella dei bordi, immettete manualmente un numero intero nella casella di input in Numero di spigoli:.
  7. Facoltativamente filtrare gli spigoli sui parametri ODE LEM. Fate clic su e trascinate per spostare il lato sinistro o destro del dispositivo di scorrimento di ciascun parametro per rimuovere gli spigoli dalla tabella degli spigoli con parametri al di fuori dei nuovi limiti consentiti.
  8. Facoltativamente, creare una nuova rete di seed se si desidera una rete seed diversa da quella proposta dall'IDP. Vedere File supplementare 8 per un esempio di file di rete di inizializzazione.
    1. Selezionare Da seme per selezionare la rete di inizializzazione o Da selezione dal menu a discesa in Rete:.
    2. Deselezionate/selezionate gli spigoli dalla tabella dei bordi facendo clic sulle caselle di controllo corrispondenti adiacenti a ciascun bordo per rimuovere/aggiungere spigoli dalla rete di inizializzazione.
  9. Fare clic sul pulsante Scarica DSGRN NetSpec per scaricare la rete di seed nel formato di specifica di rete DSGRN (Dynamic Signatures Generated by Regulatory Networks) (Tabella 1).
  10. Selezionare nodi e bordi aggiuntivi da utilizzare nel passaggio Ricerca rete.
    1. Selezionate gli spigoli dalla tabella dei bordi facendo clic sulle caselle di controllo corrispondenti da includere nel file dell'elenco dei bordi utilizzato in Ricerca rete.
    2. Fare clic su Scarica elenchi di nodi e bordi per scaricare i file dell'elenco dei nodi e dei bordi nel formato richiesto per il loro utilizzo in Ricerca rete. Vedere File supplementare 9 e File supplementare 10 per esempi di file di elenchi di nodi e edge, rispettivamente.
      NOTA: l'elenco dei nodi deve contenere tutti i nodi nel file dell'elenco dei bordi, pertanto l'IDV crea automaticamente il file dell'elenco dei nodi in base agli spigoli selezionati. Sono disponibili due opzioni per la visualizzazione dei bordi in Ricerca spigoli. L'opzione Tabella riepilogo LEM (LEM Summary Table ) presenta gli spigoli come un elenco classificato dei primi 25 spigoli. La tabella LEM Top-Line presenta gli spigoli in un elenco concatenato dei primi tre spigoli classificati per ogni possibile regolatore. Il numero di spigoli visualizzati per ciascuna opzione può essere regolato dall'utente modificando il numero nella casella di input Numero di spigoli .

4. Ricerca della rete

  1. Creare un nuovo file di configurazione IDP che parametrizzi il passaggio Ricerca rete.
    1. Aggiungere gli argomenti IDP principali al file di configurazione. Aprire un nuovo file di testo in un editor di testo e ripetere il passaggio 2.1.1.
    2. Aggiungere argomenti di ricerca di rete al file di configurazione.
    3. Nello stesso file di testo del passaggio 4.1.1, digitare nell'ordine presentato "[netper_arguments]", "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[probabilities]]", "addNode =", "addEdge =", "removeNode =" e "removeEdge =" sulle singole righe, sotto gli argomenti principali.
    4. Per "seed_net_file", "edge_list_file" e "node_list_file", dopo il segno di uguale, immettere il percorso e il nome del file di rete di inizializzazione e i file di edge e di elenco dei nodi generati nei passaggi 3.9 e 3.10.2.
    5. Dopo il segno di uguale, per "range_operations", digitare due numeri separati da una virgola. Il primo e il secondo numero sono rispettivamente il numero minimo e il numero massimo di aggiunta o rimozione di nodi o bordi per rete effettuata.
    6. Per "numneighbors", dopo il segno uguale a, immettere un numero che rappresenta il numero di reti da trovare in Ricerca rete.
    7. Per "maxparams", dopo il segno uguale a, immettere un numero che rappresenti il numero massimo di parametri DSGRN per consentire una rete.
    8. Immettere valori compresi tra 0 e 1 per ciascuno di questi argomenti: "addNode", "addEdge", "removeNode" e "removeEdge", dopo il segno uguale a. I numeri devono essere sommati a 1.
      NOTA: si consiglia vivamente di rivedere le sezioni netper_arguments e netquery_arguments nel file LEGGIMI IDP per ottenere una migliore comprensione di ogni argomento. Vedere File supplementare 11 e File supplementare 12 per esempi di un file di configurazione con gli argomenti di ricerca di rete specificati.
  2. Ripetere i passaggi 2.2 e 2.3.
  3. Eseguire l'IDP utilizzando il file di configurazione creato nel passaggio 4.1 eseguendo questo comando nel terminale, dove è il nome del file: python src/dat2net.py
  4. Se l'IDV è ancora in esecuzione, interromperlo premendo Ctrl C nella finestra del terminale per arrestare il programma. Ripetere i passaggi 2.5 e 2.6.
  5. Con l'IDV aperto nel browser, fare clic sulla scheda Ricerca rete e selezionare la cartella di ricerca di rete di interesse.
  6. Selezionare una rete o un insieme di reti per generare una tabella di prevalenza perimetrale (Tabella 1) e visualizzare le reti insieme ai rispettivi risultati delle query.
    1. Per la selezione delle reti sono disponibili due opzioni: Opzione 1 - Immettere i limiti inferiore e superiore sui risultati delle query immettendo i valori minimi e massimi nelle caselle di input corrispondenti all'asse x e all'asse y del plottaggio. Opzione 2 - Fare clic e trascinare sulla grafico a dispersione per disegnare una casella attorno alle reti da includere. Dopo aver immesso i limiti di selezione o di input, premere il pulsante Ottieni prevalenza edge da reti selezionate .
      Nota : se è stata specificata più di una query DSGRN, utilizzare i pulsanti di opzione etichettati con il tipo di query per passare da un risultato all'altro di ogni query. Lo stesso vale se è stato specificato più di un epsilon (livello di rumore).
  7. Fare clic sulle frecce sotto la tabella di prevalenza dei bordi per passare alla pagina successiva della tabella. Premere Scarica tabella per scaricare la tabella di prevalenza dei bordi.
  8. Immettere un numero intero nella casella di input Indice di rete per visualizzare una singola rete dalla selezione effettuata nel passaggio 4.6. Fare clic su Scarica DSGRN NetSpec per scaricare la rete visualizzata nel formato delle specifiche di rete DSGRN.
  9. Cerca nelle reti la somiglianza con un motivo specifico o una rete di interesse.
    1. Utilizzare le caselle di controllo corrispondenti a ciascun bordo per selezionare i bordi da includere nella rete o il motivo utilizzato per l'analisi della somiglianza. Fare clic su Invia per creare il grafico a dispersione di somiglianza per il motivo o la rete selezionati.
      NOTA: utilizzare le frecce nell'elenco dei bordi per ordinare in ordine alfabetico e le frecce sotto la tabella per passare alla pagina successiva della tabella.
    2. Fare clic e trascinare sul grafico a dispersione per disegnare una casella attorno alle reti da includere per selezionare una rete o un insieme di reti per generare una tabella di prevalenza dei bordi e visualizzare le reti insieme ai rispettivi risultati delle query.
      Nota : se è stata specificata più di una query DSGRN, utilizzare i pulsanti di opzione etichettati con il tipo di query per passare da un risultato all'altro di ogni query. Lo stesso vale se è stato specificato più di un epsilon (livello di rumore).
    3. Ripetere i passaggi 4.7 e 4.8 per scaricare rispettivamente la tabella di prevalenza dei bordi e la rete visualizzata per l'analisi della somiglianza.

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

Results

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

I passaggi descritti testualmente sopra e graficamente nella Figura 1 sono stati applicati al GRN oscillante centrale del ciclo cellulare del lievito per vedere se è possibile scoprire modelli GRN funzionali in grado di produrre le dinamiche osservate nei dati di espressione genica delle serie temporali raccolti in uno studio sul ciclo cellulare del lievito16. Per illustrare come l'IDV può chiarire e migliorare l'output dell'IDP, i risultati, dopo aver eseguito questa...

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

Discussion

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

L'inferenza dei GRN è una sfida importante nella biologia dei sistemi. L'IDP genera GRN modello da dati di espressione genica utilizzando una sequenza di strumenti che utilizzano i dati in modi sempre più complessi. Ogni passaggio richiede decisioni su come elaborare i dati e quali elementi (geni, interazioni funzionali) verranno passati al livello successivo dell'IDP. Gli impatti di queste decisioni sui risultati degli sfollati interni non sono così evidenti. Per aiutare in questo senso, l'IDV fornisce utili visualizzaz...

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

Disclosures

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

Gli autori non hanno nulla da rivelare.

Acknowledgements

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

Questo lavoro è stato finanziato dalla sovvenzione NIH R01 GM126555-01 e dalla sovvenzione NSF DMS-1839299.

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

Materials

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

References

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

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

Reprints and Permissions

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

Request Permission

Tags

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

Related Articles