JUMPn: un'applicazione semplificata per il clustering di co-espressione proteica e l'analisi di rete in proteomica
October 19th, 2021
Presentiamo uno strumento di biologia dei sistemi JUMPn per eseguire e visualizzare l'analisi di rete per i dati quantitativi di proteomica, con un protocollo dettagliato che include la pre-elaborazione dei dati, il clustering di co-espressione, l'arricchimento del percorso e l'analisi della rete di interazione proteina-proteina.
Il protocollo del software JUMPn mira a facilitare l'interpretazione biologica dei dati quantitativi di proteomica. Il software è in grado di organizzare l'intera proteina in una gerarchia di livelli di cluster di co-espressione e moduli di interazione proteica. In particolare, il software JUMPn semplifica l'analisi del clustering di co-espressione, dell'arricchimento del percorso e del rilevamento del modulo PPI.
Fornisce un'interfaccia user-friendly e una visualizzazione interattiva dei dati e delle reti. Mentre abbiamo dimostrato con successo l'applicazione di JUMPn nell'analisi dei dati dell'intero proteoma, il metodo è facilmente estendibile ad altri tipi di dati, tra cui l'analisi fosfoproteomica e i dati interattomici dalla spettrometria di massa di purificazione dell'affinità. Per configurare il software JUMPn, scaricare il codice sorgente dal sito Web e installare il software sul terminale della riga di comando.
Per avviare il software JUMPn, modificare la directory corrente nella cartella di esecuzione digitando cd execution"sul terminale, quindi immettere il testo sul terminale per avviare JUMPn sul browser Web. Nella homepage di JUMPn, fare clic sul pulsante Inizia analisi "per avviare l'analisi JUMPn", quindi nell'angolo in basso a sinistra della pagina Inizia analisi", fare clic sul pulsante Carica dati proteomici B-Cell demo per visualizzare una notifica del successo del caricamento dei dati. Nell'angolo in basso a destra della pagina, fare clic sul pulsante Invia analisi JUMPn" per avviare l'esecuzione della demo utilizzando i parametri predefiniti.
Una barra di avanzamento indicherà il corso dell'analisi. Attendere che la barra di avanzamento sia soddisfatta. Una volta terminata l'esecuzione della demo, verrà visualizzata una finestra di dialogo con il messaggio di esecuzione riuscita e il percorso assoluto della cartella dei risultati, quindi fare clic sulla scheda Continua ai risultati.
Mentre la pagina Web guida ai risultati del cluster di co-espressione tramite l'algoritmo WGCNA, fare clic su Visualizza risultati nella finestra di dialogo per continuare. A sinistra della pagina Output WGCNA pagina 1 dei risultati, individuare i modelli di coespressione proteica e utilizzare "Select the Expression Format" per spostarsi tra due formati di figure. La figura boxplot verrà selezionata per impostazione predefinita.
Seleziona la scheda Tendenze" per visualizzare il grafico delle tendenze, con ogni riga che rappresenta l'abbondanza di proteine individuali tra i campioni. Il colore di ogni riga rappresenta la vicinanza del modello di espressione al consenso del cluster di coespressione. A destra della pagina di output del WGCNA, è possibile visualizzare la "Pathway Ontology Enrichment Heatmap".
In una mappa di calore, i percorsi più arricchiti per ciascun cluster verranno visualizzati insieme. Quindi, scorrere verso il basso la pagina Web per visualizzare il modello di espressione per le singole proteine. Utilizzare la casella a discesa, selezionare il cluster di co-espressione per esaminare le proteine di ciascun cluster, quindi selezionare una proteina specifica nella tabella su cui il grafico a barre sotto la tabella verrà automaticamente aggiornato per riflettere la sua abbondanza proteica.
Per nomi di proteine specifici, utilizzare la casella Cerca"sul lato destro della tabella. Successivamente, guarda l'interazione proteina-proteina o i risultati PPI facendo clic sulla pagina dei risultati 2 PPI Output"in alto. Per ottenere i risultati per uno specifico cluster di co-espressione, fare clic sulla scheda Seleziona la scheda "Co-Expression Cluster".
Le visualizzazioni di tutti i pannelli delle figure verranno aggiornate per il cluster appena selezionato. Nel pannello della figura a sinistra, visualizzare le reti PPI per il cluster di coespressione selezionato utilizzando la casella di riepilogo a discesa Seleziona per gruppo ed evidenziando i singoli moduli PPI all'interno della rete, quindi scegliere la casella del formato del layout di rete selezionato per modificare il layout di rete. Utilizzando mouse e trackpad, ingrandire o rimpicciolire la rete PPI per visualizzare i nomi dei geni di ciascun nodo della rete.
Quando si esegue lo zoom avanti, selezionare e fare clic su una determinata proteina per evidenziare la proteina e i suoi vicini di rete. Nella rete, trascinare un determinato nodo per modificarne la posizione nel layout e riorganizzare il layout di rete. Nel pannello di destra della pagina dei risultati PPI, studia le informazioni a livello di cluster di coespressione che aiutano l'interpretazione dei risultati PPI.
Il modello di coespressione nel cluster selezionato può essere visualizzato come boxplot per impostazione predefinita. Seleziona Tendenze" per mostrare il grafico delle tendenze per un modello di co-espressione e quindi optare per il grafico a barre del percorso per mostrare percorsi significativamente arricchiti per il cluster di co-espressione con il grafico del cerchio del percorso, visualizzare percorsi significativamente arricchiti per il cluster di co-espressione nel formato del grafico circolare. Per visualizzare i risultati a livello di singolo modulo PPI, scorrere verso il basso la pagina dei risultati fino alla pagina Web di output PPI ed espandere la casella a discesa Seleziona il modulo per selezionare un modulo PPI specifico per la visualizzazione.
Visualizza il modulo PPI sul pannello di sinistra, manipola il display di rete come spiegato in precedenza. Nel pannello di destra, visualizza i risultati dell'arricchimento dell'ontologia del percorso, quindi utilizza la casella a discesa Seleziona lo stile di annotazione del percorso e spunta la scheda della barra per mostrare ulteriori informazioni e visualizzare i percorsi significativamente arricchiti per il modulo PPI selezionato. Tick circle plot per mostrare percorsi significativamente arricchiti per il modulo PPI selezionato nel formato di un circle plot e utilizzare heatmap per mostrare percorsi significativamente arricchiti e i nomi dei geni associati.
Vai alla scheda Tabella" per visualizzare i risultati dettagliati dell'arricchimento del percorso, incluso il nome dei percorsi, i termini ontologici, i nomi dei geni e il valore P dal test esatto di Fisher. Segui il percorso assoluto stampato nella parte superiore delle pagine dei risultati e trova la tabella del foglio di calcolo della pubblicazione. JUMPn è sviluppato con la piattaforma R shiny per un'interfaccia user-friendly e integra tre moduli funzionali principali.
Analisi del clustering di co-espressione, analisi dell'arricchimento del percorso e analisi della rete PPI. Dopo ogni analisi i risultati vengono visualizzati automaticamente nel nostro regolabile tramite le funzioni widget R shiny e facilmente scaricabili come tabelle di pubblicazione e formato Microsoft Excel. Per l'analisi della rete PPI, è stata compilata una rete PPI composita combinando STRING, BioPlex e in database di messaggistica istantanea web.
L'ultima rete PPI unita copre più di 20.000 geni umani con 1.100.000 bordi. Questo interattoma completo è incluso e pubblicato in un bundle con il software JUMPn per l'analisi PPI sensibile. Gli approcci basati sulla rete che sfruttano sia le reti di co-espressione che quelle di interazione proteica possono essere utilizzati come metodo aggiuntivo per l'inferenza dell'attività nei fattori di trascrizione e nelle chinasi.
View the full transcript and gain access to thousands of scientific videos
Panoramica
Il software JUMPn è uno strumento di biologia dei sistemi progettato per facilitare l'interpretazione biologica dei dati di proteomica quantitativa. Organizza le proteine in una struttura gerarchica di cluster di co-espressione e moduli di interazione, semplificando l'analisi e la visualizzazione.
Componenti chiave dello studio
Area di scienza
- Biologia dei sistemi
- Proteomica
- Visualizzazione dei dati
Sfondo
- JUMPn aiuta nell'analisi dei dati di proteomica quantitativa.
- Fornisce un'interfaccia user-friendly per l'interazione con i dati.
- Il software supporta vari tipi di dati, inclusa la fosfoproteomica.
- Migliora la comprensione delle interazioni proteiche e dei percorsi.
Obiettivo dello studio
- Semplificare l'analisi dei dati di proteomica.
- Facilitare il clustering di co-espressione e l'arricchimento dei percorsi.
- Fornire una visualizzazione interattiva delle reti di interazione proteina-proteina.
Metodi utilizzati
- Pre-elaborazione dei dati per la proteomica quantitativa.
- Clustering di co-espressione delle proteine.
- Analisi di arricchimento dei percorsi.
- Analisi della rete di interazione proteina-proteina.
Risultati principali
- Dimostrazione di successo di JUMPn nell'analisi dei dati del proteoma completo.
- Organizzazione efficace delle proteine in cluster di co-espressione.
- Rilevamento semplificato dei moduli di interazione proteica.
- Capacità di visualizzazione interattiva migliorano l'interpretazione dei dati.
Conclusioni
- JUMPn è uno strumento prezioso per analizzare i dati di proteomica quantitativa.
- Il software è estensibile ad altri tipi di dati.
- Aiuta significativamente nell'interpretazione biologica di set di dati complessi.
Domande frequenti
Executive Industry Relevance
JUMPn addresses the challenge of deriving biological insights from large-scale quantitative proteomics datasets by integrating co-expression clustering, pathway enrichment, and protein-protein interaction network analysis. This streamlined approach enhances target validation and mechanistic de-risking in early discovery by enabling rapid hypothesis testing and pathway-level interpretation. The tool supports predictive confidence in lead identification and portfolio triage through reproducible, scalable analysis of dysregulated proteomes across disease models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through protein co-expression clustering across samples.
- Scientific Value: Supports functional target validation by identifying dysregulated proteins and their interaction modules.
- Operational Value: Reduces mechanistic ambiguity by linking expression patterns to enriched pathways and PPI networks.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by organizing proteomes into biologically meaningful clusters.
- Operational Value: Enhances assay standardization and reproducibility through quantitative, visualization-ready outputs.
- Operational Value: Supports screening readiness via scalable, reusable analysis of label-free or isobaric labeling-based proteomic data.
Translational & Preclinical Research
- Scientific Value: Promotes translational continuity by connecting discovery-phase clusters to preclinical pathway and biomarker alignment.
- Scientific Value: Enables risk-adjusted advancement decisions through composite PPI network analysis covering >20,000 human genes.
- Operational Value: Facilitates cross-functional collaboration via interactive, downloadable results in publication-ready formats.
Pipeline & Workflow Integration
JUMPn integrates into the discovery continuum from early biology to lead identification by providing quantitative, visualization-driven outputs that support hypothesis testing and pathway clarification.
- Discovery Biology: Supports hypothesis testing and pathway clarification through co-expression clustering and enrichment analysis.
- Screening: Delivers assay readiness via reproducible clustering and quantitative protein abundance trends across samples.
- Analytics: Provides statistical outputs including Fisher’s exact test p-values for pathway enrichment, enabling condition comparison.
- Translational Research: Connects to preclinical continuity through PPI module analysis and pathway ontology enrichment.
- Enterprise Reuse: Functions as a reusable platform for diverse quantitative datasets including phosphoproteomics and interactome data.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity.
- Operational Value: Standardization, reproducibility, and scalability.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions.
Implementation Considerations
- Requires expertise in R/Shiny and systems biology for optimal use.
- Needs computational infrastructure to handle large proteomic datasets and network visualization.
- Demands cross-team standardization for consistent input formatting and parameter selection.
- Requires adaptation considerations when applying to non-human or specialized proteome datasets.
- Practical limitation: Interpretation depends on quality of input PPI databases (STRING, BioPlex, IM).
