情報フローモデリングを用いてトランスクリプトミックデータから文脈特異的タンパク質相互作用ネットワークを構築するためのNetDecoderプロトコル

サマリー

ここでは、ネットワークモデリングツールであるNetDecoderを用いて、文脈特有のタンパク質相互作用ネットワークを構築し、遺伝子ユーティリティモデル(GUM)を構築するためのプロトコルを紹介します。トランスクリプトミクスデータを用いて、キュレーションされたタンパク質間相互作用(PPI)ネットワークを組み合わせることで、NetDecoderは主要なターゲットやサブネットワークの同定を可能にします。

要約

差別発現解析は潜在的な治療標的を決定するために一般的に用いられる手法ですが、生物学的経路をまたぐ遺伝子ネットワークの複雑さを見落としています。多くの場合、高発現遺伝子が必ずしも生物学的表現型の特性を説明できるわけではありません。NetDecoderは、トランスクリプトミクスデータをタンパク質間相互作用(PPI)ネットワークと統合し、文脈特異的な情報フロー、遺伝子利用性、重要なエッジおよび差異利用遺伝子ネットワークをモデル化するネットワーク生物学ツールであり、この差分発現解析の限界を解決するために開発されました。

このプロトコルは、初心者向けのステップバイステップのNetDecoder使用ガイドであり、データの前処理、NetDecoderの実行、出力解析にわたり包括的なガイドラインを含んでいます。ワークフローには、生物学的条件間の遺伝子(ノード)および遺伝子間相互作用(エッジレベル)の違いを定量化するためのソフトウェア構成、ネットワーク構築、フローベースのモデリング解析が含まれます。その結果得られる出力には、キーターゲットやルーター、差動フローサブネットワーク、エッジフロー分布が含まれ、特定の生物学的状態に関連する主要な調節遺伝子や経路の同定を可能にします。上記の手順を踏んだ後、研究者はトランスクリプトミックデータと厳選されたPPIネットワークを用いて表現型を横断した表現型遺伝子フローを独自に明らかにできるようになります。

概要

治療研究のための遺伝子および関連経路の選択は、しばしば差異発現解析によって駆動されます。¹.この解析法は、2つ以上の条件間で遺伝子発現がどのように異なるかを特定するのに効果的です。しかし、遺伝子は複雑で相互に結びついた生物学的ネットワーク内で機能するため、個々の遺伝子発現だけではネットワーク内での遺伝子間の相互作用や遺伝子間関係を完全に捉えきれません^。ネットワーク伝播法は、遺伝子発現と相互作用ネットワークを統合し、差異発現だけで見落とされがちな生物学的に重要な遺伝子を特定すること^3.現在のアプローチでは、遺伝子の機能的重要性や、生物学的情報が生物学的条件をまたいでタンパク質間相互作用(PPI)ネットワーク内でどのように再分配されるかを明示的に定量化していません。したがって、条件特異的なネットワーク挙動をモデル化し、生物システム間の情報フローの変化を定量化する手法が必要でした。より広い生物学的ネットワーク内で遺伝子がどのように相互作用するかを説明するために、NetDecoderというネットワーク生物学プラットフォームが開発され、条件間で最も情報フローの差が大きい遺伝子を明らかにしました。NetDecoderは、プロセスガイド付きフローアルゴリズムを用いて、人間のPPIネットワークに関する既存の知識とバルクRNAシーケンスデータを組み合わせて変換し、情報フロー駆動型相互作用のモデルを構築し^ます。

表現型ネットワークの情報フローデータを用いて、発現値の差にかかわらず、情報フローの高い遺伝子をネットワーク内で最も高い全体の遺伝子効用を持つ遺伝子利用モデル(GUM⁾⁵を開発できます。このアプローチは、より効果的なターゲット優先順位付け戦略や特定を支援し、従来の分析では見落としがちな洞察を提供します。従来の差分発現や相関ベースのネットワーク手法とは異なり、NetDecoderは情報フローの遺伝子(ノードレベル)および相互作用(エッジレベル)の変化の両方を定量化し、大きな発^現変化がなくても機能的に重要な遺伝子の特定を可能にします^4,5。NetDecoderは、2つの生物学的状態の比較解析を伴うバルクRNAシーケンスデータセットに広く応用可能であり、情報フローやネットワーク組織の変化の特定を可能にします。NetDecoderはプロテオミクスやエピゲノミクスを含む他のオミクスデータセットの統合をサポートしていますが、本プロトコルはトランスクリプトミックデータを用いてワークフローを具体的に示しています。これらの応用では、ユーザーはタンパク質やエピジェネティックに制御された遺伝子に基づいてソース遺伝子を定義でき、これらの分子特徴から情報フロー解析を開始することができます。この柔軟性により、ネットワークベースの解析にマルチオミクスの証拠を取り入れ、表現型の違いの背後にあるクロスモーダル調節機構の発見が容易になります。

一般的な研究デザインは、疾患と健康状態、治療反応者と非反応者、薬物治療、ノックダウンやノックアウト実験と対照実験、発生状態や細胞状態の遷移の解析などを含むがこれに限定されません。このプロトコルの目的は、生物学的条件を超えてネットワーク影響が変化した遺伝子を明らかにするためにNetDecoderを適用するための再現可能な枠組みを示すことです。これは、NetDecoderの設定と実行のための簡単な手順、基本的なトラブルシューティング技術、結果解釈の方法をプロトコル内で示す例によって実現されます。

プロトコル

この研究は公開されているRNAシーケンシングデータセットを使用し、ヒトや動物の被験者を直接関与させませんでした。したがって、機関審査委員会の承認やインフォームドコンセントは必要ありませんでした。

注:NetDecoderには以下の入力ファイルが必要です:2つの定義された生物学的条件間での正規化された遺伝子発現;生物学的条件を記述するメタデータファイル、ネットワーク構築およびモデリングのためのソース遺伝子の一覧;パブリックドメインのタンパク質間相互作用(PPI)ネットワーク、各生物学的条件ごとに構築されたエッジ加重ネットワーク(EWN)です。

1. データ準備

1. 大量のRNAシーケンシング発現データおよびメタデータを取得する
   1. RNAシーケンスデータ(生の遺伝子発現数とサンプル名のマトリックス)および対応するメタデータ(サンプル名、状態など)は、Gene Expression Omnibus(GEO)などの公開リポジトリからダウンロードするか、実験室で生成された実験データセットを利用できます。通常、これは行が遺伝子名、列がサンプル名に対応する行列です。
      注:このプロトコルを示すために使用された例データセットは、国立オミクスデータ百科事典(NODE)リポジトリ(BioSinoデータベース)のaccession^{OEP001105 6}から取得されました。ユーザーは自分のバルクRNAシーケンシングデータセットを代替できます。
   2. サンプル名やそのグループ、または関連する条件を含めてサンプル注釈ファイル(メタデータ)を生成すること;例えば、「対照」や「疾患」は一般的な状態タイプです。メタデータファイルとエクスプレッションファイルの間でサンプル名が一致しているか確認してください。
2. 集約式データとメタデータ
   1. 生成されたデータマトリックスに発現数、遺伝子名、サンプル名や条件を含むメタデータファイルが含まれていることを確認してください。必要なら、orgのようなRパッケージを使いましょう。Hs.eg.db(ヒト)またはAnnotationDbiで異なる遺伝子識別子を照合します。
   2. Rや類似のプログラミング言語を使ってメタデータファイルから不要な情報を切り取る。
   3. 式カウントファイルの情報を一つのファイルにまとめて、簡単に操作できます。
3. フィルター式データ
   1. 遺伝子発現データマトリックスを前処理し、遺伝子重複、ヌル値(NA)、低発現遺伝子(<10個の総カウント)、および/または低分散遺伝子などを除外します。
4. データ前処理
   1. RNAシーケンシング正規化および差別発現解析
      注:このステップは、バルクRNAシーケンスデータから解析を開始する際、エッジ加重ネットワーク(EWN)作成およびソース遺伝子選択(ステップ1.5–1.6)のための2つの(1.4.2)アプローチのうちの1つ(1.4.1)です。代わりに、Pearson相関ベースのテンプレートマッチングは、ステップ1.4.3に飛ばすことで利用可能です。
      1. この段階で、個別の生物パッケージと併用してRパッケージ(AnnotationDbi)を用いて遺伝子ID変換を行います。NetDecoderは例PPIに一致する遺伝子記号(すなわち遺伝子ID)を使用します。
      2. Rパッケージのlimma、edgeR、DESeq2、または同等のツールを用いて、2つの条件間の正規化および微分表現解析を行います。
      3. DESeq2を使用する場合は、DESeqDataSetFromMatrix()関数を使って、カウント行列(遺伝子とサンプル)とサンプルメタデータ(条件)を入力としたDESeqデータセットを構築します。
      4. ステップ1.4.1.3で作成したオブジェクトのデフォルト設定でDESeq()関数を使って差分式値を計算します。
      5. 結果を、行名として遺伝子識別子(Gene ID)を、log2フォールド変化(log2FC)、p値、調整p値などのキー出力をカラムとしてデータマトリックスに保存します。
      6. オプションとして、dplyrや類似ツールを用いて調整されたp値(<0.05)やlog2FC値(例:|log2FC| > 1)で結果をフィルタリングすることも可能です。
      7. 処理済みの遺伝子リストとlog2フォールド変化行列はすべて、NetDecoderに入力するためにタブ区切り(.txtまたは.csv)ファイルとしてエクスポートされていることを確認してください。
      8. 2つ以上の生物学的条件が使用されている場合、ステップ1.4.1でペアワイズ比較を行い、ステップ1.4.1.5で生成されたDESeqオブジェクトからresults()関数を用いてペアワイズ結果を得ます。
   2. マイクロアレイ表現正規化 - オプション
      注意:マイクロアレイデータを使用する場合は、データ正規化のためにこのステップを実行してください。
      1. NetDecoderの正規化スクリプト(HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalizeを開いてデータを正規化します。R)を、R開発プラットフォームの上で https://github.com/HuLiLab/NetDecoder_Example/tree/main からアクセスし、セル強度ファイル(CEL)を含むワーキングディレクトリに合うように斜体部分を編集します。
         setwd(~/NetDecoder_Example/raw_data/CEL_files)
   3. テンプレートマッチング - オプション
      注意:これは、微分式解析(「データ作成」のステップ1.1–1.4.1で示されている)が実施されない場合の2つ目のオプションアプローチです。
      1. limma、edgeR、DESeq2で処理されていないRNAシーケンスデータについては、テンプレートマッチングを適用する前に外部で正規化を行います。マイクロアレイデータについては、ステップ1.1–1.4.2で生成された正規化された式値を直接使用してください。
      2. コントロール条件を遺伝子発現の基準テンプレートとして選び、他の関心のある条件と正規化された遺伝子発現値を比較します。
      3. 各遺伝子の発現プロファイルと選択したテンプレートとのPearson相関係数を計算します。統計的に有意な相関(p < 0.05)および絶対相関係数がユーザー定義の閾値を超える遺伝子(例:|r| > 0.7)を保持することが推奨されます。
5. 起源遺伝子の選択
   注:このステップの入力は、ステップ1.1–1.4で開発された正規化された遺伝子発現マトリックスです。
   1. 重要な遺伝子のセットを選んで、ソース遺伝子として使用してください。差分式ベースのワークフローでは、調整済みp値およびlog2FC閾値(例:adj p値<0.05や|log2FC| > 2)を選択してください。テンプレートマッチングワークフローでは、ステップ1.4.3.3で特定された有意相関遺伝子から、選択した相関および有意性閾値を用いてソース遺伝子を選択します。閾値は約300〜1,000個の遺伝子を下流ネットワーク構築に導くように選ばれるべきです。
      注:情報の流れがネットワークを通じて始まり、伝播するのはソース遺伝子です。
6. 各表現型ごとにエッジ加重ネットワーク(EWN)を構築します
   注:このステップには以下の入力が必要です:ステップ1.1–1.4で開発された正規化遺伝子発現マトリックス;タンパク質-タンパク質相互作用(PPI)ネットワークはエッジリスト(geneA-geneBペア)としてフォーマットされています。各サンプルの生物学的状態ラベルを指定するサンプル注釈ファイル(メタデータ)。PPIネットワークはRオブジェクトとして共有され、iRefIndexタンパク質データベースに基づいて構築されました。このプロトコルで使用されているバージョンはすべての直接的な相互作用を含みますが、自己ループや複数エッジは除外されています。PPIネットワークには15,608個のタンパク質と180,044個の相互作用が含まれています。詳細については、NetDecoder-メソッドのセクション⁴を参照してください。
   1. NetDecoder Edge Weighted Network(EWN)スクリプト(HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWNを開きます。Rは、https:/github.com/HuLiLab/NetDecoder_Example/tree/main)⁴からアクセス可能で、R開発プラットフォーム上でアクセス可能です。
   2. スクリプトのコメント(下記斜体)で示された部分を編集し、EWN開発用のユーザー固有のパスや入力ファイルを設定できます。
      道<~/NetDecoder_Example/入力/
      これがワーキングディレクトリへのパスです
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      これは正規化された式行列 Rdata オブジェクトの例です。
      stQuery < read.csv("stBreastCancer.csv")
      これがサンプルメタデータです
   3. 発現マトリックスをPPIネットワークに存在する遺伝子のみを保持するようにフィルタリングします。
   4. 各条件に対して、表現型別にサブセットサンプルを抽出し、PPIネットワークで定義されたすべてのエッジでペアウィズドの遺伝子-遺伝子相関をピアソン相関を用いて計算します。相関は、ステップ1.4で生成された処理済みの正規化された式行列を用いて計算します。
   5. 各遺伝子ペアについて、相関係数、絶対相関、関連するp値を計算します。
   6. 不完全なケース(例:NA値)を削除してください。
   7. 各条件ごとに1つの辺加重ネットワークをタブ区切りファイル(ヘッダーなし)としてエクスポートし、以下の列を備えます:proteinA、proteinB、abs_cor、cor、pvalue。
   8. Rスクリプトを実行して、関連するすべての条件に対して共表現ネットワークを作成します。

2. NetDecoderのインストールと設定

1. NetDecoderをダウンロード
   1. (https://netdecoder.hulilab.org/#ver)でNetDecoderソフトウェアにアクセスし、RまたはJavaを選択してください。
2. 必要なソフトウェアをインストールする
   1. 作業/解析環境用にOracle JDKとRをインストールしてください。
   2. NetDecoderドキュメントに記載されている必要なRパッケージをBioconductor (https://netdecoder.hulilab.org/#ver)⁴を使用してインストールしてください。
3. ダウンロード依存関係
   1. NetDecoderに必要な依存関係をダウンロードしてください。これには遺伝子オントロジーデータ(https://geneontology.org/docs/download-ontology/ からアクセス可能)や、遺伝子関連参照ガイド(こちらからアクセス可能)が含まれます(https://www.ebi.ac.uk/GOA/human_release からアクセス可能)。
4. ワーキングディレクトリの設定
   1. ダウンロードしたすべてのファイル(発現データ、各条件ごとに生成された共発現ネットワーク、遺伝子オントロジーデータ、関連参照ガイド)を1つのフォルダに移し、それがNetDecoder作業ディレクトリとなります。
5. 必要なフォルダーを追加してください
   1. NetDecoderフォルダ(https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip)をダウンロードしてNetDecoderのワーキングディレクトリに行ってください。
   2. NetDecoderフォルダを解凍してください。

3. NetDecoderの実行

1. 分析バッシュスクリプトを開く
   1. GNU Bashを実行しているターミナルを開き、NetDecoderのワーキングディレクトリに移動します。
   2. コマンドnano NetDecoder_Analysis.sh を実行してbashスクリプトを開きます。
2. スクリプトを修正してください
   注:コードのほとんどはすでに書かれています。このステップでは、スクリプト内の指定された場所で必要なパラメータが指定されます。
   1. 短い名前を作ってください:
      斜体部分を比較対象条件に編集してください:myshortname='Your_shortname_here'
   2. ソフトウェアの経路を設定する:
      斜体部分を編集して、次の3つのパス定義を正しいパスに編集してください:
      JAVA="/your/path/here"
      エクスポート R="/あなたの/道/ここ」
      別名 R="/your/path/here"
   3. 作業ディレクトリを設定してください:
      斜体部分を作業ディレクトリに編集し、すべてのファイルにアクセスできる場所として:INPUT_DIR="/your/path/here"
   4. NetDecoderライブラリの設定:
      斜体部分をzipファイルからステップ2.4でインストールしたNetDecoderライブラリへのパスに編集してください:LIB_DIR="/your/path/here/netdecoder_lib"
   5. 遺伝子オントロジーと関連経路の設定:
      以下の2つのディレクトリの斜体部分を、好みの遺伝子オントロジー/関連ファイルの位置に編集してください。
      SYMBOL=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_file
   6. 入力引数の集合:
      参照NetDecoderスクリプトに記載されたコメント指示に従い、以下の5行の斜体部分をデータに従って更新してください。
      geneList=$INPUT_DIR/gene_file
      state_trt=治療状態
      state_ref=参照条件
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/reference_co_expression_network_file
   7. 適切なステージを設定しましょう:
      #記号を外してコメントを解除し、完了後に再度コメントします。第1段階はgen_net_trt、次にgen_net_ref、分析段階、最後に収集段階です。
      実行したいステージを設定し、まずステージ1から始めます。
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE=「解析」
      #STAGE=「collect」
   8. メインのBash端末へ移動する:
      Ctrl+X、次にYを押して、bashスクリプトを保存して終了します。
3. NetDecoderを実行する
   注意:正常に動作すると、ログメッセージが端末に表示されます。
   1. ターミナルに移動して./NetDecoder_Analysis.shを実行。
   2. ステップ3.2.7に記載された順序で4段階すべてを個別に完了させるまで、段階を繰り返し実行してください。
4. 結果の取得
   1. 出力ファイルやグラフィカルな要約に移動してください。

結果

図1に示すように、NetDecoderはデータ処理、ネットワーク構成、フローベースの分析からなる構造化されたワークフローで動作し、出力はパイプラインの各段階に対応する異なるディレクトリに整理されています。このモジュール構造により、出力の体系的な検証が可能となり、結果が各計算ステップに遡ることが保証され、全体的な再現性を支援します。

NetDecoder(図2)を成功裏に実行すると、4つのディレクトリ (分析、 コレクト、 ネットワーク、「your_shortname」) で出力が生成され、フロー値、サブネットワーク、その他のフロー・インタラクション出力の数値や定量的出力を含む様々な条件に対応したデータが含まれる(図1、 図2、 図3).これらのディレクトリにファイルや数値が埋め込まれていることは、パイプラインが正しく実行されたことを示しています。一方、失敗したランは出力の欠如や不完全な図が特徴です。NetDecoderはPPIネットワーク内で数千の遺伝子を評価するため、成功する解析にはデータセットのサイズや利用可能なリソースに応じて数時間の計算が必要になることが多いです。ここで示した代表的なヒト胆管がん解析において、NetDecoderの実行にはLinuxベースのPuget3(Puget Systems)ワークステーション上で約4〜6時間のランタイムが必要でした。異常に短い実行時間は、入力データのフォーマットが不適切になっているか、パイプラインの実行が不完全であることを示すことがあります。入力データのフォーマットが誤ったりパイプライン実行に失敗した場合、エラーメッセージが発生し、原因をたどることができます。 図3 は、NetDecoderの成功実行後に現れる代表的な出力を示しています。ここで示した代表的な解析は、255件の胆道がんサンプル(OEP001105)⁶のRNAシーケンスデータを用い、ステージI–IIおよびステージIII–IVの疾患状態および疾患間の情報流の変化を比較することに成功しました。

図4の3つのヒートマップは、ネットワーク内で大量の情報流を伝達するルーター遺伝子、重要な下流標的遺伝子、または影響を受けた全体的な遺伝子を含む条件間でのネットワーク情報フローの全体的な変化をまとめています。正の差分流と負の差分流れが広範囲に分布していることは、情報がネットワーク全体で均一に増減するのではなく再分配されていることを示しています。この異質性と多様な遺伝子タイプは、表現型間で機能的重要性が変化する遺伝子を特定するNetDecoderの能力を支えています。

図4はまた、個々の遺伝子-遺伝子ペア相互作用のフロー変化を条件間で定量化したエッジレベルのバープロットも示しています。これらの結果は、特定の相互作用を通る流れが条件によって異なることを示し、文脈依存的なネットワークの再配線を反映していることを示しています。したがって、エッジフローは情報伝達における相互作用レベルの変化を捉え、差異フローはこれらの変化をノードレベルでまとめ、ネットワーク全体の影響が最も大きな遺伝子の優先順位付けを可能にします。

これらの出力を合わせることで、NetDecoderは生物学的ネットワーク内の情報フローにおける遺伝子(ノードレベル)、遺伝子間(エッジレベル)、ネットワークレベルの変化を捉えていることが示されています(図4)。ヒートマップはネットワーク内で情報の伝播、ルーティング、受信に変化した遺伝子を特定し、エッジレベルの解析はこれらの変化を引き起こす具体的な相互作用を明らかにします。表現型特異的な情報ネットワークは、条件間のネットワーク再配線を視覚的に表現し、ノードは遺伝子を表し、エッジの厚さは情報フローの大きさに対応しています(図4)。このシステムレベルの表現は、研究対象の疾患に関連する主要な調節遺伝子や経路の同定を支援します。さらに、これらのフィギュアの成功した制作はNetDecoderが正しく実行されたことを示しています。

NetDecoderは大量の出力ファイルを生成するため、最も関連性の高い結果を特定することが解釈に不可欠です。例えば、条件間の流れの違い(例:低段階と高位段階)を検証するために、2つのキーファイルを使用できます(ナビゲーションステップは 図3のファイル構造に従って誘導されます)。最初の「EDGE_CENTERED_SUBNET_flowDifference_Disease.txt」(分析/疾患 ディレクトリに所在)は、条件間で流れの変化が最も大きい相互作用(エッジ)を特定します。2つ目の「flowDifference_PRIORITIZED_NETWORK.txt」(your_shortname 」ディレクトリ内)は、最も大きなフロー差を持つ遺伝子(ノード)を特定します。これらのファイルは、ネットワーク挙動における相互作用レベルおよび遺伝子レベルの変化を包括的に示します。

より広くは、「analysis」フォルダにはネットワークルーター、主要ターゲット、重要な差分流遺伝子に関する情報が含まれています。「your_shortname」 フォルダには、総流量値やキーターゲット、ルーターなどの表現型固有のデータを含む生のテキストファイルが含まれています。networksフォルダにはNetDecoderによって生成されたサブネットワークが含まれており、Cytoscape⁷でさらに解析・可視化が可能です。最後に、「collect」フォルダには統合されたデータと数値が含まれており、結果の一般的な要約を提供します。NetDecoderの結果のさらなる可視化と解析は、ggplot2、igraph、pheatmapなどのRパッケージを使って行えます。

図1:NetDecoderパイプラインの表現と一般的な機能。 NetDecoderには3つの一般的な段階(黄色いボックス)が必要です:データ処理、NetDecoderの設定、そしてNetDecoderの実行です。これらの段階の各段階を厳密に守り、成功を確実にします。NetDecoderは、高い情報フローや遺伝子有用性に関連する遺伝子を予測するために、2つの条件(緑色のボックス内の例)からの発現データを必要とします。水道蛇口の例えでは、遺伝子発現レベルは蛇口の大きさ、つまり開ける幅で示され、遺伝子の効用や活性は蛇口を通る実際の水の流れを反映し、この経路がどれだけ機能的に使われているかを示しています。図に示されているように、高発現遺伝子(蛇口サイズが大きい)は遺伝子利用率が低い(水流量が少ない)を持つことがあり、発現量が低い遺伝子(蛇口サイズが小さい)遺伝子は高い遺伝子効用(水流量が高い)を持つことがあります。これは、発現レベルが他の遺伝子より低くても、ある条件下で遺伝子が全体的により高い重要性を持つことを示しています。下の中央の図は、遺伝子がどのように相互に繋がり、発現量(サイズ)に関わらず異なるフロー(色)のレベルを経験することを示しています。BioRenderで作成。ブリッセンバッハ, E. (2026) https://BioRender.com/8okynbu.この図の拡大版はこちらをクリックしてご覧ください。

図2:NetDecoderの一般的なワークフロー。NetDecoderアルゴリズムの基本原理は、情報フロー解析を通じてタンパク質間相互作用(PPI)ネットワークにおける遺伝子の有用性をモデル化することです。ワークフローは、データ前処理とエッジ加重ネットワーク(EWN)構築から始まります。表現型1(P1)および表現型2(P2)という2つの生物学的状態からの遺伝子発現データは、差異発現法またはテンプレートマッチング法を用いて源遺伝子を特定するために処理されます。正規化された発現行列を用いて、各表現型の遺伝子対関係をエッジウェイトが反映する条件特異的EWNを構築します。NetDecoderはその後、条件間の情報フローの違いを定量化し、ネットワークの再配線イベントや遺伝子利用の変化の特定を可能にします。出力には、差異情報フロースコア、文脈特有の情報ネットワーク、インパクトスコアヒートマップ、そして下流の生物学的解釈や機構的発見を促進する追加のネットワークレベルおよび遺伝子レベルの指標が含まれます。BioRenderで作成。コレイア, C. (2026) https://BioRender.com/29cmswf。この図の拡大版はこちらをクリックしてご覧ください。

図3:NetDecoder出力とフォルダ構造。 この図は、結果ファイルへのアクセスに用いられる出力ディレクトリ構造を表しています。斜体で表されているのはフォルダ名(フォルダアイコン上にあり)、引用符で囲まれた名前は解析用語に特化しています。受信トレイのアイコン上の値は、色分けによってファイルまたはファイルタイプを示します。赤は各フォルダ内のファイルタイプを示し、キーファイルは太字で下線付き(flowDifference_PRIORITIZED_NETWORK.txtおよびEDGE_CENTERED_SUBNET_flowDifference_Disease.txt)で示されています。フォルダのアイコンはicons8(https://icons8.com)から提供されました。BioRenderで作成。ブリッセンバッハ, E. (2026) https://BioRender.com/8okynbu.この図の拡大版はこちらをクリックしてご覧ください。

図4:NetDecoderによって生成された結果の例。影響遺伝子(A)、ネットワークルーター(B)、キーターゲット(C)、さらにコンテキスト固有のネットワーク(D)やエッジフローバーグラフ(E)はNetDecoderの主要な出力です。この例では、胆道がん発現データセット(OEP001105)を用いて、初期疾患(ステージI-II、低病期)と進行期疾患(ステージIII-IV、高病期)の患者を比較し、NetDecoderを用いて両群間の差異の高い遺伝子を特定しました。各プロットは赤色で流量増加を示し、青色は流量減少を示します。ネットワークルーター(B)は大量の流れが通過する主要な中間遺伝子(収集/Disease_Network_routers.pdf)、主要なターゲット(C)は重要な下流調節因子(収集/Disease_Key_targets.pdf)、流量差ヒートマップは条件間の遺伝子レベルの情報フローの全体的な変化(分析/flowDifference_heatmap.pdf)を表します。表現型特異的な情報ネットワーク(D)を可視化でき、各遺伝子はノードを表し、遺伝子間相互作用はエッジ(線)で表されます(解析/EDGE_CENTERED_SUBNET_Disease)。縁の厚さは遺伝子間の情報フローの大きさに対応します。棒グラフ(E)は、選択された2つの表現型間の遺伝子-遺伝子相互作用におけるエッジフローの違いを示しており、低段階のペアは青緑色、高段階のペアはオレンジ色で示されています(解析/Disease_keyEdges.pdf)。この図の拡大版はこちらをクリックしてご覧ください。

ディスカッション

このプロトコルは、遺伝子発現データをタンパク質-タンパク質相互作用(PPI)ネットワークと統合し、状態特異的な情報フローをモデル化し、生物システム内での機能的影響に基づいて遺伝子の優先順位をつけるネットワーク生物学フレームワークであるNetDecoderの実装を示しています。この手法の成功裏の適用には、いくつかの重要なステップ、慎重な方法論的選択、そして出力の適切な解釈が不可欠です。

プロトコルの初期段階には、式データの取得、メタデータの生成、そして統一された表現マトリックスの構築が含まれます。これらのステップは、下流解析との互換性を確保するために重要です。発現行列は遺伝子を行、サンプルを列としてフォーマットし、行内のサンプル名とメタデータファイルが同一に一致する必要があります。この段階での不整合(例:サンプル識別子の不一致や遺伝子名の重複)はパイプラインを通じて伝播し、後のステップで失敗の原因となります。

低品質データ(例:カウント数が少ない遺伝子、欠損した遺伝子、分散の低い遺伝子)をフィルタリングすることは特に重要であり、これらの特徴は相関に基づくネットワーク構築にノイズを導入する可能性があります。前処理が成功したことは、欠損値のないクリーンな発現行列と、PPIネットワークで使用されているものと一致する一貫した遺伝子識別子によって示されます。

プロトコルの重要な意思決定ポイントは、エッジ加重ネットワーク(EWN)構築で使用されるソース遺伝子の選択において、差異発現解析とテンプレートマッチングの選択です。差異発現解析は、十分な複製数を持つ明確に定義された実験群を比較する際に最も適しています。このアプローチは、条件間で統計的に有意な発現変化を持つ遺伝子を特定し、log2フォールド変化(log2FC)や調整されたp値などの定量的出力を提供します。成功した実行は、一様に無結果の結果ではなく、有意遺伝子と非有意遺伝子の両方の分布によって示されます。これに対し、テンプレートマッチングは連続的または参照プロファイルと相関した発現パターンを持つ遺伝子を特定することを目的とする場合により適しています。この方法は、差異発現の大きさではなく相関強さに基づいて遺伝子を保持します。テンプレートマッチングに成功すると、参照条件と統計的に有意な相関を持つ遺伝子群が得られます。これらのアプローチの選択は下流ネットワークのトポロジーに影響を与えます。差分表現は大きさの変化を重視するのに対し、テンプレートマッチングは協調した表現パターンを重視します。

EWNの構築ステップはプロトコルの中でも最も重要な要素の一つです。ここでは、正規化された遺伝子発現データをPPIネットワークと統合し、ネットワーク内のすべての相互作用に対するペアワイズの遺伝子-遺伝子相関を計算します。発現データセットとPPIネットワーク間で共有された遺伝子のみが保持され、生物学的関連性と計算的整合性が確保されます。各条件に対して、すべての辺にピアソン相関係数が計算され、対応するp値および絶対相関係値も計算されます。これらの指標はNetDecoderで使用されるエッジの重みを定義します。EWNの構築が成功していることは、数千の遺伝子間相関、相関値の広範な分布、フィルタリング後の最小の欠損値によって示されます。この段階での失敗は、遺伝子識別子の不一致、サンプルサイズ不足、または発現データの正規化が不十分であることが原因であることが多いです。一般的なNetDecoderの故障点は、入力ファイルやソフトウェア設定の体系的な検証によって解決できることが多いです。NetDecoderが予期せず終了したり、不完全な出力を出した場合、ユーザーは発現行列とメタデータファイル間でサンプル識別子が同一であること、発現データセット、ソース遺伝子リスト、PPIネットワーク間で遺伝子識別子が一貫していること、発現行列に欠損値がないかを確認する必要があります。エラーや短縮された結果が発生した場合、ユーザーはソフトウェアのインストールおよびバージョンの互換性を確認し、実行中に生成されるログメッセージを検査し、各中間ステップの完了を確認してから下流解析に進めます。出力ファイルやコンソールメッセージの検査は、次の解析を試みる前にエラーの発生源を特定するのに役立ちます。NetDecoderはファイルパス、入力引数、依存関係の綿密な設定を必要とします。主なステップには、ワーキングディレクトリやライブラリパスの指定、遺伝子オントロジーや注釈ファイル、条件特有のEWN入力、ソース遺伝子リストの指定が含まれます。

パイプラインは段階的に実行されるため(条件のネットワーク生成、解析、結果収集)、初期段階でのエラーは後続の段階の成功を妨げます。適切に動作する実行は、4つのディレクトリ(分析、収集、ネットワーク、「your_shortname」)を生成し、それぞれに条件固有の結果が含まれます。正しい実行のもう一つの実用的な指標は実行時間です。成功した実行は通常、NetDecoderが大規模なインタラクションネットワークを評価するため、処理に数時間かかります。非常に短い実行時間は、入力の誤構成や計算ステップのスキップを示すことが多いです。

NetDecoderは、従来の遺伝子優先順位付けやネットワーク解析の手法とは根本的に異なります。Weighted Gene Co-expression Network Analysis (WGCNA)⁸ のような手法は相関構造に基づいて遺伝子をクラスタリングしますが、方向性フローを組み込んだり、情報がネットワーク内でどのように伝播するかを定量化したりはしません。同様に、経路エンリッチメント解析⁹ は機能的過剰表現を特定しますが、相互作用レベルの動態やネットワーク接続性の変化は考慮していません。

NetDecoderは遺伝子発現データとPPIネットワークを組み合わせることで、状態特異的な情報フローをモデル化する統合的なアプローチを用いています。個々の遺伝子(ノードレベル)スコアと相互作用(エッジレベル)のフロー変化の両方を定量化することで、ネットワーク構造や情報ルーティングが条件間でどのように再配線されるかを捉えています。これにより、強い差異発現を示しない遺伝子であってもネットワーク挙動の媒介に中心的な役割を果たす遺伝子を同定することが可能になります。これは、高情報量の差異を持つ遺伝子が条件特異的ネットワーク機能を引き起こすと主張する遺伝子利用モデル(GUM)⁵と一致しています。

その強みにもかかわらず、NetDecoderにはいくつかの制限があります。第一に、これは直接的な実験的証拠ではなく、モデル化されたネットワーク情報フローに基づいて遺伝子の重要性を推定する計算フレームワーク^です。したがって、その予測は生物学的実験による検証を必要とする仮説として解釈されるべきです。遺伝子ノックアウト研究¹¹ やターゲット遮乱アッセイ¹²などの機能検証アプローチは、NetDecoderによって高い有用性と特定された遺伝子が、研究対象の生物学的プロセスや疾患状態に本当に影響を与えるかどうかを確認するために不可欠です。第二に、この手法は基礎となるPPIネットワークの品質と完全性に大きく依存します。PPIデータベースはよく研究された遺伝子に偏っていることが多いため、あまり特徴づけられていない相互作用は過小評価され、新規の調節関係の発見を制限する可能性があります。サンプルサイズ、実験設計、データ品質のばらつきもネットワーク構築や下流の流量計算に影響を与えます。第三に、NetDecoderは静的エッジが動的な情報フローを完全に捉えているとは仮定していません。代わりに、NetDecoderは文脈固有の活動を推論し、PPIネットワークを構造的事前先験として用いて情報フローを定量化します。PPIは生物学的に妥当な相互作用の空間を定義する足場として機能します。動的な挙動は、状態特異的分子データ(例:遺伝子発現)を重ねることで導入され、ネットワークのサブセットを文脈依存的に効果的に重み付けまたは活性化します。

NetDecoderの主な目的は、静的なPPIスキャフォールド上で情報伝播をモデル化しつつ、遺伝子(ノード)間の定量的かつ連続的な関係を保持することです。これに対し、ブールネットワークのようなアプローチは、タンパク質活動を論理的相互作用によって支配される離散的なオン/オフ状態としてモデル化することで、動態を簡略化し解釈可能な表現^{を提供します。}これらの手法は、^{さまざまな条件下での}遺伝子調節およびシグナル伝達ネットワークの研究に広く用い^{られています。}しかし、通常はあらかじめ定義された論理ルールとタンパク質状態の離散化が必要であり、大規模で異種な生物学的PPIネットワークでは大規模に定義するのは困難です¹⁷。この文脈で、ブールネットワークモデリングはNetDecoderの補完的な方向性を表します。NetDecoderは連続的で定量的な情報フローを捉えますが、論理的なルールベースのダイナミクスやハイブリッドな離散連続モデルを統合することで、条件特異的なシグナル行動の解釈可能性を高めることができます。したがって、ブール型情報フローアルゴリズムの開発は将来の有望な研究の道筋を示しています。

NetDecoderの今後の方向性には、追加のオミックデータ型との統合や、分解能と生物学的文脈の向上を目的とした単一細胞トランスクリプトミクスへの拡大が含まれます。例えば、空間的トランスクリプトム発現予測や補完のための深層学習ベースのアプローチは、データの品質と信号回復の向上を目指していますが、相互作用ネットワーク間の情報フローを明示的にモデル化するものではありません(^18,19)。マルチオミクスレベルの分析を取り入れることで、予測力をさらに高め、より信頼性の高い結果が得られる可能性があります。方法論的発展を継続すれば、NetDecoderは複数の情報フロー層を生成できるようになり、研究科学者に関心データのマルチオミック検証を提供します。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
AnnotationDbi	Bioconductor	version 1.68.0	アノテーションと遺伝子マッピング
Bioconductor	Bioconductor	version 3.19	DESeq2、edgeR、limma、AnnotationDbi、および生物データベースをサポートするトランスクリプトミクスデータ分析フレームワークとパッケージエコシステム
Cytoscape	The Cytoscape Consoritum	version 3.10.4	ネットワークの可視化と分析
DESeq2	Bioconductor	version 1.46.0	差異発現分析（負の二項分布モデリング付き）
dplyr	Posit Software, PBC formerly RStudio, PBC	version 1.1.4	データ操作と変換
edgeR	Bioconductor	version 4.4.2	カウントベースの差異発現分析
ggplot2	Posit Software, PBC formerly RStudio, PBC	version 4.0.0	データ可視化とプロット
GNU Bash	GNU Project	システムデフォルト	NetDecoderパイプラインのスクリプトの実行
igraph	igraph Development Team	version 2.1.4	ネットワーク構築とグラフ分析
Limma	Bioconductor	version 3.62.2	遺伝子発現分析のための線形モデリング
NetDecoder	Hu Li Laboratory, Mayo Clinic	(2024 Hu Li Lab)	情報フローモデリングによる状況特異的タンパク質相互作用ネットワークの構築
org.Hs.eg.db	Bioconductor	version 3.20.0	ヒト遺伝子アノテーションデータベース
Oracle JDK	Oracle Corporation	≥ version 1.8	NetDecoder実行用のランタイム環境
pheatmap	Raivo Kolde	version 1.0.13	発現と相関構造の可視化
R	The R Foundation	version 4.4.2	トランスクリプトミクスとネットワーク分析の核となる環境