遺伝子を使用するプロトコル設定トランスレーショナルリサーチの適切な動物モデルを識別するために濃縮分析
2017年8月16日
トランスレーショナル ・ リサーチのための理想的なマウス モデルを識別するトランスクリプトーム データの遺伝子セット濃縮分析用標準プロトコルを提供します。
このプロトコルは、dna と RNA シーケンス データで使用できるし、データが利用可能な場合他のオミックス データをさらに拡張することができます。
この手順の全体的な目標は、トランスレーショナルリサーチの質問に適した動物モデルを特定することです。この手法は、トランスレーショナルリサーチにおける重要な疑問、つまり、調査したい特定のヒト疾患に適した動物モデルをどのように選択すればよいか、という問いに答えるのに役立ちます。この手法の主な利点は、全ゲノムデータを動物モデルとヒト疾患研究の間で比較できることです。
したがって、このアプローチは、単一遺伝子の比較に関連する偏った解釈を回避します。この方法は、マウスモデルの炎症性疾患への適合性に関する洞察を提供しますが、他の疾患モデルにも適用できます。GSEAは、遺伝子発現研究の政策制御の調査に役立ちます。
すべての動物モデルと疾患研究の出力は、さらなる比較の基礎となるものです。この手順は、ソフトウェアとデータのダウンロードから開始し、その後、テキストプロトコルで説明されているようにデータの処理とフォーマットを行います。次に、GSEAソフトウェアツールを開きます。
メインウィンドウの左側にある「Load Data」ボタンをクリックします。必要なデータファイルをインポートするための新しいタブが開きます。新しいタブで、遺伝子発現データファイルと表現型ファイルを参照します。
GSEAがインターネットに接続できない場合は、ダウンロードした分子シグネチャデータベースファイルとDNAチップアノテーションファイルもロードしてください。正常にインポートされたデータは、ロードデータセクションに表示されます。メインウィンドウの左側にある「Run GSEA」ボタンをクリックします。
解析のパラメータを設定するための新しいタブが開きます。このタブは、必須フィールド、基本フィールド、および詳細フィールドの 3 つの部分に細分化されています。必須フィールドで、最初に式データセットを選択します。
次に、接続されたWebサイトまたは手動でインポートされた遺伝子セットファイルから遺伝子セットデータベースを選択します。表現型ラベルを編集して、相互に比較するサンプルのグループを選択します。たとえば、疾患グループと健康な対照グループなどです。
次に、発現データセット内のプローブ識別子を遺伝子セットデータベースで使用される公式のHugo遺伝子シンボルに変換するために、collapse dataset to gene symbols equals trueを選択します。発現データセットにすでにHugo遺伝子シンボルが含まれている場合は、falseを選択します。順列の数をデフォルト設定の 1, 000 に設定します。
表現型の順列は、すべての表現型に7つ以上のサンプルがある場合にのみ推奨されるため、順列タイプを遺伝子セットに変更します。最後に、遺伝子発現データの生成に使用するチッププラットフォームを、接続されたWebサイトまたは手動でインポートしたDNAチップアノテーションファイルから選択します。基本フィールドで、解析名と「このフォルダに保存した結果」セクションを編集します。
さらに、さらに統計パラメータを変更することができます。パラメータと詳細フィールドのセクションの詳細については、GSEAユーザーガイドを参照してください。遺伝子発現データの外部から計算されたグループメトリクスを適用する場合は、GSEAの事前ランク付けツールを使用してください。
この分析は、遺伝子のランク付けに使用される事前に計算されたグループメトリクスに事前に割り当てられた遺伝子の単純なリストに基づいて行われます。代替遺伝子発現ファイルをロードした後、メインナビゲーションバーに移動し、Tools(ツール)-GseaPrerankedをクリックします。同様に、解析のパラメータを設定するための新しいタブが開きます。
次に、ウィンドウの右下にある[実行]ボタンをクリックします。[GSEAレポート]セクションで成功した分析をクリックして、分析結果を開きます。次に、Excel形式の詳細なエンリッチメント結果をクリックして、分析結果をスプレッドシートにエクスポートします。
両方の表現型について、結果を別々にエクスポートします。Excel で、結果データを 1 つのスプレッドシート ファイルに結合します。その後、いくつかの研究の遺伝子発現データを比較するために、少なくとも遺伝子セットの名前、その正規化された濃縮スコア、およびそのFDR値を維持してください。
2 番目の研究と、相互に比較する予定のその他のすべての研究について、遺伝子セット濃縮解析を繰り返します。トランスレーショナルリサーチの質問に最適なマウスモデルを特定するために、できるだけ多くのヒト臨床試験とさまざまなマウスモデルを含めます。人間の状況を模倣するための最適な動物モデルを特定するには、すべての研究のGSEA結果を相互に比較します。
エンリッチメントスコアとFDR値を使用して、経路を活性化、阻害、またはどちらも分類しません。多くの研究を比較するには、Rスクリプトを使用することをお勧めします。2つの研究の比較ごとに、3×3の分割表で示される経路調節の9つの可能な組み合わせの実現数を数えます。
2つの研究間の相関関係を評価するには、陽性適中率と陰性適中率(定義上、2つの研究で同じ調節を示す経路の一部)を計算します。また、偶然に相関すると予想された経路の一部を、ppv chance と npv chance で表して推定します。次に、情報のゲインを計算します。
すべての計算はスプレッドシートプログラムを使用して行うことができますが、R関数の使用をお勧めします。一対の研究の分割表を使用して、カイ二乗検定でP値を計算します(たとえば、R関数、カイ二乗検定、スプレッドシートプログラムなど)。分割表のデータを行列Xに保存します。次に、分析用に選択された研究のすべての組み合わせについて、GSEAの結果を比較します。
すべての組み合わせを情報のゲインで並べ替えます。多くのデータセットを比較するには、マトリックスを使用し、色付きのヒートマップを使用して結果を視覚化します。情報量が最も多い動物モデルを選択します。
情報の獲得の有意性を評価するために、カイ二乗検定も考慮に入れます。ここでは、ヒトとマウスの研究間の経路比較の相関行列を示しています。経路調節の重複は、ある研究から別の研究での影響を予測するために得られる情報の利益として示されています。
青はデータ間の相関性が低いことを意味し、赤はデータ間の相関性が高いことを意味します。ヒトとマウスのデータセットを比較したところ、ヒトの研究と高い相関性を持つマウスモデルのサブグループが明らかになった。したがって、これらのマウスモデルは、人間の状況を模倣するのに最適です。
対照的に、7、8、9の研究は、ヒトの疾患研究との相関を示さなかった。一度習得すると、このテクニックは適切に実行されれば数日で行うことができます。データの量とデータの可用性によって異なります。
この手順を試行する際は、結果の有効性は選択したデータの品質と関連性に依存することを覚えておくことが重要です。このビデオを見れば、転写データに基づいて特定のヒト疾患に適した動物モデルを選択する方法について十分に理解できるはずです。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
この記事では、転移研究に適したマウスモデルを特定するための転写組データの遺伝子セット濃縮分析（GSEA）の標準化されたプロトコルを提示しています。この方法は、動物モデルとヒトの疾患研究間の全ゲノムデータを比較し、様々な疾患のモデル選択に関する洞察を提供します。
主要な研究要素
科学の分野
- 転移研究
- ゲノミクス
- 動物モデル
背景
- 適切な動物モデルの特定は転移研究にとって重要です。
- GSEAは、全ゲノムデータを比較することで偏った解釈を避けます。
- この方法は炎症性疾患以外の様々な疾患モデルに適用できます。
- これは遺伝子発現調節の調査に役立ちます。
研究の目的
- 特定のヒトの疾患に対する動物モデルを選択するためのプロトコルを提供すること。
- 転移研究におけるモデルの適合性の理解を深めること。
- モデル選択における転写組データの使用を促進すること。
使用された方法
- 転写組データの遺伝子セット濃縮分析（GSEA）。
- 動物モデルとヒトの疾患研究間の全ゲノムデータの比較。
- プロトコルのDNAマイクロアレイとRNAシーケンスデータへの適用。
- 利用可能な他のオミクスデータへの拡張。
主な結果
- このプロトコルは、転移研究に適したマウスモデルを効果的に特定します。
- GSEAはモデル間の遺伝子発現の包括的な見方を提供します。
- 得られた洞察は、様々な疾患のモデル選択に情報を提供します。
- この方法は単一の遺伝子比較に関連する偏りを減少させます。
結論
- 標準化されたプロトコルは動物モデルの選択プロセスを向上させます。
- GSEAはモデルの識別のための転移研究における価値あるツールです。
- このアプローチは様々な疾患の文脈に適応できます。
よくある質問
Executive Industry Relevance
Selecting appropriate animal models remains a critical challenge in translational research, where model misalignment contributes to late-stage attrition. This protocol enables systematic evaluation of murine models using transcriptomic concordance with human disease data, reducing reliance on subjective gene filtering. By providing a standardized GSEA-based framework, it supports predictive confidence in model selection and informs go/no-go decisions early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypothesis by assessing pathway-level concordance between human disease and animal model transcriptomes.
- Operational Value: Avoids biased interpretation from single-gene comparisons, reducing mechanistic ambiguity in target validation.
- Predictive Value: Enables data-driven prioritization of models with highest gain of information, supporting portfolio triage.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying models with conserved pathway regulation for downstream compound screening.
- Operational Value: Standardizes cross-study comparison through normalized enrichment scores and FDR values, enhancing reproducibility.
- Scalability: Supports inclusion of multiple human clinical studies and mouse models to identify optimal translational fit.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by identifying models with high correlation to human disease states.
- Risk-Adjusted Advancement: Uses gain of information and chi-squared testing to assess significance of model suitability, informing progression decisions.
- Biomarker Alignment: Facilitates identification of conserved pathways that may serve as translational biomarkers across species.
Pipeline & Workflow Integration
The method fits within the discovery continuum from target validation to preclinical model selection, enabling transcriptomic data to guide animal model choice before significant investment in screening or efficacy studies.
- Discovery Biology: Supports hypothesis testing by comparing whole-genome pathway activation or inhibition patterns between species.
- Screening: Enhances assay readiness by ensuring selected models reflect human disease biology, improving compound evaluation reliability.
- Analytics: Generates quantitative outputs (normalized enrichment score, FDR, gain of information) for objective cross-study comparison.
- Translational Research: Promotes continuity by selecting models with demonstrated pathway-level concordance to human conditions.
- Enterprise Reuse: Establishes a reusable bioinformatics capability applicable across disease areas and omics data types.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in model selection, reducing false positives from inadequate biological representation.
- Operational Value: Promotes standardization and reproducibility in model evaluation across teams and sites.
- Strategic Value: Improves capital efficiency by minimizing investment in poorly predictive models.
- Portfolio Impact: Enables risk-adjusted prioritization of projects based on model suitability evidence.
Implementation Considerations
- Requires expertise in transcriptomic data analysis and GSEA software operation.
- Dependent on access to quality gene expression data from human disease studies and candidate animal models.
- Necessitates standardized data formatting, including gene symbol collapse and phenotype labeling.
- Involves cross-functional alignment between bioinformatics, pharmacology, and pathology teams for interpretation.
- Limited to retrospective analysis; cannot predict model suitability a priori without existing omics data.
