Name: 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 (動画) | JoVE Journal
Uploaded: 2017-08-16T12:30:00.000+00:00
Duration: 9 min 35 s
Description: 学ぶ遺伝子セット濃縮解析（GSEA）を用いて、トランスレーショナルリサーチに適したマウスモデルを特定する方法。マイクロアレイやRNAシーケンスデータを比較し、バイアスを排除した動物モデル選択を実現します。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この作業は、リスク アセスメント (BfR) ドイツ連邦研究所によって融資されました。

<ol><li>Seok, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genomic+responses+in+mouse+models+poorly+mimic+human+inflammatory+diseases%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Genomic responses in mouse models poorly mimic human inflammatory diseases.</a> Proc Natl Acad Sci U S A. 110 (9), 3507-3512 (2013).</li>
<li>Takao, K., Miyakawa, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genomic+responses+in+mouse+models+greatly+mimic+human+inflammatory+diseases%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Genomic responses in mouse models greatly mimic human inflammatory diseases.</a> Proc Natl Acad Sci U S A. 112 (4), 1167-1172 (2015).</li>
<li>Weidner, C., Steinfath, M., Opitz, E., Oelgeschläger, M., Schönfelder, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Defining+the+optimal+animal+model+for+translational+research+using+gene+set+enrichment+analysis%5BTitle%5D)+AND+%22EMBO+Mol+Med%22%5BJournal%5D)">Defining the optimal animal model for translational research using gene set enrichment analysis.</a> EMBO Mol Med. 8 (8), 831-838 (2016).</li>
<li>Subramanian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+set+enrichment+analysis%3A+a+knowledge-based+approach+for+interpreting+genome-wide+expression+profiles%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles.</a> Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).</li>
<li>Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M., Tanabe, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((KEGG+as+a+reference+resource+for+gene+and+protein+annotation%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">KEGG as a reference resource for gene and protein annotation.</a> Nucleic Acids Res. 44 (D1), D457-D462 (2016).</li>
<li>Kanehisa, M., Goto, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((KEGG%3A+kyoto+encyclopedia+of+genes+and+genomes%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">KEGG: kyoto encyclopedia of genes and genomes.</a> Nucleic Acids Res. 28 (1), 27-30 (2000).</li>
<li>Fabregat, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Reactome+pathway+Knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The Reactome pathway Knowledgebase.</a> Nucleic Acids Res. 44 (D1), D481-D487 (2016).</li>
<li>Croft, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Reactome+pathway+knowledgebase%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">The Reactome pathway knowledgebase.</a> Nucleic Acids Res. 42 (Database issue), D472-D477 (2014).</li>
<li>Nishimura, D. <a target="_blank" href="http://online.liebertpub.com/doi/abs/10.1089/152791601750294344">BioCarta.</a> Biotech Software & Internet Report. 2 (3), 117-120 (2001).</li>
<li>Edgar, R., Domrachev, M., Lash, A. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+Expression+Omnibus%3A+NCBI+gene+expression+and+hybridization+array+data+repository%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">Gene Expression Omnibus: NCBI gene expression and hybridization array data repository.</a> Nucleic Acids Res. 30 (1), 207-210 (2002).</li>
<li>Kolesnikov, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ArrayExpress+update--simplifying+data+submissions%5BTitle%5D)+AND+%22Nucleic+Acids+Res%22%5BJournal%5D)">ArrayExpress update--simplifying data submissions.</a> Nucleic Acids Res. 43 (Database issue), D1113-D1116 (2015).</li>
<li>Cohen, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sepsis%3A+a+roadmap+for+future+research%5BTitle%5D)+AND+%22Lancet+Infect+Dis%22%5BJournal%5D)">Sepsis: a roadmap for future research.</a> Lancet Infect Dis. 15 (5), 581-614 (2015).</li>
<li>Spinelli, L., Carpentier, S., Montanana Sanchis, F., Dalod, M., Vu Manh, T. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((BubbleGUM%3A+automatic+extraction+of+phenotype+molecular+signatures+and+comprehensive+visualization+of+multiple+Gene+Set+Enrichment+Analyses%5BTitle%5D)+AND+%22BMC+Genomics%22%5BJournal%5D)">BubbleGUM: automatic extraction of phenotype molecular signatures and comprehensive visualization of multiple Gene Set Enrichment Analyses.</a> BMC Genomics. 16 (1), 814(2015).</li>
</ol>

著者は、彼らは競合する金銭的な利益があることを宣言します。

動物モデルは、疾患発現機構の解明と新規治療戦略の開発の適用されている長い。しかし、動物モデルの予測性について懐疑的な見方は、次の臨床試験12の失敗を広めるため始めた。さらに、適切な戦略を分析し、前臨床試験から大きなオミクス データの解釈について論争の議論は、同じデータから異なるデータ分析戦略1 を適用した後反対の結論によって提起されました。 ,2。したがって、体系的に特定の人間の病気のため最適な動物モデルの定義にさらに堅牢なバイオインフォマティクス技術の複雑なオミックス データ解析のための高需要があります。最高の使用可能なモデルを適用するだけではなくトランスレーショナルリサーチを向上しますが、さらに人間の状況と相関がない場合があります動物実験を避けることによって動物の福祉に貢献します。
提案するプロトコルは、体系的に最適な動物モデルと特定の人間の無秩序のための治療プロトコルを識別する目的で異なる種のオミックス データを...

動物モデルは、遺伝学、解剖学と生理学の観点から人間を想定した類似性のための人間の病気の研究に広く使用されます。また、動物モデルはしばしば臨床治療にゲートキーパーとして、橋渡し研究の成功に大きな影響を持つことができます。最適な動物モデルの慎重な選択は、誤解を招く動物実験の数を減らすことができます。最近では、橋渡し研究の動物モデルの関連性議論されている論争的、矛盾した結論を導いた人間の炎症性疾患と関連するマウス モデルから得られた同じデータセットを分析するために特に1,2。この議論は、オミックス データを分析中に根本的な問題を明らかにした: 偏りのある遺伝子淘汰を減らすために、種間比較3の堅牢性を高めるため体系的なデータ解析のための標準化されたアプローチが必要です。
伝統的に、トランスクリプトーム データ (および他のオミックス データ) の分析が単一遺伝子レベルで行われます、厳格なカットオフ パラメーターに基づく遺伝子選択の最初のステップが含まれています (例えばフォールドの変更を &#62; 2.0、p 値 &#60; 0.05)。ただし、初期カットオフ パラメーターの設定は多くの場合主観的、恣意的で生物学的正当化されなかったは、反対の結論1,2にもつながることができます。さらに、初期遺伝子淘汰は一般的に、いくつか高度のアップとダウンレギュ レート遺伝子分析を制限してより少ない程度に発現された遺伝子の大半を含むように十分な区別はこうして。
2000 年代初頭のゲノミクス時代の上昇と生物学的経路とコンテキストの知識を増やす、統計的方法は、単一遺伝子レベルの解析の限界を回避するために許可されて開発されました。遺伝子セット濃縮分析 (GSEA)4、トランスクリプトーム データの解析のための広く受け入れられている方法の一つである、遺伝子 (例えば、シグナル伝達経路、染色体などの近位場所。) の事前定義グループを使用します。GSEA 最初式で彼らの個々 の変更に関係なくすべて検出されたフィルター処理されていない遺伝子 (例えば経路)、目的の遺伝子セットをマップします。従ってこのアプローチにはも適度に調整された遺伝子単一遺伝子レベルの解析と失われるそれ以外の場合が含まれます。遺伝子セット内の式で添加剤の変更が実行中の合計の統計情報を使用してを実行してその後。
医学研究における広い使用、にもかかわらず GSEA と関連セット濃縮方法がない  考慮複合オミックス データの分析のため。ここでは、橋渡し研究のための理想的なモデルを識別するためにマウス モデルからひと試料からオミックス データを比較するためのプロトコルについて述べる。人間の炎症性疾患を模倣するために使用されるマウス モデルのコレクションに基づくプロトコルの有効性を示す.しかし、この解析パイプライン人間マウス比較に制限されていません、さらに amendable 研究質問です。

<table><tbody><tr><td>Excel</td><td>マイクロソフト株式会社</td><td></td><td></td></tr></tbody></table>

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

A Protocol for Using Gene Set Enrichment Analysis to Identify the Appropriate Animal Model for Translational Research

マウス モデル従来の遺伝子-遺伝子比較技術を使用してからデータセットを人間の病気のトランスクリプトームのデータセットを比較した最近の研究の動物モデルの妥当性に関する矛盾した結論の結果並進研究。異なる遺伝子発現解析の間の相違の主な理由は、特異的発現遺伝子の任意のフィルタ リングです。さらに、単一の遺伝子種と多くのプラットフォームとの間の比較は、人間と動物モデルからのデータ間のコン/不一致の誤解につながる技術の差異によって制限されます。したがって、体系的なデータ解析のための標準化されたアプローチが必要です。主観的な遺伝子のフィルタ リングと非効果的な遺伝子-遺伝子比較を克服するために我々 は最近、遺伝子セット濃縮分析 (GSEA) これらの問題を回避する可能性があることを示した。そこで、トランスレーショナルリサーチの適切と不適切な動物モデルを区別する GSEA の使用のための標準化されたプロトコルを開発しました。このプロトコルは、それは既存の実験的オミックス データを必要と-先験的モデルの新しいシステムを設計する方法を予測するため適していません。ただし、プロトコルでは、このように不必要な動物実験を避けるとトランスレーショナル研究を誤解を招く最も適切な動物モデルを選択するために標準化された方法で既存のデータを解釈する方法について説明します。

GSEA ワークフローと模範的なデータのスクリーン ショットを示した。図 1は、関心のトランスクリプトーム データを含む遺伝子表現データ ファイルを示しています。わかりやすい表現型ファイルすべての研究が必要を図 2に示します。(例えば経路) の注釈付きの遺伝子セットは、遺伝子セットのデータベース ファイル (図 3) で定義されます。図 4は、GSEA ソフトウェア ツールの使用のための段階的なプロトコルを示します。模範的な結果レポートは、図 5に示されます。図 6は、GSEA 濃縮結果の詳細をまとめたものです。異なる遺伝子発現研究の比較のため特にマウス研究対人間、コンティンジェンシー テーブルが必要...

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。

Recent studies that compared transcriptomic datasets of human diseases with datasets from mouse models using traditional gene-to-gene comparison ...

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。

a-protocol-for-using-gene-set-enrichment-analysis-to-identify

Research

JoVE Journal

Biology

生物学

ここでは、生理的に、関連する高感度で特異的な開発のための体系的なアプローチを提示...

ゼブラフィッシュを用いた病的ヒトゲノムの in vivoモデルで

マイクロアレイ技術は、ゲノム全体に基づいて転写産物の定量的測定と遺伝子発現プロファイリングを可能にします。したがって、このプロトコルでは、7日目のウシ胚を使用した2色のカスタムメイドウシアレイで最適化された技術的手順を提供し、少量の全RNAを使用することの実現可能性を実証します。...

のトランスクリプトームプロファイリング生体内で産ウシ着床前の胚

環境エンリッチメント (EE) は、ライフ スタイル、ストレスと病気間の接続の根底にあるメカニズムを明らかにするために使用される動物の住宅環境です。このプロトコルでは、動物の死亡に影響を与える可能性があります細菌の生物多様性の変化を定義する大腸腫瘍と EE のマウス...

マウスの大腸腫瘍モデルにおける結腸マイクロバイ生物多様性環境エンリッチメントの効果を定義する方法

NASA の GeneLab プラットフォームは、生物学的宇宙実験から、貴重なオミックス...

オープン アクセス NASA GeneLab プラットフォームを使用してマウスの生理学上の宇宙飛行の効果を探る

ここでは、プロトコルとメチル Seq エピゲノムのプラットフォームでは、慢性的なストレス暴露に伴うエピジェネティックな変化を識別するためにラットのモデルを使用しての実装について述べる。結果は、ラット メチル Seq...

ストレス曝露に伴うエピジェネティックな変化を識別するためにラット メチル Seq プラットフォーム

神経精神疾患の病因における最近発見された疾患関連遺伝子の役割は依然として不明瞭である。子宮エレクトロポレーション技術における修飾された両側性は、ニューロンの大規模集団における遺伝子導入と、社会的行動に対する遺伝子発現変化の原因の影響の検討を可能にする。...

子宮内電散法における両側性を用いたパイプラインによるげっ歯類の行動に対する遺伝的影響の調査

ここで示すプロトコルは、高度な統計分析アプローチへの品質管理と前処理のステップを含む、生の読み取りから機能分析までのRNAシーケンシングトランスクリプトームデータを分析するための完全なパイプラインを説明しています。...

宿主と病原体の相互作用を調するためのハイスループットトランスクリプトーム解析

私たちは、遺伝子改変マウスモデルで発生した腫瘍の治療標的と対応するヒト腫瘍の種類を同定および比較するために、ゲノム解析と機能的ゲノムスクリーニングを利用した種間比較腫瘍ゲノミクスアプローチを開発しました。...

悪性末梢神経鞘腫瘍のマウスモデルにおける治療標的を特定するための遺伝子プロファイリングおよびゲノムスケールドロップアウトスクリーニング

現在の研究では、バルクRNAシーケンシング実験からのケースサンプルと対照サンプルを比較することによって生成された細胞内シグナル伝達経路のプロファイルに基づいて治療標的を予測し、優先順位を付けるRスクリプトであるPathway2Targetsアルゴリズムを実行するためのプロトコルについて説明しています。...

ヒト差次発現遺伝子リストを使用して、ダウンストリーム経路濃縮解析とターゲットの優先順位付けを実行する

ランダムドットkinematogramsとコンピュータで生成された無脊椎動物のビデオ再生を採用したオペラント条件づけパラダイムを使用して、トカゲの視覚感度のテスト。...

トカゲの運動の速度と方向の視覚感度のテスト

学ぶ遺伝子セット濃縮解析（GSEA）を用いて、トランスレーショナルリサーチに適したマウスモデルを特定する方法。マイクロアレイやRNAシーケンスデータを比較し、バイアスを排除した動物モデル選択を実現します。

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

さらに動画を探す