Method Article

유전자 규제 네트워크 추론 파이프라인의 출력을 평가하고 시각화하기 위한 대화형 응용 프로그램인 내재역학 시각화

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

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

내재된 Dynamics 시각화는 향상된 능률적인 기능 성 네트워크 모델을 위해 유전자 규제 네트워크 추론 도구에 연결하는 대화형 시각화 패키지입니다. 시각화 도우미를 사용하여 추론 도구를 매개 변수화하기 위해 보다 정보에 입각한 결정을 내릴 수 있으므로 결과 모델에 대한 신뢰도가 높아질 수 있습니다.

Abstract

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

유전자 규제 네트워크 모델을 개발하는 것은 시스템 생물학의 주요 과제입니다. 새로 개발된 내재역학 파이프라인을 포함하여 이러한 과제를 해결하기 위해 여러 가지 계산 도구와 파이프라인이 개발되었습니다. 내재역학 파이프라인은 이전에 게시된 여러 도구로 구성되어 시너지 효과적으로 작동하고 선형 방식으로 연결되며, 여기서 한 도구의 출력이 다음 도구의 입력으로 사용됩니다. 대부분의 계산 기술과 마찬가지로 고유역학 파이프라인의 각 단계에서는 정확한 생물학적 정의가 없는 매개 변수를 선택해야 합니다. 이러한 선택은 분석에 의해 생성된 유전자 규제 네트워크 모델에 실질적으로 영향을 미칠 수 있습니다. 이러한 이유로 각 단계에서 다양한 매개 변수 선택결과를 시각화하고 탐색하는 기능은 선택 사항과 결과에 대한 신뢰를 높이는 데 도움이 될 수 있습니다. 고유역학 시각화는 웹 브라우저 내의 대화형 인터페이스를 통해 매개 변수 선택 사항을 평가하는 프로세스를 간소화하는 포괄적인 시각화 패키지입니다. 사용자는 파이프라인의 각 단계의 출력을 별도로 검사하고, 시각적 정보에 따라 직관적으로 변경하고, 고유역학 파이프라인에 필요한 입력 파일을 자동으로 생산하여 이점을 얻을 수 있습니다. 내재된 역학 시각화도우미는 타임시리즈 전사 데이터에서 유전자 규제 네트워크를 발견하기 위한 매우 복잡한 도구에 대한 비교할 수 없는 수준의 액세스를 제공합니다.

Introduction

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

세포 분화 및 환경 반응과 같은 많은 중요한 생물학적 과정은 유전자 규제 네트워크 (GRN)에서 서로 상호 작용하는 유전자 세트에 의해 지배됩니다. 이러한 GRN은 그들이 제어하는 표현형을 활성화하고 유지하는 데 필요한 전사 역학을 생성하므로 GRN의 구성 요소 및 토폴로지 구조를 식별하는 것이 많은 생물학적 과정과 기능을 이해하는 데 핵심적인 역할을 합니다. GRN은 노드가 유전자이고 그 가장자리가 상호 작용의 방향과 형태를 설명하는 네트워크에 의해 기술된 상호 작용하는 유전자 및/또는 유전자 제품의 집합으로 모델링될 수 있습니다 (예를 들어, 전사의 활성화/억압, 번역 후 수정 등) 1. 상호 작용은 그 때 조절 유전자가 그것의 표적의 생산에 미치는 영향을 설명하는 매개 변수화된 수학 모형으로 표현될 수 있습니다 (들)2,3,4. GRN 모델의 추론은 상호 작용 네트워크의 구조와 기본 상호 작용 매개 변수의 추정을 모두 추론해야 합니다. 다양한 전산 추론 방법이 개발되어 가장 구사된 타임시리즈 유전자 발현 데이터 및 출력 GRN 모델5. ....

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

Protocol

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

1. IDP 및 IDV 설치

참고: 이 섹션에서는 도커, 콘다, 핍 및 git이 이미 설치되어 있다고 가정합니다(재료 표).

  1. 터미널에서 명령을 입력합니다: git 클론 https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. IDP의 README 파일의 설치 지침을 따릅니다.
  3. 터미널에서 명령을 입력합니다: git 클론 https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
    참고: IDV의 복제는 IDP의 최상위 디렉터리 외부에서 수행해야 합니다.
  4. IDV의 README 파일의 설치 지침을 따르십시오.

2. 노드 찾기

  1. 노드 찾기 단계를 매개하는 새 IDP 구성 파일을 만듭니다.
    참고: 다음 단계의 모든 인용부호를 입력해서는 안 됩니다. 인용 부호는 여기에 프로토콜 텍스트와 입력할 내용 사이의 구분기호로만 사용됩니다.
    1. 구성 파일에 기본 IDP ....

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

Results

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

도 1에서 텍스트로 전술한 단계는 효모 세포 주기의 핵심 진동 GRN에 적용되어 효모 세포 주기 연구에서 수집된 타임시리즈 유전자 발현 데이터에서 관찰되는 역학을 생성할 수 있는 기능적인 GRN 모델을 발견할 수 있는지 를 확인한다16. IDV가 IDP 출력을 명확히 하고 개선할 수 있는 방법을 설명하기 위해, 그 결과는 이 분석을 두 가지 방법으로 수행한 후, 1) IDV 없이 한 패스로 IDP의 모든 단계를 실행하고 2) IDV의 도움으로 IDP를 통해 단계별로 실행하여 사전 생물학적 지식을 통합하고 IDP 출력에 기초하여 정제된 선택을 함으로써 중간 결과를 조정할 수 있도록 하였다. 예를 들어 본보기로 사용되는 잘 연구 된 효모 세포 주기 GRN은 실험적으로 검증 된 많은 규제 관계가 있습니다. 다른 및/이하의 반노트 유기체 또는 생물학적 과정이 연구되고 있는 경우 중간 결과 또는 매개 변수가 조정되는 방법에 대한 선택은 다를 .......

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

Discussion

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

GRNs의 추론은 시스템 생물학에서 중요한 과제입니다. IDP는 점점 더 복잡한 방법으로 데이터를 활용하는 도구의 순서를 사용하여 유전자 발현 데이터에서 모델 GRN을 생성합니다. 각 단계마다 데이터를 처리하는 방법과 IDP의 다음 계층으로 전달되는 요소(유전자, 기능적 상호 작용)에 대한 결정이 필요합니다. 이러한 결정이 IDP 결과에 미치는 영향은 분명하지 않습니다. 이와 관련하여 IDV는 IDP 내의 GRN 추론 도구의 개별 단계에서 출력의 유용한 대화형 시각화를 제공합니다. IDV는 이러한 계산 추론 방법의 결과를 간소화하고 쉽게 평가하여 실험 속도를 높이고 분석 선택을 알릴 수 있으며, 이를 통해 고신뢰도 네트워크 모델및 가설의 빠른 생산을 가능하게 합니다. IDV는 또한 LEM ODE 매개 변수 선택에 의한 필터링 가장자리, 발현 시간별 유전자 비닝, 모티프 또는 네트워크와 유사성을 기반으로 하는 클러스터링 네트워크를 포함하여 IDP의 기능을 확장하는 기능을 구현합니다. 중요한 것은 IDV를 통해 각 IDP 단계 간의.......

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

Disclosures

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

저자는 공개 할 것이 없습니다.

Acknowledgements

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

이 작업은 NIH 보조금 R01 GM126555-01 및 NSF 보조금 DMS-1839299에 의해 지원되었다.

....

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 파이프라인https://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizerhttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
핍https://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....

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