이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

전사체 데이터를 활용해 정보 흐름 모델링을 사용하여 맥락 특이적 단백질 상호작용 네트워크를 구축하는 NetDecoder 프로토콜

85 조회수

⸱

DOI:

10.3791/70869

⸱

2026년 7월 31일

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Molecular Pharmacology and Experimental Therapeutics, Mayo Clinic College of Medicine and Science, 2Department of Biochemistry and Molecular Biology, Mayo Clinic College of Medicine and Science, 3Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, 4Paul F. Glenn Center for Biology of Aging Research, Mayo Clinic

이 논문에서

요약

여기서는 네트워크 모델링 도구인 NetDecoder를 사용하여 상황에 맞는 단백질 상호작용 네트워크를 구축하고 유전자 유틸리티 모델(GUM)을 구축하는 프로토콜을 제시합니다. 전사체 데이터를 활용하고 큐레이티드 단백질-단백질 상호작용(PPI) 네트워크를 결합하여 NetDecoder는 주요 표적과 서브네트네트워크를 식별할 수 있게 합니다.

초록

차별 발현 분석은 잠재적 치료 표적을 결정하는 데 흔히 사용되는 기법이지만, 생물학적 경로 전반에 걸친 유전자 네트워크의 복잡성을 간과합니다. 종종 고발현된 유전자가 생물학적 표현형의 특성을 반드시 설명하지 못합니다. NetDecoder는 전사체 데이터를 단백질-단백질 상호작용(PPI) 네트워크와 통합하여 맥락 특이적 정보 흐름, 유전자 유용성, 주요 엣지 및 차등 활용 유전자 네트워크를 모델링하는 네트워크 생물학 도구로, 차별 발현 분석의 한계를 해결하기 위해 개발되었습니다.

이 프로토콜은 초보자 친화적인 단계별 NetDecoder 사용법 가이드로, 데이터 전처리, NetDecoder 실행, 출력 분석에 대한 포괄적인 가이드를 제공합니다. 워크플로우에는 유전자(노드) 및 유전자-유전자 상호작용(엣지 수준) 차이를 정량화하기 위한 소프트웨어 구성, 네트워크 구축, 흐름 기반 모델링 분석이 포함됩니다. 결과물에는 핵심 표적과 라우터, 차등 흐름 서브네트워크, 엣지 플로우 분포가 포함되어 특정 생물학적 상태와 관련된 주요 조절 유전자와 경로를 식별할 수 있게 합니다. 제시된 단계를 따르면 연구자들은 전사체 데이터와 엄선된 PPI 네트워크를 활용해 표현형 간 표현형 유전자 흐름을 독립적으로 밝혀낼 수 있을 것입니다.

서론

유전자와 치료 연구를 위한 관련 경로의 선정은 종종 차별발현분석에 의해 주도됩니다. 이 분석 방법은 두 가지 이상의 조건 간 유전자 발현의 차이를 효과적으로 파악합니다. 하지만 유전자는 복잡하고 상호 연결된 생물학적 네트워크 내에서 기능하기 때문에, 개별 유전자 발현만으로는 네트워크 내에서 유전자들이 어떻게 상호작용하는지와 그 유전자-유전자 관계를 완전히 포착하지 못합니다2. 네트워크 전파 방법은 유전자 발현과 상호작용 네트워크를 통합하여 차별 발현만으로는 놓칠 수 있는 생물학적으로 중요한 유전자를 식별합니다. 현재의 접근법은 유전자의 기능적 중요성과 생물학적 정보가 생물학적 조건 전반에 걸쳐 단백질-단백질 상호작용(PPI) 네트워크 내에서 어떻게 재분배되는지를 명확히 정량화하지 않고 있습니다. 따라서 조건별 네트워크 행동을 모델링하고 생물학적 시스템 전반에 걸친 정보 흐름 변화를 정량화하는 방법이 필요했습니다. 유전자가 더 넓은 생물학적 네트워크 내에서 어떻게 상호작용하는지 설명하기 위해, 네트워크 생물학 플랫폼인 NetDecoder가 개발되어 조건 간 정보 흐름 차이가 가장 큰 유전자를 발견했습니다. NetDecoder는 프로세스 유도 흐름 알고리즘을 사용하여 인간 PPI 네트워크에 대한 기존 지식을 변환하고, 대량 RNA 시퀀싱 데이터를 결합하여 정보 흐름 기반 상호작용 모델을 구축합니다.

표현형 네트워크를 위한 정보 흐름 데이터를 이용하여, 정보 흐름이 높은 유전자를 발현 값과 관계없이 네트워크 내에서 가장 높은 유전자 유용성을 가진 유전자를 식별하는 유전자 효용 모델(GUM)5를 개발할 수 있습니다. 이 접근법은 보다 효과적인 목표 우선순위 지정 전략과 식별을 지원하며, 전통적인 분석이 종종 놓치는 통찰을 제공합니다. 기존의 차별 발현 또는 상관관계 기반 네트워크 방법과 달리, NetDecoder는 유전자(노드 수준)와 상호작용(엣지 수준) 정보 흐름 변화를 모두 정량화하여, 큰 발현 변화가 없더라도 기능적으로 중요한 유전자를 식별할 수 있게 합니다 4,5. NetDecoder는 두 생물학적 상태 간의 비교 분석이 필요한 대량 RNA 시퀀싱 데이터셋에 널리 적용할 수 있으며, 정보 흐름과 네트워크 조직의 변화를 식별할 수 있습니다. NetDecoder는 프로테오믹스와 후생유전체학 등 다른 오믹스 데이터셋의 통합을 지원하지만, 본 프로토콜은 전사체 데이터를 이용한 워크플로우를 구체적으로 시연합니다. 이러한 응용 프로그램에서는 단백질이나 후생유전학적으로 조절된 유전자를 기반으로 소스 유전자를 정의할 수 있어, 이러한 분자 특징으로부터 정보 흐름 분석을 시작할 수 있습니다. 이러한 유연성은 다중 오믹스 증거를 네트워크 기반 분석에 통합할 수 있게 하며, 표현형 차이의 근본적인 교차 모달 조절 메커니즘 발견을 촉진합니다.

일반적인 연구 설계는 질병과 건강한 상태, 치료 반응자와 비반응자, 약물 치료, 녹다운 또는 녹아웃 대 대조군 실험, 발달 또는 세포 상태 전이 분석 등 이분법 비교를 포함합니다. 이 프로토콜의 목표는 생물학적 조건 전반에 걸쳐 네트워크 영향이 변화된 유전자를 발견하기 위해 NetDecoder를 적용하는 재현 가능한 프레임워크를 보여주는 것입니다. 이는 NetDecoder 설정 및 실행을 위한 쉽게 따라할 수 있는 단계, 기본 문제 해결 기법, 결과 해석 방법도 프로토콜에 안내되어 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 공개된 RNA 시퀀싱 데이터셋을 사용했으며, 인간이나 동물 대상자를 직접 참여시키지 않았습니다. 따라서 기관 심사위원회의 승인과 사전 동의는 필요하지 않았습니다.

참고: NetDecoder는 다음 입력 파일을 요구합니다: 두 가지 정의된 생물학적 조건에 걸친 정규화된 유전자 발현; 생물학적 조건을 설명하는 메타데이터 파일; 네트워크 구축 및 모델링을 위한 출처 유전자 목록; 공개된 단백질-단백질 상호작용(PPI) 네트워크; 그리고 각 생물학적 조건에 맞게 구축된 엣지 가중 네트워크(EWN)가 있습니다.

1. 데이터 준비

  1. 대량 RNA 시퀀싱 발현 데이터 및 메타데이터 검색
    1. RNA 시퀀싱 데이터(원시 유전자 발현 개수 및 샘플명 매트릭스)와 해당 메타데이터(샘플명, 상태 등)를 Gene Expression Omnibus(GEO)와 같은 공개 저장소에서 다운로드하거나, 실험실에서 생성된 실험 데이터셋을 사용할 수 있습니다. 일반적으로 행은 유전자 이름을, 열은 샘플 이름에 해당하는 행렬입니다.
      참고: 이 프로토콜을 시연하는 데 사용된 예제 데이터셋은 국가 옴믹스 데이터 백과사전(NODE) 저장소(BioSino 데이터베이스)의 accessionOEP001105 6에서 획득했습니다. 사용자는 자신의 대량 RNA 시퀀싱 데이터셋을 대체할 수 있습니다.
    2. 샘플 이름과 그 그룹 또는 관련 조건을 포함하여 샘플 주석 파일(메타데이터)을 생성하세요; 예를 들어, '대조군'과 '질병'은 흔한 상태 유형입니다. 메타데이터와 표현식 파일 간에 샘플 이름이 일치하는지 확인하세요.
  2. 집계 표현 데이터 및 메타데이터
    1. 생성된 데이터 매트릭스에 발현 개수, 유전자 이름, 샘플 이름과 조건이 포함된 메타데이터 파일이 포함되는지 확인하세요. 필요하다면 org 같은 R 패키지를 사용하세요. Hs.eg.db(인간) 또는 주석 Dbi로 서로 다른 유전자 식별자를 매칭합니다.
    2. R이나 유사한 프로그래밍 언어를 사용해 메타데이터 파일에서 필수적이지 않은 정보를 제거하세요.
    3. 표현식 카운트 파일의 정보를 하나의 파일로 합쳐 쉽게 조작할 수 있습니다.
  3. 필터 표현식 데이터
    1. 유전자 발현 데이터 매트릭스를 전처리하여 유전자 중복, 무효값(NA), 저발현(< 총 개체수), 및/또는 분산이 낮은 유전자 등을 제외합니다.
  4. 데이터 전처리
    1. RNA 시퀀싱 정규화 및 차별 발현 분석
      참고: 이 단계는 대량 RNA 시퀀싱 데이터를 분석할 때 엣지 가중 네트워크(EWN) 생성 및 소스 유전자 선택(1.5–1.6단계)을 위한 두 가지 (1.4.2) 접근법 중 하나(1.4.1)입니다. 대안으로, 1.4.3단계로 건너뛰면 Pearson 상관관계 기반 템플릿 매칭을 사용할 수 있습니다.
      1. 이 단계에서 R 패키지인 AnnotationDbi를 사용하여 개별 유기체 패키지와 함께 유전자 ID 변환을 수행합니다. NetDecoder는 예시 PPI와 일치하는 유전자 기호(즉, 유전자 ID)를 사용합니다.
      2. Limma, edgeR, DESeq2 또는 유사한 도구를 사용하여 두 조건 간의 정규화 및 차별 표현 분석을 수행합니다.
      3. DESeq2를 사용할 경우, DESeqDataSetFromMatrix() 함수를 사용하여 DESeq 데이터셋을 구성하고, 입력값은 유전자 및 샘플, 샘플 메타데이터(조건)를 사용합니다.
      4. 1.4.1.3 단계에서 생성된 객체에 기본 설정으로 DESeq() 함수를 사용하여 차분식 값을 계산하세요.
      5. 결과를 유전자 식별자(유전자 ID)를 행 이름으로, log2 접수 변경(log2FC), p-값, 조정된 p-값을 포함한 주요 출력을 포함하는 데이터 매트릭스에 저장하세요.
      6. 선택적으로, dplyr 또는 유사한 도구를 사용해 조정된 p-값(<0.05) 및/또는 log2FC 값(예: |log2FC| > 1)으로 결과를 필터링할 수 있습니다.
      7. 처리된 모든 유전자 목록과 log2 폴드 변화 행렬은 NetDecoder에 입력할 수 있도록 탭 구분(.txt 또는 .csv) 파일로 내보내야 합니다.
      8. 2가지 이상의 생물학적 조건이 사용될 경우 1.4.1단계에서 쌍별 비교를 수행하고, 1.4.1.5단계에서 생성된 DESeq 객체의 result() 함수를 사용하여 쌍별 결과를 얻습니다.
    2. 마이크로어레이 표현 정규화 - 선택 사항
      참고: 마이크로어레이 데이터를 사용할 경우, 데이터 정규화를 위해 이 단계를 수행하세요.
      1. NetDecoder 정규화 스크립트(HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize를 열어 데이터를 정규화합니다. R), https://github.com/HuLiLab/NetDecoder_Example/tree/main 에서 R-개발 플랫폼에서 접근 가능하며, 셀 강도 파일(CEL)이 포함된 작업 디렉터리와 일치하도록 이탤릭체로 표시된 부분을 편집합니다.
        setwd(~/NetDecoder_Example/raw_data/CEL_files)
    3. 템플릿 매칭 - 선택 사항
      참고: 이는 차별식 분석("데이터 준비" 1.1–1.4.1 단계에 명시된 대로)이 수행되지 않을 경우 두 번째 선택적 접근법입니다.
      1. limma, edgeR, DESeq2를 통해 처리되지 않은 RNA 시퀀싱 데이터의 경우, 템플릿 매칭을 적용하기 전에 외부에서 정규화를 수행하세요. 마이크로어레이 데이터의 경우, 1.1–1.4.2 단계에서 생성된 정규화된 표현식 값을 직접 사용하세요.
      2. 대조군을 유전자 발현의 기준선 템플릿으로 선택하고, 관심 있는 모든 조건의 정규화된 유전자 발현 값을 비교하세요.
      3. 각 유전자의 발현 프로필과 선택한 템플릿 간의 피어슨 상관계수를 계산합니다. 통계적으로 유의한 상관관계(p < 0.05)와 사용자가 정의한 임계값을 초과하는 절대 상관계수(예: |r| > 0.7)를 가진 유전자는 유지하는 것이 권장됩니다.
  5. 출처 유전자 선택
    참고: 이 단계의 입력은 1.1–1.4단계에서 개발된 정규화된 유전자 발현 행렬입니다.
    1. 출처 유전자로 사용할 유의미한 유전자 집합을 선택하세요. 미분식 기반 워크플로우의 경우, 조정된 p값 및 log2FC 임계값(예: adj p-value < 0.05, |log2FC| > 2)을 선택하세요. 템플릿 매칭 워크플로우를 위해, 1.4.3.3단계에서 확인된 유의한 유전자 중에서 선택한 상관관계 및 유의성 임계값을 사용하여 출처 유전자를 선택합니다. 임계값은 약 300–1,000개의 유전자를 생성하여 하위 네트워크 구축을 위해 선택해야 합니다.
      참고: 소스 유전자는 정보 흐름이 시작되어 네트워크를 통해 전파되는 지점입니다.
  6. 각 표현형에 대해 엣지 가중 네트워크(EWN)를 구축하세요
    참고: 이 단계에는 다음 입력이 필요합니다: 1.1–1.4단계에서 개발된 정규화된 유전자 발현 매트릭스; 가장자리 목록(geneA-geneB 쌍)으로 포맷된 단백질-단백질 상호작용(PPI) 네트워크; 각 샘플의 생물학적 상태 라벨을 지정하는 샘플 주석 파일 (메타데이터). PPI 네트워크는 R 객체로 공유되며 iRefIndex 단백질 데이터베이스를 기반으로 구축되었습니다. 이 프로토콜에서 사용된 버전은 모든 직접 상호작용을 포함하지만, 자기 루프와 다중 엣지는 제외되었습니다. PPI 네트워크는 15,608개의 단백질과 180,044개의 상호작용을 포함합니다. 추가 세부 사항은 NetDecoder-메서드4절을 참조하세요.
    1. NetDecoder Edge 가중 네트워크(EWN) 스크립트(HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN)를 열어보세요. R은 https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4에서 R-개발 플랫폼에서 접근 가능합니다.
    2. 스크립트의 주석(아래 이탤릭체)으로 표시된 부분을 편집하여 EWN 개발을 위한 사용자 전용 경로와 입력 파일을 설정하세요.
      길<~/NetDecoder_Example/입력/
      이것이 작업 디렉터리로 가는 경로입니다
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      이것은 정규화된 표현식 행렬 Rdata 객체의 예입니다
      stQuery < read.csv("stBreastCancer.csv")
      이것이 샘플 메타데이터입니다
    3. 발현 매트릭스를 필터링하여 PPI 네트워크에 존재하는 유전자만 남기도록 합니다.
    4. 각 조건에 대해 표현형별 하위 표본을 선택하고 Pearson 상관관계를 사용하여 PPI 네트워크에서 정의된 모든 경계에서 쌍별 유전자-유전자 상관관계를 계산합니다. 1.4단계에서 생성된 처리된 정규화된 표현 행렬을 사용하여 상관관계를 계산합니다.
    5. 각 유전자 쌍에 대해 상관계수, 절대 상관계, 그리고 관련된 p-값을 계산합니다.
    6. 불완전한 경우(예: NA 값)를 제거하세요.
    7. 각 조건당 하나의 엣지 가중 네트워크를 탭 구분된 파일(헤더 없음)로 내보내며, 다음 열을 포함합니다: proteinA, proteinB, abs_cor, cor, pvalue.
    8. R 스크립트를 실행하여 모든 관련 조건에 대해 공동표현 네트워크를 생성합니다.

2. NetDecoder 설치 및 구성

  1. NetDecoder 다운로드
    1. (https://netdecoder.hulilab.org/#ver)에서 R이나 Java를 선택하여 NetDecoder 소프트웨어에 접근하세요.
  2. 필수 소프트웨어 설치
    1. 작업/분석 환경용으로 Oracle JDK와 R을 설치하세요.
    2. NetDecoder 문서에 명시된 대로 Bioconductor (https://netdecoder.hulilab.org/#ver)4를 사용하여 필요한 R 패키지를 설치하세요.
  3. 다운로드 의존성
    1. NetDecoder에 필요한 의존성을 다운로드하세요. 여기에는 유전자 온톨로지 데이터(https://geneontology.org/docs/download-ontology/ 에서 접근 가능)와 유전자 연관 참조 가이드(https://www.ebi.ac.uk/GOA/human_release 에서 접근 가능)가 포함됩니다.
  4. 작업 디렉터리를 설정하세요
    1. 다운로드한 모든 파일(발현 데이터, 각 조건별 생성된 공동 발현 네트워크, 유전자 온톨로지 데이터, 연관 참조 가이드)을 하나의 폴더로 옮기는데, 이 폴더가 NetDecoder 작업 디렉터리가 될 것입니다.
  5. 필요한 서류철을 추가하세요
    1. NetDecoder 폴더(https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip)를 NetDecoder 작업 디렉터리에 다운로드하세요.
    2. NetDecoder 폴더를 압축 해제하세요.

3. NetDecoder 실행

  1. 분석 배시 스크립트를 열어
    1. GNU Bash를 실행하는 터미널을 열고 NetDecoder 작업 디렉터리로 이동하세요.
    2. 명령어로 nano NetDecoder_Analysis.sh 을 실행해 bash 스크립트를 엽니다.
  2. 스크립트를 수정하세요
    참고: 대부분의 코드는 이미 작성되어 있습니다. 이 단계에서는 스크립트에서 지정된 위치에 필요한 매개변수가 명시됩니다.
    1. 간단히 이름을 만드세요:
      이탤릭체로 표시된 부분을 비교 중인 조건으로 수정하세요: myshortname='Your_shortname_here'
    2. 소프트웨어 경로 설정:
      다음 세 가지 경로 정의를 이탤릭체 부분을 편집하여 올바른 경로로 수정하세요:
      JAVA="/your/path/here"
      export R="/너의/길/여기"
      별칭 R="/your/path/here"
    3. 작업 디렉터리 설정:
      이탤릭체 부분을 작업 디렉터리로 수정해 모든 파일에 접근할 수 있는 주소로 바꾸세요: INPUT_DIR="/your/path/here"
    4. NetDecoder 라이브러리 설정:
      이탤릭체로 표시된 부분을 zip 파일에서 2.4단계에서 설치된 NetDecoder 라이브러리로 가는 경로로 수정하세요: LIB_DIR="/your/path/here/netdecoder_lib"
    5. 유전자 온톨로지 및 연관 경로 설정:
      두 디렉터리의 이탤릭체 부분을 선호하는 유전자 온톨로지/연관 파일 위치로 편집하세요.
      SYMBOL=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_file
    6. 입력 인자 집합:
      참조 NetDecoder 스크립트에 있는 주석 지침에 따라 다음 다섯 줄의 이탤릭체 부분을 업데이트하세요.
      geneList=$INPUT_DIR/gene_file
      state_trt=치료 상태
      state_ref=기준 조건
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/reference_co_expression_network_file
    7. 적절한 무대 설정:
      원하는 실행 단계에서 #기호를 제거하여 주석을 풀고, 단계가 완료되면 다시 주석을 달아야 합니다. 1단계는 gen_net_trt이고, 그 다음에 gen_net_ref, 그 다음이 분석 단계, 마지막으로 수집 단계입니다.
      실행 단계부터 시작하는 단계로 설정하세요.
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE="분석"
      #STAGE="collect"
    8. 메인 배시 터미널로 이동하세요:
      Ctrl+X, 그리고 Y를 눌러 저장하고 bash 스크립트를 종료하세요.
  3. NetDecoder 실행
    참고: 성공적으로 실행되면 단말기에 로그 메시지가 나타납니다.
    1. 터미널로 이동해서 ./NetDecoder_Analysis.sh 입력하세요.
    2. 3.2.7 단계에 나열된 순서대로 네 단계를 모두 개별적으로 완료할 때까지 실행하세요.
  4. 결과 검색
    1. 출력 파일과 그래픽 요약으로 이동하세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

그림 1에서 보듯, NetDecoder는 데이터 처리, 네트워크 구성, 플로우 기반 분석으로 구성된 구조화된 워크플로우를 통해 작동하며, 출력은 파이프라인의 각 단계에 대응하는 별도의 디렉터리로 조직됩니다. 이 모듈식 구조는 산출물의 체계적인 검증을 가능하게 하여 결과가 각 계산 단계까지 추적될 수 있도록 하고 전반적인 재현성을 지원합니다.

NetDecoder(그림 2)의 성공적인 실행은 네 개의 디렉터리 (분석, 수집, 네트워크, "your_shortname") 에 걸쳐 다양한 조건에 대응하는 데이터를 담은 출력을 생성하며, 여기에는 흐름 값, 서브네트워크, 기타 흐름-상호작용 출력에 대한 도표 및 정량적 출력이 포함됩니다(

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 프로토콜은 유전자 발현 데이터를 단백질-단백질 상호작용(PPI) 네트워크와 통합하여 조건별 정보 흐름을 모델링하고 생물학적 시스템 내 기능적 영향에 따라 유전자 우선순위를 정하는 네트워크-생물학 프레임워크인 NetDecoder의 구현을 개략적으로 설명합니다. 이 방법의 성공적인 적용은 여러 중요한 단계, 신중한 방법론적 선택, 그리고 결과물의 적절한 해석에 달려 있습니다.

프로토콜의 초기 단계는 표현식 데이터 검색, 메타데이터 생성, 통합 표현 행렬 구축을 포함합니다. 이 단계들은 하위 분석과의 호환성을 보장하는 데 매우 중요합니다. 발현 행렬은 유전자를 행으로, 샘플을 열로 구성해야 하며, 행렬 내 샘플 이름과 메타데이터 파일이 동일하게 일치해야 합니다. 이 단계에서 발생하는 불일치(예: 샘플 식별자 불일치나 유전자 이름 중복)는 파이프라인을 통해 전파되어 이후 단계에서 실패로 이어집니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 재정적 이해관계가 상충하지 않습니다.
그림 1과 2의 일러스트는 BioRender(BioRender.com)로 제작되었습니다.

감사의 글

이 연구는 메이요 클리닉 생의학 발견 센터, 메이요 클리닉 종합 암 센터(NIH; P30 CA015083), 메이요 클리닉 위장병학 세포 신호전달 센터(NIH: P30DK084567), 글렌 의학 연구 재단, V 암 연구 재단(S.Z.), 메이요 클리닉 영양 비만 연구 프로그램, 데이비드 F. 및 마가렛 T. 그로네 암 면역학 및 면역치료 프로그램, 슈미트 사이언스, 혁신 및 국립보건원(NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

```html
이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
AnnotationDbiBioconductor버전 1.68.0어노테이션 및 유전자 매핑
BioconductorBioconductor버전 3.19DESeq2, edgeR, limma, AnnotationDbi, 및 유기체 데이터베이스를 지원하는 전사체 데이터 분석 및 패키지 생태계 프레임워크
CytoscapeThe Cytoscape Consoritum버전 3.10.4네트워크 시각화 및 분석
DESeq2Bioconductor버전 1.46.0부정 이항 모델링을 통한 차등 발현 분석
dplyrPosit Software, PBC formerly RStudio, PBC버전 1.1.4데이터 조작 및 변환
edgeRBioconductor버전 4.4.2카운트 기반 차등 발현 분석
ggplot2Posit Software, PBC formerly RStudio, PBC버전 4.0.0데이터 시각화 및 플로팅  
GNU BashGNU Project시스템 기본값Bash, NetDecoder 파이프라인 스크립트 실행
igraphigraph Development Team버전 2.1.4네트워크 구성 및 그래프 분석
LimmaBioconductor버전 3.62.2유전자 발현 분석을 위한 선형 모델링
NetDecoderHu Li Laboratory, Mayo Clinic(2024 Hu Li Lab)정보 흐름 모델링을 통한 상황별 단백질 상호작용 네트워크 구성
org.Hs.eg.dbBioconductor버전 3.20.0인간 유전자 어노테이션 데이터베이스
Oracle JDKOracle Corporation≥ 버전 1.8NetDecoder 실행을 위한 런타임 환경
pheatmapRaivo Kolde버전 1.0.13발현 및 상관 구조 시각화
RThe R Foundation버전 4.4.2전사체 및 네트워크 분석을 위한 핵심 환경
```

참고문헌

  1. Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
  2. Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
  3. Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
  4. Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
  5. Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
  6. Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
  7. Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
  8. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
  9. Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
  10. Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
  11. Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
  12. Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
  13. Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
  14. Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
  15. Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
  16. Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
  17. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
  18. Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
  19. Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

의학제233호제233호빈 값호모델링전사체학흐름 알고리즘통합

이 논문이 게재되었습니다

동영상 곧 제공

문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.