Name: 유전자 규제 네트워크 추론 파이프라인의 출력을 평가하고 시각화하기 위한 대화형 응용 프로그램인 내재역학 시각화 (동영상) | JoVE Journal
Uploaded: 2021-12-07T13:30:00.000+00:00
Duration: 10 min 44 s
Description: 학습하세요 유전자 규제 네트워크 추론 결과를 시각화하고 탐색하는 대화형 도구를 사용하는 방법을. 이 방법은 중간 결과 분석을 통해 매개변수 선택을 최적화하고 기능적 네트워크 모델 개발을 가속화합니다.

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

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

1. IDP 및 IDV 설치
참고: 이 섹션에서는 도커, 콘다, 핍 및 git이 이미 설치되어 있다고 가정합니다(재료 표).
<ol><li>터미널에서 명령을 입력합니다: git 클론 https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
</li>
	<li>IDP의 README 파일의 설치 지침을 따릅니다.</li>
	<li>터미널에서 명령을 입력합니다: git 클론 https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git. 참고: IDV의 복제는 IDP의 최상위 디렉터리 외부에서 수행해야 합니다.</li>
	<li>IDV의 README 파일의 설치 지침을 따르십시오.</li>
</ol>2. 노드 찾기
<ol><li>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.<ol>
<li>구성 파일에 기본 IDP 인수를 추가합니다.</li>
		<li>텍스트 편집기에서 새 텍스트 파일을 열고 개별 줄에 "data_file =", "annotation_file =", output_dir =", "num_proc =", "IDVconnection = True"를 입력합니다.</li>
		<li>"data_file"의 경우 서명과 같을 경우 각 시간 시리즈 파일의 경로 및 이름을 입력하고 이름 다음에 쉼표를 입력합니다. 두 개 이상의 타임 시리즈 데이터 집합이 사용되는 경우 각 데이터를 쉼표로 분리합니다. 타임시리즈 유전자 발현 파일의 예는 보충 파일 1 및 보충 파일 2 를 참조하십시오.</li>
		<li>서명과 같을 경우 "annotation_file"에 대한 별표 파일의 경로 및 이름을 입력합니다. 추가 파일 3 을 참조하여 추가 파일의 예를 들어 표시 파일의 예를 들어 보겠습니다.</li>
		<li>"output_file"의 경우 서명과 같을 경우 결과가 저장될 폴더의 경로와 이름을 입력합니다.</li>
		<li>"num_proc"의 경우 서명과 같을 경우 IDP가 사용해야 하는 프로세스 수를 입력합니다.</li>
		<li>구성 파일에 노드 찾기 인수를 추가합니다.</li>
		<li>2.1.1 단계와 동일한 텍스트 파일에서 개별 줄에 "[dlxjtk_arguments]" 및 "기간 =", "dlxjtk_cutoff =""라는 순서를 입력합니다. 주요 인수 후에 배치합니다.</li>
		<li>"기간"의 경우, 서명과 같을 경우, 일회성 계열 데이터 집합을 사용하는 경우 쉼표로 구분된 각 기간 길이를 입력합니다. 두 개 이상의 타임 시리즈 데이터 집합의 경우 각 기간 길이 집합을 이전과 같이 입력하지만 각 집합 주위에 사각형 브래킷을 배치하고 집합 사이에 쉼표를 놓습니다.</li>
		<li>서명과 동일한 후, "dlxjtk_cutoff"에 대해, JTK_CYCLE(DLxJTK)에 의해 드 리히텐베르크에 의해 gene_list_file 출력에 유지되는 유전자의 최대 수를 지정하는 정수를 입력(표 1). 참고: 각 인수를 더 잘 이해하기 위해 IDP README의 dlxjtk_arguments 섹션을 검토하는 것이 좋습니다. 노드 찾기 인수가 지정된 구성 파일의 예를 보려면 보충 파일 4 를 참조하십시오.</li>
	</ol></li>
	<li>터미널에서 inherent_dynamics_pipeline 라는 IDP 디렉토리로 이동합니다.</li>
	<li>단말에 명령을 입력 : 콘다 활성화 dat2net</li>
	<li>파일 이름 <> 파일 이름인 단자에서 이 명령을 실행하여 2.1단계에서 만든 구성 파일을 사용하여 IDP를 실행합니다 : python src/dat2net.py <config 파일 이름></li>
	<li>터미널에서 inherent_dynamics_visualizer 명명된 디렉터리로 이동하여 명령을 입력합니다. /viz_results.sh <results_directory> 참고: <results_directory> IDP의 출력 디렉터리로 사용되는 디렉터리를 가리킵니다.</li>
	<li>웹 브라우저에서 url로 http://localhost:8050/ 입력합니다.</li>
	<li>이제 브라우저에서 IDV가 열려 있으면 노드 찾기 탭을 클릭하고 드롭다운 메뉴에서 관심 있는 노드 찾기 폴더를 선택합니다.</li>
	<li>후속 IDP 단계에 사용할 IDV의 유전자 목록 테이블에서 새로운 유전자 목록을 수동으로 큐레이트합니다.<ol>
<li>유전자 목록 표를 확장하거나 단축하려면 위쪽 또는 아래쪽 화살표를 클릭하거나 DLxJTK 등급 유전자의 유전자 발현 옆에 있는 상자에 1에서 50 사이의 정수에 수동으로 입력합니다. 상단:.</li>
		<li>유전자 목록 표에서 유전자 옆의 상자를 클릭하여 선 그래프에서 유전자 발현 프로파일을 봅니다. 다중 유전자를 추가할 수 있다.</li>
		<li>선택적으로 첫 번째 주기를 빈으로 분할하기 위해 입력 정수라고 표시된 유전자 목록 테이블 위의 입력 상자에 정수를 입력하여 피크 발현을 포함하는 시간 간격으로 유전자를 계산하고 주문할 수 있는 동등하게 크기의 쓰레기통수를 지정합니다. 참고: 이 옵션은 진동 역학에 만전을 기하며 다른 유형의 역학에 적용되지 않을 수 있습니다.</li>
		<li>첫 번째 주기에서 유전자 발현 피크의 시간에 따라 유전자를 주문하는 순서 유전자에 의하여 옵션을 클릭하여 히트맵 보기 선호도를 선택합니다. 참고: DLxJTK 랭크는 IDP의 DLxJTK 알고리즘의 주기도 순위에 따라 유전자를 주문합니다.</li>
		<li>유전자 목록 다운로드 버튼을 클릭하여 유전자 목록을 가장자리 찾기 단계에 필요한 파일 형식으로 다운로드합니다. 유전자 목록 파일의 예를 보려면 보충 파일 5를 참조하십시오.</li>
	</ol></li>
	<li>편집 가능한 유전자 별표에서, 새로운 Edge 찾기 실행에서 가장자리 찾기 단계에 대한 별표 파일에 표적, 레귤레이터 또는 둘 다로 유전자를 라벨. 유전자가 조절자인 경우, 활성제, 억압자 또는 둘 다로 유전자를 라벨로 지정합니다.<ol>
<li>활성제로 유전자를 레이블을 지정하려면 tf_act 열의 세포를 클릭하고 값을 1로 변경합니다. 유전자를 억압자로 표시하려면 tf_rep 열의 값을 1로 변경합니다. 유전자는 tf_act 및 tf_rep 컬럼 모두에서 값을 1로 설정하여 Edge 찾기 단계에서 활성제 및 억압자 역할을 할 수 있습니다.</li>
		<li>유전자를 표적으로 지정하려면 대상 컬럼의 세포를 클릭하고 값을 1로 변경합니다.</li>
	</ol></li>
	<li>에지 찾기 단계에 필요한 파일 형식으로 어노기 파일을 다운로드하려면 Annot. 파일 다운로드 버튼을 클릭합니다.</li>
</ol>3. 에지 찾기
<ol><li>에지 찾기 단계를 매개하는 새 IDP 구성 파일을 만듭니다.<ol>
<li>구성 파일에 기본 IDP 인수를 추가합니다. 텍스트 편집기에서 새 텍스트 파일을 열고 2.1.1 단계를 반복합니다.</li>
		<li>구성 파일에 에지 찾기 인수를 추가합니다.</li>
		<li>3.1.1 단계와 동일한 텍스트 파일에서 "[lempy_arguments]", "gene_list_file=", "[netgen_arguments], "edge_score_column =", "edge_score_thresho=", "num_edges_for_list=", "seed_threshold =", 개별 줄에 "num_edges_for_seed="이라는 순서를 입력합니다. 이들은 주요 인수 아래로 이동해야합니다.</li>
		<li>"gene_list_file"의 경우, 서명과 동일한 후, 2.8.5 단계에서 생성된 유전자 목록 파일의 경로 및 이름을 입력한다.</li>
		<li>"edge_score_column"의 경우 서명과 같을 경우 "pld" 또는 "norm_loss"을 입력하여 lempy 출력의 데이터 프레임 열이 가장자리를 필터링하는 데 사용되는지 지정합니다.</li>
		<li>"edge_score_threshold" 또는 "num_edges_for_list"을 선택하고 다른 항목을 삭제합니다. "edge_score_threshold"를 선택한 경우 0에서 1 사이의 숫자를 입력합니다. 이 숫자는 3.1.5 단계에 지정된 열을 기반으로 가장자리를 필터링하는 데 사용됩니다.<ol>
<li>"num_edges_for_list"를 선택한 경우 가능한 모서리 수와 같거나 적은 값을 입력합니다. 이 숫자는 3.1.5 단계에 지정된 열에서 순위가 어떻게 순위에 따라 가장자리를 필터링하는 데 사용됩니다. 남은 가장자리는 네트워크 찾기에서 네트워크를 구축하는 데 사용됩니다.</li>
		</ol>
</li>
		<li>"seed_threshold" 또는 "num_edges_for_seed"를 선택하고 다른 항목을 삭제합니다. "seed_threshold"를 선택한 경우 0에서 1 사이의 숫자를 입력합니다. 이 숫자는 3.1.5 단계에 지정된 열을 기반으로 가장자리를 필터링하는 데 사용됩니다.<ol>
<li>"num_edges_for_seed"를 선택한 경우 가능한 모서리 수와 같거나 적은 값을 입력합니다. 이 숫자는 3.1.5 단계에 지정된 열에서 순위가 어떻게 순위에 따라 가장자리를 필터링하는 데 사용됩니다. 남은 모서리는 네트워크 찾기에 사용되는 시드 네트워크(표 1)를 구축하는 데 사용됩니다. 참고: 각 인수를 더 잘 이해하기 위해 IDP README의 lempy_arguments 및 netgen_arguments 섹션을 검토하는 것이 좋습니다. 에지 찾기 인수가 지정된 구성 파일의 예를 보려면 보충 파일 7 을 참조하십시오.</li>
		</ol>
</li>
	</ol></li>
	<li>2.2 및 2.3 단계를 반복합니다.</li>
	<li><파일 이름> 파일 이름인 단자에서 이 명령을 실행하여 3.1단계에서 만든 구성 파일을 사용하여 IDP를 실행합니다 : python src/dat2net.py <config 파일 이름입니다></li>
	<li>IDV가 여전히 실행 중인 경우 터미널 창에서 제어 C 를 눌러 프로그램을 중지합니다. 2.5 및 2.6 단계를 반복합니다.</li>
	<li>브라우저에서 IDV가 열려 있으면 Edge 찾기 탭을 클릭하고 드롭다운 메뉴에서 관심 있는 폴더를 찾습니다. 참고: Edge 찾기에서 여러 데이터 집합을 사용하는 경우 LEM(로컬 에지 머신) 분석(표 1)에서 사용된 마지막 데이터 집합을 선택해야 합니다. LEM 결과를 기반으로 시드 네트워크 또는 에지 목록에 대한 가장자리를 선택할 때 이 출력은 노드 간의 규제 관계를 추론하는 데 모든 선행 데이터 파일을 통합하기 때문에 구성 파일에 나열된 마지막 시간 시리즈 데이터를 살펴보는 것이 중요합니다.</li>
	<li>가장자리 테이블을 확장하거나 줄이려면 모서리 수 아래 입력 상자에 정수를 수동으로 입력합니다.</li>
	<li>LEM ODE 매개 변수에서 선택적으로 가장자리를 필터링합니다. 클릭하고 드래그하여 각 매개 변수 슬라이더의 왼쪽 또는 오른쪽을 이동하여 새 허용 매개 변수 경계 외부에 매개 변수가 있는 가장자리 테이블에서 가장자리를 제거합니다.</li>
	<li>선택적으로 IDP에서 제안한 시드 네트워크와 다른 시드 네트워크를 원하는 경우 새 시드 네트워크를 만듭니다. 시드 네트워크 파일의 예는 보충 파일 8 을 참조하십시오.<ol>
<li>시드에서 시드 네트워크를 선택하거나 네트워크 아래의 드롭다운 메뉴에서 선택 에서 선택 중 하나를 선택합니다.</li>
		<li>각 모서리에 인접한 해당 확인란을 클릭하여 가장자리 테이블에서 가장자리를 선택 해제/선택하여 종자 네트워크에서 가장자리를 제거/추가합니다.</li>
	</ol></li>
	<li>DSGRN NetSpec 다운로드 버튼을 클릭하여 규제 네트워크(DSGRN)(표 1) 네트워크 사양 형식으로 생성된 동적 서명에서 시드 네트워크를 다운로드합니다.</li>
	<li>네트워크 찾기 단계에서 사용할 추가 노드와 가장자리를 선택합니다.<ol>
<li>네트워크 찾기에 사용되는 가장자리 목록 파일에 포함할 해당 확인란을 클릭하여 가장자리 테이블에서 가장자리를 선택합니다.</li>
		<li>노드 및 Edge 목록 다운로드를 클릭하여 네트워크 찾기에서 사용하는 데 필요한 형식으로 노드 목록 및 에지 목록 파일을 다운로드합니다. 에지 및 노드 목록 파일의 예는 보충 파일 9 및 보충 파일 10을 참조합니다. 참고: 노드 목록에는 가장자리 목록 파일에 모든 노드가 포함되어 있어야 하므로 IDV는 선택한 모서리를 기반으로 노드 목록 파일을 자동으로 만듭니다. 가장자리 찾기에서 가장자리를 볼 수 있는 두 가지 옵션을 사용할 수 있습니다. LEM 요약 테이블 옵션은 가장자리를 상위 25개의 가장자리의 순위 목록으로 제공합니다. 최상위 LEM 표 는 가능한 각 레귤레이터에 대해 상위 3개 순위 가장자리의 연결 된 목록에서 가장자리를 제공합니다. 각 옵션에 대해 조회된 모서리 수를 사용자가 가장자리 수 입력 상자의 수를 변경하여 조정할 수 있습니다.</li>
	</ol></li>
</ol>4. 네트워크 검색
<ol><li>네트워크 찾기 단계를 매개하는 새 IDP 구성 파일을 만듭니다.<ol>
<li>구성 파일에 기본 IDP 인수를 추가합니다. 텍스트 편집기에서 새 텍스트 파일을 열고 2.1.1 단계를 반복합니다.</li>
		<li>구성 파일에 네트워크 찾기 인수를 추가합니다.</li>
		<li>4.1.1 단계와 동일한 텍스트 파일에서 "[netper_arguments]", "edge_list_file=", "node_list_file=", "seed_net_file ="range_operations=", "numneighbors =", "maxparams =", "[[확률]]", "AddNode =", "AddEdge =", "제거", "제거", "아래"를 입력합니다.</li>
		<li>"seed_net_file"의 경우"edge_list_file"과 "node_list_file"은 동일한 기호 후 3.9 및 3.10.2 단계에서 생성된 시드 네트워크 파일및 모서리 및 노드 목록 파일의 경로 및 이름을 입력합니다.</li>
		<li>"range_operations"의 경우 서명과 같을 경우 쉼표로 구분된 두 숫자를 입력합니다. 첫 번째 및 두 번째 숫자는 네트워크당 노드 또는 모서리를 각각 추가하거나 제거하는 최소 수입니다.</li>
		<li>"numneighbors"의 경우 서명과 같을 경우 네트워크 찾기에서 찾을 네트워크 수를 나타내는 숫자를 입력합니다.</li>
		<li>"maxparams"의 경우 서명과 같을 경우 네트워크를 허용하는 최대 DSGRN 매개 변수 수를 나타내는 숫자를 입력합니다.</li>
		<li>이러한 각 인수에 대해 0에서 1 사이의 값을 입력합니다: "addNode", "addEdge", "removeNode", "removeEdge", 서명과 같은 후 숫자는 1로 합해야 합니다. 참고: 각 인수를 더 잘 이해하기 위해 IDP README의 netper_arguments 및 netquery_arguments 섹션을 검토하는 것이 좋습니다. 추가 파일(11 )과 보충 파일(12 )을 참조하여 지정된 네트워크 찾기 인수와 함께 구성 파일의 예를 들어 보겠습니다.</li>
	</ol></li>
	<li>2.2 및 2.3 단계를 반복합니다.</li>
	<li>파일 이름인 <컨피그 파일 이름> 파일 이름인 단자에서 이 명령을 실행하여 4.1 단계에서 만든 구성 파일을 사용하여 IDP.py <를 실행합니다></li>
	<li>IDV가 여전히 실행 중인 경우 터미널 창에서 제어 C 를 눌러 프로그램을 중지합니다. 2.5 및 2.6 단계를 반복합니다.</li>
	<li>브라우저에서 IDV가 열려 있으면 네트워크 찾기 탭을 클릭하고 관심 있는 폴더를 찾는 네트워크를 선택합니다.</li>
	<li>네트워크 또는 네트워크 집합을 선택하여 에지 보급 테이블(표 1)을 생성하고 해당 쿼리 결과와 함께 네트워크를 볼 수 있습니다.<ol>
<li>두 가지 옵션은 네트워크를 선택하는 데 사용할 수 있습니다: 옵션 1 - 플롯의 x축 및 y축에 해당하는 입력 상자에 최소 값과 최대 값을 입력하여 쿼리 결과에 대한 입력 하부 및 위쪽 경계. 옵션 2 - 분산플롯을 클릭하고 드래그하여 포함할 네트워크 주위에 상자를 그립니다. 선택 또는 입력 경계를 입력한 후 선택한 네트워크에서 가장자리 보급률 받기 단추를 누릅니다. 참고: 두 개 이상의 DSGRN 쿼리를 지정한 경우 쿼리 유형으로 레이블이 지정된 라디오 단추를 사용하여 각 쿼리의 결과 간에 전환합니다. 두 개 이상의 엡실론(노이즈 레벨)을 지정한 경우에도 마찬가지입니다.</li>
	</ol></li>
	<li>가장자리 보급 테이블 아래의 화살표를 클릭하여 테이블의 다음 페이지로 이동합니다. 다운로드 테이블을 눌러 가장자리 보급 테이블을 다운로드합니다.</li>
	<li>네트워크 인덱스 입력 상자에 정수입력을 입력하여 4.6단계에서 선택한 단일 네트워크를 표시합니다. DSGRN NetSpec 다운로드 를 클릭하여 DSGRN 네트워크 사양 형식으로 표시된 네트워크를 다운로드합니다.</li>
	<li>지정된 모티프 또는 관심 네트워크와 유사성을 위해 네트워크를 검색합니다.<ol>
<li>각 모서리에 해당하는 확인란을 사용하여 네트워크에 포함될 모서리또는 유사성 해석에 사용되는 모티프를 선택합니다. 선택한 모티프 또는 네트워크에 대한 유사성 산란플롯을 만들려면 제출 을 클릭합니다. 참고: 가장자리 목록의 화살표를 사용하여 사전순으로 정렬하고 테이블 아래의 화살표를 테이블의 다음 페이지로 이동합니다.</li>
		<li>분산플롯을 클릭하고 드래그하여 네트워크 또는 네트워크 집합을 선택하여 에지 보급 테이블을 생성하고 각 쿼리 결과와 함께 네트워크를 볼 수 있는 네트워크 주위에 상자를 그립니다. 참고: 두 개 이상의 DSGRN 쿼리를 지정한 경우 쿼리 유형으로 레이블이 지정된 라디오 단추를 사용하여 각 쿼리의 결과 간에 전환합니다. 두 개 이상의 엡실론(노이즈 레벨)을 지정한 경우에도 마찬가지입니다.</li>
		<li>4.7 및 4.8 단계를 반복하여 각각 유사성 분석을 위해 에지 보급 테이블과 표시된 네트워크를 다운로드합니다.</li>
	</ol></li>
</ol>

<ol><li>Karlebach, G., Shamir, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+and+analysis+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Nature+Reviews+Molecular+Cell+Biology%22%5BJournal%5D)">Modelling and analysis of gene regulatory networks.</a> Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).</li>
<li>Aijö, T., Lähdesmäki, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+gene+regulatory+networks+from+gene+expression+measurements+using+non-parametric+molecular+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics.</a> Bioinformatics. 25 (22), 2937-2944 (2009).</li>
<li>Huynh-Thu, V. A., Sanguinetti, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+tree-based+and+dynamical+systems+for+the+inference+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Combining tree-based and dynamical systems for the inference of gene regulatory networks.</a> Bioinformatics. 31 (10), 1614-1622 (2015).</li>
<li>Oates, C. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Causal+network+inference+using+biochemical+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Causal network inference using biochemical kinetics.</a> Bioinformatics. 30 (17), 468-474 (2014).</li>
<li>Marbach, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wisdom+of+crowds+for+robust+gene+network+inference%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Wisdom of crowds for robust gene network inference.</a> Nature Methods. 9 (8), 796-804 (2012).</li>
<li>Inherent Dynamics Pipeline. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/inherent_dynamics_pipeline">https://gitlab.com/biochron/inherent_dynamics_pipeline</a> (2021).</li>
<li>Motta, F. C., Moseley, R. C., Cummins, B., Deckard, A., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conservation+of+dynamic+characteristics+of+transcriptional+regulatory+elements+in+periodic+biological+processes%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Conservation of dynamic characteristics of transcriptional regulatory elements in periodic biological processes.</a> bioRxiv. , (2020).</li>
<li>LEMpy. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/lempy">https://gitlab.com/biochron/lempy</a> (2021).</li>
<li>McGoff, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+local+edge+machine%3A+inference+of+dynamic+models+of+gene+regulation%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">The local edge machine: inference of dynamic models of gene regulation.</a> Genome Biology. 17, 214(2016).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Model+rejection+and+parameter+reduction+via+time+series%5BTitle%5D)+AND+%22SIAM+Journal+on+Applied+Dynamical+Systems%22%5BJournal%5D)">Model rejection and parameter reduction via time series.</a> SIAM Journal on Applied Dynamical Systems. 17 (2), 1589-1616 (2018).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Database+of+Dynamic+Signatures+Generated+by+Regulatory+Networks+%28DSGRN%29%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science.+%28including+Subseries+Lecture+Notes+in+Artificial+Intelligence+and+Lecture+Notes+in+Bioinformatics%29%22%5BJournal%5D)">Database of Dynamic Signatures Generated by Regulatory Networks (DSGRN).</a> Lecture Notes in Computer Science. (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 300-308 (2017).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DSGRN%3A+Examining+the+dynamics+of+families+of+logical+models%5BTitle%5D)+AND+%22Frontiers+in+Physiology.+9%22%5BJournal%5D)">DSGRN: Examining the dynamics of families of logical models.</a> Frontiers in Physiology. 9. 9, 549(2018).</li>
<li>DSGRN. , Available from: 
 <a target="_blank" href="https://github.com/marciogameiro/DSGRN">https://github.com/marciogameiro/DSGRN</a> (2021).</li>
<li>Dsgm_Net_Gen. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_gen">https://github.com/breecummins/dsgrn_net_gen</a> (2021).</li>
<li>Dsgrn_Net_Query. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_query">https://github.com/breecummins/dsgrn_net_query</a> (2021).</li>
<li>Orlando, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+control+of+cell-cycle+transcription+by+coupled+CDK+and+network+oscillators%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Global control of cell-cycle transcription by coupled CDK and network oscillators.</a> Nature. 453 (7197), 944-947 (2008).</li>
<li>Monteiro, P. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((YEASTRACT%2B%3A+a+portal+for+cross-species+comparative+genomics+of+transcription+regulation+in+yeasts%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">YEASTRACT+: a portal for cross-species comparative genomics of transcription regulation in yeasts.</a> Nucleic Acids Research. 48 (1), 642-649 (2020).</li>
<li>de Bruin, R. A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Constraining+G1-specific+transcription+to+late+G1+phase%3A+The+MBF-associated+corepressor+Nrm1+acts+via+negative+feedback%5BTitle%5D)+AND+%22Molecular+Cell%22%5BJournal%5D)">Constraining G1-specific transcription to late G1 phase: The MBF-associated corepressor Nrm1 acts via negative feedback.</a> Molecular Cell. 23 (4), 483-496 (2006).</li>
<li>Horak, C. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+transcriptional+circuitry+at+the+G1%2FS+transition+in+Saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Genes+%26+Development%22%5BJournal%5D)">Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae.</a> Genes & Development. 16 (23), 3017-3033 (2002).</li>
<li>Cherry, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Saccharomyces+genome+database%3A+The+genomics+resource+of+budding+yeast%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">Saccharomyces genome database: The genomics resource of budding yeast.</a> Nucleic Acids Research. 40, 700-705 (2012).</li>
<li>Zhu, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+yeast+forkhead+genes+regulate+the+cell+cycle+and+pseudohyphal+growth%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth.</a> Nature. 406 (6791), 90-94 (2000).</li>
<li>Loy, C. J., Lydall, D., Surana, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NDD1%2C+a+high-dosage+suppressor+of+cdc28-1N%2C+is+essential+for+expression+of+a+subset+of+late-S-phase-specific+genes+in+saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Molecular+and+Cellular+Biology%22%5BJournal%5D)">NDD1, a high-dosage suppressor of cdc28-1N, is essential for expression of a subset of late-S-phase-specific genes in saccharomyces cerevisiae.</a> Molecular and Cellular Biology. 19 (5), 3312-3327 (1999).</li>
<li>Cho, C. Y., Kelliher, C. M., Hasse, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+cell-cycle+transcriptional+network+generates+and+transmits+a+pulse+of+transcription+once+each+cell+cycle%5BTitle%5D)+AND+%22Cell+Cycle%22%5BJournal%5D)">The cell-cycle transcriptional network generates and transmits a pulse of transcription once each cell cycle.</a> Cell Cycle. 18 (4), 363-378 (2019).</li>
<li>Smith, L. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+intrinsic+oscillator+drives+the+blood+stage+cycle+of+the+malaria+parasite+Plasmodium+falciparum%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum.</a> Science. 368 (6492), 754-759 (2020).</li>
</ol>

저자는 공개 할 것이 없습니다.

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...

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. 최근에는 타임시리즈 유전자 발현 데이터를 활용하여 유전자 발현 데이터6에서 관찰된 역학과 일치하는 역학을 생성할 수 있는 표지된 레귤레이터 표적 상호작용으로 GRN 모델을 생성하는 고유역학 파이프라인(IDP)이라고 불리는 새로운 GRN 추론 방법이 개발되었다. IDP는 파이프라인에 선형으로 연결된 도구 모음으로, 유전자 발현 특성에 기초하여 유전자를 순위를 매기는 노드 찾기 단계인 GRN7,8의 기능과 관련이 있는 것으로 의심되는 단계, 쌍별 규제 관계를 순위를 매기는 Edge 찾는 단계8, 9, 관찰된 역학을 생성할 수 있는 GRN 모델을 생성하는 네트워크 찾기 단계10,11,12,13,14,15.
대부분의 계산 방법과 마찬가지로 IDP는 입력 데이터를 분석하는 방법을 지시하는 사용자 지정 인수 집합이 필요하며 서로 다른 인수 집합은 동일한 데이터에 대해 서로 다른 결과를 생성할 수 있습니다. 예를 들어 IDP를 비롯한 여러 메서드에는 데이터에 일부 임계값을 적용하는 인수가 포함되어 있으며 특정 메서드의 연속 실행 간에 이 임계값을 증가/줄이면 실행 간에 유사 결과가 발생할 수 있습니다(보충 참고 10: 네트워크 추론 방법 5 참조). 각 인수가 분석및 후속 결과에 어떤 영향을 미칠 수 있는지 이해하는 것은 결과에 대한 높은 신뢰를 달성하는 데 중요합니다. 대부분의 GRN 추론 방법과 달리 IDP는 사용자가 지정해야 하는 고유한 인수 집합을 가지며 각각 고유한 결과를 갖는 여러 계산 도구로 구성됩니다. IDP는 각 도구를 매개 변수화하는 방법에 대한 광범위한 문서를 제공하지만 이전 단계의 출력에 대한 각 도구의 상호 의존성은 중간 분석 없이 전체 파이프라인을 매개 변수화하는 데 어려움을 겪고 있습니다. 예를 들어, Edge 및 네트워크 찾기 단계의 인수는 이전 생물학적 지식에 의해 통보될 가능성이 있으므로 데이터 집합 및/또는 유기체에 따라 달라집니다. 중간 결과를 심문하려면 프로그래밍에 대한 기본적인 이해뿐만 아니라 IDP의 모든 결과 파일과 해당 내용을 깊이 이해해야 합니다.
내재역학 시각화(IDV)는 사용자의 브라우저 창에서 실행되는 대화형 시각화 패키지로 IDP 사용자가 IDP의 모든 단계에서 발생하는 결과에 대한 인수 선택의 영향을 평가할 수 있는 방법을 제공합니다. IDV는 IDP에서 생성된 복잡한 디렉터리 구조를 탐색하고 각 단계에 필요한 데이터를 수집하고 사용자가 탐색할 수 있도록 직관적이고 대화형 그림및 테이블에 데이터를 제공합니다. 이러한 대화형 디스플레이를 탐색한 후 사용자는 보다 정보에 입각한 의사 결정을 기반으로 IDP 단계에서 새 데이터를 생성할 수 있습니다. 그런 다음 이러한 새 데이터는 IDP의 다음 단계에서 즉시 사용할 수 있습니다. 또한 데이터를 탐색하면 IDP 단계를 조정된 매개 변수로 다시 실행해야 하는지 여부를 결정하는 데 도움이 될 수 있습니다. IDV는 IDP의 사용을 향상시킬 뿐만 아니라 효모 세포 주기의 핵심 발진기 GRN을 조사하여 입증된 바와 같이 IDP를 보다 직관적이고 친근하게 사용할 수 있습니다. 다음 프로토콜에는 완전히 매개변수화된 IDP 실행과 각 IDP 단계(예: 노드, 가장자리 및 네트워크 찾기)를 실행한 후 IDV를 통합하는 접근 방식의 IDP 결과가 포함됩니다.

<table><tbody><tr><td>Docker</td><td></td><td></td><td>https://docs.docker.com/get-docker/</td></tr> <tr><td>Git</td><td></td><td></td><td>https://git-scm.com/</td></tr> <tr><td>Inherent Dynamics 파이프라인</td><td></td><td></td><td>https://gitlab.com/biochron/inherent_dynamics_pipeline</td></tr><tr><td>Inherent Dynamics Visualizer</td><td></td><td></td><td>https://gitlab.com/bertfordley/inherent_dynamics_visualizer</td></tr><tr><td>Miniconda</td><td></td><td></td><td>https://docs.conda.io/en/latest/miniconda.html</td></tr><tr><td>핍</td><td></td><td></td><td>https://pip.pypa.io/en/stable/</td></tr></tbody></table>

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

Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline

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.

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 ...

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.

Developing gene regulatory network models is a major challenge in systems biology. Several computational tools and pipelines have been developed to tackle ...

내재된 Dynamics 시각화 도우미를 사용하면 여러 가지 추론 방법을 사용하고 연구자가 결과를 쉽게 이해할 수 있으므로 기능성 네트워크 모델의 빠른 생산을 가능하게 합니다. 내재역학 시각화도우미의 주요 장점은 다운스트림 단계의 매개 변수 및 입력 파일 내용을 알리기 위한 중간 결과를 시각화하고 탐색하는 것입니다. 내재된 다이나믹 시각화 도우미는 여러 추론 도구의 결과를 탐색하고 이해할 수 있도록 합니다.그러나 매개 변수 선택이 결과에 미치는 영향을 더 잘 이해하기 위해 각 도구의 설명서를 참조하는 것이 좋습니다. 노드 찾기 단계를 매개변수화하는 새 IDP 구성 파일에서 데이터 파일을 동일한 입력 파일, 동일한 출력 파일, 동일한 번호 프로세스 및 IDVconnection가 개별 줄에서 true와 같습니다. 데이터 파일에 대해 서명하는 것과 같을 경우 이름 다음에 쉼표로 각 타임시리즈 파일의 경로와 이름을 입력합니다.별표 파일의 경우 별표 파일의 경로와 이름을 입력합니다. 출력 파일의 경우 결과 폴더로 경로와 이름을 입력합니다. 그리고 숫자 프로세스의 경우 IDP가 사용해야 하는 프로세스 수를 입력합니다.주 인수 후 동일한 텍스트 파일에서 DLxJTK 인수를 각대 괄호 마침표로 제시한 순서로 입력하고 DLxJTK 컷오프는 개별 줄에 동일합니다. 기간 동안 한 번의 계열 데이터 집합을 사용하는 경우 서명과 같을 때까지 쉼표로 구분된 각 기간 길이를 입력합니다. 두 개 이상의 타임 시리즈 데이터 집합의 경우 각 기간 길이 집합을 이전과 같이 입력하지만 각 집합 주위에 사각형 브래킷을 배치하고 집합 사이에 쉼표를 놓습니다.DLxJTK 컷오프의 경우, 서명과 동일한 후 JTK-CYCLE에 의해 드 리히텐부르크에 의해 유전자 목록 파일 출력에 유지되는 유전자의 최대 수를 지정하는 정수를 입력합니다. 그런 다음 단말에서 적절한 파일 이름으로 표시된 명령을 실행하여 생성된 구성 파일을 사용하여 IDP를 실행합니다. 터미널에서 내재역학 시각화도우미라는 디렉터리로 이동하여 표시된 명령을 입력합니다.그런 다음 웹 브라우저에서 표시된 URL을 입력합니다. 다음으로 노드 찾기 탭을 클릭하고 드롭다운 메뉴에서 관심 있는 노드 찾기 폴더를 선택합니다. 유전자 목록 표를 확장하거나 단축하려면 위쪽 또는 아래쪽 화살표를 클릭하거나 DLxJTK 순위 유전자의 유전자 발현 옆에 있는 상자에 1~50개의 정수를 수동으로 입력합니다.유전자 목록 표에서 유전자 발현 프로필과 선 그래프를 보려면 유전자 옆의 상자를 클릭합니다. 다중 유전자를 추가할 수 있다. 그런 다음 다운로드 유전자 목록 버튼을 클릭하여 가장자리 찾기 단계에 필요한 파일 형식으로 유전자 목록을 다운로드합니다.편집 가능한 유전자 성서 표에서, 표적, 레귤레이터 또는 둘 다로 유전자를 라벨. 유전자가 조절자인 경우, 활성제, 억압자 또는 둘 다로 유전자를 라벨로 지정합니다. 마지막으로 다운로드 별표 파일 단추를 클릭하여 에지 찾기 단계에 필요한 파일 형식으로 어기 지정 파일을 다운로드합니다.에지 찾기 단계를 매개변수화하는 새 IDP 구성 파일에서 유전자 목록 파일의 경우, 서명과 동일한 후 생성된 유전자 목록 파일의 경로 및 이름을 입력합니다. 가장자리 점수 열의 경우 PLD 또는 표준 손실을 입력하여 가장자리를 필터링하는 데 사용되는 LEM py 출력의 데이터프레임 열을 지정합니다. 다음으로 가장자리 점수 임계값 또는 숫자 가장자리를 선택하여 목록에 대해 다른 항목을 삭제합니다.에지 점수 임계값을 선택한 경우 0에서 1 사이의 숫자를 입력합니다. 목록의 num 가장자리를 선택한 경우 가능한 모서리 수와 같거나 적은 값을 입력합니다. 그런 다음 시드 임계값 또는 절에 대한 숫자 가장자리를 선택하고 다른 항목을 삭제합니다.시드 임계값을 선택한 경우 0에서 1 사이의 숫자를 입력합니다. 시드의 num 가장자리를 선택한 경우 가능한 모서리 수와 같거나 적은 값을 입력합니다. 그런 다음 이전에 설명한 대로 생성된 구성 파일을 사용하여 IDP를 실행합니다.각 모서리에 인접한 해당 확인란을 클릭하여 가장자리 테이블에서 가장자리를 선택하거나 선택 해제하여 종자 네트워크에서 가장자리를 추가하거나 제거합니다. 그런 다음 다운로드 DSGRN 네트워크 사양 버튼을 클릭하여 DSGRN 네트워크 사양 형식으로 시드 네트워크를 다운로드합니다. 에지 테이블에서 해당 확인란을 클릭하여 네트워크 찾기에 사용되는 에지 목록 파일에 포함될 가장자리를 선택한 후 다운로드 노드 및 가장자리 목록을 클릭하여 노드 목록 및 가장자리 목록 파일을 네트워크 찾기에서 사용하는 데 필요한 형식으로 다운로드합니다.네트워크 찾기 단계를 매개변수화하는 새 IDP 구성 파일에서 시드 넷 파일, 에지 목록 파일 및 노드 목록 파일의 경우 시드 네트워크 파일 및 모서리 및 노드 목록 파일의 경로 및 이름을 입력합니다. 범위 작업의 경우 서명과 동일한 후 쉼표로 구분된 두 숫자를 입력합니다. 첫 번째 및 두 번째 숫자는 네트워크당 노드 또는 모서리의 최소 및 최대 추가 또는 제거 수입니다.num 이웃의 경우 네트워크 찾기에서 찾을 네트워크 수를 나타내는 숫자를 입력합니다. 최대 파라미스의 경우 네트워크를 허용하는 최대 수의 DSGRN 매개 변수수를 나타내는 숫자를 입력합니다. 노드 추가의 경우 에지를 추가하고 노드를 제거하고 가장자리를 제거한 후 서명과 같을 때 0에서 1 사이의 값을 입력합니다.숫자는 하나에 합산되어야 합니다. 그런 다음 이전에 설명한 대로 생성된 구성 파일을 사용하여 IDP를 실행합니다. 에지 보급 테이블을 생성하려면 다음 두 가지 옵션을 사용하여 네트워크를 선택합니다.옵션 1의 경우 플롯의 x축 및 y축에 해당하는 입력 상자에 최소값과 최대 값을 입력하여 쿼리 결과에 대한 입력 하부 및 상한을 입력합니다. 옵션 2의 경우 분산플롯을 클릭하고 드래그하여 포함할 네트워크 주위에 상자를 그립니다. 입력 경계를 선택하거나 입력한 후 선택한 네트워크 단추에서 가장자리 보급을 가져옵니다.다음으로 네트워크 인덱스 입력 상자에 정수를 입력하여 선택에서 단일 네트워크를 표시합니다. 그런 다음 다운로드 DSGRN 네트워크 사양을 클릭하여 DSGRN 네트워크 사양 형식으로 디스플레이 네트워크를 다운로드합니다. 각 모서리에 해당하는 확인란을 사용하여 유사성 해석에 사용되는 네트워크 또는 모티프에 포함될 모서리를 선택합니다.그런 다음 제출을 클릭하여 선택한 모티프 또는 네트워크에 대한 유사성 산란플롯을 만듭니다. 네트워크 또는 네트워크 집합을 선택하려면 분산플롯을 클릭하고 드래그합니다. 에지 보급 테이블을 생성하고 각 쿼리 결과와 함께 네트워크를 보려면 포함할 네트워크 주위에 상자를 그립니다.다운로드 테이블을 클릭하여 가장자리 보급 테이블을 다운로드합니다. 그런 다음 앞서 설명한 대로 다운로드 DSGRN 네트워크 사양을 클릭하여 유사성 분석을 위해 디스플레이 네트워크를 다운로드합니다. 이러한 프로토콜은 효모 세포 주기의 핵심 발진기 유전자 조절 네트워크에 적용되었다.단계 간에 IDV를 사용하지 않고 IDP의 모든 단계를 연속적으로 실행한 결과가 여기에 표시됩니다. IDP의 이 완전히 매개 변수화된 실행은 노드 및 에지 찾기에 대한 결과를 생성했습니다. 그러나 네트워크 찾기에서는 모델 허용 네트워크가 발견되지 않았습니다.알려진 효모 세포 주기 조절기의 세트는 그 때 Saccharomyces 게놈 데이터베이스에서 선택되고 유전자 사이 알려진 된 규제 관계는 효모 추적에서 추출되었습니다. 유전자 목록 표는 유전자 조절 네트워크 모델 및 유전자에서 나머지 유전자를 찾기 위해 확장되었고 유전자는 동일한 모델에서 발견되지 않은 유전자를 제거하기 위해 선택해제되었다. 새 IDP 구성 파일은 새 유전자 목록 및 별표 파일을 가진 에지 찾기 단계에 대한 매개 변수화되었으며 결과는 IDV에 로드되었습니다.실험적인 증거가 없는 모서리는 종자 네트워크에서 제거되었습니다. 실험적인 증거에 의해 잘 지원되는 종자 네트워크를 만든 후, 네트워크 찾기 단계에서 37개의 모델 허용 네트워크가 발견되었으며, 그 중 24개가 안정적으로 진동할 수 있습니다. 이 24개의 네트워크 중 가장 뛰어난 성과를 거둔 사람은 안정적으로 진동하는 모델 매개 변수의 50%에서 데이터와 일치하는 두 네트워크였습니다.네트워크 생성 중에 가장자리를 제거하는 기능이 추가되었을 때 612개의 네트워크가 발견되었으며, 이러한 네트워크의 67%가 안정적으로 진동할 수 있는 능력을 가지고 있었습니다. 흥미롭게도, 안정적인 진동 역학을 할 수있는 82 네트워크는 데이터에서 볼 수있는 것과 유사한 역학을 생성 할 수 없었다. 그리고 411개의 네트워크 중 124개 네트워크가 데이터에 대한 강력한 일치를 보였습니다.생물학적으로 실현 가능한 매개 변수 공간은 DSGRN에 알려지지 않았지만 노드 및 에지 발견에 생물학적 정보를 통합하면 네트워크 발견을 모든 네트워크의 공간에서 생물학적으로 합리적인 영역으로 제한하는 데 도움이 됩니다. 에지 찾기 단계의 매개 변수를 사용하여 네트워크의 ODE 모델링을 수행하여 실리코에서 네트워크의 기능을 추가로 테스트할 수 있습니다.

inherent-dynamics-visualizer-an-interactive-application-for

Research

연구

JoVE Journal

Biology

생물학

PathWhiz는 생화학 적 및 생물학적 경로를 생성하기위한 포괄적 인 온라인 경로 그리기 도구입니다. 그것은 사전으로 그린 ​​경로의 구성 요소로 이루어진 공개적으로 액세스 할 수있는 데이터베이스와 쉽게 확장 팔레트를 사용합니다. 쉽게 새로운 경로를 구축 복제 및 기존 경로를 편집하고, 다른 생물로 이전에 그려진 경로를 전파하는 방법이 프로토콜은 설명합니다.

생성 고품질 기계 판독 가능한 생물 진학을위한 웹 도구

탐색 하 고 마우스 somatosensory 피에 vivo에서 2 광자 현미경 검사 법에 의해 측정에 optogenetically 유도 혈관 반응의 데이터베이스 공유에 대 한 그래픽 사용자 인터페이스를 제공 됩니다. 그것은 데이터, 선택 기준을 기반으로, 평균, 맥 관 구조의 3D 볼륨 내에서 측정의 지역화를 탐색 하 고 데이터를 내보낼 수 있습니다.

혈관 네트워크 탐색기 2.0: 탐험과 Vivo 마우스 피에 Vasomotion Optogenetically 갖는 데이터베이스 공유에 대 한 간단한 도구

효 모 인구 잠재적으로 긍정적인 효 모 2 잡종 상호 작용에 대 한 선택의 깊은 시퀀싱 풍부한 파트너 단백질 상호 작용에 대 한 정보를 생성 합니다. 여기, 우리가 특정 생물 정보학 도구와 같은 화면에서 시퀀스 데이터 분석 사용자 지정 된 업데이트 소프트웨어의 동작을 설명 합니다.

일괄 처리 효 모 2 잡종 스크린에서 시퀀스 데이터의 informatic 분석

이 작품은 한 번의 하룻밤 실행에 80-100 C. 예쁜 꼬마 배아에서 배아의 동시 3D 시간 경과 영상을 허용하는 반 높은 처리량 프로토콜을 설명합니다. 또한 데이터 분석을 간소화하기 위해 이미지 처리 및 시각화 도구가 포함되어 있습니다. 사용자 정의 리포터 균주와 이러한 방법의 조합은 배아 발생의 상세한 모니터링을 가능하게.

C. elegans 배아 개발을 분석하는 세미 고처리량 이미징 방법 및 데이터 시각화 툴킷

신경 줄기/전구 세포는 세포 이벤트의 다른 결과로 이끌어 내는 노치 신호 분대의 각종 표현 역학을 전시합니다. 이러한 동적 발현은 유전자 발현의 급격한 변화를 시각화할 수 있는 매우 민감한 생물 발광 이미징 시스템을 사용하여 정적 분석이 아닌 실시간 모니터링을 통해 밝혀질 수 있습니다.

뮤린 신경 발생 시 노치 신호 역학의 실시간 생물 발광 이미징

경로 협회 연구 도구 (과거)를 실행 하 여, 빛나는 응용 프로그램을 통해 또는 R 콘솔을 통해, 연구원은 그들의 게놈 전체 협회 연구의 생물학적 의미의 깊은 이해를 얻을 수 있습니다 (GWAS) 관련 된 신진 대사 경로 조사 하 여 결과.

신진 대사 경로 정보의 GWAS 분석을 위한 통로 협회 연구 도구

우리는 데이터 전처리, 공동 발현 클러스터링, 경로 농축 및 단백질 - 단백질 상호 작용 네트워크 분석을 포함한 상세한 프로토콜과 함께 정량적 단백체학 데이터에 대한 네트워크 분석을 수행하고 시각화하는 시스템 생물학 도구 JUMPn을 제시합니다.

JUMPn: 프로테오믹스의 단백질 공동 발현 클러스터링 및 네트워크 분석을 위한 간소화된 응용 프로그램

데이터 기반 네트워크 구축 및 대사체학 데이터 분석을 위한 두 가지 도구인 CorrelationCalculator와 Filigree를 소개합니다.  CorrelationCalculator는 발현 데이터를 기반으로 대사 산물의 단일 상호 작용 네트워크 구축을 지원하는 반면, Filigree는 차등 네트워크 구축 후 네트워크 클러스터링 및 농축 분석을 수행할 수 있습니다.

CorrelationCalculator 및 Filigree: 대사체학 데이터의 데이터 기반 네트워크 분석을 위한 도구

여기에서는 전사체 데이터를 mqTrans 보기로 변환하여 다크 바이오마커를 식별할 수 있는 프로토콜을 소개합니다. 기존의 전사체 분석에서는 차등적으로 발현되지 않지만, 이러한 바이오마커는 mqTrans 보기에서 차등 발현을 나타냅니다. 이 접근법은 전통적인 방법을 보완하는 기술 역할을 하며, 이전에 간과되었던 바이오마커를 밝혀냅니다.

작은 데이터 세트에서 예측 작업 및 다크 바이오마커 검출을 위한 전사체 특징의 전사체 조절 보기 생성

규제 T 세포 : 이식 거부와 유형 나는 당뇨병 치료를위한 치료 가능성

학습하세요 유전자 규제 네트워크 추론 결과를 시각화하고 탐색하는 대화형 도구를 사용하는 방법을. 이 방법은 중간 결과 분석을 통해 매개변수 선택을 최적화하고 기능적 네트워크 모델 개발을 가속화합니다.

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

더 많은 동영상 탐색