Inherent Dynamics Visualizer, een interactieve toepassing voor het evalueren en visualiseren van outputs van een gene regulatory network inference pipeline

Summary

De Inherent Dynamics Visualizer is een interactief visualisatiepakket dat verbinding maakt met een genregulerende netwerkinferentietool voor verbeterde, gestroomlijnde generatie van functionele netwerkmodellen. De visualizer kan worden gebruikt om beter geïnformeerde beslissingen te nemen voor het parametriseren van de inferentietool, waardoor het vertrouwen in de resulterende modellen toeneemt.

Abstract

Het ontwikkelen van genregulerende netwerkmodellen is een grote uitdaging in de systeembiologie. Er zijn verschillende computationele tools en pijplijnen ontwikkeld om deze uitdaging aan te gaan, waaronder de nieuw ontwikkelde Inherent Dynamics Pipeline. De Inherent Dynamics Pipeline bestaat uit verschillende eerder gepubliceerde tools die synergetisch werken en op een lineaire manier met elkaar verbonden zijn, waarbij de output van één tool vervolgens wordt gebruikt als input voor het volgende gereedschap. Zoals met de meeste computationele technieken, vereist elke stap van de Inherent Dynamics Pipeline dat de gebruiker keuzes maakt over parameters die geen precieze biologische definitie hebben. Deze keuzes kunnen een aanzienlijke invloed hebben op genregulerende netwerkmodellen die door de analyse worden geproduceerd. Om deze reden kan het vermogen om de gevolgen van verschillende parameterkeuzes bij elke stap te visualiseren en te verkennen, helpen het vertrouwen in de keuzes en de resultaten te vergroten. De Inherent Dynamics Visualizer is een uitgebreid visualisatiepakket dat het proces van het evalueren van parameterkeuzes stroomlijnt via een interactieve interface in een webbrowser. De gebruiker kan de uitvoer van elke stap van de pijplijn afzonderlijk onderzoeken, intuïtieve wijzigingen aanbrengen op basis van visuele informatie en profiteren van de automatische productie van benodigde invoerbestanden voor de Inherent Dynamics Pipeline. De Inherent Dynamics Visualizer biedt een ongeëvenaard niveau van toegang tot een zeer ingewikkelde tool voor de ontdekking van genregulerende netwerken uit tijdreekstranscriptomische gegevens.

Introduction

Veel belangrijke biologische processen, zoals celdifferentiatie en omgevingsrespons, worden beheerst door sets genen die met elkaar interageren in een genregulerend netwerk (GRN). Deze GRN's produceren de transcriptionele dynamiek die nodig is voor het activeren en onderhouden van het fenotype dat ze beheersen, dus het identificeren van de componenten en de topologische structuur van de GRN is de sleutel tot het begrijpen van vele biologische processen en functies. Een GRN kan worden gemodelleerd als een set van interagerende genen en/of genproducten beschreven door een netwerk waarvan de knooppunten de genen zijn en waarvan de randen de richting en vorm van interactie beschrijven (bijv. Activering/onderdrukking van transcriptie, posttranslationele modificatie, enz.) ¹. Interacties kunnen dan worden uitgedrukt als geparametriseerde wiskundige modellen die de impact beschrijven die een regulerend gen heeft op de productie van zijn doel(^en)2,3,4. Inferentie van een GRN-model vereist zowel een gevolgtrekking van de structuur van het interactienetwerk als een schatting van de onderliggende interactieparameters. Er zijn verschillende computationele inferentiemethoden ontwikkeld die tijdreeksgenexpressiegegevens opnemen en GRN-modellen ^uitvoeren5. Onlangs werd een nieuwe GRN-inferentiemethode ontwikkeld, de Inherent Dynamics Pipeline (IDP), die tijdreeksgenexpressiegegevens gebruikt om GRN-modellen te produceren met gelabelde regulator-doelinteracties die in staat zijn om dynamieken te produceren die overeenkomen met de waargenomen dynamiek in de genexpressiegegevens6. De IDP is een reeks tools die lineair in een pijplijn zijn verbonden en kunnen worden onderverdeeld in drie stappen: een Node Finding-stap die genen rangschikt op basis van genexpressiekenmerken waarvan bekend is of vermoed wordt dat ze verband houden met de functie van de ^GRN7,8, een Edge Finding-stap die paarsgewijze regulerende relaties rangschikt8^{, 9}, en een netwerkzoekstap die GRN-modellen produceert die in staat zijn om de waargenomen dynamiek10,11,12,13,14,15 ^te produceren.

Zoals de meeste computationele methoden vereist de IDP een reeks door de gebruiker opgegeven argumenten die bepalen hoe de invoergegevens worden geanalyseerd, en verschillende sets argumenten kunnen verschillende resultaten opleveren voor dezelfde gegevens. Verschillende methoden, waaronder de IDP, bevatten bijvoorbeeld argumenten die een bepaalde drempel op de gegevens toepassen, en het verhogen/verlagen van deze drempel tussen opeenvolgende uitvoeringen van de specifieke methode kan leiden tot ongelijke resultaten tussen uitvoeringen (zie Supplement Note 10: Netwerkinferentiemethoden van ⁵). Begrijpen hoe elk argument de analyse en de daaropvolgende resultaten kan beïnvloeden, is belangrijk voor het bereiken van een hoog vertrouwen in de resultaten. In tegenstelling tot de meeste GRN-inferentiemethoden bestaat de IDP uit meerdere rekenhulpmiddelen, elk met een eigen set argumenten die een gebruiker moet opgeven en elk met zijn eigen resultaten. Hoewel de IDP uitgebreide documentatie biedt over het parametriseren van elke tool, maakt de onderlinge afhankelijkheid van elke tool op de uitvoer van de vorige stap het parametriseren van de hele pijplijn zonder tussentijdse analyses een uitdaging. Argumenten in de edge- en netwerkzoekstappen zijn bijvoorbeeld waarschijnlijk gebaseerd op biologische voorkennis en zijn dus afhankelijk van de dataset en / of het organisme. Om tussentijdse resultaten te ondervragen, zou een basiskennis van programmeren nodig zijn, evenals een diep begrip van alle resultaatbestanden en hun inhoud van de IDP.

De Inherent Dynamics Visualizer (IDV) is een interactief visualisatiepakket dat wordt uitgevoerd in het browservenster van een gebruiker en een manier biedt voor gebruikers van de IDP om de impact van hun argumentkeuzes op resultaten van elke stap in de IDP te beoordelen. De IDV navigeert door een gecompliceerde directorystructuur geproduceerd door de IDP en verzamelt de nodige gegevens voor elke stap en presenteert de gegevens in intuïtieve en interactieve figuren en tabellen die de gebruiker kan verkennen. Na het verkennen van deze interactieve displays kan de gebruiker nieuwe gegevens produceren uit een IDP-stap die kan worden gebaseerd op beter geïnformeerde beslissingen. Deze nieuwe gegevens kunnen vervolgens onmiddellijk worden gebruikt in de volgende stap van het IDP. Bovendien kan verkenning van de gegevens helpen bepalen of een IDP-stap opnieuw moet worden uitgevoerd met aangepaste parameters. De IDV kan het gebruik van de IDP verbeteren en het gebruik van de IDP intuïtiever en toegankelijker maken, zoals aangetoond door de kernoscillator GRN van de gistcelcyclus te onderzoeken. Het volgende protocol bevat IDP-resultaten van een volledig geparametriseerde IDP-run versus een aanpak die de IDV na uitvoeringen van elke IDP-stap bevat, d.w.z. Node, Edge en Network Finding.

Protocol

1. Installeer de IDP en IDV

OPMERKING: In deze sectie wordt ervan uitgegaan dat docker, conda, pip en git al zijn geïnstalleerd (Tabel met materialen).

1. Voer in een terminal het commando in: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
2. Volg de installatie-instructies in het README-bestand van de IDP.
3. Voer in een terminal het commando in: git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
   OPMERKING: Het klonen van de IDV moet buiten de directory op het hoogste niveau van de IDP plaatsvinden.
4. Volg de installatie-instructies in het README-bestand van de IDV.

2. Knooppunten vinden

1. Maak een nieuw IDP-configuratiebestand dat de stap Knooppunt zoeken parametriseert.
   OPMERKING: Alle aanhalingstekens in de volgende stappen mogen niet worden getypt. De aanhalingstekens worden hier alleen gebruikt als scheidingsteken tussen de protocoltekst en wat er moet worden uitgetypt.
   1. Voeg de belangrijkste IDP-argumenten toe aan het configuratiebestand.
   2. Open een nieuw tekstbestand in een teksteditor en typ "data_file =", "annotation_file =", "output_dir =", "num_proc =" en "IDVconnection = True" op afzonderlijke regels.
   3. Voor "data_file" typt u na het gelijk aan teken het pad naar en de naam van het respectieve tijdreeksbestand en typt u een komma achter de naam. Scheid elke gegevens door een komma als er meer dan één tijdreeksgegevensset wordt gebruikt. Zie Aanvullend bestand 1 en aanvullend bestand 2 voor een voorbeeld van tijdreeksgenexpressiebestanden.
   4. Typ het pad naar en de naam van het annotatiebestand voor "annotation_file", na het gelijk aan teken. Zie Aanvullend bestand 3 voor een voorbeeld van een annotatiebestand.
   5. Voor "output_file" typt u na het gelijk aan teken het pad naar en de naam van de map waar de resultaten worden opgeslagen.
   6. Typ na het gelijk aan teken bij "num_proc" het aantal processen dat de IDP moet gebruiken.
   7. Voeg argumenten voor het zoeken naar knooppunten toe aan het configuratiebestand.
   8. Typ in hetzelfde tekstbestand als in stap 2.1.1 de volgorde "[dlxjtk_arguments]", "punten =" en "dlxjtk_cutoff =" op afzonderlijke regels. Plaats deze achter de hoofdargumenten.
   9. Voor "punten", typt u na het gelijk aan teken, als een eenmalige reeksgegevensset wordt gebruikt, elke periodelengte gescheiden door komma's. Typ voor meer dan één tijdreeksgegevensset elke set periodelengtes zoals voorheen, maar plaats vierkante haakjes rond elke verzameling en plaats een komma tussen de verzamelingen.
   10. Typ na het gelijk aan teken voor "dlxjtk_cutoff" een geheel getal dat het maximale aantal genen specificeert dat in de gene_list_file output van de Lichtenberg door JTK_CYCLE (DLxJTK) moet worden behouden (tabel 1).
       OPMERKING: Het wordt ten zeerste aanbevolen om de secties dlxjtk_arguments in de IDP README te bekijken om een beter begrip van elk argument te krijgen. Zie Aanvullend bestand 4 voor een voorbeeld van een configuratiebestand waarin de argumenten voor het zoeken naar knooppunten zijn opgegeven.
2. Ga in de terminal naar de IDP-map met de naam inherent_dynamics_pipeline.
3. Voer in de terminal het commando in: conda activate dat2net
4. Voer de IDP uit met behulp van het configuratiebestand dat in stap 2.1 is gemaakt door deze opdracht uit te voeren in de terminal, waarbij de naam van het bestand is: python src/dat2net.py
5. Ga in de terminal naar de map met de naam inherent_dynamics_visualizer en voer de opdracht in: . /viz_results.sh
   OPMERKING: verwijst naar de map die wordt gebruikt als uitvoermap voor de IDP.
6. Voer in een webbrowser http://localhost:8050/ in als de URL.
7. Terwijl de IDV nu in de browser is geopend, klikt u op het tabblad Knooppunt zoeken en selecteert u de gewenste map voor het vinden van knooppunten in het vervolgkeuzemenu.
8. Stel handmatig een nieuwe genenlijst samen uit de genenlijsttabel in de IDV om te worden gebruikt voor volgende IDP-stappen.
   1. Om de genenlijsttabel uit te breiden of in te korten, klikt u op de pijl-omhoog of pijl-omlaag of voert u handmatig een geheel getal tussen 1 en 50 in het vak naast Genexpressie van DLxJTK-gerangschikte genen in. Boven:.
   2. Klik in de genenlijsttabel op het vakje naast een gen om het genexpressieprofiel in een lijngrafiek te bekijken. Er kunnen meerdere genen worden toegevoegd.
   3. Geef optioneel het aantal bakken van gelijke grootte op om genen te berekenen en te ordenen op basis van het tijdsinterval dat hun piekexpressie bevat, door een geheel getal in te voeren in het invoervak boven de genenlijsttabel met het label Input integer om de eerste cyclus in bins te verdelen:.
      OPMERKING: Deze optie is specifiek voor oscillerende dynamica en is mogelijk niet van toepassing op andere typen dynamica.
   4. Selecteer een heatmap-weergavevoorkeur door te klikken op een optie onder Genen ordenen op: Eerste cyclus Max Expression (tabel 1) die genen ordent op basis van het tijdstip van de genexpressiepiek in de eerste cyclus.
      OPMERKING: DLxJTK Rank rangschikt genen op basis van de periodiciteitsrangschikking van het DLxJTK-algoritme van de IDP.
   5. Klik op de knop Genenlijst downloaden om de genenlijst te downloaden naar het bestandsformaat dat nodig is voor de stap Edge Finding. Zie Aanvullend bestand 5 voor een voorbeeld van een genenlijstbestand.
9. Label in de bewerkbare genannotatietabel een gen als een doel, een regulator of beide in het annotatiebestand voor de stap Edge-zoeken in een nieuwe Edge Finding-run. Als een gen een regulator is, label het gen dan als een activator, repressor of beide.
   1. Om een gen als activator te bestempelen, klikt u op de cel in de kolom tf_act en wijzigt u de waarde in 1. Als u een gen als een repressor wilt bestempelen, wijzigt u de waarde in de kolom tf_rep in 1. Een gen mag fungeren als zowel een activator als een repressor in de Edge Finding-stap door de waarden in zowel de tf_act- als tf_rep kolommen op 1 in te stellen.
   2. Om een gen als doel te labelen, klikt u op de cel in de doelkolom en wijzigt u de waarde in 1.
10. Klik op de knop Annot. Bestand downloaden om het annotatiebestand te downloaden naar het bestandsformaat dat nodig is voor de stap Edge Finding.

3. Randbepaling

1. Maak een nieuw IDP-configuratiebestand dat de stap Edge-zoeken parametriseert.
   1. Voeg de belangrijkste IDP-argumenten toe aan het configuratiebestand. Open een nieuw tekstbestand in een teksteditor en herhaal stap 2.1.1.
   2. Voeg argumenten voor Edge-zoeken toe aan het configuratiebestand.
   3. Typ in hetzelfde tekstbestand als in stap 3.1.1 op afzonderlijke regels de volgorde "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" en "num_edges_for_seed =". Deze moeten onder de belangrijkste argumenten gaan.
   4. Voer voor "gene_list_file" na het gelijkteken het pad naar en de naam in van het genenlijstbestand dat in stap 2.8.5 is gegenereerd.
   5. Voer voor "edge_score_column" na het gelijkteken "pld" of "norm_loss" in om op te geven welke gegevensframekolom uit de lempy-uitvoer wordt gebruikt om de randen te filteren.
   6. Selecteer "edge_score_threshold" of "num_edges_for_list" en verwijder de andere. Als 'edge_score_threshold' is geselecteerd, voert u een getal in tussen 0 en 1. Dit nummer wordt gebruikt om randen te filteren op basis van de kolom die is opgegeven in stap 3.1.5.
      1. Als 'num_edges_for_list' is geselecteerd, voert u een waarde in die gelijk is aan of kleiner is dan het aantal mogelijke randen. Dit nummer wordt gebruikt om de randen te filteren op basis van hoe ze zijn gerangschikt in de kolom die is opgegeven in stap 3.1.5. De randen die overblijven, worden gebruikt om netwerken te bouwen in Network Finding.
   7. Selecteer "seed_threshold" of "num_edges_for_seed" en verwijder de andere. Als 'seed_threshold' is geselecteerd, voert u een getal in tussen 0 en 1. Dit nummer wordt gebruikt om randen te filteren op basis van de kolom die is opgegeven in stap 3.1.5.
      1. Als 'num_edges_for_seed' is geselecteerd, voert u een waarde in die gelijk is aan of kleiner is dan het aantal mogelijke randen. Dit nummer wordt gebruikt om de randen te filteren op basis van hoe ze zijn gerangschikt in de kolom die is opgegeven in stap 3.1.5. De randen die overblijven, worden gebruikt om het seed-netwerk (tabel 1) te bouwen dat wordt gebruikt bij Network Finding.
         OPMERKING: Het wordt ten zeerste aanbevolen om de secties lempy_arguments en netgen_arguments in de IDP README te bekijken om een beter begrip van elk argument te krijgen. Zie Aanvullend bestand 7 voor een voorbeeld van een configuratiebestand waarin de argumenten voor edge-vondst zijn opgegeven.
2. Herhaal stap 2.2 en 2.3.
3. Voer de IDP uit met behulp van het configuratiebestand dat in stap 3.1 is gemaakt door deze opdracht uit te voeren in de terminal, waarbij de naam van het bestand is: python src/dat2net.py
4. Als de IDV nog steeds actief is, stopt u deze door op Control C in het terminalvenster te drukken om het programma te stoppen. Herhaal stap 2.5 en 2.6.
5. Terwijl de IDV in de browser is geopend, klikt u op het tabblad Edge Finding en selecteert u de gewenste map voor het vinden van randen in het vervolgkeuzemenu.
   OPMERKING: Als er meerdere gegevenssets worden gebruikt in Edge-detectie, moet u de laatste gegevensset selecteren die is gebruikt in de LEM-analyse (Local Edge Machine) (Tabel 1). Het is belangrijk om bij het selecteren van randen voor het seed-netwerk of de randlijst op basis van LEM-resultaten te kijken naar de laatste tijdreeksgegevens die in het configuratiebestand worden vermeld, aangezien deze uitvoer alle voorgaande gegevensbestanden bevat in de gevolgtrekking van regelgevende relaties tussen knooppunten.
6. Als u de randtabel wilt uitbreiden of inkorten, voert u handmatig een geheel getal in het invoervak onder Aantal randen:.
7. Filter eventueel randen op de LEM ODE-parameters. Klik en sleep om de linker- of rechterkant van de schuifregelaar van elke parameter te verplaatsen om randen uit de randtabel te verwijderen die parameters hebben die buiten de nieuwe toegestane parametergrenzen vallen.
8. Maak eventueel een nieuw seed-netwerk als u een ander seed-netwerk wilt dan het door de IDP voorgestelde netwerk. Zie Supplemental File 8 voor een voorbeeld van een seed-netwerkbestand.
   1. Selecteer Uit zaad om het seed-netwerk te selecteren of uit selectie in het vervolgkeuzemenu onder Netwerk:.
   2. Deselecteer/selecteer randen in de randtabel door op de bijbehorende selectievakjes naast elke rand te klikken om randen uit het seed-netwerk te verwijderen/toevoegen.
9. Klik op de knop DSGRN NetSpec downloaden om het seed-netwerk te downloaden in de netwerkspecificatie-indeling Dynamic Signatures Generated by Regulatory Networks (DSGRN) (Tabel 1).
10. Selecteer extra knooppunten en randen die u wilt gebruiken in de stap Netwerk zoeken.
    1. Selecteer randen in de randtabel door op de bijbehorende selectievakjes te klikken die u wilt opnemen in het randlijstbestand dat wordt gebruikt in Netwerk zoeken.
    2. Klik op Knooppunt- en Edge-lijsten downloaden om de knooppuntenlijst en edge-lijstbestanden te downloaden in het formaat dat vereist is voor hun gebruik in Netwerkzoeken. Zie Supplemental File 9 en Supplemental File 10 voor voorbeelden van respectievelijk edge- en node list-bestanden.
       OPMERKING: De knooppuntenlijst moet alle knooppunten in het randlijstbestand bevatten, zodat de IDV automatisch het knooppuntlijstbestand maakt op basis van de geselecteerde randen. Er zijn twee opties beschikbaar voor het weergeven van de randen in Edge Finding. Met de optie LEM-overzichtstabel worden de randen weergegeven als een gerangschikte lijst met de bovenste 25 randen. Top-Line LEM Table presenteert de randen in een aaneengeschakelde lijst van de top drie gerangschikte randen voor elke mogelijke regelaar. Het aantal weergegeven randen voor elke optie kan door de gebruiker worden aangepast door het nummer in het invoervak Aantal randen te wijzigen.

4. Netwerkbepaling

1. Maak een nieuw IDP-configuratiebestand dat de stap Netwerk zoeken parametriseert.
   1. Voeg de belangrijkste IDP-argumenten toe aan het configuratiebestand. Open een nieuw tekstbestand in een teksteditor en herhaal stap 2.1.1.
   2. Voeg argumenten voor netwerk zoeken toe aan het configuratiebestand.
   3. Typ in hetzelfde tekstbestand als in stap 4.1.1 in de volgorde "[netper_arguments]", "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[waarschijnlijkheden]]", "addNode =", "addEdge =", "removeNode =", "removeEdge =", en "removeEdge =" op afzonderlijke regels, onder de belangrijkste argumenten.
   4. Voer voor "seed_net_file", "edge_list_file" en "node_list_file" na het gelijkteken het pad naar en de naam van het seed-netwerkbestand en de rand- en knooppuntlijstbestanden in die zijn gegenereerd in stap 3.9 en 3.10.2.
   5. Typ na het gelijk aan teken voor "range_operations" twee cijfers gescheiden door een komma. Het eerste en tweede getal zijn respectievelijk het minimum en het maximale aantal toevoegingen of verwijderingen van knooppunten of randen per gemaakt netwerk.
   6. Voer bij "numneighbors" na het gelijk aan teken een getal in dat aangeeft hoeveel netwerken moeten worden gevonden in Netwerk zoeken.
   7. Voer voor "maxparams" na het gelijkteken een getal in dat het maximale aantal DSGRN-parameters vertegenwoordigt om een netwerk mogelijk te maken.
   8. Voer waarden in tussen 0 en 1 voor elk van deze argumenten: "addNode", "addEdge", "removeNode" en "removeEdge", na het gelijk aan teken. De getallen moeten optellen tot 1.
      OPMERKING: Het wordt ten zeerste aanbevolen om de secties netper_arguments en netquery_arguments in de IDP README te bekijken om een beter begrip van elk argument te krijgen. Zie Aanvullend bestand 11 en Aanvullend bestand 12 voor voorbeelden van een configuratiebestand waarin de argumenten Netwerk zoeken zijn opgegeven.
2. Herhaal stap 2.2 en 2.3.
3. Voer de IDP uit met behulp van het configuratiebestand dat is gemaakt in stap 4.1 door deze opdracht uit te voeren in de terminal, waar de naam van het bestand is: python src/dat2net.py
4. Als de IDV nog steeds actief is, stopt u deze door op Control C in het terminalvenster te drukken om het programma te stoppen. Herhaal stap 2.5 en 2.6.
5. Terwijl de IDV in de browser is geopend, klikt u op het tabblad Netwerk zoeken en selecteert u de interessante map voor het vinden van netwerken.
6. Selecteer een netwerk of set netwerken om een edge-prevalentietabel te genereren (tabel 1) en om de netwerken samen met hun respectieve queryresultaten weer te geven.
   1. Er zijn twee opties beschikbaar voor het selecteren van netwerken: Optie 1 - Voer onder- en bovengrenzen in op queryresultaten door minimum- en maximumwaarden in te voeren in de invoervakken die overeenkomen met de x-as en y-as van de plot. Optie 2 - Klik en sleep over de scatterplot om een vak rond de op te nemen netwerken te tekenen. Nadat selectie- of invoergrenzen zijn ingevoerd, drukt u op de knop Edge Prevalence from Selected Networks (Edge Prevalence from Selected Networks ophalen).
      OPMERKING: Als er meer dan één DSGRN-query is opgegeven, gebruikt u de keuzerondjes met het querytype om te schakelen tussen de resultaten van elke query. Hetzelfde geldt als er meer dan één epsilon (geluidsniveau) is opgegeven.
7. Klik op de pijlen onder de randprevalentietabel om naar de volgende pagina van de tabel te gaan. Druk op Tabel downloaden om de edge-prevalentietabel te downloaden.
8. Voer een geheel getal in het invoervak Netwerkindex in om één netwerk weer te geven uit de selectie die in stap 4.6 is gemaakt. Klik op Download DSGRN NetSpec om het weergegeven netwerk in de DSGRN-netwerkspecificatie-indeling te downloaden.
9. Zoek netwerken naar gelijkenis met een bepaald motief of interessant netwerk.
   1. Gebruik de selectievakjes die overeenkomen met elke rand om randen te selecteren die moeten worden opgenomen in het netwerk of motief dat wordt gebruikt voor de gelijkenisanalyse. Klik op Verzenden om de gelijkenis scatterplot voor het geselecteerde motief of netwerk te maken.
      OPMERKING: Gebruik de pijlen in de randlijst om alfabetisch te sorteren en de pijlen onder de tabel om naar de volgende pagina van de tabel te gaan.
   2. Klik en sleep over de scatterplot om een vak rond de op te nemen netwerken te tekenen om een netwerk of set netwerken te selecteren om een edge-prevalentietabel te genereren en om de netwerken samen met hun respectieve queryresultaten te bekijken.
      OPMERKING: Als er meer dan één DSGRN-query is opgegeven, gebruikt u de keuzerondjes met het querytype om te schakelen tussen de resultaten van elke query. Hetzelfde geldt als er meer dan één epsilon (geluidsniveau) is opgegeven.
   3. Herhaal stap 4.7 en 4.8 om respectievelijk de edge-prevalentietabel en het weergegeven netwerk voor de gelijkenisanalyse te downloaden.

Results

De hierboven en grafisch beschreven stappen in figuur 1 werden toegepast op de kern oscillerende GRN van de gistcelcyclus om te zien of het mogelijk is om functionele GRN-modellen te ontdekken die in staat zijn om de dynamiek te produceren die is waargenomen in tijdreeksgenexpressiegegevens verzameld in een gistcelcyclusstudie16. Om te illustreren hoe de IDV de IDP-output kan verduidelijken en verbeteren, werden de resultaten, na het uitvoeren van deze analyse op twee...

Discussion

De gevolgtrekking van GRN's is een belangrijke uitdaging in de systeembiologie. De IDP genereert model-GRN's op basis van genexpressiegegevens met behulp van een reeks hulpmiddelen die de gegevens op steeds complexere manieren gebruiken. Elke stap vereist beslissingen over hoe de gegevens te verwerken en welke elementen (genen, functionele interacties) zullen worden doorgegeven aan de volgende laag van de IDP. De gevolgen van deze beslissingen voor de resultaten van het IDP zijn niet zo duidelijk. Om hierbij te helpen, b...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Docker			https://docs.docker.com/get-docker/
Git			https://git-scm.com/
Inherent Dynamics Pipeline			https://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizer			https://gitlab.com/bertfordley/inherent_dynamics_visualizer
Miniconda			https://docs.conda.io/en/latest/miniconda.html
Pip			https://pip.pypa.io/en/stable/