Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

NetDecoder-protocol voor het bouwen van contextspecifieke eiwitinteractienetwerken uit transcriptomische data met behulp van informatiestroommodellering

85 weergaven

⸱

DOI:

10.3791/70869

⸱

31 juli 2026

 ,  ,  ,  ,  ,  ,  ,  , 
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

In dit artikel

Samenvatting

Hier presenteren we een protocol voor het gebruik van NetDecoder, een netwerkmodelleringstool, om contextspecifieke eiwitinteractienetwerken te construeren en genutiliteitsmodellen (GUM's) te bouwen. Met behulp van transcriptomics-gegevens, in combinatie met gecureerde eiwit-eiwitinteractie (PPI) netwerken, maakt NetDecoder de identificatie van belangrijke doelen en subnetwerken mogelijk.

Samenvatting

Differentiële expressieanalyse is een veelgebruikte techniek om potentiële therapeutische doelen te bepalen, maar het negeert de complexiteit van gennetwerken over biologische routes heen. Vaak verklaren sterk tot expressie gebrachte genen niet noodzakelijk de eigenschappen van een biologisch fenotype. NetDecoder, een netwerkbiologisch hulpmiddel dat transcriptomische data integreert met eiwit-eiwitinteractie (PPI) netwerken om contextspecifieke informatiestroom, gennut en sleutelranden en differentieel gebruikte gennetwerken te modelleren, werd ontwikkeld om deze beperking van differentiële expressieanalyse aan te pakken.

Dit protocol is een beginnersvriendelijke, stapsgewijze gids voor het gebruik van NetDecoder, met uitgebreide richtlijnen die betrekking hebben op datapreprocessing, NetDecoder-uitvoering en analyse van output. De workflow omvat softwareconfiguratie, netwerkopbouw en flow-based modelleringsanalyse om gen- (node) en gen-gen-interactie (edge-level) verschillen tussen biologische aandoeningen te kwantificeren. De resulterende outputs omvatten belangrijke doelen en routers, differentiële stroomsubnetwerken en randstroomverdelingen, waardoor belangrijke regulerende genen en routes die geassocieerd zijn met specifieke biologische toestanden kunnen worden geïdentificeerd. Na het volgen van de beschreven stappen kunnen onderzoekers onafhankelijk onderzoek doen om fenotypische genenstroom tussen fenotypen te ontdekken met behulp van transcriptomische data en samengestelde PPI-netwerken.

Inleiding

De selectie van genen en bijbehorende routes voor therapeutisch onderzoek wordt vaak gedreven door differentiële expressieanalyses1. Deze analysemethode is effectief om te bepalen hoe genexpressie verschilt tussen twee of meer aandoeningen. Genen functioneren echter binnen complexe, onderling verbonden biologische netwerken, wat betekent dat individuele genexpressie niet volledig vastlegt hoe genen in een netwerk interageren en hun gen-genrelaties2. Netwerkpropagatiemethoden integreren genexpressie met interactienetwerken om biologisch belangrijke genen te identificeren die mogelijk gemist worden door alleen differentiële expressie3. Huidige benaderingen kwantificeren niet expliciet het functionele belang van genen en hoe biologische informatie wordt herverdeeld binnen eiwit-eiwitinteractie (PPI)-netwerken over biologische condities. Daarom was een methode nodig om conditie-specifiek netwerkgedrag te modelleren en veranderingen in informatiestroom tussen biologische systemen te kwantificeren. Om te verklaren hoe genen interacteren binnen een breder biologisch netwerk, is NetDecoder, een netwerkbiologisch platform, ontwikkeld om genen te ontdekken met het grootste verschil in informatiestroom tussen aandoeningen. NetDecoder gebruikt een procesgeleide flow-algoritme om bestaande kennis van het menselijke PPI-netwerk te vertalen, in combinatie met bulk RNA-sequencingdata, om een model te construeren van informatiestroomgedreven interacties4.

Met behulp van informatiestroomgegevens voor fenotypische netwerken kan een genutiliteitsmodel (GUM)5 worden ontwikkeld om genen met een hoge informatiestroom te identificeren als de met het hoogste algemene gennut binnen een netwerk, ongeacht hun differentiële expressiewaarden. Deze aanpak ondersteunt effectievere strategieën voor doelprioritering en identificatie, en levert inzichten op die traditionele analyses vaak mist. In tegenstelling tot traditionele differentiële expressie- of correlatiegebaseerde netwerkmethoden, kwantificeert NetDecoder zowel gen- (knooppuntniveau) als interactieveranderingen (randniveau) in de informatiestroom, waardoor functioneel belangrijke genen kunnen worden geïdentificeerd, zelfs bij afwezigheid van grote expressieveranderingen 4,5. NetDecoder is breed toepasbaar op bulk-RNA-sequencingdatasets die vergelijkende analyses van twee biologische omstandigheden vereisen, waardoor veranderingen in informatiestroom en netwerkorganisatie kunnen worden geïdentificeerd. Hoewel NetDecoder integratie ondersteunt van andere omics-datasets, waaronder proteomics en epigenomics, demonstreert het huidige protocol specifiek de workflow met transcriptomische data. In deze toepassingen kunnen gebruikers brongenen definiëren op basis van eiwitten of epigenetisch gereguleerde genen, waardoor informatiestroomanalyse kan worden gestart vanuit deze moleculaire kenmerken. Deze flexibiliteit maakt het mogelijk om multi-omics bewijs in netwerkgebaseerde analyses te integreren en faciliteert de ontdekking van cross-modale regulerende mechanismen die ten grondslag liggen aan fenotypische verschillen.

Veelvoorkomende studieontwerpen omvatten binaire vergelijkingen, waaronder maar niet beperkt tot ziekte versus gezonde aandoeningen, behandelresponders versus niet-responders, medicamenteuze behandelingen, knockdowns of knockouts versus controle-experimenten, en analyses van ontwikkelings- of cellulaire toestandsovergangen. Het doel van dit protocol is om een reproduceerbaar kader te illustreren voor het toepassen van NetDecoder om genen met veranderde netwerkinvloed over biologische condities te ontdekken. Dit wordt bereikt door eenvoudige stappen voor het opzetten en uitvoeren van NetDecoder, evenals voorbeelden voor basisproblemen en probleemoplossingstechnieken, en methoden voor resultaatinterpretatie zijn ook in het protocol uiteengezet.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Deze studie maakte gebruik van openbaar beschikbare RNA-sequencingdatasets en betrof niet direct menselijke of dierlijke proefpersonen. Daarom waren goedkeuring van de institutionele beoordelingscommissie en geïnformeerde toestemming niet vereist.

OPMERKING: NetDecoder vereist de volgende invoerbestanden: genormaliseerde genexpressie over twee gedefinieerde biologische condities; een metadatabestand dat de biologische omstandigheden beschrijft; een lijst van brongenen voor netwerkbouw en modellering; een eiwit-eiwit interactie (PPI) netwerk uit het publieke domein; en een edge-weighted network (EWN) gebouwd voor elke biologische conditie.

1. Datavoorbereiding

  1. Haal bulk-RNA-sequencing-expressiegegevens en metadata op
    1. Download RNA-sequencinggegevens (matrix van ruwe genexpressietellingen en monsternamen) en bijbehorende metadata (monsternamen, omstandigheden, enz.) uit een openbare repository, zoals de Gene Expression Omnibus (GEO), of gebruik laboratoriumgegenereerde experimentele datasets. Typisch is dit een matrix waarin rijen overeenkomen met gennamen en kolommen met monsternamen.
      OPMERKING: De voorbeelddataset die wordt gebruikt om dit protocol te demonstreren, is verkregen uit de National Omics Data Encyclopedia (NODE) repository (BioSino-database) onder toelating OEP0011056. Gebruikers kunnen hun eigen bulk RNA-sequencingdatasets vervangen.
    2. Genereer een voorbeeldannotatiebestand (metadata) door voorbeeldnamen en hun groepen of bijbehorende voorwaarden op te nemen; Zo zijn bijvoorbeeld "controle" en "ziekte" veelvoorkomende aandoeningen. Controleer of de voorbeeldnamen overeenkomen tussen de metadata- en expressiebestanden.
  2. Geaggregeerde expressiegegevens en metadata
    1. Zorg ervoor dat de gegenereerde datamatrix expressietellingen, gennamen en een metadatabestand met monsternamen en -voorwaarden bevat. Gebruik indien nodig een R-pakket zoals org. Hs.eg.db (menselijk) of AnnotatieDbi om verschillende genidentificaties te matchen.
    2. Knip niet-essentiële informatie uit het metadatabestand met behulp van R of een vergelijkbare programmeertaal.
    3. Combineer de informatie uit de expression count-bestanden tot één bestand voor eenvoudige manipulatie.
  3. Filterexpressiegegevens
    1. Verwerk de genexpressiedatamatrix vooraf door genduplicaten, nulwaarden (NA), lage expressie (<10 totale tellingen) en/of genen met lage variantie, enzovoort, uit te sluiten.
  4. Data-voorverwerking
    1. RNA-sequencing normalisatie en differentiële expressieanalyse
      OPMERKING: Deze stap is een (1.4.1) van twee (1.4.2) benaderingen voor het selecteren van genen voor Edge Weighted Network (EWN) creatie en brongenselectie (stappen 1.5–1.6) bij het starten van de analyse van bulk RNA-sequencinggegevens. Als alternatief kan Pearson-correlatiegebaseerde sjabloonmatching worden gebruikt door door te slaan naar stap 1.4.3.
      1. Voer gen-ID-conversies uit in deze fase met het R-pakket, AnnotationDbi, in overeenstemming met individuele organismenpakketten. NetDecoder gebruikt gensymbolen (d.w.z. gen-ID) die overeenkomen met het voorbeeld van PPI.
      2. Voer normalisatie en differentiële expressieanalyse uit tussen twee condities met behulp van de R-pakketten limma, edgeR, DESeq2 of vergelijkbare tools.
      3. Als je DESeq2 gebruikt, construeer dan een DESeq-dataset met de DESeqDataSetFromMatrix()-functie met een telmatrix (genen en monsters) en monstermetadata (voorwaarden) als invoer.
      4. Gebruik de DESeq()-functie met standaardinstellingen op het object dat in stap 1.4.1.3 is aangemaakt om differentiële expressiewaarden te berekenen.
      5. Sla de resultaten op in een datamatrix met genidentificaties (gen-ID) als rijnamen en sleutel-uitvoeren, waaronder log2-voudige verandering (log2FC), p-waarde en aangepaste p-waarde als kolommen.
      6. Filtert optioneel de resultaten op aangepaste p-waarde (<0,05) en/of log2FC-waarden (bijvoorbeeld: |log2FC| > 1) met behulp van dplyr of een vergelijkbaar hulpmiddel.
      7. Zorg ervoor dat alle verwerkte genlijsten en log2fold-wijzigingsmatrices worden geëxporteerd als tab-gescheiden (.txt of .csv) bestanden voor invoer in NetDecoder.
      8. Voer paargewijze vergelijkingen uit voor stap 1.4.1 als meer dan 2 biologische condities worden gebruikt en verkrijg paargewijze resultaten met behulp van de results()-functie van het DESeq-object dat in stap 1.4.1.5 is gegenereerd.
    2. Microarray-expressienormalisatie - Optioneel
      OPMERKING: Als je microarraygegevens gebruikt, voer dan deze stap uit voor datanormalisatie.
      1. Normaliseer data door het NetDecoder-normalisatiescript (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize) te openen. R), toegankelijk vanaf https://github.com/HuLiLab/NetDecoder_Example/tree/main, in een R-ontwikkelingsplatform en het cursieve gedeelte bewerken zodat het overeenkomt met de werkmap met celintensiteitsbestanden (CEL).
        setwd(~/NetDecoder_Example/raw_data/CEL_files)
    3. Sjabloonmatching - Optioneel
      OPMERKING: Dit is de tweede optionele benadering als differentiële expressieanalyse (zoals uiteengezet in stappen 1.1–1.4.1 van "Data Preparation") niet wordt uitgevoerd.
      1. Voor RNA-sequencinggegevens die niet via limma, edgeR en DESeq2 zijn verwerkt, voer je extern normalisatie uit voordat je templatematching toepast. Voor microarraygegevens gebruik je direct de genormaliseerde expressiewaarden die in stappen 1.1–1.4.2 zijn gegenereerd.
      2. Kies de controleconditie als basissjabloon voor genexpressie en vergelijk genormaliseerde genexpressiewaarden met alle andere interessante condities.
      3. Bereken Pearson-correlatiecoëfficiënten tussen het expressieprofiel van elk gen en het geselecteerde sjabloon. Het wordt aanbevolen om genen te behouden die statistisch significante correlaties vertonen (p < 0,05) en een absolute correlatiecoëfficiënt boven een door de gebruiker gedefinieerde drempel (zoals |r| > 0,7).
  5. Selectie van brongenen
    OPMERKING: De invoer voor deze stap bestaat uit de genormaliseerde genexpressiematrix die is ontwikkeld in stappen 1.1–1.4.
    1. Kies een set belangrijke genen die als brongenen worden gebruikt. Voor op differentiële expressie gebaseerde workflows kies je aangepaste p-waarde en log2FC-drempels (zoals adj p-waarde < 0,05 en |log2FC| > 2). Voor workflows voor sjabloonmatching selecteert u brongenen uit de significant gecorreleerde genen die in stap 1.4.3.3 zijn geïdentificeerd met behulp van de gekozen correlatie- en significantiedrempels. Drempels moeten worden gekozen om ongeveer 300–1.000 genen te leveren voor downstream netwerkconstructie.
      OPMERKING: Brongenen zijn waar de informatiestroom begint en zich door het netwerk verspreidt.
  6. Bouw een edgeweighted network (EWN) voor elk fenotype
    OPMERKING: De volgende invoer is vereist voor deze stap: de genormaliseerde genexpressiematrix ontwikkeld in stappen 1.1–1.4; een eiwit-eiwitinteractie (PPI) netwerk dat is opgemaakt als een randlijst (genA-genB-paren); een voorbeeldannotatiebestand (metadata) dat biologische conditielabels voor elk monster specificeert. Het PPI-netwerk wordt gedeeld als een R-object en is opgebouwd op basis van de iRefIndex-eiwitdatabase. De versie die in dit protocol wordt gebruikt, omvat alle directe interacties, maar zelflussen en meerdere randen werden uitgesloten. Het PPI-netwerk bevat 15.608 eiwitten en 180.044 interacties. Voor meer details, zie sectie4 over NetDecoder-Methods.
    1. Open het NetDecoder Edge Weighted Network (EWN) script (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R, toegankelijk via https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4, in een R-ontwikkelplatform.
    2. Bewerk de delen van het script die door opmerkingen zijn aangegeven (en hieronder cursief weergegeven), om gebruikersspecifieke paden en invoerbestanden voor EWN-ontwikkeling in te stellen.
      pad<~/NetDecoder_Example/input/
      Dit is het pad naar de werkmap
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      Dit is een voorbeeld van een genormaliseerde expressiematrix Rdata-object
      stQuery < read.csv("stBreastCancer.csv")
      Dit is de voorbeeldmetadata
    3. Filter de expressiematrix zodat alleen genen behouden blijven die aanwezig zijn in het PPI-netwerk.
    4. Voor elke aandoening worden subsets monsters op fenotype gebruikt en paargewijze gen-gencorrelaties berekend over alle randen die in het PPI-netwerk zijn gedefinieerd met behulp van Pearson-correlatie. Bereken de correlaties met behulp van de verwerkte, genormaliseerde expressiematrix die in stap 1.4 is gegenereerd.
    5. Voor elk genpaar bereken je de correlatiecoëfficiënt, de absolute correlatie en de bijbehorende p-waarde.
    6. Verwijder onvolledige gevallen (bijv. NA-waarden).
    7. Exporteer per conditie één edge-weighted netwerk als een tab-gescheiden bestand (zonder header) met de volgende kolommen: proteinA, proteinB, abs_cor, cor en pvalue.
    8. Voer het R-script uit om co-expressienetwerken te creëren voor alle relevante voorwaarden.

2. Installeren en configureren van NetDecoder

  1. Download NetDecoder
    1. Toegang tot de NetDecoder-software op (https://netdecoder.hulilab.org/#ver), waarbij je R of Java kiest.
  2. Installeer vereiste software
    1. Installeer Oracle JDK en R voor werk-/analyseomgevingen.
    2. Installeer de vereiste R-pakketten zoals vermeld in de NetDecoder-documentatie, met behulp van Bioconductor (https://netdecoder.hulilab.org/#ver)4.
  3. Downloadafhankelijkheden
    1. Download de benodigde afhankelijkheden voor NetDecoder, waaronder genontologiegegevens (toegankelijk vanaf https://geneontology.org/docs/download-ontology/), evenals de genassociatiereferentiegids (toegankelijk vanaf https://www.ebi.ac.uk/GOA/human_release).
  4. Stel de werkmap in
    1. Verplaats alle gedownloade bestanden (expressiegegevens, gegenereerde co-expressienetwerken voor elke conditie, genontologiegegevens en associatiereferentiegids) naar één map, die de NetDecoder-werkmap zal zijn.
  5. Voeg de benodigde map toe
    1. Download de NetDecoder-map (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) naar de NetDecoder-werkmap.
    2. Pak de NetDecoder-map uit.

3. NetDecoder draaien

  1. Open het analyse-bash-script
    1. Open een terminal met GNU Bash en ga naar de NetDecoder-werkmap.
    2. Voer het commando nano NetDecoder_Analysis.sh uit om het bash-script te openen.
  2. Wijzig de scripts
    OPMERKING: Het grootste deel van de code is al geschreven. In deze stap worden de vereiste parameters in het script op de aangegeven locaties gespecificeerd.
    1. Maak een korte naam:
      Bewerk het cursieve gedeelte zodat het de vergelijkbare voorwaarden is: myshortname='Your_shortname_here'
    2. Stel softwarepaden in:
      Bewerk de volgende drie paddefinities naar de juiste paden door de cursieve delen te bewerken:
      JAVA="/jouw/pad/hier"
      export R="/jouw/pad/hier"
      alias R="/jouw/pad/hier"
    3. Werkmap instellen:
      Bewerk het cursieve gedeelte tot de werkmap waar alle bestanden worden geraadpleegd: INPUT_DIR="/jouw/pad/hier"
    4. Set de NetDecoder-bibliotheek in:
      Bewerk het cursieve gedeelte zodat het het pad is naar de NetDecoder-bibliotheek die in stap 2.4 is geïnstalleerd vanuit het zipbestand: LIB_DIR="/jouw/pad/hier/netdecoder_lib"
    5. Stel genontologie en associatiepaden in:
      Bewerk de volgende cursieve delen van de twee mappen naar de locaties van de voorkeursgenontologie-/associatiebestanden.
      SYMBOL=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_bestand
    6. Stel invoerargumenten in:
      Werk de cursieve delen van de volgende vijf regels bij volgens de gegevens, volgens de gecommenteerde instructies in het referentie NetDecoder-script.
      geneList=$INPUT_DIR/gene_file
      state_trt=Behandelde aandoening
      state_ref=Referentievoorwaarde
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/referentie_co_expression_network_file
    7. Zet de juiste situatie:
      Verwijder commentaar (door het #-symbool te verwijderen) de gewenste uitvoeringsfase en geef deze opnieuw commentaar zodra de fase is voltooid. Fase één is gen_net_trt, gevolgd door gen_net_ref, daarna de analysefase en tenslotte de verzamelfase.
      Stel de gewenste fase in om uit te voeren, te beginnen met fase één.
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE="analyse"
      #STAGE="verzamelen"
    8. Navigeer naar de hoofdterminal van Bash:
      Druk op Ctrl+X, dan Y, om het bash-script op te slaan en af te sluiten.
  3. Execute NetDecoder
    OPMERKING: Als het succesvol werkt, verschijnen er loggberichten in de terminal.
    1. Navigeer naar de terminal en voer ./NetDecoder_Analysis.sh uit.
    2. Voer de fasen uit in de volgorde vermeld in stap 3.2.7 totdat alle vier afzonderlijk zijn voltooid.
  4. Resultaten ophalen
    1. Navigeer naar de uitvoerbestanden en grafische samenvattingen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Zoals weergegeven in Figuur 1, werkt NetDecoder via een gestructureerde workflow bestaande uit gegevensverwerking, netwerkconfiguratie en flow-based analyse, met uitvoeren georganiseerd in aparte mappen die overeenkomen met elke fase van de pipeline. Deze modulaire structuur maakt systematische validatie van de output mogelijk, waardoor de resultaten terug te voeren zijn op elke rekenstap en de algehele reproduceerbaarheid ondersteunt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Dit protocol schetst de implementatie van NetDecoder, een netwerk-biologie framework dat genexpressiegegevens integreert met eiwit-eiwitinteractie (PPI) netwerken om conditie-specifieke informatiestroom te modelleren en genen te prioriteren op basis van hun functionele invloed binnen biologische systemen. De succesvolle toepassing van deze methode hangt af van verschillende kritieke stappen, zorgvuldige methodologische keuzes en de juiste interpretatie van de output.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen financiële concurrerende belangen.
Illustraties voor Figuren 1 en 2 zijn gemaakt met BioRender (BioRender.com).

Dankbetuigingen

Dit werk werd ondersteund door subsidies van het Mayo Clinic Center for Biomedical Discovery, het Mayo Clinic Comprehensive Cancer Center (NIH; P30 CA015083), het Mayo Clinic Center for Cell Signaling in Gastroenterology (NIH: P30DK084567), de Glenn Foundation for Medical Research, de V Foundation for Cancer Research (S.Z.), het Mayo Clinic Nutrition Obesity Research Program, het David F. en Margaret T. Grohne Cancer Immunology and Immunotherapy Program, Schmidt Sciences and Innovation en de National Institutes of Health (NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AnnotationDbiBioconductorversie 1.68.0Annotatie en genmapping
BioconductorBioconductorversie 3.19Framework voor transcriptoom gegevensanalyse en package ecosysteem dat DESeq2, edgeR, limma, AnnotationDbi en organisme databases ondersteunt, etc.
CytoscapeThe Cytoscape Consoritumversie 3.10.4Netwerkvisualisatie en analyse
DESeq2Bioconductorversie 1.46.0Differentiële expressieanalyse (met negatieve binomiaal modellering)
dplyrPosit Software, PBC voorheen RStudio, PBCversie 1.1.4Gegevensmanipulatie en transformatie
edgeRBioconductorversie 4.4.2Op tellingen gebaseerde differentiële expressieanalyse
ggplot2Posit Software, PBC voorheen RStudio, PBCversie 4.0.0Gegevensvisualisatie en plotten  
GNU BashGNU ProjectSysteemstandaardBash, Uitvoering van NetDecoder pipeline scripts
igraphigraph Development Teamversie 2.1.4Netwerkconstructie en grafiekanalyse
LimmaBioconductorversie 3.62.2Lineaire modellering voor genexpressieanalyse
NetDecoderHu Li Laboratory, Mayo Clinic(2024 Hu Li Lab)Constructie van contextspecifieke eiwitinteractienetwerken via informatiestroommodellering
org.Hs.eg.dbBioconductorversie 3.20.0Menselijke genannotatiedatabase
Oracle JDKOracle Corporation≥ versie 1.8Runtime-omgeving voor NetDecoder uitvoering
pheatmapRaivo Koldeversie 1.0.13Visualisatie van expressie en correlatiestructuur
RThe R Foundationversie 4.4.2Kernomgeving voor transcriptoom en netwerkanalyse

Referenties

  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.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

GeneeskundeEditie 233Editie 233Lege waardeEditiemodelleringtranscriptomicsstroomalgoritmeintegratie

Dit artikel is gepubliceerd

Video binnenkort beschikbaar

Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.