Een Protocol voor het gebruik van Gene ingesteld verrijking analyse om te identificeren van de juiste diermodel voor translationeel onderzoek
16 augustus 2017
Wij bieden een gestandaardiseerd protocol voor het gebruik van gene instellen verrijking analyse van transcriptomic gegevens aan het identificeren van een ideale muismodel voor translationeel onderzoek.
Dit protocol kan worden gebruikt met microarray DNA en RNA sequencing gegevens en kan worden uitgebreid tot andere omics-gegevens indien gegevens beschikbaar zijn.
Het algemene doel van deze procedure is om het geschikte diermodel te identificeren voor translationele onderzoeksvragen. Deze methode kan helpen bij het beantwoorden van een belangrijke vraag in translationeel onderzoek, namelijk hoe kan ik een geschikt diermodel selecteren voor een specifieke menselijke ziekte die ik wil onderzoeken? Het belangrijkste voordeel van deze techniek is dat gehele genoomgegevens worden vergeleken tussen diermodellen en menselijke ziektestudies.
Deze benadering vermijdt dus bevooroordeelde interpretatie met betrekking tot vergelijkingen van enkele genen. Hoewel deze methode inzicht biedt in de geschiktheid van muismodellen voor inflammatoire ziekten, kan het ook worden toegepast op andere ziektemodellen. GSEA helpt bij het onderzoeken van beleidsregulatie voor genexpressiestudies.
De uitvoer voor elk diermodel en ziektestudie is de basis voor verdere vergelijkingen. Begin deze procedure met het downloaden van software en gegevens, gevolgd door gegevensverwerking en -opmaak zoals beschreven in het tekstprotocol. Open vervolgens de GSEA-softwaretool.
Klik op de knop Gegevens laden aan de linkerkant van het hoofdvenster. Er wordt een nieuw tabblad geopend voor het importeren van de vereiste gegevensbestanden. Blader in het nieuwe tabblad naar het genexpressiegegevensbestand en het fenotypebestand.
In het geval GSEA geen verbinding met internet kan maken, laad ook de gedownloade moleculaire signatuurdatabasebestanden en de DNA-chip-annotatiebestanden. Met succes geïmporteerde gegevens verschijnen in de gegevens laden-sectie. Klik op de knop GSEA uitvoeren aan de linkerkant van het hoofdvenster.
Er wordt een nieuw tabblad geopend om de parameters voor de analyse in te stellen. Het tabblad is onderverdeeld in drie delen, vereiste velden, basisvelden en geavanceerde velden. Kies in de vereiste velden eerst de expressiegegevensset.
Kies vervolgens de genensetsdatabase, hetzij van de verbonden website of van het handmatig geïmporteerde genensetbestand. Bewerk de fenotypelabels om de groepen van monsters te selecteren die met elkaar vergeleken moeten worden. Bijvoorbeeld ziektegroep versus gezonde controlegroep.
Selecteer vervolgens dataset samenvouwen naar gensymbolen gelijk aan waar, om de sonde-identifiers in de expressiedataset te vertalen naar officiële Hugo-gensymbolen die in de genensetsdatabase worden gebruikt. Selecteer onwaar als de expressiedataset al Hugo-gensymbolen bevat. Stel het aantal permutaties in op de standaardinstelling van 1.000.
Verander het permutatietype naar genset, aangezien fenotypepermutatie alleen wordt aanbevolen als er meer dan zeven monsters in elk fenotype zijn. Selecteer ten slotte het chipplatform dat wordt gebruikt voor het genereren van de genexpressiegegevens, hetzij van de verbonden website of van het handmatig geïmporteerde DNA-chip-annotatiebestand. Bewerk in de basisvelden de naam van de analyse en sla de resultaten op in deze map-sectie.
Daarnaast kunnen verdere statistische parameters worden gewijzigd. Ga voor meer informatie over de parameters en de sectie geavanceerde velden naar de GSEA-gebruikershandleiding. Als extern berekende groepsmetrieken voor genexpressiegegevens worden toegepast, gebruik dan een GSEA pre-ranked tool.
Deze analyse wordt uitgevoerd op basis van een eenvoudige lijst van genen die vooraf zijn toegewezen aan vooraf berekende groepsmetrieken die worden gebruikt voor het rangschikken van de genen. Na het laden van het alternatieve genexpressiebestand, ga naar de hoofdnavigatiebalk en klik op Tools, GseaPreranked. Op dezelfde manier wordt er een nieuw tabblad geopend voor het instellen van de parameters voor de analyse.
Klik vervolgens op de knop Uitvoeren onderaan rechts van het venster. Klik op de geslaagde analyse in de GSEA-rapportsectie om de analyseresultaten te openen. Klik vervolgens op de gedetailleerde verrijkingsresultaten in Excel-formaat om de analyseresultaten naar een spreadsheet te exporteren.
Exporteer de resultaten afzonderlijk voor beide fenotypen. Voeg in Excel de resultatendata samen in één spreadsheetbestand. Voor verdere vergelijking tussen genexpressiegegevens van verschillende studies, bewaar ten minste de naam van de genenset, de genormaliseerde verrijkingsscore en de FDR-waarde.
Herhaal de genensetverrijkingsanalyse voor de tweede studie en voor alle andere studies die met elkaar vergeleken moeten worden. Neem zoveel mogelijk menselijke klinische studies en verschillende muismodellen op om het optimale muismodel voor de translationele onderzoeksvraag te identificeren. Om het optimale diermodel te identificeren voor het nabootsen van de menselijke situatie, vergelijk de GSEA-resultaten van alle studies met elkaar.
Gebruik de verrijkingsscores en de FDR-waarden om de paden te classificeren als geactiveerd, geïnhibeerd of geen van beide. Voor veel studies die moeten worden vergeleken, wordt het aanbevolen om R-scripts te gebruiken. Tel voor elke vergelijking van twee studies het aantal realisaties van de negen mogelijke combinaties van padenregulatie, zoals aangegeven door een drie bij drie contigentietabel.
Beoordeel de correlatie tussen twee studies door het berekenen van de positieve voorspellende waarde en de negatieve voorspellende waarde, die per definitie het deel van de paden is dat dezelfde regulatie in twee studies vertoont. Schat ook het deel van de paden dat naar verwachting zou correleren door toeval, weergegeven door ppv-kans en npv-kans. Bereken vervolgens de informatiewinst.
Alle berekeningen kunnen worden gedaan met spreadsheetprogramma's, maar het gebruik van R-functies wordt aanbevolen. Gebruik de contigentietabel van een paar studies om de P-waarde te berekenen met de chi-kwadraattest, bijvoorbeeld door de R-functie chi-kwadraattest of spreadsheetprogramma's te gebruiken. Sla de gegevens van de contigentietabel op in een matrix X. Vergelijk vervolgens de GSEA-resultaten voor alle combinaties van de studies die zijn geselecteerd voor de analyse.
Sorteer alle combinaties op de informatiewinst. Gebruik voor de vergelijking van veel datasets een matrix en visualiseer de bevindingen met behulp van een gekleurde hittekaart. Selecteer het diermodel met de hoogste informatiewinst.
Om de significantie van de informatiewinst te beoordelen, moet ook rekening worden gehouden met de chi-kwadraattest. Hier wordt een correlatiematrix van padenvergelijkingen tussen menselijke en muisstudies gedemonstreerd. De overlap van padenregula
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Dit artikel presenteert een gestandaardiseerd protocol voor gene set enrichment analysis (GSEA) van transcriptomische gegevens om geschikte muismodellen voor translationeel onderzoek te identificeren. De methode vergelijkt hele genoomgegevens tussen diermodellen en menselijke ziektestudies, waardoor inzichten worden geboden in de modelselectie voor verschillende ziekten.
Belangrijke studiecomponenten
Wetenschapsgebied
- Translationeel Onderzoek
- Genomiek
- Diermodellen
Achtergrond
- Het identificeren van geschikte diermodellen is cruciaal voor translationeel onderzoek.
- GSEA voorkomt bevooroordeelde interpretaties door vergelijking van hele genoomgegevens.
- Deze methode kan worden toegepast op verschillende ziektemodellen buiten inflammatoire ziekten.
- Het helpt bij het onderzoeken van genexpressieregulatie.
Doel van het onderzoek
- Om een protocol te bieden voor het selecteren van diermodellen voor specifieke menselijke ziekten.
- Om het begrip van de geschiktheid van modellen in translationeel onderzoek te verbeteren.
- Om het gebruik van transcriptomische gegevens in modelselectie te faciliteren.
Gebruikte methoden
- Gene set enrichment analysis (GSEA) van transcriptomische gegevens.
- Vergelijking van hele genoomgegevens tussen diermodellen en menselijke ziektestudies.
- Toepassing van het protocol op DNA microarray en RNA sequencing gegevens.
- Uitbreiding naar andere omics gegevens indien beschikbaar.
Belangrijkste resultaten
- Het protocol identificeert effectief geschikte muismodellen voor translationeel onderzoek.
- GSEA biedt een uitgebreid beeld van genexpressie over modellen heen.
- De verkregen inzichten kunnen de selectie van modellen voor verschillende ziekten informeren.
- De methode vermindert de bias geassocieerd met vergelijkingen van enkele genen.
Conclusies
- Het gestandaardiseerde protocol verbetert het selectieproces voor diermodellen.
- GSEA is een waardevol hulpmiddel in translationeel onderzoek voor modelidentificatie.
- Deze benadering kan worden aangepast voor verschillende ziektecontexten.
Veelgestelde vragen
Executive Industry Relevance
Selecting appropriate animal models remains a critical challenge in translational research, where model misalignment contributes to late-stage attrition. This protocol enables systematic evaluation of murine models using transcriptomic concordance with human disease data, reducing reliance on subjective gene filtering. By providing a standardized GSEA-based framework, it supports predictive confidence in model selection and informs go/no-go decisions early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypothesis by assessing pathway-level concordance between human disease and animal model transcriptomes.
- Operational Value: Avoids biased interpretation from single-gene comparisons, reducing mechanistic ambiguity in target validation.
- Predictive Value: Enables data-driven prioritization of models with highest gain of information, supporting portfolio triage.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying models with conserved pathway regulation for downstream compound screening.
- Operational Value: Standardizes cross-study comparison through normalized enrichment scores and FDR values, enhancing reproducibility.
- Scalability: Supports inclusion of multiple human clinical studies and mouse models to identify optimal translational fit.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by identifying models with high correlation to human disease states.
- Risk-Adjusted Advancement: Uses gain of information and chi-squared testing to assess significance of model suitability, informing progression decisions.
- Biomarker Alignment: Facilitates identification of conserved pathways that may serve as translational biomarkers across species.
Pipeline & Workflow Integration
The method fits within the discovery continuum from target validation to preclinical model selection, enabling transcriptomic data to guide animal model choice before significant investment in screening or efficacy studies.
- Discovery Biology: Supports hypothesis testing by comparing whole-genome pathway activation or inhibition patterns between species.
- Screening: Enhances assay readiness by ensuring selected models reflect human disease biology, improving compound evaluation reliability.
- Analytics: Generates quantitative outputs (normalized enrichment score, FDR, gain of information) for objective cross-study comparison.
- Translational Research: Promotes continuity by selecting models with demonstrated pathway-level concordance to human conditions.
- Enterprise Reuse: Establishes a reusable bioinformatics capability applicable across disease areas and omics data types.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in model selection, reducing false positives from inadequate biological representation.
- Operational Value: Promotes standardization and reproducibility in model evaluation across teams and sites.
- Strategic Value: Improves capital efficiency by minimizing investment in poorly predictive models.
- Portfolio Impact: Enables risk-adjusted prioritization of projects based on model suitability evidence.
Implementation Considerations
- Requires expertise in transcriptomic data analysis and GSEA software operation.
- Dependent on access to quality gene expression data from human disease studies and candidate animal models.
- Necessitates standardized data formatting, including gene symbol collapse and phenotype labeling.
- Involves cross-functional alignment between bioinformatics, pharmacology, and pathology teams for interpretation.
- Limited to retrospective analysis; cannot predict model suitability a priori without existing omics data.
