JUMPn: Een gestroomlijnde toepassing voor eiwit co-expressie clustering en netwerkanalyse in proteomics
19 oktober 2021
We presenteren een systeembiologische tool JUMPn om netwerkanalyse uit te voeren en te visualiseren voor kwantitatieve proteomics-gegevens, met een gedetailleerd protocol inclusief gegevensvoorverwerking, co-expressieclustering, pathway-verrijking en eiwit-eiwitinteractienetwerkanalyse.
Het protocol van de JUMPn-software heeft tot doel de biologische interpretatie van kwantitatieve proteomics-gegevens te vergemakkelijken. De software is in staat om het hele eiwit te organiseren in tier hiërarchie van co-expressie clusters en de eiwitinteractiemodules. Met name de JUMPn-software stroomlijnt de analyse van co-expressieclustering, pathway-verrijking en PPI-moduledetectie.
Het biedt een gebruiksvriendelijke interface en interactieve visualisatie van de gegevens en de netwerken. Hoewel we met succes de toepassing van JUMPn in de analyse van hele proteoomgegevens hebben aangetoond, is de methode gemakkelijk uitbreidbaar naar andere gegevenstypen, waaronder fosfoproteomica-analyse en interactoomgegevens uit affiniteitszuiveringsmassaspectrometrie. Om de JUMPn-software in te stellen, downloadt u de broncode van de website en installeert u de software op de opdrachtregelterminal.
Om de JUMPn-software te starten, wijzigt u de huidige map in de uitvoeringsmap door cd execution" op de terminal te typen en voert u vervolgens de tekst op de terminal in om de JUMPn in de webbrowser te starten. Klik op de JUMPn-startpagina op de knop Analyse starten om de JUMPn-analyse te starten en klik vervolgens in de linkerbenedenhoek van de pagina Analyse starten op de knop Demo B-Cell Proteomische gegevens uploaden om een melding van het succes van de gegevensupload te bekijken. Klik in de rechterbenedenhoek van de pagina op de knop JUMPn-analyse verzenden om de demo-uitvoering te starten met behulp van standaardparameters.
Een voortgangsbalk geeft het verloop van de analyse aan. Wacht tot aan de voortgangsbalk is voldaan. Zodra de demorun is voltooid, verschijnt er een dialoogvenster met het bericht geslaagde run en het absolute pad naar de resultaatmap en klikt u vervolgens op doorgaan naar het tabblad Resultaten.
Terwijl de webpagina door het WGCNA-algoritme naar de resultaten van het co-expressiecluster leidt, klikt u op De resultaten weergeven in het dialoogvenster om door te gaan. Zoek aan de linkerkant van de pagina Resultatenpagina 1 WGCNA-uitvoer de co-expressiepatronen van eiwitten en gebruik de optie Selecteer de expressie-indeling om tussen twee figuurindelingen te navigeren. Boxplotfiguur wordt standaard geselecteerd.
Selecteer het tabblad Trends om de trendsplot weer te geven, waarbij elke regel de individuele eiwitrijkdom in monsters vertegenwoordigt. De kleur van elke lijn geeft aan hoe dicht het expressiepatroon zich bij de consensus van het co-expressiecluster bevindt. Rechts van de WGCNA-uitvoerpagina kan de Pathway Ontology Enrichment Heatmap" worden bekeken.
In een heatmap worden de meest verrijkte paden voor elk cluster samen weergegeven. Scrol vervolgens omlaag op de webpagina om het expressiepatroon voor individuele eiwitten te bekijken. Gebruik de vervolgkeuzelijst, selecteer het co-expressiecluster om eiwitten uit elk cluster te onderzoeken en selecteer vervolgens een specifiek eiwit in de tabel waarop de staafplot onder de tabel automatisch wordt bijgewerkt om de eiwitrijkdom weer te geven.
Voor specifieke eiwitnamen gebruikt u het vak Zoeken aan de rechterkant van de tabel. Kijk later naar de eiwit-eiwitinteractie of PPI-resultaten door bovenaan op de resultatenpagina 2 PPI-uitvoer te klikken. Om de resultaten voor een specifiek co-expressiecluster te verkrijgen, klikt u op het tabblad Co-expressiecluster selecteren.
De weergaven van alle figuurvensters worden bijgewerkt voor het nieuw geselecteerde cluster. Bekijk in het linkerdeelvenster de PPI-netwerken voor het geselecteerde co-expressiecluster met behulp van de vervolgkeuzelijst Selecteren op groep en door afzonderlijke PPI-modules binnen het netwerk te markeren en ga vervolgens naar het geselecteerde vak netwerkindeling om de netwerkindeling te wijzigen. Zoom met muis en trackpad in of uit op het PPI-netwerk om de gennamen van elk knooppunt in het netwerk te bekijken.
Wanneer u bent ingezoomd, selecteert u en klikt u op een bepaald eiwit om het eiwit en zijn netwerkburen te markeren. Sleep in het netwerk een bepaald knooppunt om de positie in de lay-out te wijzigen en de netwerkindeling te reorganiseren. Bestudeer in het rechterdeelvenster van de PPI-resultatenpagina de informatie op co-expressieclusterniveau die helpt bij de interpretatie van PPI-resultaten.
Het co-expressiepatroon op het geselecteerde cluster kan standaard als boxplot worden weergegeven. Selecteer Trends" om trendsplot voor het co-expressiepatroon weer te geven en kies vervolgens voor padbalkplot om aanzienlijk verrijkte paden voor het co-expressiecluster weer te geven met de pathway circle plot, bekijk aanzienlijk verrijkte paden voor het co-expressiecluster in de cirkelplotindeling. Als u de resultaten op het niveau van de afzonderlijke PPI-module wilt bekijken, scrolt u omlaag op de resultatenpagina naar de PPI-uitvoerwebpagina en vouwt u de vervolgkeuzelijst selecteert om een specifieke PPI-module te selecteren voor weergave.
Bekijk de PPI-module in het linkerdeelvenster, manipuleer het netwerkscherm zoals eerder uitgelegd. Bekijk in het rechterdeelvenster de resultaten van de padonologieverrijking en gebruik vervolgens de vervolgkeuzelijst Selecteer de Pathway Annotation Style" en vink het tabblad Barplot aan om meer informatie en displays weer te geven over aanzienlijk verrijkte paden voor de geselecteerde PPI-module. Teken cirkelplot om aanzienlijk verrijkte paden voor de geselecteerde PPI-module weer te geven in het formaat van een cirkelplot en gebruik heatmap om aanzienlijk verrijkte paden en de bijbehorende gennamen weer te geven.
Ga naar het tabblad Tabel om de gedetailleerde resultaten van de padverrijking weer te geven, inclusief de naam van paden, ontologietermen, gennamen en de P-waarde van Fisher's exacte test. Volg het absolute pad dat boven aan de resultatenpagina's is afgedrukt en zoek de tabel met publicatiespreadsheets. JUMPn is ontwikkeld met het R shiny platform voor een gebruiksvriendelijke interface en integreert drie belangrijke functionele modules.
Co-expressie clustering analyse, pathway verrijkingsanalyse en PPI netwerkanalyse. Na elke analyse worden de resultaten automatisch gevisualiseerd in onze aanpasbare via de R glanzende widgetfuncties en gemakkelijk te downloaden als publicatietabellen en Microsoft Excel-indeling. Voor PPI-netwerkanalyse is een samengesteld PPI-netwerk samengesteld door STRING, BioPlex en web-IM-databases te combineren.
Het uiteindelijke samengevoegde PPI-netwerk omvat meer dan 20.000 menselijke genen met 1.100.000 randen. Dit uitgebreide interactoom is opgenomen en gepubliceerd in een bundel met de JUMPn-software voor gevoelige PPI-analyse. Netwerkgebaseerde benaderingen die gebruikmaken van zowel co-expressie- als eiwitinteractienetwerken kunnen worden gebruikt als een aanvullende methode voor de gevolgtrekking van activiteit in transcriptiefactoren en kinasen.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
De JUMPn-software is een systeembiologietool die is ontworpen om de biologische interpretatie van kwantitatieve proteomicsgegevens te vergemakkelijken. Het organiseert eiwitten in een hiërarchische structuur van co-expressieclusters en interactiemodules, waardoor analyse en visualisatie worden gestroomlijnd.
Belangrijkste studiecomponenten
Wetenschapsgebied
- Systeembiologie
- Proteomics
- Gegevensvisualisatie
Achtergrond
- JUMPn helpt bij de analyse van kwantitatieve proteomicsgegevens.
- Het biedt een gebruiksvriendelijke interface voor gegevensinteractie.
- De software ondersteunt verschillende gegevenstypen, inclusief fosfoproteomics.
- Het verbetert het begrip van eiwitinteracties en -routes.
Doel van de studie
- Om de analyse van proteomicsgegevens te stroomlijnen.
- Om co-expressieclustering en padverrijking te vergemakkelijken.
- Om een interactieve visualisatie van eiwit-eiwitinteractienetwerken te bieden.
Gebruikte methoden
- Gegevensvoorverwerking voor kwantitatieve proteomics.
- Co-expressieclustering van eiwitten.
- Padverrijkingsanalyse.
- Eiwit-eiwitinteractienetwerkanalyse.
Belangrijkste resultaten
- Succesvolle demonstratie van JUMPn in hele proteoomgegevensanalyse.
- Effectieve organisatie van eiwitten in co-expressieclusters.
- Gestroomlijnde detectie van eiwitinteractiemodules.
- Interactieve visualisatiemogelijkheden verbeteren de gegevensinterpretatie.
Conclusies
- JUMPn is een waardevol hulpmiddel voor het analyseren van kwantitatieve proteomicsgegevens.
- De software is uitbreidbaar naar andere gegevenstypen.
- Het helpt aanzienlijk bij de biologische interpretatie van complexe datasets.
Veelgestelde vragen
Executive Industry Relevance
JUMPn addresses the challenge of deriving biological insights from large-scale quantitative proteomics datasets by integrating co-expression clustering, pathway enrichment, and protein-protein interaction network analysis. This streamlined approach enhances target validation and mechanistic de-risking in early discovery by enabling rapid hypothesis testing and pathway-level interpretation. The tool supports predictive confidence in lead identification and portfolio triage through reproducible, scalable analysis of dysregulated proteomes across disease models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through protein co-expression clustering across samples.
- Scientific Value: Supports functional target validation by identifying dysregulated proteins and their interaction modules.
- Operational Value: Reduces mechanistic ambiguity by linking expression patterns to enriched pathways and PPI networks.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by organizing proteomes into biologically meaningful clusters.
- Operational Value: Enhances assay standardization and reproducibility through quantitative, visualization-ready outputs.
- Operational Value: Supports screening readiness via scalable, reusable analysis of label-free or isobaric labeling-based proteomic data.
Translational & Preclinical Research
- Scientific Value: Promotes translational continuity by connecting discovery-phase clusters to preclinical pathway and biomarker alignment.
- Scientific Value: Enables risk-adjusted advancement decisions through composite PPI network analysis covering >20,000 human genes.
- Operational Value: Facilitates cross-functional collaboration via interactive, downloadable results in publication-ready formats.
Pipeline & Workflow Integration
JUMPn integrates into the discovery continuum from early biology to lead identification by providing quantitative, visualization-driven outputs that support hypothesis testing and pathway clarification.
- Discovery Biology: Supports hypothesis testing and pathway clarification through co-expression clustering and enrichment analysis.
- Screening: Delivers assay readiness via reproducible clustering and quantitative protein abundance trends across samples.
- Analytics: Provides statistical outputs including Fisher’s exact test p-values for pathway enrichment, enabling condition comparison.
- Translational Research: Connects to preclinical continuity through PPI module analysis and pathway ontology enrichment.
- Enterprise Reuse: Functions as a reusable platform for diverse quantitative datasets including phosphoproteomics and interactome data.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity.
- Operational Value: Standardization, reproducibility, and scalability.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions.
Implementation Considerations
- Requires expertise in R/Shiny and systems biology for optimal use.
- Needs computational infrastructure to handle large proteomic datasets and network visualization.
- Demands cross-team standardization for consistent input formatting and parameter selection.
- Requires adaptation considerations when applying to non-human or specialized proteome datasets.
- Practical limitation: Interpretation depends on quality of input PPI databases (STRING, BioPlex, IM).
