Method Article

Inherent Dynamics Visualizer, interaktywna aplikacja do oceny i wizualizacji wyników z potoku wnioskowania o sieci regulacji genów

DOI:

10.3791/63084

⸱

December 7th, 2021

 ,  ,  ,  , 
1Department of Biology, Duke University, 2Department of Mathematical Sciences, Montana State University, 3Department of Mathematical Sciences, Florida Atlantic University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Inherent Dynamics Visualizer to interaktywny pakiet wizualizacji, który łączy się z narzędziem do wnioskowania o sieci regulacji genów w celu ulepszonego, usprawnionego generowania funkcjonalnych modeli sieciowych. Wizualizator może być używany do podejmowania bardziej świadomych decyzji dotyczących parametryzacji narzędzia wnioskowania, zwiększając w ten sposób zaufanie do wynikowych modeli.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opracowanie modeli sieci regulacji genów jest głównym wyzwaniem w biologii systemów. Aby sprostać temu wyzwaniu, opracowano kilka narzędzi obliczeniowych i potoków, w tym nowo opracowany potok Inherent Dynamics Pipeline. Inherified Dynamics Pipeline składa się z kilku wcześniej opublikowanych narzędzi, które działają synergicznie i są połączone w sposób liniowy, w którym dane wyjściowe jednego narzędzia są następnie wykorzystywane jako dane wejściowe dla następnego narzędzia. Podobnie jak w przypadku większości technik obliczeniowych, każdy krok Inherent Dynamics Pipeline wymaga od użytkownika dokonywania wyborów dotyczących parametrów, które nie mają precyzyjnej definicji biologicznej. Wybory te mogą znacząco wpłynąć na modele sieci regulacyjnej genów opracowane w wyniku analizy. Z tego powodu możliwość wizualizacji i zbadania konsekwencji różnych wyborów parametrów na każdym kroku może pomóc w zwiększeniu zaufania do wyborów i wyników. Inherent Dynamics Visualizer to kompleksowy pakiet wizualizacji, który usprawnia proces oceny wyboru parametrów za pomocą interaktywnego interfejsu w przeglądarce internetowej. Użytkownik może oddzielnie badać dane wyjściowe każdego kroku lejka, wprowadzać intuicyjne zmiany w oparciu o informacje wizualne i korzystać z automatycznego tworzenia niezbędnych plików wejściowych dla Inherent Dynamics Pipeline. Inherent Dynamics Visualizer zapewnia niezrównany poziom dostępu do wysoce skomplikowanego narzędzia do odkrywania sieci regulacyjnych genów na podstawie danych transkryptomicznych szeregów czasowych.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wiele ważnych procesów biologicznych, takich jak różnicowanie komórek i reakcja środowiskowa, jest zarządzanych przez zestawy genów, które oddziałują ze sobą w sieci regulacji genów (GRN). Te GRN wytwarzają dynamikę transkrypcyjną potrzebną do aktywacji i utrzymania kontrolowanego przez nie fenotypu, więc identyfikacja składników i struktury topologicznej GRN jest kluczem do zrozumienia wielu procesów i funkcji biologicznych. GRN może być modelowany jako zestaw oddziałujących na siebie genów i/lub produktów genowych opisanych przez sieć, której węzłami są geny, a krawędzie opisują kierunek i formę interakcji (np. aktywacja/represja transkrypcji, modyfikacja potranslacyjna itp.)1. Interakcje mogą być następnie wyrażone jako sparametryzowane modele matematyczne opisujące wpływ genu regulującego na produkcję swojego celu(ów)2,3,4. Wnioskowanie o modelu GRN wymaga zarówno wnioskowania o strukturze sieci interakcji, jak i oszacowania podstawowych parametrów interakcji. Opracowano różne metody wnioskowania obliczeniowego, które pobierają dane o ekspresji genów szeregów czasowych i wyprowadzają modele GRN5. Niedawno opracowano nową metodę wnioskowania GRN, zwaną Inherent Dynamics Pipeline (IDP), która wykorzystuje dane dotyczące ekspresji genów szeregów czasowych do tworzenia modeli GRN z oznaczonymi interakcjami regulator-cel, które są w stanie wytworzyć dynamikę pasującą do obserwowanej dynamiki w danych ekspresji genów6. IDP to zestaw narzędzi połączonych liniowo w potok i można go podzielić na trzy kroki: krok Node Finding, który klasyfikuje geny na podstawie cech ekspresji genów, o których wiadomo lub podejrzewa się, że są związane z funkcją GRN7,8, krok Edge Finding, który klasyfikuje relacje regulacyjne parami8, 9, oraz krok wyszukiwania sieci, który tworzy modele GRN, które są w stanie wytworzyć obserwowaną dynamikę10,11,12,13,14,15.

Podobnie jak większość metod obliczeniowych, IDP wymaga zestawu argumentów określonych przez użytkownika, które dyktują, jak dane wejściowe są analizowane, a różne zestawy argumentów mogą dawać różne wyniki na tych samych danych. Na przykład kilka metod, w tym IDP, zawiera argumenty, które stosują pewien próg do danych, a zwiększanie/zmniejszanie tego progu między kolejnymi przebiegami danej metody może skutkować niepodobnymi wynikami między przebiegami (patrz Suplement Uwaga 10: Metody wnioskowania sieciowego of5). Zrozumienie, w jaki sposób każdy argument może wpłynąć na analizę i późniejsze wyniki, jest ważne dla osiągnięcia wysokiego zaufania do wyników. W przeciwieństwie do większości metod wnioskowania GRN, IDP składa się z wielu narzędzi obliczeniowych, z których każde ma własny zestaw argumentów, które użytkownik musi określić, i każde z nich ma własne wyniki. Podczas gdy IDP zapewnia obszerną dokumentację dotyczącą parametryzacji każdego narzędzia, współzależność każdego narzędzia od wyników poprzedniego kroku sprawia, że parametryzacja całego potoku bez analiz pośrednich jest wyzwaniem. Na przykład argumenty na etapach Edge i Network Finding prawdopodobnie będą oparte na wcześniejszej wiedzy biologicznej, a więc będą zależeć od zestawu danych i/lub organizmu. Aby przeanalizować wyniki pośrednie, potrzebna byłaby podstawowa wiedza na temat programowania, a także dogłębne zrozumienie wszystkich plików wynikowych i ich zawartości z IDP.

Inherent Dynamics Visualizer (IDV) to interaktywny pakiet wizualizacji, który działa w oknie przeglądarki użytkownika i umożliwia użytkownikom IDP ocenę wpływu ich wyborów argumentów na wyniki z dowolnego kroku w IDP. IDV porusza się po skomplikowanej strukturze katalogów utworzonej przez IDP i gromadzi niezbędne dane dla każdego kroku oraz prezentuje dane w postaci intuicyjnych i interaktywnych rysunków i tabel, które użytkownik może eksplorować. Po zapoznaniu się z tymi interaktywnymi wyświetlaczami użytkownik może wygenerować nowe dane z kroku IDP, które mogą być oparte na bardziej świadomych decyzjach. Te nowe dane mogą być następnie natychmiast wykorzystane w następnym odpowiednim kroku IDP. Ponadto eksploracja danych może pomóc w ustaleniu, czy krok IDP powinien zostać ponownie uruchomiony ze skorygowanymi parametrami. IDV może zwiększyć wykorzystanie IDP, a także sprawić, że korzystanie z IDP będzie bardziej intuicyjne i przystępne, jak wykazano badając główny oscylator GRN cyklu komórkowego drożdży. Poniższy protokół zawiera wyniki IDP z w pełni sparametryzowanego przebiegu IDP w porównaniu z podejściem, które obejmuje IDV po uruchomieniu każdego kroku IDP, tj. Node, Edge i Network Finding.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Zainstaluj IDP i IDV

UWAGA: W tej sekcji zakłada się, że docker, conda, i git są już zainstalowane (Tabela materiałów).

  1. W terminalu wprowadź polecenie: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. Postępuj zgodnie z instrukcjami instalacji w pliku README dostawcy tożsamości.
  3. W terminalu wprowadź polecenie: git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
    UWAGA: Klonowanie pliku IDV powinno odbywać się poza katalogiem najwyższego poziomu dostawcy tożsamości.
  4. Postępuj zgodnie z instrukcjami instalacji w pliku README pliku IDV.

2. Wyszukiwanie węzłów

  1. Utwórz nowy plik konfiguracyjny IDP, który parametryzuje krok znajdowania węzłów.
    UWAGA: Nie należy wpisywać wszystkich cudzysłowów w poniższych krokach. Znaki cudzysłowu są tutaj używane tylko jako separator między tekstem protokołu a tym, co ma zostać wpisane.
    1. Dodaj główne argumenty IDP do pliku konfiguracyjnego.
    2. Otwórz nowy plik tekstowy w edytorze tekstu i wpisz "data_file =", "annotation_file =", "output_dir =", "num_proc =" i "IDVconnection = True" w poszczególnych wierszach.
    3. W przypadku "data_file" po znaku równości wpisz ścieżkę i nazwę odpowiedniego pliku szeregów czasowych, a następnie wpisz przecinek po nazwie. Oddziel poszczególne dane przecinkami, jeśli jest używany więcej niż jeden zestaw danych szeregów czasowych. Zobacz Plik uzupełniający 1 i Plik uzupełniający 2, aby zapoznać się z przykładami plików ekspresji genów szeregów czasowych.
    4. Wpisz ścieżkę do pliku adnotacji i nazwę pliku adnotacji dla "annotation_file" po znaku równości. Zobacz Plik uzupełniający 3, aby zapoznać się z przykładem pliku adnotacji.
    5. W polu "output_file" po znaku równości wpisz ścieżkę i nazwę folderu, w którym zostaną zapisane wyniki.
    6. Po znaku równości w polu "num_proc" wpisz liczbę procesów, które powinny być używane przez dostawcę tożsamości.
    7. Dodaj argumenty Znajdowanie węzłów do pliku konfiguracyjnego.
    8. W tym samym pliku tekstowym, co w kroku 2.1.1, wpisz w przedstawionej kolejności "[dlxjtk_arguments]", "kropki =" i "dlxjtk_cutoff =" w poszczególnych wierszach. Umieść je po głównych argumentach.
    9. W przypadku "okresów", po znaku równości, jeśli używany jest zestaw danych szeregów jednorazowych, wpisz każdą długość okresu oddzieloną przecinkami. W przypadku więcej niż jednego zestawu danych szeregów czasowych wpisz każdy zestaw długości okresów tak jak poprzednio, ale umieść nawiasy kwadratowe wokół każdego zestawu i umieść przecinek między zestawami.
    10. Po znaku równości dla "dlxjtk_cutoff" wpisz liczbę całkowitą określającą maksymalną liczbę genów do zachowania w gene_list_file dane wyjściowe de Lichtenberga przez JTK_CYCLE (DLxJTK) (Tabela 1).
      UWAGA: Zdecydowanie zaleca się zapoznanie się z dlxjtk_arguments sekcjami w pliku IDP README, aby lepiej zrozumieć każdy argument. Zobacz Plik uzupełniający 4, aby zapoznać się z przykładem pliku konfiguracyjnego z określonymi argumentami Znajdowanie węzłów.
  2. W terminalu przejdź do katalogu IDP o nazwie inherent_dynamics_pipeline.
  3. W terminalu wpisz polecenie: conda activate dat2net
  4. Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 2.1, uruchamiając to polecenie w terminalu, gdzie to nazwa pliku: python src/dat2net.py
  5. W terminalu przejdź do katalogu o nazwie inherent_dynamics_visualizer i wprowadź polecenie: . /viz_results.sh
    UWAGA: wskaże katalog używany jako katalog wyjściowy dla dostawcy tożsamości.
  6. W przeglądarce internetowej wpisz http://localhost:8050/ jako adres URL.
  7. Po otwarciu IDV w przeglądarce kliknij kartę Znajdowanie węzłów i wybierz interesujący Cię folder wyszukiwania węzłów z menu rozwijanego.
  8. Ręcznie wybierz nową listę genów z tabeli listy genów w IDV, która będzie używana w kolejnych krokach IDP.
    1. Aby rozszerzyć lub skrócić tabelę z listą genów, kliknij strzałkę w górę lub w dół lub ręcznie wprowadź liczbę całkowitą z zakresu od 1 do 50 w polu obok pozycji Ekspresja genów o rankingu DLxJTK. Do góry:.
    2. W tabeli z listą genów kliknij pole obok genu, aby wyświetlić jego profil ekspresji genów na wykresie liniowym. Można dodać wiele genów.
    3. Opcjonalnie określ liczbę pojemników o jednakowej wielkości do obliczenia i uporządkowania genów według przedziału czasu zawierającego ich wyrażenie szczytowe, wprowadzając liczbę całkowitą w polu wejściowym nad tabelą listy genów oznaczoną Wejściowa liczba całkowita, aby podzielić pierwszy cykl na przedziały:.
      UWAGA: Ta opcja jest specyficzna dla dynamiki oscylacyjnej i może nie mieć zastosowania do innych typów dynamiki.
    4. Wybierz preferencję wyświetlania mapy cieplnej, klikając opcję w obszarze Sortuj geny według: Maksymalna ekspresja w pierwszym cyklu (Tabela 1), która porządkuje geny na podstawie czasu szczytu ekspresji genu w pierwszym cyklu.
      UWAGA: DLxJTK Rank porządkuje geny na podstawie rankingu okresowości z algorytmu DLxJTK IDP.
    5. Kliknij przycisk Pobierz listę genów, aby pobrać listę genów w formacie pliku wymaganym do kroku Edge Finding. Zobacz Plik uzupełniający 5, aby zapoznać się z przykładem pliku z listą genów.
  9. W edytowalnej tabeli adnotacji genów oznacz gen jako element docelowy, regulator lub oba te elementy w pliku adnotacji dla kroku Znajdowanie krawędzi w nowym przebiegu wyszukiwania krawędzi. Jeśli gen jest regulatorem, oznacz go jako aktywator, represor lub jedno i drugie.
    1. Aby oznaczyć gen jako aktywator, kliknij komórkę w kolumnie tf_act i zmień wartość na 1. Aby oznaczyć gen jako represor, zmień wartość w kolumnie tf_rep na 1. Gen będzie mógł działać zarówno jako aktywator, jak i represor w kroku Edge Finding, ustawiając wartości zarówno w kolumnach tf_act, jak i tf_rep na 1.
    2. Aby oznaczyć gen jako cel, kliknij komórkę w kolumnie docelowej i zmień wartość na 1.
  10. Kliknij przycisk Pobierz adnotację. Plik, aby pobrać plik adnotacji w formacie wymaganym dla kroku Znajdowanie krawędzi.

3. Znajdowanie krawędzi

  1. Utwórz nowy plik konfiguracyjny IDP, który parametryzuje krok Znajdowanie krawędzi.
    1. Dodaj główne argumenty IDP do pliku konfiguracyjnego. Otwórz nowy plik tekstowy w edytorze tekstu i powtórz krok 2.1.1.
    2. Dodaj argumenty Znajdowanie krawędzi do pliku konfiguracyjnego.
    3. W tym samym pliku tekstowym, co w kroku 3.1.1, wpisz w przedstawionej kolejności "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" i "num_edges_for_seed =" w poszczególnych wierszach. Powinny one znaleźć się poniżej głównych argumentów.
    4. W przypadku "gene_list_file" po znaku równości wprowadź ścieżkę i nazwę pliku z listą genów wygenerowanego w kroku 2.8.5.
    5. W przypadku "edge_score_column" po znaku równości wprowadź "pld" lub "norm_loss", aby określić, która kolumna ramki danych z danych wyjściowych lempy jest używana do filtrowania krawędzi.
    6. Wybierz "edge_score_threshold" lub "num_edges_for_list" i usuń drugi. W przypadku wybrania opcji "edge_score_threshold" wprowadź liczbę z przedziału od 0 do 1. Ta liczba będzie używana do filtrowania krawędzi na podstawie kolumny określonej w kroku 3.1.5.
      1. W przypadku wybrania opcji "num_edges_for_list" wprowadź wartość równą lub mniejszą niż liczba możliwych krawędzi. Ta liczba będzie używana do filtrowania krawędzi na podstawie ich uszeregowania w kolumnie określonej w kroku 3.1.5. Krawędzie, które pozostały, zostaną użyte do budowania sieci w funkcji Znajdowanie sieci.
    7. Wybierz "seed_threshold" lub "num_edges_for_seed" i usuń drugi. W przypadku wybrania opcji "seed_threshold" wprowadź liczbę z przedziału od 0 do 1. Ta liczba będzie używana do filtrowania krawędzi na podstawie kolumny określonej w kroku 3.1.5.
      1. W przypadku wybrania opcji "num_edges_for_seed" należy wprowadzić wartość równą lub mniejszą niż liczba możliwych krawędzi. Ta liczba będzie używana do filtrowania krawędzi na podstawie ich uszeregowania w kolumnie określonej w kroku 3.1.5. Pozostałe krawędzie zostaną użyte do zbudowania sieci źródłowej (Tabela 1) używanej w Network Finding.
        UWAGA: Zdecydowanie zaleca się zapoznanie się z sekcjami lempy_arguments i netgen_arguments w pliku IDP README, aby lepiej zrozumieć każdy argument. Zobacz Plik uzupełniający 7, aby zapoznać się z przykładem pliku konfiguracyjnego z określonymi argumentami znajdowania krawędzi.
  2. Powtórz kroki 2.2 i 2.3.
  3. Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 3.1, uruchamiając to polecenie w terminalu, gdzie to nazwa pliku: python src/dat2net.py
  4. Jeśli plik IDV jest nadal uruchomiony, zatrzymaj go, naciskając Control C w oknie terminala, aby zatrzymać program. Powtórz kroki 2.5 i 2.6.
  5. Po otwarciu pliku IDV w przeglądarce kliknij kartę Wyszukiwanie krawędzi i wybierz interesujący Cię folder wyszukiwania krawędzi z menu rozwijanego.
    UWAGA: Jeśli w funkcji Edge Finding używanych jest wiele zestawów danych, upewnij się, że wybrano ostatni zestaw danych, który był używany w analizie Local Edge Machine (LEM) (Tabela 1). Podczas wybierania krawędzi dla sieci źródłowej lub listy krawędzi na podstawie wyników LEM ważne jest, aby przyjrzeć się ostatnim danym szeregów czasowych wymienionym w pliku konfiguracyjnym, ponieważ te dane wyjściowe obejmują wszystkie poprzednie pliki danych w swoim wnioskowaniu o relacjach regulacyjnych między węzłami.
  6. Aby wydłużyć lub skrócić tabelę krawędzi, ręcznie wprowadź liczbę całkowitą w polu wprowadzania w obszarze Liczba krawędzi:.
  7. Opcjonalnie filtruj krawędzie parametrów LEM ODE. Kliknij i przeciągnij, aby przesunąć lewą lub prawą stronę suwaka każdego parametru, aby usunąć krawędzie z tabeli krawędzi, które mają parametry poza nowymi dozwolonymi granicami parametrów.
  8. Opcjonalnie utwórz nową sieć seed, jeśli potrzebna jest inna sieć seed niż ta zaproponowana przez IDP. Zobacz Plik uzupełniający 8, aby zapoznać się z przykładem źródłowego pliku sieciowego.
    1. Wybierz opcję Z nasion, aby wybrać sieć źródłową, lub opcję Z wyboru z menu rozwijanego w obszarze Sieć:.
    2. Odznacz/wybierz krawędzie z tabeli krawędzi, klikając odpowiednie pola wyboru obok każdej krawędzi, aby usunąć/dodać krawędzie z sieci źródłowej.
  9. Kliknij przycisk Pobierz DSGRN NetSpec, aby pobrać sieć źródłową w formacie specyfikacji sieci Dynamic Signatures Generated by Regulatory Networks (DSGRN) (Tabela 1).
  10. Wybierz dodatkowe węzły i krawędzie, które mają być używane w kroku Znajdowanie sieci.
    1. Wybierz krawędzie z tabeli krawędzi, klikając odpowiednie pola wyboru, które mają zostać uwzględnione w pliku listy krawędzi używanym w funkcji Znajdowanie w sieci.
    2. Kliknij Pobierz listy węzłów i krawędzi, aby pobrać pliki listy węzłów i listy krawędzi w formacie wymaganym do ich użycia w wyszukiwaniu sieci. Zobacz Plik uzupełniający 9 i Plik uzupełniający 10, aby zapoznać się z przykładami plików list krawędzi i węzłów.
      UWAGA: Lista węzłów musi zawierać wszystkie węzły w pliku listy krawędzi, więc plik IDV automatycznie tworzy plik listy węzłów na podstawie wybranych krawędzi. Dostępne są dwie opcje wyświetlania krawędzi w narzędziu Znajdowanie krawędzi. Opcja Tabela podsumowania LEM przedstawia krawędzie jako uszeregowaną listę 25 pierwszych krawędzi. Tabela LEM Top-Line przedstawia krawędzie w połączonej liście trzech górnych krawędzi uszeregowanych dla każdego możliwego regulatora. Liczba krawędzi wyświetlanych dla każdej opcji może być dostosowana przez użytkownika, zmieniając liczbę w polu wprowadzania Liczba krawędzi.

4. Wyszukiwanie sieci

  1. Utwórz nowy plik konfiguracyjny dostawcy tożsamości, który parametryzuje krok Znajdowanie sieci.
    1. Dodaj główne argumenty IDP do pliku konfiguracyjnego. Otwórz nowy plik tekstowy w edytorze tekstu i powtórz krok 2.1.1.
    2. Dodaj argumenty Znajdowanie sieci do pliku konfiguracyjnego.
    3. W tym samym pliku tekstowym, co w kroku 4.1.1, wpisz w przedstawionej kolejności "[netper_arguments]", "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[probabilities]]", "addNode =", "addEdge =", "removeNode =" i "removeEdge =" w poszczególnych wierszach, poniżej głównych argumentów.
    4. W przypadku znaków "seed_net_file", "edge_list_file" i "node_list_file" po znaku równości wprowadź ścieżkę i nazwę pliku sieci źródłowej oraz plików listy krawędzi i węzłów wygenerowanych w krokach 3.9 i 3.10.2.
    5. Po znaku równości (range_operations) wpisz dwie cyfry oddzielone przecinkiem. Pierwsza i druga liczba to odpowiednio minimalna i maksymalna liczba dodawanych lub usuwanych węzłów lub krawędzi na wykonaną sieć.
    6. W polu "liczbasąsiadów" po znaku równości wprowadź liczbę reprezentującą liczbę sieci do znalezienia w polu Znajdowanie sieci.
    7. W polu "maxparams" po znaku równości wprowadź liczbę reprezentującą maksymalną liczbę parametrów DSGRN, które są dozwolone dla sieci.
    8. Wprowadź wartości z zakresu od 0 do 1 dla każdego z tych argumentów: "addNode", "addEdge", "removeNode" i "removeEdge" po znaku równości. Liczby muszą się sumować do 1.
      UWAGA: Zdecydowanie zaleca się zapoznanie się z sekcjami netper_arguments i netquery_arguments w pliku README IDP, aby lepiej zrozumieć każdy argument. Zobacz Plik uzupełniający 11 i Plik uzupełniający 12, aby zapoznać się z przykładami pliku konfiguracyjnego z określonymi argumentami Znajdowanie sieci.
  2. Powtórz kroki 2.2 i 2.3.
  3. Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 4.1, uruchamiając to polecenie w terminalu, gdzie to nazwa pliku: python src/dat2net.py
  4. Jeśli plik IDV jest nadal uruchomiony, zatrzymaj go, naciskając Control C w oknie terminala, aby zatrzymać program. Powtórz kroki 2.5 i 2.6.
  5. Po otwarciu pliku IDV w przeglądarce kliknij kartę Wyszukiwanie sieci i wybierz interesujący Cię folder wyszukiwania sieci.
  6. Wybierz sieć lub zestaw sieci, aby wygenerować tabelę rozpowszechnienia krawędzi (Tabela 1) i wyświetlić sieci wraz z odpowiednimi wynikami zapytania.
    1. Dostępne są dwie opcje wybierania sieci: Opcja 1 — wprowadź dolną i górną granicę wyników zapytania, wprowadzając wartości minimalne i maksymalne w polach wejściowych odpowiadających osi x i y wykresu. Opcja 2 - Kliknij i przeciągnij nad wykresem rozrzutu, aby narysować ramkę wokół sieci, które mają zostać uwzględnione. Po wprowadzeniu granic wyboru lub danych wejściowych naciśnij przycisk Pobierz rozpowszechnienie krawędzi z wybranych sieci.
      UWAGA: Jeśli określono więcej niż jedno zapytanie DSGRN, użyj przycisków radiowych oznaczonych typem zapytania, aby przełączać się między wynikami każdego zapytania. To samo dotyczy sytuacji, gdy określono więcej niż jeden epsilon (poziom hałasu).
  7. Kliknij strzałki poniżej tabeli rozpowszechnienia krawędzi, aby przejść do następnej strony tabeli. Naciśnij przycisk Pobierz tabelę, aby pobrać tabelę rozpowszechnienia krawędzi.
  8. Wprowadź liczbę całkowitą w polu wejściowym Indeks sieci, aby wyświetlić pojedynczą sieć z wyboru dokonanego w kroku 4.6. Kliknij Pobierz DSGRN NetSpec, aby pobrać wyświetloną sieć w formacie specyfikacji sieci DSGRN.
  9. Przeszukuj sieci pod kątem podobieństwa do określonego motywu lub sieci zainteresowań.
    1. Użyj pól wyboru odpowiadających każdej krawędzi, aby wybrać krawędzie, które mają zostać uwzględnione w sieci lub motywie używanym do analizy podobieństwa. Kliknij Prześlij, aby utworzyć wykres rozrzutu podobieństwa dla wybranego motywu lub sieci.
      UWAGA: Użyj strzałek na liście krawędzi, aby posortować alfabetycznie, a strzałek pod tabelą, aby przejść do następnej strony tabeli.
    2. Kliknij i przeciągnij nad wykresem rozrzutu, aby narysować ramkę wokół sieci, które mają zostać uwzględnione, wybrać sieć lub zestaw sieci, aby wygenerować tabelę rozpowszechnienia krawędzi i wyświetlić sieci wraz z odpowiednimi wynikami zapytania.
      UWAGA: Jeśli określono więcej niż jedno zapytanie DSGRN, użyj przycisków radiowych oznaczonych typem zapytania, aby przełączać się między wynikami każdego zapytania. To samo dotyczy sytuacji, gdy określono więcej niż jeden epsilon (poziom hałasu).
    3. Powtórz kroki 4.7 i 4.8, aby pobrać odpowiednio tabelę rozpowszechnienia krawędzi i wyświetlaną sieć do analizy podobieństwa.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kroki opisane tekstowo powyżej i graficznie w Rysunek 1 został zastosowany do oscylującego rdzenia GRN cyklu komórkowego drożdży, aby sprawdzić, czy możliwe jest odkrycie funkcjonalnych modeli GRN, które są w stanie wytworzyć dynamikę obserwowaną w danych dotyczących ekspresji genów szeregów czasowych zebranych w badaniu cyklu komórkowego drożdży16. Aby zilustrować, w jaki sposób IDV może wyjaśnić i poprawić wyniki IDP, porównano wyniki, po przeprowadzeniu tej analizy...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wnioskowanie o GRN jest ważnym wyzwaniem w biologii systemowej. IDP generuje modelowe GRN na podstawie danych o ekspresji genów przy użyciu sekwencji narzędzi, które wykorzystują dane w coraz bardziej złożony sposób. Każdy krok wymaga podjęcia decyzji o tym, w jaki sposób przetworzyć dane i jakie elementy (geny, interakcje funkcjonalne) zostaną przekazane do kolejnej warstwy IDP. Wpływ tych decyzji na wyniki IDP nie jest tak oczywisty. Aby pomóc w tym zakresie, IDV udostępnia przydatne interaktywne wizualizacje wyników z...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca została sfinansowana przez grant NIH R01 GM126555-01 oraz grant NSF DMS-1839299.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Dockerhttps://docs.docker.com/get-docker/
Githttps://git-scm.com/
Inherent Dynamics Pipelinehttps://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizerhttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
Pipshttps://.pypa.io/en/stable/

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Gene Regulatory NetworksNetwork InferenceInherent Dynamics PipelineInteractive VisualizationParameter ExplorationTime Series TranscriptomicsNetwork Model EvaluationEdge FindingNode FindingSystems Biology

Related Articles