Protokół wykorzystania analizy wzbogacenia zestawu genów w celu zidentyfikowania odpowiedniego modelu zwierzęcego do badań translacyjnych
16 sierpnia 2017
Dostarczamy ustandaryzowany protokół do analizy wzbogacenia zestawu genów danych transkryptomicznych w celu zidentyfikowania idealnego modelu myszy do badań translacyjnych.
Protokół ten może być używany z danymi z mikromacierzy DNA i sekwencjonowania RNA, a następnie może być rozszerzony na inne dane omiczne, jeśli dane są dostępne.
Ogólnym celem tej procedury jest zidentyfikowanie odpowiedniego modelu zwierzęcego dla translacyjnych pytań badawczych. Ta metoda może pomóc odpowiedzieć na jedno kluczowe pytanie w badaniach translacyjnych, a mianowicie, jak mogę wybrać odpowiedni model zwierzęcy dla konkretnej choroby ludzkiej, którą chcę zbadać? Główną zaletą tej techniki jest to, że dane dotyczące całego genomu są porównywane między modelami zwierzęcymi a badaniami chorób u ludzi.
Tak więc takie podejście pozwala uniknąć tendencyjnej interpretacji odnoszącej się do porównań pojedynczych genów. Chociaż metoda ta zapewnia wgląd w przydatność modeli mysich do chorób zapalnych, można ją również zastosować do innych modeli chorób. GSEA pomaga w badaniu regulacji politycznych dotyczących badań nad ekspresją genów.
Wyniki każdego badania na modelu zwierzęcym i choroby stanowią podstawę do dalszych porównań. Rozpocznij tę procedurę od pobrania oprogramowania i danych, a następnie obsługi i formatowania danych zgodnie z opisem w protokole tekstowym. Następnie otwórz narzędzie programowe GSEA.
Kliknij przycisk Załaduj dane po lewej stronie okna głównego. Otworzy się nowa zakładka do importowania wymaganych plików danych. W nowej karcie przejdź do pliku danych ekspresji genów i pliku fenotypu.
W przypadku, gdy GSEA nie może połączyć się z Internetem, załaduj również pobrane pliki bazy danych sygnatur molekularnych i pliki adnotacji chipów DNA. Pomyślnie zaimportowane dane pojawią się w sekcji ładowania danych. Kliknij przycisk Uruchom GSEA po lewej stronie okna głównego.
Otworzy się nowa zakładka, w której można ustawić parametry analizy. Karta jest podzielona na trzy części: pola wymagane, pola podstawowe i pola zaawansowane. W wymaganych polach najpierw wybierz zestaw danych wyrażeń.
Następnie wybierz bazę danych zestawów genów z podłączonej strony internetowej lub z ręcznie zaimportowanego pliku zestawu genów. Edytuj etykiety fenotypów, aby wybrać grupy próbek, które mają być ze sobą porównane. Na przykład grupa chorobowa a zdrowa grupa kontrolna.
Następnie wybierz opcję zwiń zestaw danych do symboli genów równa się true, aby przetłumaczyć identyfikatory sondy w zestawie danych wyrażeń na oficjalne symbole genów Hugo używane w bazie danych zestawów genów. Wybierz wartość false, jeśli zestaw danych wyrażeń zawiera już symbole genów Hugo. Ustaw liczbę permutacji na ustawienie domyślne na 1 000.
Zmień typ permutacji na zestaw genów, ponieważ permutacja fenotypu jest zalecana tylko wtedy, gdy w każdym fenotypie jest więcej niż siedem próbek. Na koniec wybierz platformę chipową używaną do generowania danych o ekspresji genów z podłączonej strony internetowej lub z ręcznie zaimportowanego pliku adnotacji chipa DNA. W polach podstawowych edytuj nazwę analizy i sekcję Zapisz wyniki w tym folderze.
Ponadto można zmieniać inne parametry statystyczne. Więcej informacji na temat parametrów i sekcji pól zaawansowanych można znaleźć w podręczniku użytkownika GSEA. Jeśli stosowane są zewnętrznie obliczone metryki grupowe dla danych dotyczących ekspresji genów, należy użyć narzędzia GSEA wstępnie sklasyfikowanego.
Analiza ta jest przeprowadzana na podstawie prostej listy genów wstępnie przypisanych do wstępnie obliczonych wskaźników grupy, które są używane do klasyfikowania genów. Po załadowaniu alternatywnego pliku z ekspresją genów przejdź do głównego paska nawigacyjnego i kliknij Narzędzia, GseaPreranked. Podobnie otworzy się nowa zakładka do ustawiania parametrów analizy.
Następnie kliknij przycisk Uruchom w prawym dolnym rogu okna. Kliknij pomyślną analizę w sekcji raportu GSEA, aby otworzyć wyniki analizy. Następnie kliknij szczegółowe wyniki wzbogacania w formacie Excel, aby wyeksportować wyniki analizy do arkusza kalkulacyjnego.
Wyeksportuj wyniki oddzielnie dla obu fenotypów. W programie Excel połącz dane wyników w jednym pliku arkusza kalkulacyjnego. W celu późniejszego porównania danych dotyczących ekspresji genów z kilku badań, należy zachować co najmniej nazwę zestawu genów, jego znormalizowany wynik wzbogacenia i wartość FDR.
Powtórz analizę wzbogacenia zestawu genów dla drugiego badania i dla wszystkich dalszych badań, które mają być ze sobą porównane. Uwzględnij jak najwięcej badań klinicznych na ludziach i różnych modeli mysich, aby zidentyfikować optymalny model myszy dla pytania badawczego translacyjnego. Aby zidentyfikować optymalny model zwierzęcy do naśladowania sytuacji ludzkiej, należy porównać ze sobą wyniki GSEA ze wszystkich badań.
Użyj wyników wzbogacenia i wartości FDR, aby sklasyfikować szlaki jako aktywowane, hamowane lub żadne. W przypadku wielu badań, które mają być porównywane, zaleca się używanie skryptów języka R. Dla każdego porównania dwóch badań policz liczbę realizacji dziewięciu możliwych kombinacji regulacji szlaku, jak wskazano w tabeli kontyngencji trzy na trzy.
Oceń korelację między dwoma badaniami, obliczając dodatnią wartość predykcyjną i ujemną wartość predykcyjną, która z definicji jest częścią szlaków, które wykazują tę samą regulację w dwóch badaniach. Oszacuj również część ścieżek, które miały korelować tylko przez przypadek, reprezentowaną przez szansę ppv i szansę npv. Następnie oblicz przyrost informacji.
Wszystkie obliczenia można wykonać za pomocą programów do obsługi arkuszy kalkulacyjnych, ale zalecane jest korzystanie z funkcji R. Użyj tabeli kontyngencji pary badań, aby obliczyć wartość P za pomocą testu chi-kwadrat, na przykład za pomocą funkcji R, testu chi-kwadrat lub programów arkusza kalkulacyjnego. Przechowuj dane z tabeli kontyngencji w macierzy X.Następnie porównaj wyniki GSEA dla wszystkich kombinacji badań, które zostały wybrane do analizy.
Sortuj wszystkie kombinacje według przyrostu informacji. Aby porównać wiele zestawów danych, użyj macierzy i zwizualizuj wyniki za pomocą kolorowej mapy cieplnej. Wybierz model zwierzęcy o największym zysku informacji.
Aby ocenić znaczenie pozyskania informacji, należy również wziąć pod uwagę test chi-kwadrat. Przedstawiono tutaj macierz korelacji porównań ścieżek między badaniami na ludziach i myszach. Nakładanie się regulacji szlaku jest pokazane jako uzyskanie informacji, które można uzyskać z jednego badania w celu przewidzenia skutków w innym badaniu.
Kolor niebieski oznacza niską korelację, a czerwony oznacza wysoką korelację między danymi. Porównanie zestawów danych dotyczących ludzi i myszy ujawniło podgrupę modeli mysich, które były silnie skorelowane z badaniami na ludziach. Dlatego te modele myszy najlepiej nadają się do naśladowania sytuacji ludzkiej.
Natomiast badania siódme, ósme i dziewiąte nie wykazały korelacji z badaniami nad chorobami u ludzi. Po opanowaniu tej techniki można ją wykonać w ciągu kilku dni, jeśli zostanie wykonana prawidłowo. Zależy to od ilości danych i ich dostępności.
Podejmując się tej procedury, należy pamiętać, że ważność wyników zależy od jakości i trafności wybranych danych. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak wybrać odpowiedni model zwierzęcy dla konkretnej choroby ludzkiej na podstawie danych transkrypcyjnych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Ten artykuł przedstawia standaryzowany protokół analizy wzbogacania zestawów genów (GSEA) danych transkryptomowych w celu identyfikacji odpowiednich modeli mysich dla badań translacyjnych. Metoda porównuje dane z całego genomu między modelami zwierzęcymi a badaniami nad chorobami ludzkimi, dostarczając informacji na temat doboru modeli dla różnych chorób.
Kluczowe elementy badania
Dziedzina nauki
- Badania translacyjne
- Genomika
- Modele zwierzęce
Tło
- Identyfikowanie odpowiednich modeli zwierzęcych jest kluczowe dla badań translacyjnych.
- GSEA unika stronniczych interpretacji poprzez porównywanie danych z całego genomu.
- Ta metoda może być zastosowana do różnych modeli chorób poza chorobami zapalnymi.
- Pomaga w badaniu regulacji ekspresji genów.
Cel badania
- Aby zapewnić protokół doboru modeli zwierzęcych dla określonych chorób ludzkich.
- Aby poprawić rozumienie przydatności modeli w badaniach translacyjnych.
- Aby ułatwić wykorzystanie danych transkryptomowych w doborze modeli.
Stosowane metody
- Analiza wzbogacania zestawów genów (GSEA) danych transkryptomowych.
- Porównanie danych z całego genomu między modelami zwierzęcymi a badaniami nad chorobami ludzkimi.
- Zastosowanie protokołu do danych z mikroarray DNA i sekwencjonowania RNA.
- Rozszerzenie na inne dane omiczne, jeśli są dostępne.
Główne wyniki
- Protokół skutecznie identyfikuje odpowiednie modele myszy do badań translacyjnych.
- GSEA zapewnia kompleksowy widok ekspresji genów w różnych modelach.
- Uzyskane wnioski mogą pomóc w doborze modeli dla różnych chorób.
- Metoda zmniejsza stronniczość związaną z porównaniami pojedynczych genów.
Wnioski
- Standaryzowany protokół poprawia proces doboru modeli zwierzęcych.
- GSEA jest cennym narzędziem w badaniach translacyjnych do identyfikacji modeli.
- To podejście może być dostosowane dla różnych kontekstów chorobowych.
Często zadawane pytania
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.
