Name: Inherent Dynamics Visualizer, interaktywna aplikacja do oceny i wizualizacji wyników z potoku wnioskowania o sieci regulacji genów (Wideo) | JoVE Journal
Uploaded: 2021-12-07T13:30:00.000+00:00
Duration: 10 min 44 s
Description: Poznaj Inherent Dynamics Visualizer, interaktywną aplikację do wizualizacji wyników wnioskowania o sieciach regulacji genów. To narzędzie usprawnia eksplorację wyników pośrednich i wybór parametrów dla modelowania biologicznego.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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

1. Zainstaluj IDP i IDV
UWAGA: W tej sekcji zakłada się, że docker, conda, i git są już zainstalowane (Tabela materiałów).
<ol>
	<li>W terminalu wprowadź polecenie: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.</li>
	<li>Postępuj zgodnie z instrukcjami instalacji w pliku README dostawcy tożsamości.</li>
	<li>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.</li>
	<li>Postępuj zgodnie z instrukcjami instalacji w pliku README pliku IDV.</li>
</ol>
2. Wyszukiwanie węzłów
<ol>
	<li>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.
	<ol>
		<li>Dodaj główne argumenty IDP do pliku konfiguracyjnego.</li>
		<li>Otwórz nowy plik tekstowy w edytorze tekstu i wpisz "data_file =", "annotation_file =", "output_dir =", "num_proc =" i "IDVconnection = True" w poszczególnych wierszach.</li>
		<li>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.</li>
		<li>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.</li>
		<li>W polu "output_file" po znaku równości wpisz ścieżkę i nazwę folderu, w którym zostaną zapisane wyniki.</li>
		<li>Po znaku równości w polu "num_proc" wpisz liczbę procesów, które powinny być używane przez dostawcę tożsamości.</li>
		<li>Dodaj argumenty Znajdowanie węzłów do pliku konfiguracyjnego.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>W terminalu przejdź do katalogu IDP o nazwie inherent_dynamics_pipeline.</li>
	<li>W terminalu wpisz polecenie: conda activate dat2net</li>
	<li>Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 2.1, uruchamiając to polecenie w terminalu, gdzie <nazwa pliku konfiguracyjnego> to nazwa pliku: python src/dat2net.py <config file name></li>
	<li>W terminalu przejdź do katalogu o nazwie inherent_dynamics_visualizer i wprowadź polecenie: . /viz_results.sh <results_directory> 
	UWAGA: <results_directory> wskaże katalog używany jako katalog wyjściowy dla dostawcy tożsamości.</li>
	<li>W przeglądarce internetowej wpisz http://localhost:8050/ jako adres URL.</li>
	<li>Po otwarciu IDV w przeglądarce kliknij kartę Znajdowanie węzłów i wybierz interesujący Cię folder wyszukiwania węzłów z menu rozwijanego.</li>
	<li>Ręcznie wybierz nową listę genów z tabeli listy genów w IDV, która będzie używana w kolejnych krokach IDP.
	<ol>
		<li>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:.</li>
		<li>W tabeli z listą genów kliknij pole obok genu, aby wyświetlić jego profil ekspresji genów na wykresie liniowym. Można dodać wiele genów.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>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.
	<ol>
		<li>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.</li>
		<li>Aby oznaczyć gen jako cel, kliknij komórkę w kolumnie docelowej i zmień wartość na 1.</li>
	</ol>
	</li>
	<li>Kliknij przycisk Pobierz adnotację. Plik, aby pobrać plik adnotacji w formacie wymaganym dla kroku Znajdowanie krawędzi.</li>
</ol>
3. Znajdowanie krawędzi
<ol>
	<li>Utwórz nowy plik konfiguracyjny IDP, który parametryzuje krok Znajdowanie krawędzi.
	<ol>
		<li>Dodaj główne argumenty IDP do pliku konfiguracyjnego. Otwórz nowy plik tekstowy w edytorze tekstu i powtórz krok 2.1.1.</li>
		<li>Dodaj argumenty Znajdowanie krawędzi do pliku konfiguracyjnego.</li>
		<li>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.</li>
		<li>W przypadku "gene_list_file" po znaku równości wprowadź ścieżkę i nazwę pliku z listą genów wygenerowanego w kroku 2.8.5.</li>
		<li>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.</li>
		<li>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.
		<ol>
			<li>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.</li>
		</ol>
		</li>
		<li>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.
		<ol>
			<li>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.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Powtórz kroki 2.2 i 2.3.</li>
	<li>Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 3.1, uruchamiając to polecenie w terminalu, gdzie <nazwa pliku konfiguracyjnego> to nazwa pliku: python src/dat2net.py <config file name></li>
	<li>Jeśli plik IDV jest nadal uruchomiony, zatrzymaj go, naciskając Control C w oknie terminala, aby zatrzymać program. Powtórz kroki 2.5 i 2.6.</li>
	<li>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.</li>
	<li>Aby wydłużyć lub skrócić tabelę krawędzi, ręcznie wprowadź liczbę całkowitą w polu wprowadzania w obszarze Liczba krawędzi:.</li>
	<li>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.</li>
	<li>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.
	<ol>
		<li>Wybierz opcję Z nasion, aby wybrać sieć źródłową, lub opcję Z wyboru z menu rozwijanego w obszarze Sieć:.</li>
		<li>Odznacz/wybierz krawędzie z tabeli krawędzi, klikając odpowiednie pola wyboru obok każdej krawędzi, aby usunąć/dodać krawędzie z sieci źródłowej.</li>
	</ol>
	</li>
	<li>Kliknij przycisk Pobierz DSGRN NetSpec, aby pobrać sieć źródłową w formacie specyfikacji sieci Dynamic Signatures Generated by Regulatory Networks (DSGRN) (Tabela 1).</li>
	<li>Wybierz dodatkowe węzły i krawędzie, które mają być używane w kroku Znajdowanie sieci.
	<ol>
		<li>Wybierz krawędzie z tabeli krawędzi, klikając odpowiednie pola wyboru, które mają zostać uwzględnione w pliku listy krawędzi używanym w funkcji Znajdowanie w sieci.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>
4. Wyszukiwanie sieci
<ol>
	<li>Utwórz nowy plik konfiguracyjny dostawcy tożsamości, który parametryzuje krok Znajdowanie sieci.
	<ol>
		<li>Dodaj główne argumenty IDP do pliku konfiguracyjnego. Otwórz nowy plik tekstowy w edytorze tekstu i powtórz krok 2.1.1.</li>
		<li>Dodaj argumenty Znajdowanie sieci do pliku konfiguracyjnego.</li>
		<li>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.</li>
		<li>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.</li>
		<li>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.</li>
		<li>W polu "liczbasąsiadów" po znaku równości wprowadź liczbę reprezentującą liczbę sieci do znalezienia w polu Znajdowanie sieci.</li>
		<li>W polu "maxparams" po znaku równości wprowadź liczbę reprezentującą maksymalną liczbę parametrów DSGRN, które są dozwolone dla sieci.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Powtórz kroki 2.2 i 2.3.</li>
	<li>Uruchom dostawcę tożsamości przy użyciu pliku konfiguracyjnego utworzonego w kroku 4.1, uruchamiając to polecenie w terminalu, gdzie <nazwa pliku konfiguracyjnego> to nazwa pliku: python src/dat2net.py <config file name></li>
	<li>Jeśli plik IDV jest nadal uruchomiony, zatrzymaj go, naciskając Control C w oknie terminala, aby zatrzymać program. Powtórz kroki 2.5 i 2.6.</li>
	<li>Po otwarciu pliku IDV w przeglądarce kliknij kartę Wyszukiwanie sieci i wybierz interesujący Cię folder wyszukiwania sieci.</li>
	<li>Wybierz sieć lub zestaw sieci, aby wygenerować tabelę rozpowszechnienia krawędzi (Tabela 1) i wyświetlić sieci wraz z odpowiednimi wynikami zapytania.
	<ol>
		<li>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).</li>
	</ol>
	</li>
	<li>Kliknij strzałki poniżej tabeli rozpowszechnienia krawędzi, aby przejść do następnej strony tabeli. Naciśnij przycisk Pobierz tabelę, aby pobrać tabelę rozpowszechnienia krawędzi.</li>
	<li>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.</li>
	<li>Przeszukuj sieci pod kątem podobieństwa do określonego motywu lub sieci zainteresowań.
	<ol>
		<li>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.</li>
		<li>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).</li>
		<li>Powtórz kroki 4.7 i 4.8, aby pobrać odpowiednio tabelę rozpowszechnienia krawędzi i wyświetlaną sieć do analizy podobieństwa.</li>
	</ol>
	</li>
</ol>

<ol><li>Karlebach, G., Shamir, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+and+analysis+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Nature+Reviews+Molecular+Cell+Biology%22%5BJournal%5D)">Modelling and analysis of gene regulatory networks.</a> Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).</li>
<li>Aijö, T., Lähdesmäki, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+gene+regulatory+networks+from+gene+expression+measurements+using+non-parametric+molecular+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics.</a> Bioinformatics. 25 (22), 2937-2944 (2009).</li>
<li>Huynh-Thu, V. A., Sanguinetti, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Combining+tree-based+and+dynamical+systems+for+the+inference+of+gene+regulatory+networks%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Combining tree-based and dynamical systems for the inference of gene regulatory networks.</a> Bioinformatics. 31 (10), 1614-1622 (2015).</li>
<li>Oates, C. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Causal+network+inference+using+biochemical+kinetics%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Causal network inference using biochemical kinetics.</a> Bioinformatics. 30 (17), 468-474 (2014).</li>
<li>Marbach, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Wisdom+of+crowds+for+robust+gene+network+inference%5BTitle%5D)+AND+%22Nature+Methods%22%5BJournal%5D)">Wisdom of crowds for robust gene network inference.</a> Nature Methods. 9 (8), 796-804 (2012).</li>
<li>Inherent Dynamics Pipeline. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/inherent_dynamics_pipeline">https://gitlab.com/biochron/inherent_dynamics_pipeline</a> (2021).</li>
<li>Motta, F. C., Moseley, R. C., Cummins, B., Deckard, A., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conservation+of+dynamic+characteristics+of+transcriptional+regulatory+elements+in+periodic+biological+processes%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Conservation of dynamic characteristics of transcriptional regulatory elements in periodic biological processes.</a> bioRxiv. , (2020).</li>
<li>LEMpy. , Available from: 
 <a target="_blank" href="https://gitlab.com/biochron/lempy">https://gitlab.com/biochron/lempy</a> (2021).</li>
<li>McGoff, K. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+local+edge+machine%3A+inference+of+dynamic+models+of+gene+regulation%5BTitle%5D)+AND+%22Genome+Biology%22%5BJournal%5D)">The local edge machine: inference of dynamic models of gene regulation.</a> Genome Biology. 17, 214(2016).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Model+rejection+and+parameter+reduction+via+time+series%5BTitle%5D)+AND+%22SIAM+Journal+on+Applied+Dynamical+Systems%22%5BJournal%5D)">Model rejection and parameter reduction via time series.</a> SIAM Journal on Applied Dynamical Systems. 17 (2), 1589-1616 (2018).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Database+of+Dynamic+Signatures+Generated+by+Regulatory+Networks+%28DSGRN%29%5BTitle%5D)+AND+%22Lecture+Notes+in+Computer+Science.+%28including+Subseries+Lecture+Notes+in+Artificial+Intelligence+and+Lecture+Notes+in+Bioinformatics%29%22%5BJournal%5D)">Database of Dynamic Signatures Generated by Regulatory Networks (DSGRN).</a> Lecture Notes in Computer Science. (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 300-308 (2017).</li>
<li>Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DSGRN%3A+Examining+the+dynamics+of+families+of+logical+models%5BTitle%5D)+AND+%22Frontiers+in+Physiology.+9%22%5BJournal%5D)">DSGRN: Examining the dynamics of families of logical models.</a> Frontiers in Physiology. 9. 9, 549(2018).</li>
<li>DSGRN. , Available from: 
 <a target="_blank" href="https://github.com/marciogameiro/DSGRN">https://github.com/marciogameiro/DSGRN</a> (2021).</li>
<li>Dsgm_Net_Gen. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_gen">https://github.com/breecummins/dsgrn_net_gen</a> (2021).</li>
<li>Dsgrn_Net_Query. , Available from: 
 <a target="_blank" href="https://github.com/breecummins/dsgrn_net_query">https://github.com/breecummins/dsgrn_net_query</a> (2021).</li>
<li>Orlando, D. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+control+of+cell-cycle+transcription+by+coupled+CDK+and+network+oscillators%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Global control of cell-cycle transcription by coupled CDK and network oscillators.</a> Nature. 453 (7197), 944-947 (2008).</li>
<li>Monteiro, P. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((YEASTRACT%2B%3A+a+portal+for+cross-species+comparative+genomics+of+transcription+regulation+in+yeasts%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">YEASTRACT+: a portal for cross-species comparative genomics of transcription regulation in yeasts.</a> Nucleic Acids Research. 48 (1), 642-649 (2020).</li>
<li>de Bruin, R. A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Constraining+G1-specific+transcription+to+late+G1+phase%3A+The+MBF-associated+corepressor+Nrm1+acts+via+negative+feedback%5BTitle%5D)+AND+%22Molecular+Cell%22%5BJournal%5D)">Constraining G1-specific transcription to late G1 phase: The MBF-associated corepressor Nrm1 acts via negative feedback.</a> Molecular Cell. 23 (4), 483-496 (2006).</li>
<li>Horak, C. E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Complex+transcriptional+circuitry+at+the+G1%2FS+transition+in+Saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Genes+%26+Development%22%5BJournal%5D)">Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae.</a> Genes & Development. 16 (23), 3017-3033 (2002).</li>
<li>Cherry, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Saccharomyces+genome+database%3A+The+genomics+resource+of+budding+yeast%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">Saccharomyces genome database: The genomics resource of budding yeast.</a> Nucleic Acids Research. 40, 700-705 (2012).</li>
<li>Zhu, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Two+yeast+forkhead+genes+regulate+the+cell+cycle+and+pseudohyphal+growth%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth.</a> Nature. 406 (6791), 90-94 (2000).</li>
<li>Loy, C. J., Lydall, D., Surana, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NDD1%2C+a+high-dosage+suppressor+of+cdc28-1N%2C+is+essential+for+expression+of+a+subset+of+late-S-phase-specific+genes+in+saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Molecular+and+Cellular+Biology%22%5BJournal%5D)">NDD1, a high-dosage suppressor of cdc28-1N, is essential for expression of a subset of late-S-phase-specific genes in saccharomyces cerevisiae.</a> Molecular and Cellular Biology. 19 (5), 3312-3327 (1999).</li>
<li>Cho, C. Y., Kelliher, C. M., Hasse, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+cell-cycle+transcriptional+network+generates+and+transmits+a+pulse+of+transcription+once+each+cell+cycle%5BTitle%5D)+AND+%22Cell+Cycle%22%5BJournal%5D)">The cell-cycle transcriptional network generates and transmits a pulse of transcription once each cell cycle.</a> Cell Cycle. 18 (4), 363-378 (2019).</li>
<li>Smith, L. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+intrinsic+oscillator+drives+the+blood+stage+cycle+of+the+malaria+parasite+Plasmodium+falciparum%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum.</a> Science. 368 (6492), 754-759 (2020).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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...

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.

<table><tbody><tr><td>Docker</td><td></td><td></td><td>https://docs.docker.com/get-docker/</td></tr> <tr><td>Git</td><td></td><td></td><td>https://git-scm.com/</td></tr> <tr><td>Inherent Dynamics Pipeline</td><td></td><td></td><td>https://gitlab.com/biochron/inherent_dynamics_pipeline</td></tr><tr><td>Inherent Dynamics Visualizer</td><td></td><td></td><td>https://gitlab.com/bertfordley/inherent_dynamics_visualizer</td></tr><tr><td>Miniconda</td><td></td><td></td><td>https://docs.conda.io/en/latest/miniconda.html</td></tr><tr><td>Pips</td><td></td><td></td><td>https://.pypa.io/en/stable/</td></tr></tbody></table>

inherent dynamics visualizer, interaktywna aplikacja do oceny i wizualizacji wyników z potoku wnioskowania o sieci regulacji genów

Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline

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.

Kroki opisane powyżej w tekście oraz graficznie na Rysunku 1 zostały zastosowane do rdzenia oscylującej sieci regulacji genów (GRN) cyklu komórkowego drożdży, aby sprawdzić, czy możliwe jest odkrycie funkcjonalnych modeli GRN zdolnych do generowania dynamiki zaobserwowanej w szeregach czasowych danych o ekspresji genów zebranych w badaniu cyklu komórkowego drożdży16. Aby zilustrować, w jaki sposób IDV może wyjaśnić i usprawnić wyniki IDP, porównano rezultaty po przepr...

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.

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

Developing gene regulatory network models is a major challenge in systems biology. Several computational tools and pipelines have been developed to tackle ...

Inherent Dynamics Visualizer ułatwia badaczom pracę z kilkoma metodami wnioskowania i zrozumienie ich wyników, co z kolei pozwala na przyspieszone tworzenie funkcjonalnych modeli sieciowych. Główną zaletą Inherent Dynamics Visualizer jest wizualizacja i eksplorowanie wyników pośrednich w celu informowania o parametrach i zawartości plików wejściowych dalszych kroków. Inherent Dynamics Visualizer ułatwia eksplorację i zrozumienie wyników z kilku narzędzi wnioskowania.Zalecamy jednak zapoznanie się z dokumentacją każdego narzędzia, aby lepiej zrozumieć, jak wybrane parametry wpływają na wyniki. W nowym pliku konfiguracyjnym IDP, który parametryzuje krok znajdowania węzłów, wpisz plik danych równy, plik adnotacji równy, plik wyjściowy równy, proces liczbowy równy i IDVconnection równy true w poszczególnych wierszach. Po znaku równości dla pliku danych wpisz ścieżkę i nazwę odpowiedniego pliku szeregów czasowych z przecinkiem po nazwie.W polu Plik adnotacji wpisz ścieżkę i nazwę pliku adnotacji. W polu Plik wyjściowy wpisz ścieżkę i nazwę folderu wyników. W polu Proces numeryczny wpisz liczbę procesów, które powinny być używane przez dostawcę tożsamości.W tym samym pliku tekstowym po głównych argumentach wpisz w przedstawionej kolejności argumenty DLxJTK w nawiasach kwadratowych kropki równe i odcięcie DLxJTK równe w poszczególnych wierszach. W przypadku okresów, jeśli jest używany jeden zestaw danych szeregów czasowych, wpisz każdą długość okresu oddzieloną przecinkami po znaku równości. W przypadku więcej niż jednego zestawu danych szeregów czasowych wpisz każdy zestaw długości okresu, tak jak poprzednio, ale umieść nawiasy kwadratowe wokół każdego zestawu i umieść przecinek między zestawami.W przypadku odcięcia DLxJTK, po znaku równości, wpisz liczbę całkowitą określającą maksymalną liczbę genów, które mają zostać zachowane w pliku listy genów wyprowadzonym przez De Lichtenburg przez JTK-CYCLE. Następnie uruchom IDP przy użyciu utworzonego pliku konfiguracyjnego, uruchamiając wskazane polecenie o odpowiedniej nazwie pliku w terminalu. W terminalu przejdź do katalogu o nazwie Inherent Dynamics Visualizer i wprowadź wskazane polecenie.Następnie w przeglądarce internetowej wprowadź wyświetlony adres URL. Następnie kliknij kartę wyszukiwania węzłów i wybierz z menu rozwijanego interesujący Cię folder wyszukiwania węzłów. Aby rozszerzyć lub skrócić tabelę z listą genów, kliknij strzałkę w górę lub w dół lub ręcznie wprowadź liczbę całkowitą z zakresu od jednego do 50 w polu obok ekspresji genów genów uszeregowanych DLxJTK.W tabeli z listą genów kliknij pole obok genu, aby wyświetlić jego profil ekspresji genów i wykres liniowy. Można dodać wiele genów. Następnie pobierz listę genów do formatu pliku potrzebnego do znalezienia krawędzi, klikając przycisk Pobierz listę genów.W edytowalnej tabeli adnotacji genów oznacz gen jako cel, regulator lub oba te elementy. Jeśli gen jest regulatorem, oznacz go jako aktywator, represor lub jedno i drugie. Na koniec kliknij przycisk Pobierz plik adnotacji, aby pobrać plik adnotacji w formacie wymaganym do kroku wyszukiwania krawędzi.W nowym pliku konfiguracyjnym IDP, który parametryzuje krok znajdowania krawędzi, w polu plik listy genów wprowadź ścieżkę i nazwę wygenerowanego pliku listy genów po znaku równości. W polu kolumna oceny krawędzi wprowadź PLD lub stratę normy, aby określić, która kolumna ramki danych z danych wyjściowych LEM py jest używana do filtrowania krawędzi. Następnie wybierz próg oceny krawędzi lub liczbę krawędzi dla listy i usuń drugą.Jeśli wybrano próg punktacji krawędzi, wprowadź liczbę z zakresu od zera do jednego. Jeśli wybrano opcję liczba krawędzi dla listy, wprowadź wartość równą lub mniejszą niż liczba możliwych krawędzi. Następnie wybierz próg inicjowania lub liczbę krawędzi dla inicjatora i usuń pozostałe.Jeśli wybrano próg inicjacyjny, wprowadź liczbę z zakresu od zera do jednego. Jeśli wybrano opcję Liczba krawędzi dla rzutnika, wprowadź wartość równą lub mniejszą niż liczba możliwych krawędzi. Następnie uruchom dostawcę tożsamości przy użyciu utworzonego pliku konfiguracyjnego, jak pokazano wcześniej.Zaznacz lub usuń zaznaczenie krawędzi z tabeli krawędzi, klikając odpowiednie pola wyboru obok każdej krawędzi, aby dodać lub usunąć krawędzie z sieci źródłowej. Następnie kliknij przycisk pobierz specyfikację sieci DSGRN, aby pobrać sieć źródłową w formacie specyfikacji sieci DSGRN. Po wybraniu krawędzi, które mają zostać uwzględnione w pliku listy krawędzi używanym w wyszukiwaniu sieci, klikając odpowiednie pola wyboru w tabeli krawędzi, kliknij pobierz listy węzłów i krawędzi, aby pobrać listę węzłów i pliki listy krawędzi w formacie wymaganym do ich użycia w wyszukiwaniu sieci.W nowym pliku konfiguracyjnym IDP, który parametryzuje krok wyszukiwania sieci, dla pliku sieci początkowej, pliku listy krawędzi i pliku listy węzłów wprowadź ścieżkę i nazwę pliku sieci źródłowej oraz plików listy krawędzi i węzłów. W przypadku operacji na zakresie wpisz dwie liczby oddzielone przecinkiem po znaku równości. Pierwsza i druga liczba to odpowiednio minimalna i maksymalna liczba dodawania lub usuwania węzłów lub krawędzi na sieć.W polu liczba sąsiadów wprowadź liczbę określającą liczbę sieci do znalezienia w wyszukiwaniu sieci. W polu Maksymalna liczba parametrów wprowadź liczbę reprezentującą maksymalną liczbę parametrów DSGRN, które są dozwolone dla sieci. W polu dodaj węzeł, dodaj krawędź, usuń węzeł i usuń krawędź wprowadź wartości z zakresu od zera do jednego po znaku równości.Liczby muszą sumować się do jednego. Następnie uruchom dostawcę tożsamości przy użyciu utworzonego pliku konfiguracyjnego, jak pokazano wcześniej. Aby wygenerować tabelę rozpowszechnienia krawędzi, wybierz sieci, korzystając z następujących dwóch opcji.W przypadku opcji pierwszej wprowadź dolną i górną granicę wyników zapytania, wprowadzając wartości minimalne i maksymalne w polach wejściowych odpowiadających osiom x i y wykresu. W przypadku opcji drugiej kliknij i przeciągnij nad wykresem rozrzutu, aby narysować ramkę wokół sieci, które mają zostać uwzględnione. Po wybraniu lub wprowadzeniu granic wejściowych kliknij przycisk Pobierz rozpowszechnienie krawędzi z wybranych sieci.Następnie wprowadź liczbę całkowitą w polu wejściowym indeksu sieci, aby wyświetlić pojedynczą sieć z wyboru. Następnie kliknij pobierz specyfikację sieci DSGRN, aby pobrać sieć wyświetlania w formacie specyfikacji sieci DSGRN. Korzystając z pól wyboru odpowiadających każdej krawędzi, wybierz krawędzie, które mają zostać uwzględnione w sieci lub motywie użytym do analizy podobieństwa.Następnie kliknij Prześlij, aby utworzyć wykres rozrzutu podobieństwa dla wybranego motywu lub sieci. Aby wybrać sieć lub zestaw sieci, kliknij i przeciągnij wskaźnik rozrzutu nad wykresem rozrzutu. Narysuj ramkę wokół sieci, które mają zostać uwzględnione, aby wygenerować tabelę rozpowszechnienia krawędzi i wyświetlić sieci wraz z odpowiednimi wynikami zapytania.Pobierz tabelę rozpowszechnienia krawędzi, klikając pobierz tabelę. Następnie pobierz sieć wyświetlającą w celu analizy podobieństwa, klikając pobierz specyfikację sieci DSGRN, jak pokazano wcześniej. Protokół ten został zastosowany do sieci regulacyjnej genu oscylatora rdzenia cyklu komórkowego drożdży.W tym miejscu przedstawiono wyniki uruchamiania każdego kroku IDP po kolei bez użycia IDV między krokami. Ten w pełni sparametryzowany przebieg IDP wygenerował wyniki wyszukiwania węzłów i krawędzi. Jednak podczas wyszukiwania sieci nie wykryto żadnych modeli dopuszczalnych sieci.Następnie wybrano zestaw znanych regulatorów cyklu komórkowego drożdży z bazy danych genomu Saccharomyces, a ze śledzonych drożdży wyekstrahowano znane zależności regulacyjne między genami. Tabela listy genów została rozszerzona w celu znalezienia pozostałego genu w modelu sieci regulacyjnej genów, a geny zostały odselekcjonowane w celu usunięcia genów, których nie znaleziono w tym samym modelu. Nowy plik konfiguracyjny IDP został sparametryzowany dla kroku wyszukiwania krawędzi z nową listą genów i plikiem adnotacji, a wyniki zostały załadowane do IDV.Krawędzie bez dowodów eksperymentalnych zostały usunięte z sieci zasiewowej. Po stworzeniu sieci zalążkowej dobrze popartej dowodami eksperymentalnymi, na etapie znajdowania sieci znaleziono 37 modeli dopuszczalnych sieci, z których 24 mogą stabilnie oscylować. Spośród tych 24 sieci najlepsze wyniki osiągnęły dwie sieci, które dopasowały dane przy 50% swoich stabilnie oscylujących parametrów modelu.Po dodaniu możliwości usuwania krawędzi podczas generowania sieci stwierdzono 612 sieci, z których 67% miało zdolność do stabilnych oscylacji. Co ciekawe, 82 sieci zdolne do stabilnej dynamiki oscylacyjnej nie były w stanie wytworzyć dynamiki podobnej do tej obserwowanej w danych. Spośród 411 sieci, 124 wykazały solidne dopasowania do danych.Biologicznie wykonalna przestrzeń parametrów jest nieznana DSGRN, ale włączenie informacji biologicznej do wyszukiwania węzłów i krawędzi pomaga ograniczyć znajdowanie sieci do biologicznie uzasadnionych regionów w przestrzeni wszystkich sieci. Modelowanie sieci ODE przy użyciu parametrów z etapu znajdowania krawędzi może być przeprowadzone w celu dalszego testowania funkcjonalności sieci in silico.

inherent-dynamics-visualizer-an-interactive-application-for

Research

JoVE Journal

Biology

Biologia

PathWhiz to wszechstronne, internetowe narzędzie do rysowania ścieżek do generowania ścieżek biochemicznych i biologicznych. Korzysta z publicznie dostępnych baz danych i łatwo rozbudowywalnych palet składających się z wstępnie narysowanych komponentów ścieżek. Protokół ten opisuje, jak łatwo budować nowe ścieżki, replikować i edytować istniejące ścieżki oraz propagować wcześniej narysowane ścieżki do różnych organizmów.

Narzędzie internetowe do generowania wysokiej jakości ścieżek biologicznych nadających się do odczytu maszynowego

Prezentowany jest graficzny interfejs użytkownika do eksploracji i udostępniania bazy danych optogenetycznie indukowanych reakcji naczyniowych w korze somatosensorycznej myszy in vivo, mierzonych za pomocą mikroskopii 2-fotonowej. Umożliwia przeglądanie danych, selekcję opartą na kryteriach, uśrednianie, lokalizację pomiarów w obrębie objętości 3D unaczynienia oraz eksport danych.

Neurovascular Network Explorer 2.0: proste narzędzie do eksploracji i udostępniania bazy danych optogenetycznie wywołanej wazomotorii w korze myszy in vivo

Głębokie sekwencjonowanie populacji drożdży wybranych do pozytywnych interakcji drożdży z hybrydami 2 potencjalnie dostarcza wielu informacji na temat oddziałujących białek partnerskich. W tym miejscu opisujemy działanie konkretnych narzędzi bioinformatycznych i dostosowanego zaktualizowanego oprogramowania do analizy danych sekwencyjnych z takich ekranów.

Analiza informacyjna danych sekwencyjnych z przesiewów drożdżowych 2-hybrydowych

Ta praca opisuje protokół o średniej przepustowości, który umożliwia jednoczesne obrazowanie 3D poklatkowe embriogenezy u zarodków 80-100 C. elegans w ciągu jednej nocy. Dodatkowo dołączone są narzędzia do przetwarzania i wizualizacji obrazu, które usprawniają analizę danych. Połączenie tych metod z niestandardowymi szczepami reporterowymi umożliwia szczegółowe monitorowanie embriogenezy.

Metoda obrazowania półwysokoprzepustowego i zestaw narzędzi do wizualizacji danych do analizy rozwoju embrionalnego C. elegans

Neuronalne komórki macierzyste/progenitorowe wykazują różną dynamikę ekspresji komponentów sygnalizacyjnych Notch, które prowadzą do różnych wyników zdarzeń komórkowych. Taką dynamiczną ekspresję można ujawnić poprzez monitorowanie w czasie rzeczywistym, a nie przez analizę statyczną, przy użyciu bardzo czułego systemu obrazowania bioluminescencyjnego, który umożliwia wizualizację szybkich zmian w ekspresji genów.

Obrazowanie bioluminescencyjne w czasie rzeczywistym dynamiki sygnalizacji Notch podczas neurogenezy myszy

Uruchamiając narzędzie do badania asocjacji ścieżek (PAST), czy to za pomocą aplikacji Shiny, czy przez konsolę R, badacze mogą uzyskać głębsze zrozumienie biologicznego znaczenia wyników badania asocjacyjnego całego genomu (GWAS), badając zaangażowane szlaki metaboliczne.

Narzędzie do badania asocjacji szlaków do analiz GWAS informacji o szlakach metabolicznych

Prezentujemy narzędzie do biologii systemów JUMPn do przeprowadzania i wizualizacji analizy sieci dla ilościowych danych proteomicznych, ze szczegółowym protokołem obejmującym wstępne przetwarzanie danych, grupowanie koekspresji, wzbogacanie szlaków i analizę sieci interakcji białko-białko.

JUMPn: Usprawniona aplikacja do grupowania koekspresji białek i analizy sieci w proteomice

Prezentujemy CorrelationCalculator i Filigree, dwa narzędzia do budowy sieci opartej na danych i analizy danych metabolomicznych.  CorrelationCalculator obsługuje budowanie pojedynczej sieci interakcji metabolitów na podstawie danych dotyczących ekspresji, podczas gdy Filigree umożliwia budowanie sieci różnicowej, a następnie grupowanie sieci i analizę wzbogacania.

CorrelationCalculator i Filigran: narzędzia do sieciowej analizy danych metabolomicznych opartej na danych

Tutaj wprowadzamy protokół do przekształcania danych transkryptomicznych w widok mqTrans, umożliwiając identyfikację ciemnych biomarkerów. Chociaż biomarkery te nie są wyrażane różnicowo w konwencjonalnych analizach transkryptomicznych, wykazują różnicową ekspresję w ujęciu mqTrans. Podejście to służy jako technika uzupełniająca tradycyjne metody, odsłaniając wcześniej pomijane biomarkery.

Generowanie widoku regulacji transkrypcji cech transkryptomicznych na potrzeby zadania predykcyjnego i wykrywania ciemnych biomarkerów na małych zestawach danych

Limfocyty T regulatorowe: potencjał terapeutyczny w leczeniu odrzutów przeszczepów i cukrzycy typu I

Poznaj Inherent Dynamics Visualizer, interaktywną aplikację do wizualizacji wyników wnioskowania o sieciach regulacji genów. To narzędzie usprawnia eksplorację wyników pośrednich i wybór parametrów dla modelowania biologicznego.

Inherent Dynamics Visualizer, interaktywna aplikacja do oceny i wizualizacji wyników z potoku wnioskowania o sieci regulacji genów (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów