Wyrównanie zsynchronizowanych danych szeregów czasowych przy użyciu modelu charakteryzowania utraty synchronizacji cyklu komórkowego do porównań między eksperymentami
9 czerwca 2023
Jednym z wyzwań związanych z analizą eksperymentów z synchronizowanymi szeregami czasowymi jest to, że eksperymenty często różnią się długością powrotu do zdrowia po synchronizacji i okresem cyklu komórkowego. W związku z tym pomiary z różnych eksperymentów nie mogą być analizowane zbiorczo ani łatwo porównywane. W tym miejscu opisujemy metodę dopasowywania eksperymentów, aby umożliwić porównania specyficzne dla fazy.
Głównym wyzwaniem związanym z analizą eksperymentów z szeregami czasowymi jest to, że często różnią się one długością powrotu do zdrowia po synchroniczności i okresem cyklu komórkowego, więc pomiary z różnych eksperymentów nie mogą być łatwo porównywane lub analizowane w zagregowanej formie bez wyrównania. Wyrównanie linii życia zegarów to metoda specyficznych dla fazy i biologicznie istotnych porównań między eksperymentami oraz agregacji wielu powtórzonych eksperymentów, które wcześniej były trudne lub niemożliwe. Wcześniej porównania specyficzne dla fazy i biologicznie istotne dokonywano poprzez śledzenie przełomowych wydarzeń.
Jednak przy użyciu tych metod ad hoc subtelne, ale ważne różnice pozostają niewykryte. Porównanie eksperymentów z szeregami czasowymi jest szczególnie trudne w przypadku eksperymentów ze znaczącymi różnicami w czasie, takimi jak populacje mutantów lub warunki wzrostu, które wpływają na czas odzyskiwania synchronicznego lub okres cyklu komórkowego. Wyrównanie linii życia zegarów pozwala na porównanie specyficzne dla fazy w tych przypadkach, Użyliśmy zegarów do wyrównania danych transkryptomicznych i proteomicznych szeregów czasowych, co pozwoliło na bezpośrednie porównanie dynamiki mRNA i odpowiadającego mu białka.
Co więcej, dostosowujemy eksperymenty szeregów czasowych dla różnych gatunków, dostarczając krytycznych informacji na temat zmian ewolucyjnych w cyklu komórkowym. Aby rozpocząć, pobierz repozytorium wyrównania zegarów, wprowadzając polecenie w terminalu. Utwórz środowisko conda przy użyciu condarec.
yml plik, wprowadzając polecenie do terminala w folderze, w którym sklonowano repozytorium wyrównania zegarów. Kliknij dwukrotnie condaV2023. jar znajdujący się w folderze Clocks w repozytorium wyrównania zegarów i poczekaj na otwarcie graficznego interfejsu użytkownika.
Ekran umożliwia wprowadzanie opcji dla uruchomienia zegarów i wyświetla wyniki po uruchomieniu. Wprowadź warunki eksperymentalne, określając temperaturę w stopniach Celsjusza za pomocą pola tekstowego oznaczonego temperaturą, a następnie określ metodę synchronizacji za pomocą menu rozwijanego synchro.method. Aby wprowadzić ustawienia danych pączkowania, wybierz opcję pączek dla pączkujących drożdży z menu rozwijanego typu modelu.
Zaimportuj dane, przesyłając plik za pomocą przycisku wyboru pliku lub wpisując go w polach wprowadzania tekstu w panelu importu danych. Pierwsza kolumna określa punkty czasowe, a pozostałe dwie kolumny określają dane pączkowania. Aby wprowadzić ustawienia danych cytometrii przepływowej, wybierz sekcję przepływu z menu rozwijanego typu modelu.
Zaimportuj dane za pomocą panelu importu danych i kliknij wybierz plik, a następnie wybierz punkty czasowe w polu czasy dopasowania, dla których należy wykreślić dopasowanie zegarów cytometrii przepływowej. Po wybraniu wszystkich danych wejściowych do cytometrii pączkującej lub przepływowej, kliknij przycisk Zastosuj, a następnie przycisk próbki u góry ekranu. Wyświetl wykresy krzywej pączkowania lub cytometrii przepływowej na karcie przewidywanych pasowań.
Uzyskaj parametry Zegary z pasowania, wybierając zakładkę Parametry tylne. Wynikowa tabela zawiera każdy wiersz składający się z parametru, przy czym ostatni wiersz jest wierszem tylnym. Kolumny składają się z przewidywanego parametru średniej, 2,5% dolnego przedziału ufności, 97,5% górnego przedziału ufności i współczynnika akceptacji.
Krzywe pączkujące zegarów były prawidłowo dopasowane, o czym świadczą punkty danych nakładające się na odpowiadającą im krzywą dopasowania z małym pasmem ufności 95%. Na podstawie danych fazowych cyklu komórkowego cytometrii przepływowej Zegary tworzą zegary pasujące do każdego wybranego punktu czasowego. Aby rozpocząć, aktywuj środowisko conda, wprowadzając polecenie w terminalu.
Użyj polecenia, aby otworzyć interaktywny notes języka Python. Utwórz nowy notes języka Python w żądanym folderze, podając odpowiednią nazwę, a następnie zaimportuj plik języka Python zawierający funkcje wyrównania, uruchamiając polecenie w pierwszej komórce. Jeśli używasz danych pączkowania jako danych fazy cyklu komórkowego, zaimportuj ramkę danych zawierającą procent dopasowania w każdym punkcie czasu, uruchamiając polecenie w nowej komórce, a następnie dopasuj dane pączkowania do skali czasu punktu linii życia, wprowadzając funkcję do nowej komórki.
Następnie zaimportuj eksperymentalną ramkę danych do notesu, uruchamiając polecenie w nowej komórce. Dopasuj dane eksperymentalne do skali punktu czasu linii życia, wprowadzając funkcję do nowej komórki. Następnie wprowadź polecenie w nowej komórce, aby pobrać zestaw danych wyrównanych do linii życia.
Pączkujące dane zebrane z sekwencji RNA w warunku 2 wykazały procentowy spadek w czasie zarówno dla niewyrównanej skali czasu w minutach, jak i wyrównanej skali czasu w punktach linii życia. Dane cytometrii przepływowej zebrane dla zestawu danych warunku 2 wykreślone dla wybranych punktów czasowych wykazały, że dane pasowały do fazy określonej przez wyrównanie. Wykreśl pączkujące krzywe przed wyrównaniem za pomocą funkcji narzędziowej Pythona, wprowadzając polecenie do nowej komórki.
Następnie wykreśl pączkujące krzywe po wyrównaniu za pomocą funkcji narzędziowej Pythona. Użyj dostarczonego porównania wykresów liniowych w fiolce narzędzi języka Python, aby wykonać porównania wykresów liniowych w oryginalnej, wyrównanej lub wyrównanej i interpolowanej ramce danych, wpisując polecenie w nowej komórce. Zaimportuj plik listy genów CSV lub TSV do notesu przy użyciu polecenia w nowej komórce.
Następnie użyj podanej funkcji wykresu porównania mapy cieplnej w pliku narzędzi języka Python, aby wykonać porównanie mapy cieplnej na wyrównanej, interpolowanej i wyrównanej fazowo ramce danych, wpisując polecenie w nowej komórce. Porównanie wyrównanych i niewyrównanych danych transkryptomatycznych wykazało, że przed wyrównaniem pierwsza ekspresja piku w eksperymentach z mikromacierzą wydawała się wyrównana z drugim pikiem w eksperymencie sekwencyjnym RNA. Jednak po wyrównaniu pierwsze piki cyklu komórkowego każdego zestawu danych są odpowiednio wyrównane.
Porównanie danych fazowych cyklu komórkowego w eksperymentach z różnymi okresami wykazało widoczne różnice w okresie w niewyrównanych krzywych pączkowania, podczas gdy wyrównanie zegarów sprawiło, że trzy krzywe wyglądały niezwykle podobnie, umożliwiając porównanie danych eksperymentalnych. Dane dotyczące fazy cyklu komórkowego dla każdego porównywalnego punktu linii życia nie były identyczne w obu warunkach. Porównanie danych transkryptomicznych z eksperymentów z różnymi okresami wykazało, że przed wyrównaniem dynamika transkryptu CDC 20 nie nakładała się na siebie, ale po wyrównaniu piki wystąpiły w tej samej fazie cyklu komórkowego, ale kształty krzywych były różne.
Geny zostały wykreślone jako mapy ciepła w tej samej kolejności dla wszystkich trzech warunków, zarówno dla niewyrównanych, jak i wyrównanych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie podejmuje wyzwanie porównywania eksperymentów z serią czasową, które różnią się długością okresu odzyskiwania synchronizacji i okresami cyklu komórkowego. Autorzy wprowadzają metodę, Clocks lifeline alignment, która umożliwia fazowe porównania różnych eksperymentów, poprawiając analizę danych transkryptomowych i proteomicznych.
Kluczowe elementy badania
Obszar badań
- Analiza cyklu komórkowego
- Porównawcza transkryptomika
- Dynamika proteomiczna
Tło
- Eksperymenty z serią czasową często dają dane, które nie są porównywalne z powodu różnic w odzyskiwaniu synchronizacji.
- Metody śledzenia wydarzeń punktowych mogą pominąć subtelne różnice między zbiorami danych.
- Badania mają na celu ułatwienie biologicznych wniosków w różnych gatunkach i warunkach.
Zastosowane metody
- Clocks lifeline alignment dla danych z serii czasowej
- Analiza danych drożdży pączkujących i cytometrii przepływowej
- Wykorzystanie notatników Python do dopasowywania i wizualizacji danych
Główne wyniki
- Metoda dopasowania umożliwia bezpośrednie porównanie dynamiki mRNA i białek między eksperymentami.
- Dopasowane zbiory danych wykazują podobne fazy cyklu komórkowego, co ułatwia bardziej dokładne porównania biologiczne.
- Istotne różnice w danych transkryptomowych zostały rozwiązane po dopasowaniu.
Wnioski
- Badanie wykazuje, że Clocks lifeline alignment zapewnia solidną ramę dla porównań między eksperymentami w biologii komórki.
- To podejście jest istotne dla poszerzenia naszego zrozumienia procesów cyklu komórkowego i zmian ewolucyjnych.
Często zadawane pytania
Executive Industry Relevance
Direct cross-experiment comparison of cell cycle time-series data is a persistent challenge in discovery biology, especially when synchrony recovery and cell cycle periods vary across replicates or conditions. The CLOCCS model and Clocks lifeline alignment enable normalization of dynamic measurements, supporting robust, phase-specific analyses across experiments, mutants, and even species. This capability enhances predictive confidence and mechanistic de-risking at critical discovery inflection points, improving portfolio decision-making.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of cell cycle hypotheses by aligning dynamic measurements across variable experimental conditions.
- Supports functional target validation by normalizing for synchrony loss and cell cycle phase progression.
- Facilitates mechanistic de-risking by revealing subtle, phase-specific differences otherwise masked by timing variability.
- Improves predictive confidence for pathway and target selection in early-stage programs.
Screening & Assay Development
- Standardizes biological system outputs for downstream screening workflows by aligning time-series data to a common phase scale.
- Enhances assay reproducibility and comparability across replicates, mutants, and growth conditions.
- Enables reliable quantitative evaluation of compound effects on cell cycle dynamics.
- Supports scalable, platform-ready data integration for multi-omics screening campaigns.
Translational & Preclinical Research
- Aligns cell cycle phase data across species, supporting translational biomarker discovery and evolutionary analysis.
- Maintains continuity from discovery through preclinical validation by enabling direct comparison of transcriptomic and proteomic dynamics.
- Reduces risk of false negatives or misinterpretation due to unaligned time-series data in disease-relevant models.
- Improves risk-adjusted advancement decisions by clarifying biological effects across experimental systems.
Pipeline & Workflow Integration
The CLOCCS alignment method integrates into the discovery-to-preclinical continuum by enabling normalized, phase-specific data analysis from early hypothesis testing through multi-omics screening and translational research.
- Discovery Biology: Supports hypothesis testing and pathway clarification by aligning dynamic cell cycle measurements across conditions.
- Screening: Provides assay readiness and reproducibility by standardizing outputs for compound evaluation.
- Analytics: Delivers quantitative, phase-aligned readouts for robust statistical comparison of experimental conditions.
- Translational Research: Enables cross-species and cross-condition biomarker alignment for preclinical continuity.
- Enterprise Reuse: Establishes a reusable normalization capability for diverse time-series datasets across the R&D portfolio.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in cell cycle research.
- Operational Value: Delivers standardized, reproducible, and scalable data alignment for multi-experiment workflows.
- Strategic Value: Improves go/no-go decisions and capital efficiency by enabling direct, phase-specific comparisons.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of discovery and preclinical programs.
Implementation Considerations
- Requires expertise in time-series analysis, cell cycle biology, and statistical modeling.
- Needs computational infrastructure for Python-based data processing and visualization.
- Demands cross-team standardization of data formats and experimental metadata.
- Adaptable to various model systems, including budding yeast and flow cytometry-based assays.
- Dependent on accurate input of experimental conditions and synchronization parameters for optimal alignment.
Biopharma FAQs
Chapters in this video
0:00
Introduction
2:02
Installing CLOCCS and Using it to Parameterize the Experiments
4:31
Conversion of Time Points to Lifeline Points Using the Python Conversion Functions and the CLOCCS Parameters
5:54
Comparing Budding Curves, Flow Cytometry Data, and Experimental Data
