Method Article

Visualizador de dinâmica inerente, um aplicativo interativo para avaliar e visualizar saídas de um pipeline de inferência de rede de regulação genética

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

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

O Inerente Dynamics Visualizer é um pacote de visualização interativo que se conecta a uma ferramenta de inferência de rede de regulação genética para uma geração aprimorada e simplificada de modelos de rede funcionais. O visualizador pode ser usado para tomar decisões mais informadas para a parametrização da ferramenta de inferência, aumentando assim a confiança nos modelos resultantes.

Abstract

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

Desenvolver modelos de rede de regulação genética é um grande desafio na biologia de sistemas. Várias ferramentas computacionais e pipelines foram desenvolvidos para enfrentar esse desafio, incluindo o recém-desenvolvido Inerente Dynamics Pipeline. O Inerente Dynamics Pipeline consiste em várias ferramentas publicadas anteriormente que funcionam sinergicamente e estão conectadas de forma linear, onde a saída de uma ferramenta é então usada como entrada para a seguinte ferramenta. Como na maioria das técnicas computacionais, cada passo do Pipeline de Dinâmica Inerente exige que o usuário faça escolhas sobre parâmetros que não têm uma definição biológica precisa. Essas escolhas podem impactar substancialmente os modelos de rede de regulação genética produzidos pela análise. Por essa razão, a capacidade de visualizar e explorar as consequências de várias escolhas de parâmetros a cada passo pode ajudar a aumentar a confiança nas escolhas e nos resultados. O Inerente Dynamics Visualizer é um pacote de visualização abrangente que agiliza o processo de avaliação de opções de parâmetros através de uma interface interativa dentro de um navegador da Web. O usuário pode examinar separadamente a saída de cada etapa do pipeline, fazer alterações intuitivas com base em informações visuais e se beneficiar da produção automática de arquivos de entrada necessários para o Pipeline Dinâmico Inerente. O Visualizador de Dinâmica Inerente fornece um nível incomparável de acesso a uma ferramenta altamente complexa para a descoberta de redes de regulação genética a partir de dados transcriômicos de séries temporais.

Introduction

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

Muitos processos biológicos importantes, como diferenciação celular e resposta ambiental, são regidos por conjuntos de genes que interagem entre si em uma rede de regulação genética (GRN). Essas GRNs produzem a dinâmica transcricional necessária para ativar e manter o fenótipo que controlam, por isso identificar os componentes e a estrutura topológica do GRN é fundamental para entender muitos processos e funções biológicas. Um GRN pode ser modelado como um conjunto de genes e/ou produtos genéticos interativos descritos por uma rede cujos nós são os genes e cujas bordas descrevem a direção e a forma de interação (por exemplo, ativação/repressão da transcrição, modificação pós-translacional, etc.) 1. As interações podem então ser expressas como modelos matemáticos parametrizados descrevendo o impacto que um gene regulador tem na produção de seu alvo(s)2,3,4. A inferência de um modelo GRN requer tanto uma inferência da estrutura da rede de interação quanto a estimativa dos parâmetros de interação subjacentes. Uma variedade de métodos de inferência computacional foram desenvolvidos que ingerem dados de expressão genética de séries temporândias e modelos GRN de saída5. Recentemente, foi desenvolvido um novo método de inferência GRN, chamado Desindo o Inerente Dynamics Pipeline (IDP), que utiliza dados de expressão genética de séries temporâneas para produzir modelos GRN com interações rotuladas de alvo de regulador capazes de produzir dinâmicas que correspondam à dinâmica observada nos dados de expressão genética6. O IDP é um conjunto de ferramentas conectadas linearmente em um pipeline e pode ser dividido em três etapas: um passo de busca de nó que classifica genes com base em características de expressão genética conhecidas ou suspeitas de estarem relacionadas à função do GRN7,8, uma etapa de Edge Finding que classifica relacionamentos regulatórios em pares8, 9, e uma etapa de Busca de Rede que produz modelos GRN capazes de produzir a dinâmica observada10,11,12,13,14,15.

Como a maioria dos métodos computacionais, o IDP requer um conjunto de argumentos especificados pelo usuário que ditam a forma como os dados de entrada são analisados, e diferentes conjuntos de argumentos podem produzir resultados diferentes nos mesmos dados. Por exemplo, vários métodos, incluindo o IDP, contêm argumentos que aplicam algum limite nos dados, e aumentar/diminuir esse limiar entre sucessivas corridas do método específico pode resultar em resultados diferentes entre as corridas (ver Suplemento Nota 10: Métodos de inferência de rede de5). Entender como cada argumento pode impactar a análise e os resultados subsequentes é importante para alcançar alta confiança nos resultados. Ao contrário da maioria dos métodos de inferência GRN, o IDP consiste em múltiplas ferramentas computacionais, cada uma tendo seu próprio conjunto de argumentos que um usuário deve especificar e cada um tendo seus próprios resultados. Embora o IDP forneça uma extensa documentação sobre como parametrizar cada ferramenta, a interdependência de cada ferramenta na saída da etapa anterior torna a parametrização de todo o gasoduto sem análises intermediárias desafiadoras. Por exemplo, os argumentos nas etapas de Edge e Network Finding provavelmente serão informados por conhecimento biológico prévio, e por isso dependerão do conjunto de dados e/ou do organismo. Para interrogar resultados intermediários, seria necessário uma compreensão básica da programação, bem como uma compreensão profunda de todos os arquivos de resultados e seus conteúdos do IDP.

O Inerente Dynamics Visualizer (IDV) é um pacote de visualização interativo que é executado na janela do navegador do usuário e fornece uma maneira de os usuários do IDP avaliarem o impacto de suas escolhas de argumento nos resultados de qualquer etapa do IDP. O IDV navega por uma estrutura de diretório complicada produzida pelo IDP e reúne os dados necessários para cada etapa e apresenta os dados em figuras e tabelas intuitivas e interativas para o usuário explorar. Depois de explorar esses displays interativos, o usuário pode produzir novos dados a partir de uma etapa do IDP que pode ser baseada em decisões mais informadas. Esses novos dados podem então ser imediatamente utilizados na próxima etapa do IDP. Além disso, a exploração dos dados pode ajudar a determinar se uma etapa do IDP deve ser reexecutada com parâmetros ajustados. O IDV pode melhorar o uso do IDP, bem como tornar o uso do IDP mais intuitivo e acessível, como demonstrado pela investigação do oscilador principal GRN do ciclo celular de levedura. O protocolo a seguir inclui os resultados do IDP de uma corrida IDP totalmente parametrizada versus uma abordagem que incorpora o IDV após execuções de cada etapa do IDP, ou seja, Node, Edge e Network Finding.

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

Protocol

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

1. Instale o IDP e o IDV

NOTA: Esta seção pressupõe que docker, conda, pip e git já estão instalados (Tabela de materiais).

  1. Em um terminal, entre no comando: o clone git https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. Siga as instruções de instalação no arquivo README do IDP.
  3. Em um terminal, entre no comando: https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git do clone git.
    NOTA: A clonagem do IDV deve acontecer fora do diretório de alto nível do IDP.
  4. Siga as instruções de instalação no arquivo README do IDV.

2. Node encontrar

  1. Crie um novo arquivo de configuração IDP que parametriza a etapa de busca de nó.
    NOTA: Todas as aspas nas seguintes etapas não devem ser digitar. As aspas são usadas apenas aqui como um delimitador entre o texto do protocolo e o que deve ser digitado.
    1. Adicione os principais argumentos do IDP ao arquivo de configuração.
    2. Abra um novo arquivo de texto em um editor de texto e digite "data_file =", "annotation_file =", "output_dir =", "num_proc =" e "IDVconnection = True" em linhas individuais.
    3. Para "data_file", após o sinal igual ao sinal, digite o caminho e o nome do respectivo arquivo da série temporal e digite uma círio após o nome. Separe cada dado por uma círgula, se mais de um conjunto de dados de séries de tempo estiver sendo usado. Consulte o Arquivo Suplementar 1 e o Arquivo Suplementar 2 para um exemplo de arquivos de expressão genética de séries tempo;
    4. Digite o caminho e o nome do arquivo de anotação para "annotation_file", após o sinal igual ao sinal. Consulte o Arquivo Suplementar 3 para obter um exemplo de um arquivo de anotação.
    5. Para "output_file", após o sinal igual, digite o caminho e o nome da pasta onde os resultados serão salvos.
    6. Após o sinal igual ao sinal, para "num_proc", digite o número de processos que o IDP deve utilizar.
    7. Adicionar argumentos de localização de nó ao arquivo de configuração.
    8. No mesmo arquivo de texto da etapa 2.1.1, digite o pedido apresentado "[dlxjtk_arguments]", "períodos =" e "dlxjtk_cutoff =" em linhas individuais. Coloque-os depois dos argumentos principais.
    9. Para "períodos", após o sinal igual ao sinal, se for usado um conjunto de dados de série única, digite cada período separado por írgulas. Para mais de um conjunto de dados de séries de tempo, digite cada conjunto de comprimentos de período como antes, mas coloque suportes quadrados em torno de cada conjunto e coloque uma círia entre os conjuntos.
    10. Após o sinal igual ao sinal, para "dlxjtk_cutoff", digite um inteiro especificando o número máximo de genes a reter na saída gene_list_file por de Lichtenberg por JTK_CYCLE (DLxJTK) (Tabela 1).
      NOTA: É altamente recomendável revisar as seções de dlxjtk_arguments no IDP README para obter uma melhor compreensão de cada argumento. Consulte o Arquivo Suplementar 4 para obter um exemplo de um arquivo de configuração com os argumentos de localização de nó especificados.
  2. No terminal, mude-se para o diretório do IDP, chamado inherent_dynamics_pipeline.
  3. No terminal, entre no comando: conda ative dat2net
  4. Execute o IDP usando o arquivo de configuração criado na etapa 2.1 executando este comando no terminal, onde é o nome do arquivo: python src/dat2net.py
  5. No terminal, mova-se para o diretório chamado inherent_dynamics_visualizer e entre no comando: . /viz_results.sh
    NOTA: apontará para o diretório usado como diretório de saída para o IDP.
  6. Em um navegador da Web, digite http://localhost:8050/ como a URL.
  7. Com o IDV agora aberto no navegador, clique na guia Node Finding e selecione a pasta de localização de nó do menu suspenso.
  8. Faça a curadoria manual de uma nova lista genética da tabela de lista de genes no IDV a ser usada para etapas subsequentes do IDP.
    1. Para estender ou encurtar a tabela da lista genética, clique nas setas para cima ou para baixo ou digite manualmente em um inteiro entre 1 e 50 na caixa ao lado da expressão genética de genes classificados por DLxJTK. Top:.
    2. Na tabela da lista de genes, clique na caixa ao lado de um gene para visualizar seu perfil de expressão genética em um gráfico de linha. Múltiplos genes podem ser adicionados.
    3. Especificar opcionalmente o número de caixas de tamanho igual para calcular e encomendar genes pelo intervalo de tempo contendo sua expressão de pico, inserindo um inteiro na caixa de entrada acima da tabela de lista genética rotulada Entrada inteiro para dividir o primeiro ciclo em lixeiras:.
      NOTA: Esta opção é específica para dinâmica oscilatória e pode não ser aplicável a outros tipos de dinâmica.
    4. Selecione uma preferência de visualização do mapa de calor clicando em uma opção sob Orders Genes By: First Cycle Max Expression (Tabela 1) que ordena genes com base no tempo do pico de expressão genética no primeiro ciclo.
      NOTA: DLxJTK Rank ordena genes com base no ranking de periodicidade do algoritmo DLxJTK do IDP.
    5. Clique no botão Lista de genes de download para baixar a lista genética no formato de arquivo necessário para a etapa de Busca de borda. Consulte o Arquivo Suplementar 5 para obter um exemplo de um arquivo de lista genética.
  9. Na Tabela de Anotação de Genes Editáveis, rotule um gene como um alvo, um regulador ou ambos no arquivo de anotação para o passo de descoberta de borda em uma nova execução de Edge Finding. Se um gene é um regulador, rotule o gene como um ativador, repressor ou ambos.
    1. Para rotular um gene como ativador, clique na célula na coluna tf_act e altere o valor para 1. Para rotular um gene como repressor, altere o valor na coluna tf_rep para 1. Um gene poderá agir como um ativador e um repressor no passo de Descoberta de Borda, definindo os valores nas colunas tf_act e tf_rep para 1.
    2. Para rotular um gene como um alvo, clique na célula na coluna de destino e altere o valor para 1.
  10. Clique no botão Baixar Umnot. Arquive para baixar o arquivo de anotação no formato de arquivo necessário para a etapa de Configuração de borda.

3. Descoberta de borda

  1. Crie um novo arquivo de configuração IDP que parametrize a etapa de Busca de borda.
    1. Adicione os principais argumentos do IDP ao arquivo de configuração. Abra um novo arquivo de texto em um editor de texto e repita a etapa 2.1.1.
    2. Adicione argumentos de busca de borda ao arquivo de configuração.
    3. No mesmo arquivo de texto da etapa 3.1.1, digite o pedido apresentado "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" e "num_edges_for_seed =" em linhas individuais. Estes devem ir abaixo dos argumentos principais.
    4. Para "gene_list_file", após o sinal igual ao sinal, digite o caminho e o nome do arquivo da lista genética gerado na etapa 2.8.5.
    5. Para "edge_score_column", após o sinal igual ao sinal, digite "pld" ou "norm_loss" para especificar qual coluna de quadro de dados da saída lempy é usada para filtrar as bordas.
    6. Selecione "edge_score_threshold" ou "num_edges_for_list", e exclua o outro. Se "edge_score_threshold" for selecionado, digite um número entre 0 e 1. Este número será usado para filtrar bordas com base na coluna especificada na etapa 3.1.5.
      1. Se "num_edges_for_list" for selecionado, digite um valor igual ou inferior ao número de bordas possíveis. Este número será usado para filtrar as bordas com base em como elas são classificadas na coluna especificada na etapa 3.1.5. As bordas que sobrarão serão usadas para construir redes em Network Finding.
    7. Selecione "seed_threshold" ou "num_edges_for_seed" e exclua o outro. Se "seed_threshold" for selecionado, digite um número entre 0 e 1. Este número será usado para filtrar bordas com base na coluna especificada na etapa 3.1.5.
      1. Se "num_edges_for_seed" for selecionado, digite um valor igual ou inferior ao número de bordas possíveis. Este número será usado para filtrar as bordas com base em como elas são classificadas na coluna especificada na etapa 3.1.5. As bordas que sobrarão serão usadas para construir a rede de sementes (Tabela 1) usada na Busca de Rede.
        NOTA: É altamente recomendável revisar as seções lempy_arguments e netgen_arguments no IDP README para obter uma melhor compreensão de cada argumento. Consulte o Arquivo Suplementar 7 para obter um exemplo de um arquivo de configuração com os argumentos de localização do Edge especificados.
  2. Repita as etapas 2.2 e 2.3.
  3. Execute o IDP usando o arquivo de configuração criado na etapa 3.1 executando este comando no terminal, onde é o nome do arquivo: python src/dat2net.py
  4. Se o IDV ainda estiver funcionando, pare pressionando o Controle C na janela do terminal para parar o programa. Repita as etapas 2.5 e 2.6.
  5. Com o IDV aberto no navegador, clique na guia Edge Finding e selecione a pasta de localização de borda do menu suspenso.
    NOTA: Se vários conjuntos de dados forem usados no Edge Finding, certifique-se de selecionar o último conjunto de dados que foi usado na análise LEM (Local Edge Machine, máquina de borda local) (Tabela 1). É importante ao selecionar bordas para a rede de sementes ou lista de bordas com base nos resultados do LEM para olhar os dados da última série de tempo listados no arquivo de configuração, pois esta saída incorpora todos os arquivos de dados anteriores em sua inferência de relações regulatórias entre nós.
  6. Para estender ou encurtar a tabela de borda, digite manualmente um inteiro na caixa de entrada em Número de Bordas:.
  7. Filtrar opcionais bordas nos parâmetros LEM ODE. Clique e arraste para mover o lado esquerdo ou o lado direito do controle deslizante de cada parâmetro para remover bordas da tabela de borda que têm parâmetros fora de seus novos limites de parâmetro permitidos.
  8. Opcionalmente, crie uma nova rede de sementes se uma rede de sementes diferente da proposta pelo IDP. Consulte o Arquivo Suplementar 8 para um exemplo de um arquivo de rede de sementes.
    1. Selecione "Sementes " para selecionar a rede de sementes ou a seleção no menu suspenso em Rede:.
    2. Desmarque/selecione bordas da tabela de borda clicando nas caixas de seleção correspondentes adjacentes a cada borda para remover/adicionar bordas da rede de sementes.
  9. Clique no botão Baixar DSGRN NetSpec para baixar a rede de sementes no formato de especificação de rede Dynamic Signatures Generated by Regulatory Networks (DSGRN) (Tabela 1).
  10. Selecione os nódulos e bordas adicionais a serem usados na etapa de busca de rede.
    1. Selecione bordas da tabela de borda clicando nas caixas de seleção correspondentes para incluir no arquivo da lista de bordas usado na Localização de rede.
    2. Clique em Download Node e Edge Lists para baixar a lista de dados e arquivos da lista de bordas no formato necessário para seu uso na Busca de Rede. Consulte Arquivo Suplementar 9 e Arquivo Suplementar 10 para exemplos de arquivos de lista de borda e nó, respectivamente.
      NOTA: A lista de nós deve conter todos os nós no arquivo da lista de bordas, para que o IDV crie automaticamente o arquivo de lista de nó com base nas bordas selecionadas. Duas opções estão disponíveis para visualizar as bordas em Edge Finding. A opção Tabela de Resumo LEM apresenta as bordas como uma lista classificada das 25 principais bordas. Top-Line LEM Table apresenta as bordas em uma lista concatenada das três principais bordas classificadas para cada possível regulador. O número de bordas visualizadas para cada opção pode ser ajustado pelo usuário alterando o número na caixa de entrada Número de Bordas .

4. Descoberta de rede

  1. Crie um novo arquivo de configuração IDP que parametrize a etapa de busca de rede.
    1. Adicione os principais argumentos do IDP ao arquivo de configuração. Abra um novo arquivo de texto em um editor de texto e repita a etapa 2.1.1.
    2. Adicione argumentos de localização de rede ao arquivo de configuração.
    3. No mesmo arquivo de texto da etapa 4.1.1, digitar na ordem apresentada "[netper_arguments]", "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[probabilidades]",", "addNode =", "addEdge =", "removeNode =" e "removeEdge =" em linhas individuais, abaixo dos principais argumentos.
    4. Para "seed_net_file", "edge_list_file" e "node_list_file", após o sinal igual, digite o caminho e o nome do arquivo de rede de sementes e os arquivos de lista de borda e nó gerados nas etapas 3.9 e 3.10.2.
    5. Após o sinal igual, para "range_operations", números tipo dois separados por uma círgula. O primeiro e o segundo números são o mínimo e o número máximo de adição ou remoção de nós ou bordas por rede feita, respectivamente.
    6. Para "numneighbors", após o sinal igual a assinar, digite um número que represente quantas redes encontrar em Network Finding.
    7. Para "maxparams", após o sinal igual ao sinal, digite um número que represente o número máximo de parâmetros DSGRN para permitir uma rede.
    8. Digite valores entre 0 e 1 para cada um desses argumentos: "addNode", "addEdge", "removeNode" e "removeEdge", após o sinal igual. Os números devem ser somado a 1.
      NOTA: É altamente recomendável revisar as seções netper_arguments e netquery_arguments no IDP README para obter uma melhor compreensão de cada argumento. Consulte o Arquivo Suplementar 11 e o Arquivo Suplementar 12 para exemplos de um arquivo de configuração com os argumentos de localização de rede especificados.
  2. Repita as etapas 2.2 e 2.3.
  3. Execute o IDP usando o arquivo de configuração criado na etapa 4.1 executando este comando no terminal, onde é o nome do arquivo: python src/dat2net.py
  4. Se o IDV ainda estiver funcionando, pare pressionando o Controle C na janela do terminal para parar o programa. Repita as etapas 2.5 e 2.6.
  5. Com o IDV aberto no navegador, clique na guia 'Localização de rede ' e selecione a pasta de localização de rede de interesse.
  6. Selecione uma rede ou conjunto de redes para gerar uma tabela de prevalência de borda (Tabela 1) e para visualizar as redes juntamente com seus respectivos resultados de consulta.
    1. Duas opções estão disponíveis para selecionar redes: Opção 1 - Entrada de limites inferiores e superiores nos resultados de consulta, inserindo valores mínimos e máximos nas caixas de entrada correspondentes ao eixo x e eixo y da parcela. Opção 2 - Clique e arraste sobre a dispersão para desenhar uma caixa ao redor das redes a serem incluídas. Após a entrada dos limites de seleção ou entrada, pressione o botão Obter prevalência de borda das redes selecionadas .
      NOTA: Se mais de uma consulta DSGRN for especificada, use os botões de rádio rotulados com o tipo de consulta para alternar entre os resultados de cada consulta. O mesmo se aplica se mais de um epsilon (nível de ruído) for especificado.
  7. Clique nas setas abaixo da tabela de prevalência de borda para mover-se para a próxima página da tabela. Pressione tabela de download para baixar a tabela de prevalência de borda.
  8. Insira um inteiro na caixa de entrada do Índice de Rede para exibir uma única rede da seleção feita na etapa 4.6. Clique em Baixar DSGRN NetSpec para baixar a rede exibida no formato de especificação de rede DSGRN.
  9. Pesquise redes de similaridade a um motivo especificado ou rede de interesse.
    1. Use as caixas de seleção correspondentes a cada borda para selecionar bordas a serem incluídas na rede ou motivo utilizado para a análise de similaridade. Clique em Enviar para criar a dispersão de semelhança para o motivo ou rede selecionado.
      NOTA: Use as setas na lista de bordas para classificar alfabeticamente e as setas abaixo da tabela para passar para a próxima página da tabela.
    2. Clique e arraste sobre a tabela de dispersão para desenhar uma caixa ao redor das redes a serem incluídas para selecionar uma rede ou conjunto de redes para gerar uma tabela de prevalência de borda e visualizar as redes juntamente com seus respectivos resultados de consulta.
      NOTA: Se mais de uma consulta DSGRN for especificada, use os botões de rádio rotulados com o tipo de consulta para alternar entre os resultados de cada consulta. O mesmo se aplica se mais de um epsilon (nível de ruído) for especificado.
    3. Repita as etapas 4.7 e 4.8 para baixar a tabela de prevalência de borda e a rede exibida para a análise de similaridade, respectivamente.

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

Results

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

As etapas descritas textuicamente acima e graficamente na Figura 1 foram aplicadas ao GRN oscilante central do ciclo celular de levedura para ver se é possível descobrir modelos GRN funcionais capazes de produzir a dinâmica observada em dados de expressão genética de séries tempoarânses coletados em um estudo de ciclo de células de levedura16. Para ilustrar como o IDV pode esclarecer e melhorar a saída do IDP, os resultados, após a realização desta análise de duas for...

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

Discussion

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

A inferência das GRNs é um desafio importante na biologia dos sistemas. O IDP gera GRNs modelo a partir de dados de expressão genética usando uma sequência de ferramentas que utilizam os dados de maneiras cada vez mais complexas. Cada etapa requer decisões sobre como processar os dados e quais elementos (genes, interações funcionais) serão passados para a próxima camada do IDP. Os impactos dessas decisões sobre os resultados do IDP não são tão óbvios. Para ajudar nesse sentido, o IDV fornece visualizações interativas úte...

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

Disclosures

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

Os autores não têm nada a revelar.

Acknowledgements

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

Este trabalho foi financiado pela concessão do NIH R01 GM126555-01 e subvenção 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/
Pipeline do Dynamics Inerentehttps://gitlab.com/biochron/inherent_dynamics_pipeline
Visualizador do Dynamics Inerentehttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
Piphttps://pip.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