JUMPn: Uma aplicação simplificada para agrupamento de co-expressão de proteínas e análise de rede em proteômica
19 de outubro de 2021
Apresentamos uma ferramenta de biologia de sistemas JUMPn para realizar e visualizar análises de rede para dados quantitativos de proteômica, com um protocolo detalhado que inclui pré-processamento de dados, agrupamento de co-expressão, enriquecimento de caminhos e análise de rede de interação proteína-proteína.
O protocolo do software JUMPn visa facilitar a interpretação biológica dos dados quantitativos de proteômica. O software é capaz de organizar toda a proteína em hierarquia de nível de clusters de co-expressão e os módulos de interação proteica. Notavelmente, o software JUMPn simplifica a análise do clustering de co-expressão, enriquecimento de vias e detecção de módulos PPI.
Ele fornece uma interface fácil de usar e visualização interativa dos dados e das redes. Embora tenhamos demonstrado com sucesso a aplicação do JUMPn em toda a análise de dados proteome, o método é facilmente estendido a outros tipos de dados, incluindo análise fosfoproteômica e dados interactome da espectrometria de massa de purificação de afinidade. Para configurar o software JUMPn, baixe o código-fonte do site e instale o software no terminal da linha de comando.
Para iniciar o software JUMPn, altere o diretório atual para a pasta de execução digitando a execução de CD"no terminal e, em seguida, digite o texto no terminal para iniciar o JUMPn no navegador da Web. Na página inicial do JUMPn, clique no botão Iniciar Análise para iniciar a análise JUMPn e, em seguida, no canto inferior esquerdo da página Análise de Início, clique no botão Upload Demo B-Cell Proteomic Data" para visualizar uma notificação do sucesso do upload de dados. No canto inferior direito da página, clique no botão Enviar análise JUMPn para iniciar a execução da demonstração usando parâmetros padrão.
Uma barra de progresso denotará o curso da análise. Espere até que a barra de progresso seja cumprida. Uma vez terminado a execução da demonstração, uma caixa de diálogo aparecerá com a mensagem de execução de sucesso e o caminho absoluto para a pasta de resultado e, em seguida, clique na guia Continuar para Resultados".
Como a página da web orienta os resultados do cluster de co-expressão pelo algoritmo WGCNA, clique no Resultados de exibição"na janela de diálogo para continuar. À esquerda da página resultados página 1 WGCNA Output page, encontre os padrões de co-expressão de proteína e use o Select the Expression Format"para navegar entre dois formatos de figura. A figura do boxplot será selecionada por padrão.
Selecione a guia Tendências para exibir o plot de tendências, com cada linha representando abundância de proteínas individuais entre as amostras. A cor de cada linha representa o quão próximo o padrão de expressão está do consenso do cluster de co-expressão. À direita da página de saída do WGCNA, o Mapa de Enriquecimento de Ontologia pathway pode ser visto.
Em um mapa de calor, as vias mais enriquecidas para cada aglomerado serão exibidas juntas. Em seguida, role para baixo na página da web para visualizar o padrão de expressão para proteínas individuais. Use a caixa de gota para baixo, selecione o cluster de co-expressão para examinar proteínas de cada cluster e selecione uma proteína específica na tabela sobre a qual o gráfico da barra abaixo da tabela será automaticamente atualizado para refletir sua abundância de proteínas.
Para nomes de proteínas específicos, use a caixa "Pesquisa"no lado direito da tabela. Mais tarde, veja a interação proteína-proteína ou os resultados do PPI clicando na Página de Resultados 2 PPI Output"no topo. Para obter os resultados de um cluster específico de co-expressão, clique na guia Selecionar o cluster de co-expressão".
As exibições de todos os painéis de figuras serão atualizadas para o cluster recém-selecionado. No painel da figura esquerda, visualize as redes PPI para o cluster de co-expressão selecionado usando a caixa de dropdown do grupo e destacando módulos PPI individuais dentro da rede e, em seguida, vá para a caixa de formato de layout de rede selecionada para alterar o layout da rede. Usando mouse e trackpad, amplie ou amplie ou amplie a rede PPI para visualizar os nomes genéticos de cada nó na rede.
Quando ampliado, selecione e clique em uma determinada proteína para destacar a proteína e seus vizinhos de rede. Na rede, arraste um certo nó para alterar sua posição no layout e reorganizar o layout da rede. No painel direito da página de resultados do PPI, estude as informações de nível de cluster de co-expressão que auxiliam na interpretação dos resultados do PPI.
O padrão de co-expressão no cluster selecionado pode ser visto como boxplot por padrão. Selecione Tendências para mostrar o enredo de tendências para um padrão de co-expressão e, em seguida, optar pelo enredo da barra de caminho para mostrar caminhos significativamente enriquecidos para o cluster de co-expressão com o enredo do círculo de caminho, ver caminhos significativamente enriquecidos para o cluster de co-expressão no formato de enredo do círculo. Para exibir resultados no nível do módulo PPI individual, role a página de resultado para a página web de saída do PPI e expanda a caixa suspensa do módulo para selecionar um módulo PPI específico para exibição.
Visualize o módulo PPI no painel esquerdo, manipule o visor de rede como explicado anteriormente. No painel direito, visualize os resultados de enriquecimento da ontologia da via e use a caixa de dropdown estilo de anotação do caminho e a guia tick barplot para mostrar mais informações e exibir caminhos significativamente enriquecidos para o módulo PPI selecionado. O gráfico do círculo de carrapatos para mostrar caminhos significativamente enriquecidos para o módulo PPI selecionado no formato de um gráfico de círculo e usar o mapa de calor para mostrar caminhos significativamente enriquecidos e os nomes genéticos associados.
Vá para a guia Tabela para exibir os resultados detalhados de enriquecimento da via, incluindo o nome de caminhos, termos de ontologia, nomes de genes e o valor P pelo teste exato de Fisher. Siga o caminho absoluto impresso na parte superior das páginas de resultados e encontre a tabela da planilha de publicação. JUMPn é desenvolvido com a plataforma R brilhante para uma interface amigável e integra três grandes módulos funcionais.
Análise de agrupamento de co-expressão, análise de enriquecimento de caminhos e análise de rede do PPI. Após cada análise, os resultados são automaticamente visualizados em nossa ajustável através das funções de widget brilhantes R e prontamente para download como tabelas de publicação e formato Microsoft Excel. Para análise de rede PPI, uma rede PPI composta foi compilada combinando string, BioPlex e em bancos de dados web IM.
A rede PPI fundida final abrange mais de 20.000 genes humanos com 1.100.000 bordas. Este interactome abrangente é incluído e publicado em um pacote com o software JUMPn para análise sensível do PPI. Abordagens baseadas em rede que aproveitam redes de co-expressão e interação proteica podem ser usadas como um método adicional para a inferência da atividade em fatores de transcrição e quinases.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Visão Geral
O software JUMPn é uma ferramenta de biologia de sistemas projetada para facilitar a interpretação biológica de dados de proteômica quantitativa. Ele organiza as proteínas em uma estrutura hierárquica de clusters de co-expressão e módulos de interação, simplificando a análise e a visualização.
Componentes Principais do Estudo
Área da Ciência
- Biologia de Sistemas
- Proteômica
- Visualização de Dados
Fundamentos
- JUMPn auxilia na análise de dados de proteômica quantitativa.
- Ele fornece uma interface amigável para interação com dados.
- O software suporta vários tipos de dados, incluindo fosfoproteômica.
- Ele melhora a compreensão das interações e vias de proteínas.
Propósito do Estudo
- Simplificar a análise de dados de proteômica.
- Facilitar o agrupamento de co-expressão e o enriquecimento de vias.
- Fornecer uma visualização interativa das redes de interação proteína-proteína.
Métodos Utilizados
- Pré-processamento de dados para proteômica quantitativa.
- Agrupamento de co-expressão de proteínas.
- Análise de enriquecimento de vias.
- Análise de redes de interação proteína-proteína.
Principais Resultados
- Demonstração bem-sucedida do JUMPn na análise de dados de proteoma completo.
- Organização eficaz de proteínas em clusters de co-expressão.
- Detecção simplificada de módulos de interação de proteínas.
- Capacidades de visualização interativa melhoram a interpretação dos dados.
Conclusões
- JUMPn é uma ferramenta valiosa para analisar dados de proteômica quantitativa.
- O software é extensível a outros tipos de dados.
- Ele auxilia significativamente na interpretação biológica de conjuntos de dados complexos.
Perguntas Frequentes
Executive Industry Relevance
JUMPn addresses the challenge of deriving biological insights from large-scale quantitative proteomics datasets by integrating co-expression clustering, pathway enrichment, and protein-protein interaction network analysis. This streamlined approach enhances target validation and mechanistic de-risking in early discovery by enabling rapid hypothesis testing and pathway-level interpretation. The tool supports predictive confidence in lead identification and portfolio triage through reproducible, scalable analysis of dysregulated proteomes across disease models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through protein co-expression clustering across samples.
- Scientific Value: Supports functional target validation by identifying dysregulated proteins and their interaction modules.
- Operational Value: Reduces mechanistic ambiguity by linking expression patterns to enriched pathways and PPI networks.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream workflows by organizing proteomes into biologically meaningful clusters.
- Operational Value: Enhances assay standardization and reproducibility through quantitative, visualization-ready outputs.
- Operational Value: Supports screening readiness via scalable, reusable analysis of label-free or isobaric labeling-based proteomic data.
Translational & Preclinical Research
- Scientific Value: Promotes translational continuity by connecting discovery-phase clusters to preclinical pathway and biomarker alignment.
- Scientific Value: Enables risk-adjusted advancement decisions through composite PPI network analysis covering >20,000 human genes.
- Operational Value: Facilitates cross-functional collaboration via interactive, downloadable results in publication-ready formats.
Pipeline & Workflow Integration
JUMPn integrates into the discovery continuum from early biology to lead identification by providing quantitative, visualization-driven outputs that support hypothesis testing and pathway clarification.
- Discovery Biology: Supports hypothesis testing and pathway clarification through co-expression clustering and enrichment analysis.
- Screening: Delivers assay readiness via reproducible clustering and quantitative protein abundance trends across samples.
- Analytics: Provides statistical outputs including Fisher’s exact test p-values for pathway enrichment, enabling condition comparison.
- Translational Research: Connects to preclinical continuity through PPI module analysis and pathway ontology enrichment.
- Enterprise Reuse: Functions as a reusable platform for diverse quantitative datasets including phosphoproteomics and interactome data.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence, target validation, reduction of mechanistic ambiguity.
- Operational Value: Standardization, reproducibility, and scalability.
- Strategic Value: Better go/no-go decisions, capital efficiency, and reduced late-stage biological risk.
- Portfolio Impact: Risk-adjusted prioritization and advancement decisions.
Implementation Considerations
- Requires expertise in R/Shiny and systems biology for optimal use.
- Needs computational infrastructure to handle large proteomic datasets and network visualization.
- Demands cross-team standardization for consistent input formatting and parameter selection.
- Requires adaptation considerations when applying to non-human or specialized proteome datasets.
- Practical limitation: Interpretation depends on quality of input PPI databases (STRING, BioPlex, IM).
