Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Протокол NetDecoder для построения контекстно-специфических сетей взаимодействия белков на основе транскриптомических данных с использованием моделирования информационных потоков

85 просмотров

⸱

DOI:

10.3791/70869

⸱

31 июля 2026 г.

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Molecular Pharmacology and Experimental Therapeutics, Mayo Clinic College of Medicine and Science, 2Department of Biochemistry and Molecular Biology, Mayo Clinic College of Medicine and Science, 3Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, 4Paul F. Glenn Center for Biology of Aging Research, Mayo Clinic

В этой статье

Краткое содержание

Здесь мы представляем протокол для использования NetDecoder — инструмента моделирования сетей — для построения контекстно-специфических сетей взаимодействия белков и построения моделей полезности генов (GUM). Используя данные транскриптомики в сочетании с кураторскими сетями взаимодействия белков и белков (PPI), NetDecoder позволяет выявлять ключевые цели и подсети.

Аннотация

Дифференциальный анализ экспрессии — это широко используемая техника для определения потенциальных терапевтических целей, но он упускает из виду сложность генных сетей на разных биологических путях. Часто высокоэкспрессированные гены не обязательно объясняют свойства биологического фенотипа. NetDecoder — инструмент сетевой биологии, интегрирующий транскриптомные данные с сетями взаимодействия белков и белков (PPI) для моделирования контекстно-специфического потока информации, полезности генов, ключевых границ, а также дифференциально используемых генных сетей, который был разработан для решения этого ограничения анализа дифференциальной экспрессии.

Этот протокол является удобным для начинающих, пошаговое руководство по использованию NetDecoder с комплексными рекомендациями, охватывающими предварительную обработку данных, выполнение NetDecoder и анализ выходных данных. Рабочий процесс включает конфигурацию программного обеспечения, построение сетей и анализ моделирования на основе потоков для количественной оценки различий между генами (узлом) и взаимодействием ген-ген (на уровне периферии) между биологическими условиями. Полученные результаты включают ключевые мишени и маршрутизаторы, дифференциальные подсети потоков и распределения крайних потоков, что позволяет идентифицировать ключевые регуляторные гены и пути, связанные с конкретными биологическими состояниями. После выполнения описанных шагов исследователи смогут провести независимые исследования для выявления фенотипического потока генов между фенотипами с использованием транскриптомических данных и тщательных сетей ИПП.

Введение

Выбор генов и связанных с ними путей для терапевтических исследований часто определяется дифференциальным анализомэкспрессии 1. Этот метод анализа эффективен для определения различий экспрессии генов между двумя или более состояниями. Однако гены функционируют в сложных взаимосвязанных биологических сетях, то есть экспрессия отдельных генов не полностью отражает взаимодействие генов в сети и их гено-генныевзаимоотношения 2. Методы сетевого распространения интегрируют экспрессию генов с сетями взаимодействия для выявления биологически важных генов, которые могут быть упущены только при дифференциальнойэкспрессии 3. Современные подходы не количественно определяют функциональную важность генов и то, как биологическая информация перераспределяется в сетях взаимодействия белков и белков (PPI) между биологическими условиями. Поэтому был необходим метод моделирования поведения сетей, специфичных для условий, и количественной оценки изменений информационного потока между биологическими системами. Чтобы объяснить, как гены взаимодействуют в более широкой биологической сети, была разработана платформа сетевой биологии NetDecoder для выявления генов с наибольшей разницей в информационных потоках между условиями. NetDecoder использует алгоритм потока, управляемый процессом, для трансляции существующих знаний о человеческой сети PPI в сочетании с данными секвенирования РНК с целью построения модели взаимодействий, управляемых потокамиинформации 4.

Используя данные информационных потоков для фенотипических сетей, можно разработать модель полезности генов (GUM)5, чтобы определить гены с высоким информационным потоком как обладающие наибольшей общей полезностью генов внутри сети, независимо от их дифференциальных значений экспрессии. Этот подход поддерживает более эффективные стратегии приоритизации и идентификацию целей, предоставляя инсайты, которые традиционный анализ часто упускает. В отличие от традиционных методов дифференциальной экспрессии или корреляционных сетевых методов, NetDecoder количественно оценивает как генные (на уровне узла), так и изменения взаимодействия (на уровне краёв) в потоке информации, что позволяет идентифицировать функционально важные гены даже при отсутствии крупных измененийэкспрессии 4,5. NetDecoder широко применим к массовым наборам данных секвенирования РНК, которые включают сравнительный анализ двух биологических условий, позволяя выявлять изменения в потоке информации и организации сети. Хотя NetDecoder поддерживает интеграцию других наборов данных омиксов, включая протеомику и эпигеномику, настоящий протокол конкретно демонстрирует рабочий процесс с использованием транскриптомических данных. В этих приложениях пользователи могут определять исходные гены на основе белков или эпигенетически регулируемых генов, что позволяет инициировать анализ потоков информации на основе этих молекулярных признаков. Эта гибкость позволяет включать мультиомические данные в сетевые анализы и способствует обнаружению кроссмодальных регуляторных механизмов, лежащих в основе фенотипических различий.

Распространённые дизайны исследований включают бинарные сравнения, включая, но не ограничиваясь, заболеваниями и здоровыми состояниями, реагирующими на лечение и нереагирующими, медикаментозными методами, экспериментами с нокдауном или нокаутированием против контрольных экспериментов, а также анализом переходов в состоянии развития или клеток. Цель этого протокола — проиллюстрировать воспроизводимую основу для применения NetDecoder для выявления генов с изменённым влиянием сети в биологических условиях. Это достигается с помощью простых для понимания шагов для настройки и запуска NetDecoder, а также примеров базовых методов устранения неполадок, а также методы интерпретации результатов изложены в протоколе.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

В этом исследовании использовались общедоступные наборы данных секвенирования РНК и не включали непосредственно человека или животных. Поэтому одобрение институционального контрольного совета и информированное согласие не требовались.

ПРИМЕЧАНИЕ: NetDecoder требует следующих входных файлов: нормализованная экспрессия генов в двух определённых биологических условиях; файл метаданных, описывающий биологические условия; список исходных генов для построения и моделирования сетей; сеть взаимодействия белков и белков (PPI) из общественного достояния; и сеть с взвешенным по краям (EWN), созданная для каждого биологического состояния.

1. Подготовка данных

  1. Получить данные и метаданные массового секвенирования РНК
    1. Скачайте данные секвенирования РНК (матрица исходных счетов экспрессии генов и названия образцов) и соответствующие метаданные (названия образцов, состояния и т.д.) из публичного репозитория, такого как Gene Expression Omnibus (GEO), либо используйте лабораторно сгенерированные экспериментальные наборы данных. Обычно это матрица, в которой строки соответствуют названиям генов, а столбцы — названиям выборок.
      ПРИМЕЧАНИЕ: Пример набора данных, использованный для демонстрации этого протокола, был получен из репозитория National Omics Data Encyclopedia (NODE) (база данных BioSino), входящего в OEP0011056. Пользователи могут заменить свои собственные массовые наборы данных секвенирования РНК.
    2. Сгенерировать файл аннотаций образца (метаданные), включив имена образцов и их группы или связанные условия; Например, «контроль» и «болезнь» — распространённые типы состояний. Убедитесь, что имена выборок совпадают между метаданными и файлами выражений.
  2. Агрегированные данные выражений и метаданные
    1. Убедитесь, что в сгенерированной матрице данных есть количество экспрессий, названия генов и файл метаданных с названиями и условиями выборок. При необходимости используйте пакет R, например org. Hs.eg.db (человек) или AnnotationDbi для сопоставления различных идентификаторов генов.
    2. Вырезать несущественную информацию из файла метаданных с помощью R или аналогичного языка программирования.
    3. Объедините информацию из файлов с подсчётом выражений в один файл для удобства обработки.
  3. Данные фильтрованного выражения
    1. Предварительно обработайте матрицу данных экспрессии генов, исключая дубликаты генов, нулевые значения (NA), низкую экспрессию (<всего 10 подсчетов) и/или гены с низкой дисперсией и т.д.
  4. Предобработка данных
    1. Нормализация секвенирования РНК и дифференциальный анализ экспрессии
      ПРИМЕЧАНИЕ: Этот шаг является одним из двух (1.4.1) подходов (1.4.2) для выбора генов для создания Edge Weighted Network (EWN) и выбора исходного гена (шаги 1.5–1.6) при начале анализа на основе данных секвенирования объёмной РНК. В качестве альтернативы можно использовать сопоставление шаблонов на основе корреляции Пирсона, переходя к шагу 1.4.3.
      1. На этом этапе выполните преобразования идентификатора гена с помощью R-пакета AnnotationDbi в соответствии с отдельными пакетами организмов. NetDecoder использует символы генов (то есть Gene ID), которые совпадают с примером PPI.
      2. Выполните нормализацию и дифференциальный анализ выражений между двумя условиями с помощью R-пакетов limma, edgeR, DESeq2 или аналогичных инструментов.
      3. Если используете DESeq2, постройте набор данных DESeq, используя функцию DESeqDataSetFromMatrix() с матрицей счёта (гены и образцы) и метаданными выборки (условия) в качестве входных данных.
      4. Используйте функцию DESeq() с настройками по умолчанию на объекте, созданном на шаге 1.4.1.3, чтобы вычислить дифференциальные значения выражений.
      5. Сохраните результаты в матрице данных с идентификаторами генов (Gene ID) в виде названий строк и ключевых выходов, включая log2fold change (log2FC), p-значение и скорректированное p-значение в виде столбцов.
      6. По желанию отфильтруйте результаты по скорректированному p-значению (<0.05) и/или log2FC значениям (например: |log2FC| > 1) с помощью dplyr или аналогичного инструмента.
      7. Убедитесь, что все обработанные списки генов и матрицы изменений log2 fold экспортируются в виде файлов с разделением по табуляциям (.txt или .csv) для ввода в NetDecoder.
      8. Выполните попарные сравнения для шага 1.4.1, если используются более двух биологических условий, и получите попарные результаты, используя функцию results() из объекта DESeq, сгенерированную на шаге 1.4.1.5.
    2. Нормализация выражения микрочипов — необязательно
      ПРИМЕЧАНИЕ: Если используете данные микрочипов, выполните этот шаг для нормализации данных.
      1. Нормализуйте данные, открыв скрипт нормализации NetDecoder (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize. R), доступных из https://github.com/HuLiLab/NetDecoder_Example/tree/main, на платформе R-разработки и редактировать курсивную часть так, чтобы она соответствовала рабочему каталогу с файлами интенсивности ячеек (CEL).
        setwd(~/NetDecoder_Example/raw_data/CEL_files)
    3. Сопоставление шаблонов — необязательно
      ПРИМЕЧАНИЕ: Это второй необязательный подход, если не проводится дифференциальный анализ выражений (как изложено в шагах 1.1–1.4.1 раздела «Подготовка данных»).
      1. Для данных секвенирования РНК, не обработанных через лимму, edgeR и DESeq2, выполните внешнюю нормализацию перед применением шаблонного сопоставления. Для данных микрочипов используйте нормированные значения выражения, полученные в шагах 1.1–1.4.2.
      2. Выберите контрольное условие в качестве исходного шаблона экспрессии генов и сравните нормализованные значения экспрессии генов по всем другим интересующим состояниям.
      3. Рассчитайте коэффициенты корреляции Пирсона между профилем экспрессии каждого гена и выбранным шаблоном. Рекомендуется сохранять гены, демонстрирующие статистически значимые корреляции (p < 0,05) и абсолютный коэффициент корреляции выше пользовательского порога (например, |r| > 0,7).
  5. Отбор исходных генов
    ПРИМЕЧАНИЕ: Входные данные для этого этапа состоят из нормированной матрицы экспрессии генов, разработанной на этапах 1.1–1.4.
    1. Выберите набор значимых генов, которые будут использоваться в качестве исходных генов. Для рабочих процессов на основе дифференциальных выражений выбирайте скорректированные p-значения и пороговые значения log2FC (например, adj p-значение < 0.05 и |log2FC| > 2). Для рабочих процессов сопоставления шаблонов выбирайте исходные гены из значительно коррелированных генов, выявленных на шаге 1.4.3.3, используя выбранные пороги корреляции и значимости. Пороги должны быть выбраны так, чтобы получить примерно 300–1 000 генов для строительства нижней сети.
      ПРИМЕЧАНИЕ: Исходные гены — это то, с чего начинается и распространяется информационный поток по сети.
  6. Постройте сеть с взвешенными краями (EWN) для каждого фенотипа
    ПРИМЕЧАНИЕ: Для этого этапа требуются следующие входные данные: нормализованная матрица экспрессии генов, разработанная на этапах 1.1–1.4; сеть взаимодействия белков и белков (PPI), отформатированную в виде списка краёв (пары гена A-генB); Файл аннотации образца (метаданные), указывающий метки биологических состояний для каждого образца. Сеть PPI используется как объект R и построена на базе данных белков iRefIndex. Версия, используемая в этом протоколе, включает все прямые взаимодействия, но самопетли и несколько рёбер были исключены. Сеть ИПП содержит 15 608 белков и 180 044 взаимодействия. Для дополнительной информации см. раздел4 NetDecoder-Methods.
    1. Откройте скрипт NetDecoder Edge Weighted Network (EWN) (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R, доступна с https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4, на платформе R-разработки.
    2. Отредактировать части скрипта, указанные комментариями (курсивом ниже), чтобы задать пользовательские пути и файлы ввода для разработки EWN.
      путь<~/NetDecoder_Example/input/
      Это путь к рабочему каталогу
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      Это пример нормализованного объекта выражения с матрицей выражений Rdata
      stQuery < read.csv("s tBreastCancer.csv")
      Это примерные метаданные
    3. Фильтруйте экспрессионную матрицу, чтобы сохранить только гены, присутствующие в сети PPI.
    4. Для каждого состояния подмножества образцов по фенотипу вычисляют попарные корреляции ген-ген по всем рёбрам, определённым в сети PPI, с помощью корреляции Пирсона. Вычислите корреляции с помощью обработанной, нормализованной матрицы выражений, сгенерированной на шаге 1.4.
    5. Для каждой пары генов вычислите коэффициент корреляции, абсолютную корреляцию и связанное p-значение.
    6. Удалить неполные случаи (например, значения NA).
    7. Экспортируйте одну сеть с взвешенным по краям на каждое условие в файле с разделением по табуляциям (без заголовка) со следующими столбцами: proteinA, proteinB, abs_cor, cor и pvalue.
    8. Выполните скрипт R, чтобы создать сети ко-выражений для всех соответствующих условий.

2. Установка и настройка NetDecoder

  1. Скачать NetDecoder
    1. Получите доступ к программному обеспечению NetDecoder по адресу (https://netdecoder.hulilab.org/#ver), выбрав R или Java.
  2. Установка необходимого программного обеспечения
    1. Установите Oracle JDK и R для рабочих и аналитических сред.
    2. Устанавливайте необходимые R-пакеты, указанные в документации NetDecoder, используя Bioconductor (https://netdecoder.hulilab.org/#ver)4.
  3. Зависимости для скачивания
    1. Скачайте необходимые зависимости для NetDecoder, которые включают данные генной онтологии (доступны из https://geneontology.org/docs/download-ontology/), а также справочник по ассоциациям генов (доступен в https://www.ebi.ac.uk/GOA/human_release).
  4. Настройте рабочий каталог
    1. Переместите все загруженные файлы (данные экспрессии, сгенерированные сети коэкспрессии для каждого состояния, данные генной онтологии и руководство по ссылке на ассоциации) в одну папку, которая станет рабочей папкой NetDecoder.
  5. Добавьте необходимую папку
    1. Скачайте папку NetDecoder (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) в рабочую директорию NetDecoder.
    2. Распаковайте папку NetDecoder.

3. Запуск NetDecoder

  1. Откройте скрипт анализа bash
    1. Откройте терминал с GNU Bash и перейдите в рабочую директорию NetDecoder.
    2. Запустите команду nano NetDecoder_Analysis.sh , чтобы открыть bash-скрипт.
  2. Модифицировать скрипты
    ПРИМЕЧАНИЕ: Большая часть кода уже написана. На этом этапе требуемые параметры указываются в скрипте в указанных местах.
    1. Сделайте короткое имя:
      Отредактируйте курсив, чтобы сравниваемые условия: myshortname='Your_shortname_here'
    2. Задайте программные пути:
      Отредактируйте следующие три определения путей с правильными путями, отредактировав курсивные части:
      JAVA="/ваш/путь/здесь"
      экспорт R="/твой/путь/здесь»
      псевдоним R="/ваш/путь/здесь"
    3. Рабочий каталог декораций:
      Отредактируйте курсивную часть, чтобы она стала рабочей директорией, откуда будут доступны все файлы: INPUT_DIR="/your/path/here"
    4. Сетить библиотеку NetDecoder:
      Отредактируйте курсивную часть, чтобы она стала путём к библиотеке NetDecoder, установленной на шаге 2.4 из zip-файла: LIB_DIR="/your/path/here/netdecoder_lib"
    5. Онтология сета генов и пути ассоциаций:
      Отредактируйте следующие курсивные части двух каталогов с расположением предпочтительных онтологий/ассоциаций генов.
      СИМВОЛ=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_file
    6. Задайте входные аргументы:
      Обновите курсивные части следующих пяти строк в соответствии с данными, согласно прокомментированным инструкциям, содержащимся в эталонном скрипте NetDecoder.
      geneList=$INPUT_DIR/gene_file
      state_trt=Лечебное состояние
      state_ref=Эталонное условие
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/ссылка_co_expression_network_file
    7. Подготовьте правильную сцену:
      Отменьте комментарий (убрав символ #) на желаемом этапе выполнения и оставьте повторный комментарий после завершения этапа. Первый этап — это gen_net_trt, затем gen_net_ref, затем этап анализа и, наконец, этап сбора.
      Задайте желаемый этап для выполнения, начиная с первого этапа.
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE=«анализ»
      #STAGE="collect"
    8. Перейти к основному терминалу Bash:
      Нажмите Ctrl+X, затем Y, чтобы сохранить и выйти из bash-скрипта.
  3. Execute NetDecoder
    ПРИМЕЧАНИЕ: Если система успешно запущена, в терминале появляются сообщения логирования.
    1. Перейдите к терминалу и запустите ./NetDecoder_Analysis.sh.
    2. Выполняйте этапы в порядке, указанном в шаге 3.2.7, пока все четыре не будут выполнены по отдельности.
  4. Получить результаты
    1. Перейдите к выходным файлам и графическим сводкам.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Как показано на рисунке 1, NetDecoder работает через структурированный рабочий процесс, включающий обработку данных, конфигурацию сети и анализ на основе потоков, при этом выходы организованы в отдельные каталоги, соответствующие каждому этапу конвейера. Такая модульная структура позволяет систематически проверять результаты, обеспечивая отслеживание результатов на каждом этапе вычислений и поддерживая общую воспроизводимость.

Усп...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Этот протокол описывает реализацию NetDecoder — сетевой биологической структуры, которая интегрирует данные экспрессии генов с сетями взаимодействия белков и белков (PPI) для моделирования информационного потока, специфичного для условий, и приоритизирования генов на основе их функционального влияния в биологических системах. Успешное применение этого метода зависит от нескольких критических шагов, тщательного методологического выбора и правильной интерпретации результатов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

У авторов нет финансовых конкурирующих интересов.
Иллюстрации для рисунков 1 и 2 были созданы с помощью BioRender (BioRender.com).

Благодарности

Эта работа была поддержана грантами от Центра биомедицинских открытий клиники Майо, Комплексного онкологического центра клиники Майо (NIH; P30 CA015083), Центр клеточной сигнализации в гастроэнтерологии клиники Майо (NIH: P30DK084567), Фонд медицинских исследований Гленна, Фонд V по исследованию рака (S.Z.), программа исследований питания и ожирения клиники Майо, программа иммунологии и иммунотерапии рака имени Дэвида Ф. и Маргарет Т. Гроне, Schmidt Sciences and Innovation, а также Национальные институты здравоохранения (NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

```html
Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
AnnotationDbiBioconductorversion 1.68.0Аннотация и картирование генов
BioconductorBioconductorversion 3.19Фреймворк для анализа транскриптомных данных и экосистема пакетов, поддерживающих DESeq2, edgeR, limma, AnnotationDbi и базы данных организмов и т.д.
CytoscapeThe Cytoscape Consoritumversion 3.10.4Визуализация и анализ сетей
DESeq2Bioconductorversion 1.46.0Анализ дифференциальной экспрессии (с моделированием отрицательного биномиального распределения)
dplyrPosit Software, PBC formerly RStudio, PBCversion 1.1.4Манипуляции и трансформация данных
edgeRBioconductorversion 4.4.2Анализ дифференциальной экспрессии на основе подсчета
ggplot2Posit Software, PBC formerly RStudio, PBCversion 4.0.0Визуализация и построение графиков
GNU BashGNU ProjectSystem defaultBash, выполнение скриптов пайплайна NetDecoder
igraphigraph Development Teamversion 2.1.4Построение сетей и анализ графов
LimmaBioconductorversion 3.62.2Линейное моделирование для анализа экспрессии генов
NetDecoderHu Li Laboratory, Mayo Clinic(2024 Hu Li Lab)Построение контекстно-специфичных сетей взаимодействий белков через моделирование потока информации
org.Hs.eg.dbBioconductorversion 3.20.0База данных аннотации генов человека
Oracle JDKOracle Corporation≥ version 1.8Среда выполнения для запуска NetDecoder
pheatmapRaivo Koldeversion 1.0.13Визуализация структуры экспрессии и корреляции
RThe R Foundationversion 4.4.2Основная среда для транскриптомного и сетевого анализа
```

Ссылки

  1. Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
  2. Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
  3. Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
  4. Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
  5. Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
  6. Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
  7. Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
  8. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
  9. Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
  10. Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
  11. Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
  12. Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
  13. Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
  14. Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
  15. Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
  16. Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
  17. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
  18. Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
  19. Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

МедицинаВыпуск 233Выпуск 233Пустое значениеВыпускмоделированиетранскриптомикаалгоритм потокаинтеграция

Эта статья была опубликована

Видео скоро будет доступно

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.