Протокол для использования гена набор обогащения анализ для выявления соответствующих животных модель для трансляционного исследования
16 августа 2017 г.
Мы предоставляем стандартизированный протокол для использования анализа набора обогащения гена транскриптомики данных для определения идеальной мыши модель для трансляционного исследования.
Этот протокол может использоваться с microarray ДНК и РНК последовательности данных и далее может быть распространено на другие данные омику, если доступны данные.
Общая цель этой процедуры состоит в том, чтобы определить подходящую животную модель для решения трансляционных исследовательских вопросов. Этот метод может помочь ответить на один ключевой вопрос в трансляционных исследованиях, а именно: как я могу выбрать подходящую животную модель для конкретного заболевания человека, которое я хочу исследовать? Основное преимущество этого метода заключается в том, что данные всего генома сравниваются между животными моделями и исследованиями заболеваний человека.
Таким образом, такой подход позволяет избежать предвзятой интерпретации, связанной со сравнением отдельных генов. Хотя этот метод дает представление о пригодности мышиных моделей для воспалительных заболеваний, он также может быть применен к другим моделям заболеваний. GSEA помогает исследовать политику регулирования для исследований экспрессии генов.
Результаты каждого исследования на животных и болезни являются основой для дальнейших сравнений. Начните эту процедуру с загрузки программного обеспечения и данных, а затем обработайте и форматируйте данные, как описано в текстовом протоколе. Затем откройте программное средство GSEA.
Нажмите кнопку «Загрузить данные» в левой части главного окна. Откроется новая вкладка для импорта необходимых файлов данных. В новой вкладке перейдите к файлу данных об экспрессии генов и файлу фенотипа.
В случае, если GSEA не может подключиться к Интернету, также загрузите загруженные файлы базы данных молекулярных сигнатур и файлы аннотаций ДНК-чипов. Успешно импортированные данные появятся в разделе загрузки данных. Нажмите кнопку «Запустить GSEA» в левой части главного окна.
Откроется новая вкладка для того, чтобы задать параметры для анализа. Вкладка разделена на три части: обязательные поля, основные поля и расширенные поля. В обязательных полях сначала выберите набор данных выражения.
Затем выберите базу данных наборов генов либо с подключенного веб-сайта, либо из импортированного вручную файла набора генов. Отредактируйте метки фенотипа, чтобы выбрать группы образцов, которые предполагается сравнивать друг с другом. Например, группа заболевания в сравнении со здоровой контрольной группой.
Затем выберите Свернуть набор данных в символы генов равно true, чтобы преобразовать идентификаторы зондов в наборе данных экспрессий в официальные символы гена Hugo, используемые в базе данных наборов генов. Выберите значение false, если набор данных экспрессии уже содержит символы гена Hugo. Установите количество перестановок по умолчанию на 1 000.
Измените тип перестановки на набор генов, так как перестановка фенотипа рекомендуется только при наличии более семи образцов в каждом фенотипе. Наконец, выберите платформу чипа, используемую для генерации данных об экспрессии генов, либо с подключенного веб-сайта, либо из импортированного вручную файла аннотаций ДНК-чипа. В основных полях отредактируйте название анализа и раздел сохранения результатов в этой папке.
Кроме того, можно изменять и другие статистические параметры. Для получения более подробной информации о параметрах и разделе расширенных полей перейдите в руководство пользователя GSEA. Если применяются внешние групповые метрики для данных экспрессии генов, используйте инструмент с предварительным ранжированием GSEA.
Этот анализ проводится на основе простого списка генов, предварительно назначенных заранее рассчитанным групповым метрикам, которые используются для ранжирования генов. После загрузки файла альтернативной экспрессии генов перейдите на главную панель навигации и нажмите «Инструменты», GseaPreranked. Аналогично откроется новая вкладка для установки параметров для анализа.
Затем нажмите кнопку «Выполнить» в правой нижней части окна. Нажмите на успешный анализ в разделе отчета GSEA, чтобы открыть результаты анализа. Далее нажмите на подробные результаты обогащения в формате Excel, чтобы экспортировать результаты анализа в таблицу.
Экспортируйте результаты отдельно для обоих фенотипов. В Excel объедините данные результатов в один файл таблицы. Для последующего сравнения данных экспрессии генов в нескольких исследованиях сохраните, по крайней мере, название набора генов, его нормализованный показатель обогащения и значение FDR.
Повторите анализ обогащения набора генов для второго исследования и для всех последующих исследований, которые предполагается сравнить друг с другом. Включите как можно больше клинических исследований на людях и различные модели мышей, чтобы определить оптимальную мышиную модель для вопроса трансляционного исследования. Чтобы определить оптимальную животную модель для имитации человеческой ситуации, сравните результаты всех исследований GSEA друг с другом.
Используйте баллы обогащения и значения FDR, чтобы классифицировать пути как активированные, ингибированные или ни те, ни другие. Для сравнения многих исследований рекомендуется использовать скрипты R. Для каждого сравнения двух исследований подсчитайте количество реализаций девяти возможных комбинаций регуляции путей, как указано в таблице сопряженности три на три.
Оцените корреляцию между двумя исследованиями путем расчета положительной прогностической ценности и отрицательной прогностической ценности, которая по определению является частью путей, демонстрирующих одинаковую регуляцию в двух исследованиях. Кроме того, оцените часть путей, которые, как ожидалось, будут коррелировать просто случайно, представленные ppv-chance и npv-chance. Затем подсчитайте прирост информации.
Все расчеты могут быть выполнены с помощью программ для работы с электронными таблицами, но рекомендуется использовать функции R. Используйте таблицу сопряженности пары исследований для вычисления значения P с помощью критерия хи-квадрат, например, с помощью функции R, критерия хи-квадрат или программ для работы с электронными таблицами. Сохраните данные таблицы сопряженности в матрице X. Затем сравните результаты GSEA для всех комбинаций исследований, которые были выбраны для анализа.
Отсортируйте все комбинации по получению информации. Для сравнения множества наборов данных используйте матрицу и визуализируйте результаты с помощью цветной тепловой карты. Выберите модель животного с наибольшим получением информации.
Для того чтобы оценить значимость полученной информации, также примите во внимание критерий хи-квадрат. Здесь показана корреляционная матрица сравнения путей между исследованиями на людях и мышах. Перекрытие регуляции путей показано как получение информации, которая может быть получена из одного исследования для прогнозирования эффектов в другом исследовании.
Синий цвет означает низкую корреляцию, а красный — высокую корреляцию между данными. Сравнение наборов данных о человеке и мышах выявило подгруппу мышиных моделей, которые были высоко коррелированы с исследованиями на людях. Поэтому эти модели мышей лучше всего подходят для имитации человеческой ситуации.
Напротив, седьмое, восьмое и девятое исследования не показали корреляции с исследованиями заболеваний человека. После освоения этой техники ее можно сделать за несколько дней, если она выполнена правильно. Это зависит от объема данных и их наличия.
При попытке выполнить эту процедуру важно помнить, что достоверность результатов зависит от качества и актуальности выбранных данных. После просмотра этого видео у вас должно сложиться хорошее понимание того, как выбрать подходящую животную модель для конкретного заболевания человека на основе данных транскриптов.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данной статье представлен стандартизированный протокол анализа обогащения генных наборов (GSEA) транскриптомических данных для идентификации подходящих моделей мышей в переводных исследованиях. Метод сравнивает данные целого генома между моделями животных и исследованиями болезней человека, предоставляя взгляды на выбор модели для различных заболеваний.
Ключевые компоненты исследования
Область науки
- Переводные исследования
- Геномика
- Животные модели
Фон
- Идентификация подходящих моделей животных является важной для переводных исследований.
- GSEA избегает смещённых интерпретаций, сравнивая данные целого генома.
- Этот метод можно применять к различным моделям болезней, помимо воспалительных заболеваний.
- Это помогает исследовать регуляцию экспрессии генов.
Цель исследования
- Предоставить протокол для выбора животных моделей для конкретных человеческих заболеваний.
- Улучшить понимание пригодности моделей в переводных исследованиях.
- Упростить использование транскриптомических данных при выборе моделей.
Используемые методы
- Анализ обогащения генных наборов (GSEA) транскриптомических данных.
- Сравнение данных целого генома между моделями животных и исследованиями болезней человека.
- Применение протокола к данным ДНК-микрочипов и секвенирования РНК.
- Расширение на другие данные омики при их наличии.
Основные результаты
- Протокол эффективно идентифицирует подходящие модели мышей для переводных исследований.
- GSEA предоставляет полное представление об экспрессии генов через модели.
- Полученные данные могут помочь в выборе моделей для различных заболеваний.
- Метод уменьшает смещение, связанное с сравнением отдельных генов.
Выводы
- Стандартизированный протокол улучшает процесс выбора животных моделей.
- GSEA является ценным инструментом в переводных исследованиях для идентификации моделей.
- Этот подход можно адаптировать для различных контекстов болезней.
Часто задаваемые вопросы
Executive Industry Relevance
Selecting appropriate animal models remains a critical challenge in translational research, where model misalignment contributes to late-stage attrition. This protocol enables systematic evaluation of murine models using transcriptomic concordance with human disease data, reducing reliance on subjective gene filtering. By providing a standardized GSEA-based framework, it supports predictive confidence in model selection and informs go/no-go decisions early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypothesis by assessing pathway-level concordance between human disease and animal model transcriptomes.
- Operational Value: Avoids biased interpretation from single-gene comparisons, reducing mechanistic ambiguity in target validation.
- Predictive Value: Enables data-driven prioritization of models with highest gain of information, supporting portfolio triage.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying models with conserved pathway regulation for downstream compound screening.
- Operational Value: Standardizes cross-study comparison through normalized enrichment scores and FDR values, enhancing reproducibility.
- Scalability: Supports inclusion of multiple human clinical studies and mouse models to identify optimal translational fit.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by identifying models with high correlation to human disease states.
- Risk-Adjusted Advancement: Uses gain of information and chi-squared testing to assess significance of model suitability, informing progression decisions.
- Biomarker Alignment: Facilitates identification of conserved pathways that may serve as translational biomarkers across species.
Pipeline & Workflow Integration
The method fits within the discovery continuum from target validation to preclinical model selection, enabling transcriptomic data to guide animal model choice before significant investment in screening or efficacy studies.
- Discovery Biology: Supports hypothesis testing by comparing whole-genome pathway activation or inhibition patterns between species.
- Screening: Enhances assay readiness by ensuring selected models reflect human disease biology, improving compound evaluation reliability.
- Analytics: Generates quantitative outputs (normalized enrichment score, FDR, gain of information) for objective cross-study comparison.
- Translational Research: Promotes continuity by selecting models with demonstrated pathway-level concordance to human conditions.
- Enterprise Reuse: Establishes a reusable bioinformatics capability applicable across disease areas and omics data types.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in model selection, reducing false positives from inadequate biological representation.
- Operational Value: Promotes standardization and reproducibility in model evaluation across teams and sites.
- Strategic Value: Improves capital efficiency by minimizing investment in poorly predictive models.
- Portfolio Impact: Enables risk-adjusted prioritization of projects based on model suitability evidence.
Implementation Considerations
- Requires expertise in transcriptomic data analysis and GSEA software operation.
- Dependent on access to quality gene expression data from human disease studies and candidate animal models.
- Necessitates standardized data formatting, including gene symbol collapse and phenotype labeling.
- Involves cross-functional alignment between bioinformatics, pharmacology, and pathology teams for interpretation.
- Limited to retrospective analysis; cannot predict model suitability a priori without existing omics data.
