Визуализатор присущей динамики, интерактивное приложение для оценки и визуализации выходных данных из конвейера вывода генной регуляторной сети
7 декабря 2021 г.
Визуализатор Inherent Dynamics — это интерактивный пакет визуализации, который подключается к инструменту вывода регуляторной сети генов для расширенной, оптимизированной генерации функциональных сетевых моделей. Визуализатор может использоваться для принятия более обоснованных решений по параметризации инструмента вывода, тем самым повышая уверенность в полученных моделях.
Визуализатор Inherent Dynamics облегчает работу с несколькими методами вывода и понимание их результатов для исследователей, что, в свою очередь, позволяет ускорить производство функциональных сетевых моделей. Основным преимуществом визуализатора Inherent Dynamics является визуализация и изучение промежуточных результатов для информирования параметров и содержимого входных файлов о последующих шагах. Визуализатор Присущей динамики облегчает изучение и понимание результатов с помощью нескольких инструментов вывода.
Однако мы рекомендуем обратиться к документации по каждому инструменту, чтобы лучше понять, как выбор параметров влияет на результаты. В новом файле конфигурации IDP, который параметризует шаг поиска узла, введите файл данных, равный, файл аннотации равный, выходной файл равный, число процесса равному и IDVconnection равно true в отдельных строках. После знака равенства для файла данных введите путь к соответствующему файлу временных рядов и имя с запятой после имени.
Для файла аннотации введите путь и имя файла аннотации. В выходном файле введите путь к папке результатов и ее имя. А для числового процесса введите число процессов, которое должен использовать IDP.
В том же текстовом файле после основных аргументов введите в представленном порядке аргументы DLxJTK в квадратных скобках точки, равные и отсечки DLxJTK, равные отдельным строкам. Для периодов, если используется один набор данных временных рядов, введите каждую длину периода, разделенную запятыми после знака равенства. Для нескольких наборов данных временных рядов введите каждый набор длин периодов, как и раньше, но заключите квадратные скобки вокруг каждого набора и поставьте запятую между множествами.
Для отсечения DLxJTK после знака равенства введите целое число, указывающее максимальное количество генов, которые необходимо сохранить в файле списка генов, выводимом De Lichtenburg от JTK-CYCLE. Далее запустите IDP с помощью созданного конфигурационного файла, выполнив указанную команду с соответствующим именем файла в терминале. В терминале перейдите в каталог с именем Inherent Dynamics Visualizer и введите указанную команду.
Затем в веб-браузере введите отображаемый URL-адрес. Затем нажмите на вкладку поиска узла и выберите интересующую папку поиска узла из раскрывающегося меню. Чтобы расширить или сократить таблицу списка генов, нажмите на стрелки вверх или вниз или вручную введите целое число от одного до 50 в поле рядом с экспрессией генов, ранжированных DLxJTK.
В таблице списка генов нажмите на поле рядом с геном, чтобы просмотреть его профиль экспрессии генов и линейный график. Может быть добавлено несколько генов. Затем загрузите список генов в формат файла, необходимый для этапа поиска края, нажав кнопку загрузки списка генов.
В редактируемой таблице аннотаций генов пометьте ген как мишень, регулятор или и то, и другое. Если ген является регулятором, пометьте ген как активатор, репрессор или и то, и другое. Наконец, нажмите кнопку загрузить файл аннотации, чтобы загрузить файл аннотации в формат файла, необходимый для шага поиска края.
В новом конфигурационном файле IDP, который параметризует шаг поиска края, для файла списка генов введите путь и имя сгенерированного файла списка генов после знака равенства. Для столбца оценки краев введите PLD или норму потерь, чтобы указать, какой столбец кадра данных из выходных данных LEM py используется для фильтрации краев. Затем выберите пороговое значение или число краев для списка и удалите другой.
Если было выбрано пороговое значение оценки края, введите число от нуля до единицы. Если для списка выбрано число ребер, введите значение, равное или меньшее числа возможных ребер. Затем выберите пороговое значение начального значения или ряд ребер для семян и удалите другое.
Если было выбрано начальное пороговое значение, введите число от нуля до единицы. Если для начального значения выбрано число ребер, введите значение, равное или меньшее числа возможных ребер. Затем запустите IDP, используя созданный файл конфигурации, как показано ранее.
Выберите или отмените выбор краев в краевой таблице, установив соответствующие флажки рядом с каждым краем, чтобы добавить или удалить края из начальной сети. Затем нажмите кнопку загрузки спецификации сети DSGRN, чтобы загрузить начальную сеть в формате спецификации сети DSGRN. После выбора краев для включения в файл пограничного списка, используемый в поиске сети, путем установки соответствующих флажков из пограничной таблицы, нажмите на загрузку узлов и пограничных списков, чтобы загрузить файлы списка узлов и списка краев в формате, необходимом для их использования в поиске сети.
В новом файле конфигурации IDP, который параметризует шаг поиска сети, для начального сетевого файла, файла пограничного списка и файла списка узлов введите путь и имя начального сетевого файла, а также файлов списка границ и узлов. Для операций с диапазоном введите два числа, разделенные запятой после знака равенства. Первое и второе числа — это минимальное и максимальное количество добавления или удаления узлов или ребер на сеть, сделанное соответственно.
Для числа соседей введите число, представляющее количество сетей, которые необходимо найти в найденной сети. А для максимальных параметров введите число, представляющее максимальное число параметров DSGRN для сети. Для добавления узла добавьте край, удалите узел и удалите край, введите значения от нуля до единицы после знака равенства.
Числа должны суммироваться в единицу. Затем запустите IDP, используя созданный файл конфигурации, как показано ранее. Чтобы создать таблицу распространенности периферии, выберите сети, используя следующие два параметра.
Для первого варианта введите нижнюю и верхнюю границы результатов запроса, введя минимальные и максимальные значения во входные поля, соответствующие оси x и y на графике. Для второго варианта щелкните и перетащите указатель мыши на точечную диаграмму, чтобы нарисовать поле вокруг сетей, которые будут включены. После выбора или ввода входных границ нажмите кнопку получить распространенность края из выбранных сетей.
Затем введите целое число в поле ввода сетевого индекса, чтобы отобразить одну сеть из выделенного фрагмента. Затем нажмите на загрузку спецификации сети DSGRN, чтобы загрузить контекстно-медийную сеть в формате спецификации сети DSGRN. Используя флажки, соответствующие каждому краю, выберите края для включения в сеть или мотив, используемый для анализа сходства.
Затем нажмите кнопку «Отправить», чтобы создать точечную диаграмму сходства для выбранного мотива или сети. Чтобы выбрать сеть или набор сетей, щелкните и перетащите указатель мыши на точечную диаграмму. Нарисуйте поле вокруг сетей, которые должны быть включены, чтобы создать таблицу распространенности границ и просмотреть сети вместе с соответствующими результатами запроса.
Загрузите таблицу распространенности периферии, щелкнув Загрузить таблицу. Затем загрузите контекстно-медийную сеть для анализа сходства, нажав на загрузку спецификации сети DSGRN, как показано ранее. Этот протокол был применен к регуляторной сети гена основного осциллятора дрожжевого клеточного цикла.
Здесь показаны результаты последовательного выполнения каждого шага IDP без использования IDV между шагами. Этот полностью параметризованный запуск IDP дал результаты для поиска узлов и краев. Тем не менее, при поиске сетей не было обнаружено никаких допустимых моделей сетей.
Затем из базы данных генома Saccharomyces был выбран набор известных регуляторов клеточного цикла дрожжей, и известные регуляторные отношения между генами были извлечены из отслеживаемых дрожжей. Таблица списка генов была расширена, чтобы найти оставшийся ген в модели регуляторной сети генов, и гены были отменены для удаления генов, не найденных в той же модели. Новый конфигурационный файл IDP был параметризован для этапа поиска края с новым списком генов и файлом аннотаций, и результаты были загружены в IDV.
Края без экспериментальных доказательств были удалены из семенной сети. После создания семенной сети, хорошо подтвержденной экспериментальными данными, на этапе поиска сети было обнаружено 37 модельных допустимых сетей, из которых 24 могут стабильно колебаться. Из этих 24 сетей лучшими показали две сети, которые соответствовали данным на 50% от их стабильно колеблющихся параметров модели.
Когда была добавлена возможность удаления границ во время генерации сети, было обнаружено 612 сетей, причем 67% этих сетей имеют возможность стабильно колебаться. Интересно, что 82 сети, способные к стабильной колебательной динамике, не были способны производить динамику, аналогичную той, которая наблюдается в данных. И из 411 сетей 124 продемонстрировали надежное соответствие данным.
Биологически осуществимое пространство параметров неизвестно DSGRN, но включение биологической информации в обнаружение узлов и краев помогает ограничить поиск сети биологически разумными областями в пространстве всех сетей. ODE моделирование сетей с использованием параметров с этапа поиска края может быть выполнено для дальнейшего тестирования функциональности сетей in silico.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Визуализатор природной динамики предназначен для повышения удобства использования методов инференса генетических регуляторных сетей, позволяя исследователям более эффективно создавать функциональные модели сетей. Предоставляя инструменты для визуализации и изучения промежуточных результатов, он помогает в выборе и понимании параметров, в конечном итоге укрепляя доверие к полученным моделям.
Ключевые компоненты исследования
Область исследования
- Инференс генетических регуляторных сетей
- Моделирование сложности в биологических системах
- Инструменты визуализации в вычислительной биологии
Предыстория
- Значимость параметризации в точности модели
- Сотрудничество визуализации с методами инференса
- Необходимость оптимизации разработки моделей
Использованные методы
- Интерактивное программное обеспечение для визуализации
- Генетические регуляторные сети
- Настройки файлов конфигурации для различных шагов инференса
Основные результаты
- Облегчение исследования результатов инференса
- Оптимизация конфигурации для задач моделирования в низовом направлении
- Улучшенное понимание влияния параметров с помощью визуальных инструментов
Выводы
- Исследование демонстрирует эффективность визуализатора природной динамики в разработке моделей сетей.
- Этот инструмент значительно улучшает способность исследователя получать надежные биологические знания благодаря лучшей визуализации и взаимодействию с инструментами инференса.
Часто задаваемые вопросы
Executive Industry Relevance
Gene regulatory network inference is a critical step in target validation and mechanistic de-risking for biopharma discovery pipelines. The Inherent Dynamics Visualizer enhances predictive confidence by enabling interactive exploration of parameter impacts on network outputs, supporting data-driven hypothesis refinement. This capability improves translational continuity by aligning computational models with biological plausibility before preclinical investment.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through visualization of network topology changes under varying parameters.
- Operational Value: Supports biological de-risking by identifying parameter sets that yield biologically plausible network structures.
- Predictive Value: Increases confidence in target selection by revealing stable, oscillating network models that match experimental dynamics.
Screening & Assay Development
- Scientific Value: Provides standardized, visualization-ready gene lists and annotation files for downstream edge-finding workflows.
- Operational Value: Automates input file generation for pipeline steps, reducing manual configuration errors and improving reproducibility.
- Scalability: Enables rapid iteration across parameter sets to assess network robustness before compound screening campaigns.
Translational & Preclinical Research
- Translational Continuity: Facilitates alignment of inferred networks with known regulatory relationships from biological databases.
- Mechanistic De-risking: Allows removal of edges lacking experimental evidence to constrain network space to biologically feasible regions.
- Preclinical Alignment: Supports ODE modeling of networks using edge-derived parameters for in silico functional validation.
Pipeline & Workflow Integration
The tool integrates into the discovery continuum from early target hypothesis testing through lead identification by enabling parameter optimization at each inference step, improving model reliability before compound engagement.
- Discovery Biology: Supports hypothesis testing and pathway clarification via interactive visualization of node and edge identification outputs.
- Screening: Enhances assay readiness by generating standardized, reproducible input files for downstream modeling steps.
- Analytics: Enables quantitative comparison of network prevalence and stability across parameter conditions through edge prevalence tables and similarity scatterplots.
- Translational Research: Connects discovery-phase network models to preclinical validation by incorporating biological constraints from curated databases.
- Enterprise Reuse: Functions as a reusable configuration and visualization layer across multiple inference methods and time series datasets.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence in target validation through visualization of parameter impact on network stability and dynamics.
- Operational Value: Standardization and reproducibility of configuration file generation and intermediate result evaluation.
- Strategic Value: Improved go/no-go decisions by reducing mechanistic ambiguity in early-stage network models.
- Portfolio Impact: Risk-adjusted prioritization of targets based on network robustness and alignment with known biology.
Implementation Considerations
- Requires expertise in gene regulatory network inference and time series transcriptomic data analysis.
- Depends on computational infrastructure to run the Inherent Dynamics Pipeline and host the web-based visualizer.
- Necessitates cross-team standardization of file naming conventions and parameter reporting for reproducibility.
- Involves adaptation considerations when applying the tool to different model organisms or data types beyond yeast cell cycle.
- Limited by the biological interpretability of DSGRN parameters, requiring integration with ODE modeling for functional validation.
