Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Genetics

Et veiforeningsstudieverktøy for GWAS-analyser av metabolsk veiinformasjon

Published: July 1, 2020 doi: 10.3791/61268

ERRATUM NOTICE

Summary

Ved å kjøre Pathway Association Study Tool (PAST), enten gjennom Shiny-applikasjonen eller gjennom R-konsollen, kan forskere få en dypere forståelse av den biologiske betydningen av deres genom-brede foreningsstudie (GWAS) resultater ved å undersøke de metabolske veiene som er involvert.

Abstract

Nylig har en ny implementering av en tidligere beskrevet metode for tolkning av genom-brede assosiasjonsstudiedata (GWAS) ved hjelp av metabolsk veianalyse blitt utviklet og utgitt. Pathway Association Study Tool (PAST) ble utviklet for å håndtere bekymringer med brukervennlighet og langsomme analyser. Dette nye brukervennlige verktøyet er utgitt på Bioconductor og Github. Under testingen kjørte PAST analyser på mindre enn en time som tidligere krevde tjuefire eller flere timer. I denne artikkelen presenterer vi protokollen for bruk av enten Shiny-programmet eller R-konsollen for å kjøre PAST.

Introduction

Genom-brede assosiasjonsstudier (GWAS) er en populær metode for å studere komplekse egenskaper og de genomiske områdene forbundet med dem1,2,3. I denne typen studier testes hundretusenvis av enkelt nukleotidpolymorfismemarkører (SNP) for deres tilknytning til egenskapen, og betydningen av foreninger vurderes. Terskelverdier for markørtrekk som oppfyller terskelen for falsk oppdagelsesrate (FDR) (eller en annen type signifikansterskel) beholdes for studien, men sanne foreninger kan filtreres ut. For komplekse, polygene egenskaper kan effekten av hvert gen være liten (og dermed filtrert ut), og noen alleler uttrykkes bare under spesifikke forhold som kanskje ikke er til stede i studien3. Dermed, mens mange SNPer kan beholdes som knyttet til egenskapen, kan hver ha en svært liten effekt. For mange SNP-samtaler vil mangle, og en tolkning av egenskapens biologiske betydning og genetiske arkitektur kan være ufullstendig og forvirrende. Metabolsk veianalyse kan bidra til å løse noen av disse problemene ved å fokusere på de kombinerte effektene av gener gruppert i henhold til deres biologiske funksjon4,5,6.

Flere studier ble fullført ved hjelp av en tidligere implementering av metoden beskrevet i denne artikkelen. Aflatoxin akkumulering7, mais øreorm motstand8, og oljebiosyntese9 ble alle studert med forrige implementering. Selv om disse analysene var vellykkede, var analyseprosessen komplisert, tidkrevende og tungvint, fordi analyseverktøyene ble skrevet i en kombinasjon av R, Perl og Bash, og rørledningen ble ikke automatisert. På grunn av den spesialiserte kunnskapen som kreves for å endre denne metoden for hver analyse, er det nå utviklet en ny metode som kan deles med andre forskere.

Pathway Association Study Tool (PAST)10 ble designet for å adressere manglene i den forrige metoden ved å kreve mindre kunnskap om programmeringsspråk og ved å kjøre analyser i en kortere periode. Mens metoden ble testet med mais, gjør PAST ingen artsspesifikke forutsetninger. PAST kan kjøres gjennom R-konsollen, som en Shiny-app, og en online versjon forventes snart å være tilgjengelig på MaizeGDB.

Protocol

1. Oppsett

  1. Installer R, hvis den ikke allerede er installert.
    MERK: PAST er skrevet i R og krever derfor at brukerne har R installert. I skrivende stund krever installasjon av PAST direkte fra Bioconductor R4.0.  Eldre versjoner av PAST kan installeres fra Bioconductor for R3.6, og PAST kan installeres fra Github for brukere med R3.5. R-installasjonsinstruksjoner kan lastes ned fra følgende kobling: https://www.r-project.org/.
  2. Installer den nyeste versjonen av RStudio Desktop eller oppdater RStudio (valgfritt).
    MERK: RStudio er et nyttig miljø for å jobbe med R-språket. Installasjonen anbefales, spesielt for de som velger å kjøre PAST i kommandolinjen i stedet for gjennom Shiny GUI-applikasjonen. RStudio og installasjonsinstruksjonene finner du på følgende lenke: https://rstudio.com/products/rstudio/.
  3. Installer PAST fra Bioconductor11 ved å følge instruksjonene på Bioconductor.
    MERK: Installasjonen gjennom Bioconductor bør håndtere installasjonen av PAST's avhengigheter. I tillegg kan PAST installeres fra Github12, men installasjon fra Github vil ikke installere avhengigheter automatisk.
  4. Installer PAST Shiny (valgfritt). Last ned filen "app. R" fra Utgivelser-siden i Github-repositoriet: https://github.com/IGBB/PAST/releases/, og husk hvor den nedlastede filen er plassert.
    MERK: PAST kan brukes ved å kalle metodene direkte med R, men brukere som er mindre kjent med R, kan kjøre PAST Shiny-applikasjonen, som gir et veiledet brukergrensesnitt. PAST Shiny er et R-skript tilgjengelig i shiny_app grenen av PAST Github-repositoriet. PAST Shiny vil prøve å installere avhengighetene under den første kjøringen.
  5. Begynn analysen ved å starte programmet på en av de tre måtene som er beskrevet nedenfor.
    1. PAST skinnende med RStudio
      1. Bruk RStudio til å opprette et nytt prosjekt i mappen der appen. R er plassert. Klikk Fil | Nytt prosjekt, og velg denne mappen.
      2. Når et nytt prosjekt er opprettet, åpner du appen. R-fil lastet ned tidligere. RStudio gjenkjenner den appen. R er en Shiny-app og oppretter en Kjør app-knapp på linjen over kildekoden som vises. Klikk Kjør app. RStudio vil deretter starte et vindu som viser PAST Shiny-applikasjonen.
    2. PAST skinnende med R-konsoll
      1. Start R og kjør følgende kode for å starte PAST Shiny-programmet: shiny::runApp('bane/til/mappe/med/skinnende/app. R'. Erstatt teksten i anførselstegn med mappen som appen skal brukes i. R ble lastet ned, og behold anførselstegnene.
    3. FORTID uten R Shiny
      1. Kjør bibliotek(PAST) i en R-konsoll for å laste INN PAST.

2. Tilpass skinnende analyse (valgfritt)

  1. Endre analysetittelen fra "Ny analyse" til noe som bedre gjenspeiler typen analyse som kjøres, noe som bidrar til å holde oversikt over flere analyser (se figur 1).

Figure 1
Figur 1. Klikk her for å vise en større versjon av denne illustrasjonen.

  1. Endre antall kjerner og modus. Sett antall kjerner til et hvilket som helst tall mellom 1 og det totale antallet på maskinen, men vær oppmerksom på at bruk av flere ressurser til PAST kan redusere andre operasjoner på maskinen. Angi modus basert på beskrivelsen i del 6.

3. Last inn GWAS-data

MERK: Kontroller at GWAS-dataene er tabulatordelt. Kontroller at tilknytningsfilen inneholder følgende kolonner: egenskap, markørnavn, locus eller kromosom, plassering på kromosomet, p-verdien og R2-verdien for markøren. Kontroller at effektfilen inneholder følgende kolonner: egenskap, markørnavn, locus eller kromosom, plassering på kromosomet og effekt. Rekkefølgen på disse kolonnene er ikke viktig, da brukeren kan angi navnene på kolonnene når dataene lastes inn. Eventuelle andre kolonner ignoreres. TASSEL13 kan brukes til å produsere disse filene.

  1. Last inn GWAS-data med PAST Shiny.
    1. Velg en tilknytningsfil og en effektfil ved hjelp av boksene Tilknytningsfil og Effektfil . Endre kolonnenavnene i boksene Navn på tilknytningskolonne og Effektkolonnenavn under filvalgboksene for å gjenspeile kolonnenavnene i dataene.

Figure 2
Figur 2. Klikk her for å vise en større versjon av denne illustrasjonen.

  1. Last inn GWAS-data med PAST i R-konsollen.
    1. Endre og kjør følgende kode:
      gwas_data = load_GWAS_data(bane/til/association_file.tsv, bane/til/effects_file.tsv, association_columns = c(Trekk,, Locus, Site, p, marker_R2), effects_columns = c(Trekk,, Locus, Site, Effect)
  2. MERK: Endre banene til den faktiske plasseringen av GWAS-filene. Verdiene som er angitt for association_columns og effects_columns, er standardverdiene. Hvis navnene ikke samsvarer med standardverdiene, angir du kolonnenavnene. Ellers kan disse utelates.

4. Last inn data om koblingskoblingssikkerhet (LD)

MERK: Kontroller at dataene for koblingssikkerhet (LD) er tabulatordelt og inneholder følgende typer data: Locus, Position1, Site1, Position2, Site2, Distance i basispar mellom Position1 og Position2, og R2-verdi.

  1. Last inn LD-data med PAST Shiny.
    1. Velg filen som inneholder LD-data. Endre kolonnenavnene i boksene for inndatabokser for LD-kolonnenavn under filvalgboksen slik at de samsvarer med kolonnenavnene i LD-dataene om nødvendig.

Figure 3
Figur 3. Klikk her for å vise en større versjon av denne illustrasjonen.

  1. Last inn LD-data med PAST i R-konsollen.
    1. Endre og kjør følgende kode for å laste inn LD-data:
      LD = load_LD("bane/til/LD.tsv", LD_columns = c("Locus1", "Position1", "Site1", "Position2", "Site2", "Dist_bp", "R.2")
      MERK: Endre banen til den faktiske plasseringen av LD-filen. Verdiene som er angitt for LD_columns, er standardverdiene. Hvis navnene ikke samsvarer med disse standardinnstillingene, angir du de riktige navnene på kolonnene. Ellers kan disse utelates.

5. Tilordne SNPer til gener

MERK: Last ned eller på annen måte finn merknader i GFF-format. Disse merknadene finnes ofte i nettdatabaser for spesifikke organismer. Vær forsiktig med merknader av lav kvalitet, da kvaliteten på merknadsdataene vil påvirke kvaliteten på baneanalysen. Kontroller at den første kolonnen i disse merknadene (kromosomet) samsvarer med formatet til locus/kromosomet i tilknytningen, effektene og LD-dataene. Merknadene bør for eksempel ikke kalle det første kromosomet "chr1" hvis GWAS- og LD-datafilene kaller det første kromosomet "1".

  1. Tilordne SNPer til gener med PAST Shiny.
    MERK: Mer informasjon om å bestemme en passende R2 cutoff finnes i Tang et al.6, i avsnittet kalt "SNP til genalgoritme for baneanalysen".
    1. Velg filen som inneholder GFF-merknader. Vurder hvilken vindusstørrelse og R2 cutoff som passer best for arten som vurderes og endres hvis standardene ikke passer til de opplastede dataene.
      MERK: Standardverdier i PAST gjenspeiler først og fremst verdier som passer for mais. Antall kjerner som er angitt i begynnelsen av PAST Shiny-analysen (trinn 2.2), brukes i dette trinnet.

Figure 4
Figur 4. Klikk her for å vise en større versjon av denne illustrasjonen.

  1. Tilordne SNPer til gener med PAST i R-konsollen.
    1. Endre og kjør følgende kode for å tilordne SNPer til gener:
      gener = assign_SNPs_to_genes(gwas_data, LD, "bane/til/merknader.gff", c("gen"), 1000, 0,8, 2)
      MERK: I denne eksempelkoden er det gitt flere standardforslag: 1000 er størrelsen på vinduet rundt SNP for å søke etter gener; 0,8 er cutoff-verdien for R2. 2 er antall kjerner som brukes til parallell behandling. Banen til merknadene bør også endres til den faktiske plasseringen av merknadsfilen.

6. Oppdag betydelige veier

MERK: Kontroller at pathways-filen inneholder følgende data i tabulatordelt format, med en linje for hvert gen i hver bane: bane-ID - en identifikator som "PWY-6475-1"; banebeskrivelse - en lengre beskrivelse av hva veiene gjør som "trans-lykopenbiosyntese"; gen - et gen i veien, som skal samsvare med navnene som er angitt i merknadene. Baneinformasjon finnes sannsynligvis i online databaser for spesifikke organismer, for eksempel MaizeGDB. Det andre brukerangitte alternativet er modusen. "Økende" refererer til fenotyper som gjenspeiler når en økende verdi av det målte trekket er ønskelig, for eksempel utbytte, mens "avtagende" refererer til et trekk der en reduksjon i de målte verdiene er gunstig, for eksempel insektskadevurderinger. Betydningen av stier testes ved hjelp av tidligere beskrevne metoder4,6,14.

  1. Oppdag viktige veier med PAST Shiny.
    1. Velg filen som inneholder banedata, og kontroller at modusen er valgt i analysealternativene. Endre om nødvendig antall gener som må være i en vei for å beholde det for analysen og antall permutasjoner som brukes til å lage nullfordelingen for å teste effektens betydning.

Figure 5
Figur 5. Klikk her for å se en større versjon av denne figuren.

MERK: Antall kjerner og modusen som er angitt i begynnelsen av PAST Shiny-analysen (trinn 2.2), brukes i dette trinnet. Standard antall gener er for tiden satt til 5 gener, så veier med færre kjente gener vil bli fjernet. Brukeren kan senke denne verdien til 4 eller 3, for å inkludere kortere veier, men dette vil risikere falske positive resultater. Å øke denne verdien kan øke analysens kraft, men vil fjerne flere veier fra analysen. Hvis du endrer antall brukte permutasjoner, økes og reduseres testens kraft.

  1. Oppdag viktige veier med PAST i R-konsollen.
    1. Endre og kjør følgende kode for å finne viktige veier:
      rugplots_data <- find_pathway_significance(gener, "sti/til/stier.tsv", 5, "økende", 1000, 2)
      MERK: I denne eksempelkoden finnes det flere foreslåtte standarder. 5 er det minste antallet gener som må være i en vei for å holde banen i analysen, økende refererer til en økende mengde av det målte trekket (det anbefales at brukeren kjører både økende og avtagende, uavhengig av egenskap; datatolkning vil variere for de to, men 1000 er antall ganger for å prøve effektene for å bestemme nullfordelingen, og 2 er antall kjerner som brukes til parallell behandling. Endre banen til den faktiske plasseringen av banefilen.

7. Se Rugplots

  1. Vis Rugplots med PAST Shiny.
    1. Når alle inndata er lastet opp og angitt, klikker du Start analyse. En fremdriftslinje vises og angir hvilket trinn i analysen som sist ble fullført. Når analysen er fullført, bytter PAST Shiny til kategorien Resultater. En tabell med resultater vises i venstre kolonne (merket "stier") og Rugplots vises i høyre kolonne (merket "plott").
    2. Bruk glidebryteren til å kontrollere filtreringsparameterne. Når filtreringsnivået er tilfredsstillende, klikker du last ned resultater nederst til venstre for å laste ned alle bilder og tabeller individuelt til en ZIP-fil som er navngitt med analysetittelen. Denne ZIP-filen inneholder den filtrerte tabellen, den ufiltrerte tabellen og ett bilde per bane i den filtrerte tabellen.

Figure 6
Figur 6. Klikk her for å vise en større versjon av denne illustrasjonen.

Figure 7
Figur 7. Klikk her for å vise en større versjon av denne illustrasjonen.

  1. Vis Rugplots med PAST i R-konsollen
    1. Endre og kjør følgende kode for å lagre resultatene:
      plot_pathways(rugplots_data, "pvalue", 0,02, "økende", "output_folder")
      MERK: I denne eksempelkoden finnes det flere foreslåtte standarder. pvalue gir dataene som kan brukes til filtrering av ubetydelige veier etter at en signifikansterskel er valgt av brukeren; 0,02 er standardverdien som brukes i filtrering, og økende refererer til en økende mengde av det målte trekket (det anbefales at brukeren kjører både økende og avtagende, uavhengig av egenskap; datatolkning vil variere for de to, men); output_folder er mappen der bildene og tabellene skal skrives (denne mappen må finnes før du kjører funksjonen). En tabell med filtrerte resultater, ufiltrerte resultater og enkeltbilder for hver bane i de filtrerte resultatene skrives til denne mappen.

Representative Results

Hvis resultatene ikke produseres etter en kjøring av PAST-programvareverktøyet, må du kontrollere at alle inndatafiler er riktig formatert. En vellykket kjøring ved hjelp av eksempeldataene i PAST-pakken, som er basert på en mais GWAS med kornfarge, vises i figur 8. Denne tabellen og det resulterende bildet kan lastes ned ved hjelp av knappen Last ned resultater. Et eksempel på det nedlastede bildet vises i figur 210. Feil innstillinger kan føre til resultater som ikke gir biologisk mening, men å bestemme feil må være opp til forskeren, som bør dobbeltsjekke gyldigheten av de valgte innstillingene og vurdere alle kjente bevis angående egenskapen av interesse.

Figur 910 viser rugploten produsert fra baneanalysen av GWAS-resultater opprettet med et maispanel på 288 innavlede linjer som hadde blitt fenotypet for kornfarge. Dette forenklede eksemplet, hvor fenotypene enten var "hvite" eller "gule", ble brukt fordi banen som er ansvarlig for å skape de lyse gule karotenoidpigmentene er kjent og bør være ansvarlig for det meste av fenotypen. Dermed forventet vi å se at trans-lykopenbiosyntesebanen (som produserer karotenoider) var signifikant forbundet med kornfarge, som den er. Bane-ID og navn er oppført øverst i diagrammet. Grafens horisontale akse rangerer alle gener som ble inkludert i analysen, ordnet fra venstre til høyre i rekkefølge av størst effekt på egenskapen til den minste. Imidlertid er bare genene i trans-lykopenbiosyntesebanen merket (øverst i grafen, som lukemerker, vises i genrangeringen av deres effekt sammenlignet med alle andre gener i analysen). Det er 7 gener i denne veien. Den løpende berikelsespoengsummen (ES) tegnes langs den loddrette aksen. ES for hvert gen legges til den løpende totalen i effektrekkefølgen, og totalen justeres til antall gener som analyseres. Dermed endres poengsummen når man beveger seg rett langs den horisontale aksen og har en tendens til å øke etter hvert som de større effektgenene inkluderes, men på et tidspunkt er økningen i effekten mindre enn justeringen for å ha lagt til et annet gen, og hele poengsummen begynner å avta. Toppen av den kjørende ES-linjen er merket med en prikket loddrett linje. Dette er ES for hele banen og brukes av programmet for å avgjøre om banen er valgt og presentert som en rugplot.

Figure 8
Figur 8: Fullført kjøring av PAST Shiny. Klikk her for å se en større versjon av denne figuren.

Figure 9
Figur 9: Banebilde fra fullført kjøring av PAST (eller lastet ned fra Shiny). Denne figuren er sitert fra Thrash et al.10. Klikk her for å se en større versjon av denne figuren.

Discussion

Et hovedmål med PAST er å bringe metabolske veianalyser av GWAS-data til et bredere publikum, spesielt for ikke-menneskelige og ikke-animalske organismer. Alternative metoder til PAST er ofte kommandolinjeprogrammer som fokuserer på mennesker eller dyr. Brukervennlighet var et hovedmål i utviklingen av PAST, både i å velge å utvikle en Shiny-applikasjon og i å velge å bruke R og Bioconductor for å frigjøre applikasjonen. Brukere trenger ikke å lære å kompilere programmer for å kunne bruke PAST.

Som med de fleste typer analyseprogramvare, er resultatene av PAST bare så gode som inngangsdataene; Hvis inndata inneholder feil eller er feil formatert, vil ikke PAST kjøre eller gi uinformative resultater. Det er viktig å sikre at GWAS-data, LD-data, merknader og banefiler er riktig formatert for å motta riktig utdata fra PAST. PAST analyserer bare toallsmarkører og kan bare kjøre ett trekk for hvert sett med inndata. I tillegg er det heller ikke sannsynlig at GWAS-data produsert av dårlig genotyping eller feil eller upresis fenotyping vil gi klare eller repeterbare resultater. PAST kan hjelpe til med den biologiske tolkningen av GWAS-resultater, men det er usannsynlig å avklare kaotiske datasett hvis miljøvariasjon, eksperimentell feil eller befolkningsstruktur ikke ble riktig gjort rede for.

Brukere kan velge å endre noen parametere for analysen, både i Shiny-applikasjonen og ved å sende disse parameterne til PAST-funksjonene i R-konsollen. Disse parameterne kan endre resultatene som er rapportert av PAST, og brukerne bør være forsiktige når de endrer disse fra standardinnstillingene. Fordi LD måles av brukerne, vanligvis ved hjelp av det samme indikatordatasettet som også ble brukt i GWAS, er LD-målingene spesifikke for populasjonen. For alle studier, spesielt for andre arter enn mais (spesielt selvbestøvende, polyploide eller svært heterogene arter), kan endringer i standardene garanteres.

Disclosures

Forfatterne har ingenting å avsløre.

Acknowledgments

Ingen.

Materials

Name Company Catalog Number Comments
Computer NA NA Any computer with 8GB RAM should be sufficient
R R Project NA R 4.0 or greater is required to install from Bioconductor 3.11

DOWNLOAD MATERIALS LIST

References

  1. Rafalski, J. Association genetics in crop improvement. Current Opinion in Plant Biology. 13 (2), 174-180 (2010).
  2. Yan, J., Warburton, M., Crouch, J. Association Mapping for Enhancing Maize (Zea mays L.) Genetic Improvement. Crop Science. 51 (2), 433-449 (2011).
  3. Xiao, Y., Liu, H., Wu, L., Warburton, M., Yan, J. Genome-wide Association Studies in Maize: Praise and Stargaze. Molecular Plant. 10 (3), 359-374 (2017).
  4. Wang, K., Li, M., Bucan, M. Pathway-Based Approaches for Analysis of Genomewide Association Studies. The American Journal of Human Genetics. 81 (6), 1278-1283 (2007).
  5. Weng, L., et al. SNP-based pathway enrichment analysis for genome-wide association studies. BMC Bioinformatics. 12 (1), 99 (2011).
  6. Tang, J., Perkins, A., Williams, W., Warburton, M. Using genome-wide associations to identify metabolic pathways involved in maize aflatoxin accumulation resistance. BMC Genomics. 16 (1), 673 (2015).
  7. Warburton, M., et al. Genome-Wide Association Mapping of Aspergillus flavus and Aflatoxin Accumulation Resistance in Maize. Crop Science. 55 (5), 1857-1867 (2015).
  8. Warburton, M., et al. Genome-Wide Association and Metabolic Pathway Analysis of Corn Earworm Resistance in Maize. The Plant Genome. 11 (1), 170069 (2018).
  9. Li, H., Thrash, A., Tang, J., He, L., Yan, J., Warburton, M. Leveraging GWAS data to identify metabolic pathways and networks involved in maize lipid biosynthesis. The Plant Journal. 98 (5), 853-863 (2019).
  10. Thrash, A., Tang, J., DeOrnellis, M., Peterson, D., Warburton, M. PAST: The Pathway Association Studies Tool to Infer Biological Meaning from GWAS Datasets. Plants. 9 (1), 58 (2020).
  11. Adam, T., Mason, D. PAST: Pathway Association Study Tool (PAST). Bioconductor version: Release (3.10). , (2020).
  12. Thrash, A., DeOrnellis, M. IGBB/PAST. , at https://github.com/IGBB/PAST (2019).
  13. Bradbury, P., et al. TASSEL: software for association mapping of complex traits in diverse samples. Bioinformatics. 23 (19), 2633-2635 (2007).
  14. Subramanian, A., et al. Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences U.S.A. 102, 15545-15550 (2005).

Tags

Genetikk Utgave 161 genom-bred assosiasjonsanalyse GWAS metabolsk veianalyse datatolkning programvare R Bioconductor

Erratum

Formal Correction: Erratum: A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information
Posted by JoVE Editors on 10/08/2021. Citeable Link.

An erratum was issued for: A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information. One of the affiliations was updated.

The second affiliation was updated from:

USDA-ARS Corn Host Plant Resistance Research Unit, Mississippi State University

to:

Corn Host Plant Resistance Research Unit, USDA-ARS

Et veiforeningsstudieverktøy for GWAS-analyser av metabolsk veiinformasjon
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Thrash, A., Warburton, M. L. AMore

Thrash, A., Warburton, M. L. A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information. J. Vis. Exp. (161), e61268, doi:10.3791/61268 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter