Waiting
Login processing...

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

Biology

CorrelationCalculator and Filigree: כלים לניתוח רשת מונחה נתונים של נתוני מטבולומיקה

Published: November 10, 2023 doi: 10.3791/65512
Automatic Translation
1, 1,2, 1, 3, 1
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, 2Taubman Health Sciences Library, University of Michigan, Ann Arbor, 3Department of Statistics, University of Florida

Summary

אנו מציגים את CorrelationCalculator ו- Filigree, שני כלים לבניית רשת מונחית נתונים וניתוח נתונים של נתונים מטאבולומיים. CorrelationCalculator תומך בבניית רשת אינטראקציה אחת של מטבוליטים המבוססים על נתוני ביטוי, בעוד Filigree מאפשר בניית רשת דיפרנציאלית, ואחריה אשכולות רשת וניתוח העשרה.

Abstract

אתגר משמעותי בניתוח נתוני אומיקס הוא חילוץ ידע ביולוגי בר ביצוע. מטבולומיקה אינה יוצאת דופן. הבעיה הכללית של קישור שינויים ברמות של מטבוליטים בודדים לתהליכים ביולוגיים ספציפיים מורכבת על ידי מספר גדול של מטבוליטים לא ידועים הנמצאים במחקרי ספקטרומטריית מסה כרומטוגרפיה נוזלית לא ממוקדת (LC-MS). יתר על כן, מטבוליזם משני ומטבוליזם שומנים מיוצגים בצורה גרועה במסדי נתונים קיימים של מסלולים. כדי להתגבר על מגבלות אלה, הקבוצה שלנו פיתחה מספר כלים לבנייה וניתוח של רשתות מונחות נתונים. אלה כוללים CorrelationCalculator ו Filigree. שני הכלים מאפשרים למשתמשים לבנות רשתות מבוססות מתאם חלקי מנתוני מטבולומיקה ניסיונית כאשר מספר המטבוליטים עולה על מספר הדגימות. CorrelationCalculator תומך בבניית רשת אחת, בעוד Filigree מאפשר בניית רשת דיפרנציאלית תוך שימוש בנתונים משתי קבוצות של דגימות, ולאחר מכן אשכולות רשת וניתוח העשרה. נתאר את התועלת והיישום של שני הכלים לניתוח נתונים מטאבולומיים בחיים האמיתיים.

Introduction

בעשור האחרון, מטבולומיקה התפתחה כמדע אומיקס עקב התקדמות בטכנולוגיות אנליטיות כגון כרומטוגרפיית גז-ספקטרומטריית מסה (GC-MS) וכרומטוגרפיה נוזלית-ספקטרומטריית מסה (LC-MS). טכניקות אלה מאפשרות מדידה בו זמנית של מאות עד אלפי מטבוליטים של מולקולות קטנות, ויוצרות מערכי נתונים רב-ממדיים מורכבים. ניסויים מטבולומיים יכולים להתבצע במצבים ממוקדים או לא ממוקדים. ניסויים מטבולומיים ממוקדים מודדים סוגים ספציפיים של מטבוליטים. הם בדרך כלל מונעים על ידי השערות, בעוד גישות לא ממוקדות מנסות למדוד מטבוליטים רבים ככל האפשר והם מחוללי השערות בטבע. בדיקות ממוקדות כוללות בדרך כלל סטנדרטים פנימיים ובכך מאפשרות כימות מוחלט של מטבוליטים בעלי עניין. לעומת זאת, בדיקות לא ממוקדות מאפשרות כימות יחסי וכוללות מטבוליטים לא ידועים רבים1.

ניתוח נתוני מטבולומיקה הוא תהליך רב-שלבי הממנף כלי תוכנה מיוחדים רבים1. ניתן לחלק אותו לשלושת השלבים העיקריים הבאים: (1) עיבוד נתונים ובקרת איכות, (2) ניתוח סטטיסטי, ו (3) פרשנות נתונים ביולוגיים. הכלים המתוארים כאן נועדו לאפשר את השלב האחרון של הניתוח.

דרך אינטואיטיבית ופופולרית לפרש נתונים מטאבולומיים היא למפות את המדידות הניסיוניות למסלולים מטבוליים. כלים רבים תוכננו כדי להשיג אתזה 2,3,4,5, כולל Metscape, שפותחה על ידי קבוצה6 שלנו. מיפוי מסלולים משולב לעתים קרובות עם ניתוח העשרה, המסייע לזהות את המסלולים המשמעותיים ביותר 7,8. טכניקות אלה זכו לראשונה לבולטות בניתוח נתוני ביטוי גנים ויושמו בהצלחה לניתוח נתוני פרוטאומיקה ואפיגנומיקה 9,10,11,12,13. עם זאת, ניתוח הנתונים המטאבולומיים מציב מספר אתגרים בפני גישות מבוססות ידע. ראשית, בנוסף למטבוליטים האנדוגניים, מבחני מטבולומיקה מודדים תרכובות אקסוגניות, כולל אלה שמקורן בתזונה וממקורות סביבתיים אחרים. תרכובות אלה, כמו גם מטבוליטים המיוצרים על ידי חיידקים, אינם ניתנים למיפוי על מסלולים אנושיים או מטבוליים של אורגניזמים איקריוטים אחרים. יתר על כן, כיסוי מסלולים של מטבוליזם משני ומטבוליזם שומנים כיום אינו מאפשר מיפוי ברזולוציה גבוהה ברמה שתתמוך בקלות בפרשנות הביולוגית של הנתונים14,15.

טכניקות ניתוח רשת מונחות נתונים יכולות לעזור להתגבר על אתגרים אלה. לדוגמה, רשתות מבוססות מתאם יכולות לעזור לגזור קשרים בין מטבוליטים ידועים ולא ידועים ולהקל על ביאור הנעלמים16. בעוד חישוב מקדמי המתאם של פירסון הוא הגישה הפשוטה ביותר לביסוס היחסים הליניאריים בין מטבוליטים, החיסרון הוא שהוא לוכד קשרים ישירים ועקיפים 17,18,19. חלופה היא לחשב מקדמי מתאם חלקיים שיכולים להבחין בין קשרים ישירים ועקיפים. ניתן להשתמש במידול גרפי גאוסיאני (GGM) כדי להעריך רשתות מתאם חלקיות. עם זאת, GGM דורש שגודל המדגם ומספר התכונות יהיו דומים. מצב זה מתקיים לעתים רחוקות בנתוני LC-MS לא ממוקדים המכילים מדידות עבור אלפי תכונות מטבוליות. ניתן להשתמש בטכניקות הסדרה כדי להתגבר על מגבלה זו. לאסו גרפי (Glasso) ורגרסיית צומת הן שיטות פופולריות לאמידה מוסדרת של רשת המתאם החלקי16,20.

הראשון מבין כלי הביואינפורמטיקה המוצגים כאן, CorrelationCalculator16, מבוסס על אלגוריתם המתאם החלקי הדליל (DSPC). DSPC מסתמך על מידול לאסו גרפי נטול חסכים. הנחת היסוד של האלגוריתם היא שמספר הקשרים בין המטבוליטים קטן משמעותית ממספר הדגימות, כלומר רשת המתאם החלקי של המטבוליטים דלילה. הנחה זו מאפשרת ל-DSPC לגלות את הקישוריות בין מספר גדול של מטבוליטים באמצעות פחות דגימות, תוך מינוף טכניקות רגרסיה מוסדרות. יתר על כן, באמצעות שלב debiasing עבור אומדני רגרסיה מוסדרים, הוא משיג התפלגות דגימה עבור פרמטרי הקצה שניתן להשתמש בהם כדי לבנות רווחי סמך ולבדוק השערות של עניין (למשל, נוכחות/היעדר יחיד או קבוצה של קצוות). לפיכך, ניתן לבדוק באופן רשמי את נוכחותו או היעדרו של קצה ברשת המתאם החלקי באמצעות ערכי p מחושבים.

CorrelationCalculator הוכיח להיות שימושי מאוד עבור ניתוח קבוצה אחת16; עם זאת, המטרה של ניסויים מטבולומיים רבים היא ניתוח דיפרנציאלי של שני תנאים או יותר. בעוד שניתן להשתמש ב- CorrelationCalculator בכל אחת מהקבוצות בנפרד כדי ליצור רשתות מתאם חלקיות עבור כל תנאי, גישה זו מגבילה את מספר הדגימות שניתן להשתמש בהן ליצירת רשת. מכיוון שגודל מדגם גדול מספיק הוא אחד השיקולים הגדולים ביותר בניתוח מונחה נתונים, שיטות שיכולות למנף את כל הדגימות הזמינות בנתונים לבניית רשתות רצויות מאוד. גישה זו מיושמת בכלי השני המוצג כאן, הנקרא פיליגרן21. פיליגרן מסתמך על אלגוריתם ניתוח העשרת רשת דיפרנציאלית (DNEA)22 שפורסם בעבר. טבלה 1 מציגה את היישומים ואת זרימת העבודה של שני הכלים.

מספר תנאי הניסוי (k) k = 1 k = 2
כלי תוכנה קורלציהמחשבון פיליגרן
נתוני קלט • מטבוליטים x מטריצת נתונים לדוגמה • מטבוליטים x מטריצת נתונים לדוגמה
• קבוצות ניסוי
זרימת עבודה
• טיפול מקדים
• הערכת רשת
• קיבוץ אשכולות רשת
• ניתוח העשרה
• טרנספורמציית יומן; שינוי קנה מידה אוטומטי
• DSPC
• באמצעות אפליקציות חיצוניות
•לא
• טרנספורמציית יומן; שינוי קנה מידה אוטומטי
• הערכת רשת משותפת
• קיבוץ קונצנזוס
• NetGSA
תצוגה חזותית של נתונים באמצעות אפליקציה חיצונית, למשל, Cytoscape באמצעות אפליקציה חיצונית, למשל, Cytoscape
בדיקת מודולים מטבוליים עבור הקשר עם התוצאה של עניין (אופציונלי) באמצעות אפליקציות חיצוניות באמצעות אפליקציות חיצוניות

טבלה 1: היקף היישום וזרימת העבודה של CorrelationCalculator ו- Filigree.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. קורלציהמחשבון

  1. הורד קובץ קלט לדוגמה המופרד באמצעות פסיקים המכיל רשימה של מטבוליטים עם מדידות ניסיוניות ב- http://metscape.med.umich.edu/kora_data_240.csv.
  2. לחץ פעמיים על הקובץ לדוגמה שהורדת כדי לפתוח אותו.
    1. ודא שהקובץ מכיל תוויות הן עבור הדגימות והן עבור המטבוליטים.
    2. מכיוון שהדגימות נמצאות בשורות, ודא שהעמודה הראשונה היא שמות הדגימות והשורה הראשונה היא שמות המטבוליטים.
  3. הורד את היישום CorrelationCalculator Java (http://metscape.med.umich.edu/calculator.html). לחץ פעמיים על קובץ .jar שהורדת כדי להפעיל את היישום.
  4. בכרטיסיה קלט , לחץ על לחצן עיון כדי להעלות את קובץ הקלט.
  5. תחת ציין תבנית קובץ, השתמש בחץ הנפתח כדי לבחור את תבנית קובץ הקלט המתאימה. בחר דוגמאות בשורות (איור משלים 1).
  6. עבור אל הכרטיסיה נורמליזציה של נתונים על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.
  7. תחת בחר שיטות, סמן את התיבה לצד Log2-המרת נתונים. סמן את התיבה לצד נתונים בקנה מידה אוטומטי.
  8. תחת נרמול נתונים, לחץ על לחצן הפעל .
    הערה: לאחר השלמת הנורמליזציה, לחץ על הלחצן הצג נתונים מנורמלים , הממוקם תחת נרמול נתונים, וסקור את ערכת הנתונים המעודכנת (איור משלים 2).
  9. תחת נרמול נתונים, לחץ על לחצן שמור ושמור את קובץ הנתונים החדש.
  10. עבור אל הכרטיסיה ניתוח נתונים על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.
  11. תחת חשב מתאם פירסון, לחץ על הפעל. קבע את טווח המתאם הטוב ביותר של פירסון עבור הנתונים.
    1. לחץ על לחצן הצג היסטוגרמה . סקור את התדירות של ציוני המתאם המרביים של פירסון לכל תכונה.
    2. לחץ על הלחצן הצג מפת חום . סקור את הייצוג של מטריצת המתאם של פירסון.
  12. תחת סנן לפי מתאמים של פירסון, השאר את מספרי ברירת המחדל לסינון לפי טווח של 0.00 עד 1.00
    הערה: החלק את החץ הכחול הקטן בקצה הימני מ- 1 ואת החץ הכחול הקטן משמאל מ- 0 כדי לשנות את המסנן. הזנת מספרים ספציפיים בתיבות הטקסט היא גם אפשרות.
  13. תחת Select Partial Correlation Method, בחר את השיטה הרצויה, DSPC Method.
    הערה: אם מספר המטבוליטים קטן ממספר הדגימות בערכת הנתונים, ניתן להשתמש רק בשיטת DSPC.
  14. תחת חשב מתאמים חלקיים, לחץ על לחצן הפעל (איור משלים 3).
  15. לחץ על הצג קובץ CSV והצג את התוצאות. לחץ על להציל כפתור ושמור את התוצאות.
  16. לחץ על הלחצן View in MetScape כדי להפעיל רשת מתאם אינטראקטיבית.
    ראו Karnovsky, A. et al.6 למידע נוסף על השימוש ב-MetScape.
    הערה: MetScape הוא יישום Cytoscape המאפשר יצירה וחקירה של רשתות מתאמים.

2. פיליגרן

  1. הורד קובץ קלט לדוגמה המופרד באמצעות פסיקים המכיל מדידות מטבוליטים ב- http://metscape.med.umich.edu/T1D_primaryMetabolites_noIS_log_scaled_sorted.csv.
  2. לחץ פעמיים על הקובץ לדוגמה שהורדת כדי לפתוח אותו.
    1. ודא שהקובץ מכיל שמות לדוגמה בעמודה 1 והקצאות קבוצות בעמודה 2. ודא שהעמודות הנותרות מכילות מטבוליטים/שומנים.
    2. ודא שכל שורה מייצגת מדגם.
      הערה: מדידות המטבוליטים צריכות לעבור טרנספורמציה של יומן רישום ושינוי קנה מידה אוטומטי, אלא אם כן הן מבצעות צבירת תכונות, ובמקרה זה המדידות צריכות להיות רק בשינוי יומן.
  3. הורד את יישום Filigree Java (http://metscape.med.umich.edu/filigree.html).
    הערה: מדריך מפורט למשתמש זמין בכתובת http://metscape.ncibi.org/v0.1.2Filigree_UserManual.pdf.
  4. לחץ פעמיים על קובץ .jar שהורדת כדי להפעיל את היישום.
  5. בכרטיסיה נתונים , לחץ על לחצן עיון כדי להעלות את קובץ הקלט.
  6. תחת ציין עמודות/שורות, לחץ על החץ הנפתח לצד מזהה לדוגמה כדי לבחור את שם העמודה/שורה המתאים מקובץ הקלט. בחר דוגמה.
  7. תחת ציין עמודות/שורות, לחץ על החץ הנפתח לצד "קבוצה" כדי לבחור את העמודה/שורה המתאימה מקובץ הקלט. בחר קבוצה.
  8. תחת ציין קבוצות לדוגמה, לחץ על החצים הנפתחים לצד כל קבוצה כדי לבחור את עמודת הקבוצה המתאימה מקובץ הקלט. עבור קבוצה 1, בחר סוכרת. עבור קבוצה 2, בחר לא סוכרתי.
  9. תחת קיבוץ תכונות, סמן את התיבה לצד השיטה הרצויה, חישוב קבוצות תכונות.
  10. לחצו על הלחצן 'הצג מפות חום '. הצג את מפת החום וקבע את אחוז ההפחתה הרצוי.
  11. השתמש במחוון הפחתת תכונות כדי לבחור את אחוז הפחתת התכונות הרצוי. החלק את העיגול הקטן עד שההפחתה באחוזים תציג יחס תכונה למדגם של 1.25 (איור משלים 4).
  12. עבור אל הכרטיסיה ניתוח על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.
  13. תחת בחר ספריית פלט, לחץ על הלחצן עיון ובחר את מיקום הספרייה הרצוי לאחסון קבצי הפלט שנוצרו.
  14. לחץ על לחצן הפעל ניתוח הממוקם בפינה השמאלית התחתונה של החלון. סרגלי ההתקדמות מתעדכנים עבור כל רכיב ניתוח (איור משלים 5). לחץ על בסדר כפתור בחלון המוקפץ המציג את ההודעה ניתוח הושלם בהצלחה.
  15. בכרטיסיה ניתוח , לחץ על לחצן עיון ברשתות כדי לפתוח את רשתות המשנה האינטראקטיביות של פיליגרן בכרטיסיית דפדפן.
  16. לחץ על הקישור רשת משנה 1 תחת העמודה שם רשת משנה .
  17. חקור את רשת המשנה האינטראקטיבית באמצעות הלחצנים השונים. לחץ על לחצן + והתקרב לחלק של הרשת. לחץ על הלחצן - והקטנת התצוגה (איור משלים 6).
  18. לחץ על צומת קבוצה וגרור אותו כדי למקם אותו מחדש בתוך רשת המשנה.
    הערה: צבע צומת מייצג ויסות מעלה/מטה, ואטימות צבע מייצגת שינוי בקיפול גבוה/נמוך יותר. צבע הקצוות מייצג את מצב הדיפרנציאל בין קבוצות.
  19. לחץ על לחצן הרחב תכונות בפינה השמאלית העליונה של הדף כדי להרחיב את כל צמתי הקבוצה. סקור את התרכובות הספציפיות המרכיבות את צמתי הקבוצה.
  20. לחץ על לחצן כווץ תכונות בפינה השמאלית העליונה של הדף כדי לכווץ את צמתי הקבוצה שהורחבו לאחרונה.
  21. לחץ על לחצן לפי קבוצה לדוגמה בפינה השמאלית העליונה של הדף כדי לשנות את התצוגה מרשת משנה יחידה לרשתות משנה מרובות המפוצלות על-ידי קבוצה. חקור והשווה את הקבוצות באמצעות תצוגה זו של תת-הרשתות (איור משלים 7).
  22. לחץ על הלחצן All Samples כדי לחזור לתצוגת רשת המשנה היחידה.
  23. הצג את רשת המשנה הבאה על-ידי לחיצה על לחצן הבא בפינה השמאלית העליונה של הדף.
  24. חזור על שלבים 2.19-2.23 עבור כל רשת משנה.
  25. לחץ על הקישור תוצאות ניתוח העשרת רשת דיפרנציאלית באמצע החלון העליון כדי לחזור לתצוגת טבלת הסיכום המפרטת את כל רשתות המשנה.
    הערה: ייבא את קובצי פלט הקצה ו/או הצומת בכלי תוכנה אחר, כגון Cytoscape23, כדי ליצור תצוגות חזותיות נוספות של הרשת.

3. שיקולים נוספים

  1. במחשבי Mac עם Big Sur (OSX 11.2) ואילך, אשר/י את הכלי בתפריט Apple >״ העדפות המערכת״ >״אבטחה ופרטיות״ >״כללי״ ובחר /י ״ אפשר״ בתחתית הכרטיסייה.
  2. בנוסף, אפשר ל-Filigree גישה לקבצים בתפריט Apple > העדפות המערכת > אבטחה ופרטיות > פרטיות על-ידי בחירה באפשרות קבצים ותיקיות בתפריט משמאל ולאחר מכן בחירה באפשרות Filigree בתפריט מימין.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

כדי להמחיש את השימוש ב- CorrelationCalculator, בנינו רשת מתאם חלקית באמצעות תת-קבוצה של נתוני מטבולומיקה ממחקר האוכלוסייה KORA המתואר ב- Krumsiek et al.24. מערך הנתונים הכיל 151 מטבוליטים ו-240 דגימות. איור 1 מראה את רשת המתאם החלקי שנוצרה ב-Cytoscape. הרשת מכילה 148 צמתים ו-272 קצוות. צבע הצמתים מייצג מטבוליטים השייכים למחלקות כימיות שונות, ואילו הקצוות מייצגים את ערך ה- p המתואם של מקדמי המתאם החלקי (ערך p מותאם < 0.05) . יש לציין כי למרות שלא השתמש במידע קודם, CorrelationCalculator הצליח לקבץ יחד מטבוליטים הקשורים כימית. לדוגמה, פוספטידילכולין וליזופוספטידילכולין קשורים קשר הדוק ברשת. הדמיה של שינויים מטבוליטים בהקשר של סוג זה של רשת יכולה להקל על יצירת השערות, לעזור לתכנן ניסויים עתידיים ולאפשר הכנת כתב יד. כדי להמחיש זרימת עבודה פוטנציאלית המשתמשת ברשת מטבוליטים של מתאם חלקי, ביצענו אשכולות רשת קונצנזוס כמתואר ב- Ma et al.22, וכתוצאה מכך זיהינו 9 תת-רשתות או מודולים מטבוליים. למודולים אלה היה הסכם טוב עם המחלקות הכימיות, כלומר, מטבוליטים השייכים לאותה מחלקה כימית נטו להיות חלק מאותו מודול מטבולי. המשתמש יכול לגשת לכלי קיבוץ באשכולות clusterNet https://github.com/Karnovsky-Lab/clusterNet.

Figure 1
איור 1: דוגמה מייצגת של רשת CorrelationCalculator. הרשת נבנתה מתת-קבוצה של נתוני מטאבולומיקה של מחקר האוכלוסייהKORA 24 המורכבת מ-151 מטבוליטים על פני 240 נבדקים. הצמתים מייצגים מטבוליטים, והקצוות המחברים ביניהם משוקללים בערך p מותאם של מקדמי מתאם חלקי (ערך p מותאם < 0.05). צורת הצמתים מייצגת מחלקות מטבוליות שונות, והצבע מייצג מודולים מטבוליים המתקבלים על ידי קיבוץ ברשת באמצעות שיטת אשכולות הקונצנזוס. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

אנו ממחישים את היישום של פיליגרן על ידי ניתוח מערך נתונים ממודל עכבר של סוכרת מסוג I (T1D)25,26. מדידות מטבוליטים של פלזמה מעכברים סוכרת סוג 1 ועכברים שאינם סוכרתיים (NOD) שימשו ליצירת רשת מתאם חלקי דיפרנציאלית (איור 2). יש לציין כי אנו צופים ברמה גבוהה יותר של קישוריות רשת בקבוצה שאינה סוכרתית. השלבים הבאים של הניתוח זיהו שנים עשר מודולים מטבוליים, שתשעה מהם היו שונים באופן משמעותי בין T1D לעכברים שאינם סוכרתיים (FDR < 0.05). אנו מפנים את הקורא לפרסום המקורי לקבלת תובנות נוספות לגבי מסקנות ביולוגיות שניתן להסיק מניתוח זה21 .

Figure 2
איור 2: דוגמה מייצגת של רשת פיליגרן. הרשת הדיפרנציאלית נבנתה תוך שימוש ברמות של 163 מטבוליטים מ-71 עכברים (30 T1D ו-41 שאינם T1D)25,26. קצוות דיפרנציאליים בין קבוצות T1D וקבוצות שאינן T1D מסומנים בוורוד ובכחול, בהתאמה. הצמתים צבועים בהתבסס על שינוי הקיפול. הטבלה מציגה את תוצאות ההעשרה שהופקו על ידי פיליגרן. תשע מתוך שתים-עשרה תת-הרשתות שזוהו היו שונות באופן משמעותי בין T1D ללא T1D (ערך p מותאם < 0.05). אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

תרשים משלים 1: CorrCalc_InputTab. צילום מסך של הכרטיסיה 'קלט' ב'מחשבון המתאם'. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 2: CorrCalc_DataNormTab. צילום מסך של הכרטיסיה 'נורמליזציה של נתונים' במחשבון המתאמים. נתוני המרה של Log-2 ונתוני קנה מידה אוטומטי מסומנים. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 3: CorrCalc_DataAnalTab. צילום מסך של כרטיסיית ניתוח הנתונים של מחשבון המתאמים המציג סינון למתאם של פירסון של 0-0.8. בנוסף, נבחרה שיטת DSPC . אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 4: Filigree_DataTab. צילום מסך של הכרטיסיה 'נתונים ' של Filigree. צוינו עמודות, שורות וקבוצות. השיטה ' חשב קבוצות תכונות' נבחרה עם הפחתת תכונות ביחס של 1.25 תכונה לדגימה. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 5: Filigree_AnalysisTab. צילום מסך של הכרטיסיה 'ניתוח ' של פיליגרן המציג את ההתקדמות של רכיבי הניתוח השונים. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 6: Filigree_Subnetwork1. תת-רשת שנוצרה מפיליגרן. צבע צומת מייצג ויסות מעלה/מטה, ואטימות צבע מייצגת שינוי בקיפול גבוה/נמוך. צבע הקצוות מייצג את מצב הדיפרנציאל בין קבוצות. אנא לחץ כאן כדי להוריד קובץ זה.

תרשים משלים 7: Filigree_Subnetwork_SampleGroup. רשת משנה מופרדת לפי קבוצה. הרשת השמאלית מייצגת דגימות סוכרת, והרשת הימנית מייצגת דגימות שאינן סוכרתיות. צבע צומת מייצג רמת ביטוי פרופורציונלית לממוצע הקבוצה. אנא לחץ כאן כדי להוריד קובץ זה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

שיטות ניתוח רשת מבוססות מתאם חלקי המיושמות ב- CorrelationCalculator וב- Filigree עוזרות להתגבר על חלק מהמגבלות של ניתוחי מסלולים מטבוליים מבוססי ידע, במיוחד עבור מערכי הנתונים עם שכיחות גבוהה של מטבוליטים לא ידועים וכיסוי מוגבל של מסלולים מטבוליים (למשל, נתוני ליפידומיה). כלים אלה נמצאים בשימוש נרחב על ידי קהילת המחקר כדי לנתח מגוון רחב של נתוני מטבולומיקה וליפידומיה14,22,27,28,29,30. לדוגמה, CorrelationCalculator שימש לניתוח נתונים ממערכות ביולוגיות רבות, החל ממיקרוביום וצמחים ועד מחלות אנושיות31,32,33,34. כאן אנו ממחישים כיצד ניתוח רשת מונחה נתונים, המתאפשר על ידי הכלים שלנו, יכול להיות משולב עם ניתוח אשכולות ורגרסיה כדי לאתר את המודולים המטבוליים הקשורים לפנוטיפ של עניין.

ניתן לקבץ רשתות מתאם חלקיות שנוצרו באמצעות CorrelationCalculator ו- Filigree באמצעות אלגוריתמים של אשכולות גרפים כדי לייצר מודולים מטבוליים. מודולים אלה נוטים לכלול מטבוליטים הקשורים כימית או תפקודית זה לזה. מודולים כאלה שימושיים מאוד לא רק מנקודת מבט של ויזואליזציה, אלא גם מנקודת מבט של רלוונטיות ביולוגית. חקר היחסים בין מודולים מטבוליים לבין תוצאות פנוטיפיות מעניינות (למשל, תוצאות הישרדות) יכול לספק כוח סטטיסטי רב יותר ולהפיק תובנות ביולוגיות נוספות בהשוואה לבדיקת מטבוליטים בודדים.

מודולים מטבוליים המזוהים באמצעות גישות אשכולות רשת יכולים לשמש גם בניתוח העשרה. פיליגרן משתמש במודולים מטבוליים המזוהים באמצעות אשכולות קונצנזוס במקום מסלולים ביולוגיים מוגדרים מראש. למרות שמודולים מטבוליים מבוססי מתאם חלקי אינם זהים למסלולים, הם מקבצים באופן עקבי מטבוליטים דומים מבחינה כימית וביוכימית (למשל, חומצות אמינו, אצילקרניטין, שומנים מאותו סוג וכו '). פיליגרן בודקת עוד יותר את המשמעות של מודולים אלה באמצעות אלגוריתם NetGSA22,35. בנוסף לצמתים דיפרנציאליים, NetGSA לוקח בחשבון הבדלים ספציפיים למחלה במבנה הרשת.

אחד הנושאים שיש לקחת בחשבון בעת שימוש ב- CorrelationCalculator ו- Filigree לניתוח נתוני מטבולומיקה וליפידומיה "בחיים האמיתיים" הוא הקשר בין מספר המטבוליטים לעומת מספר הדגימות בניסוי נתון. בעוד מחקרים אפידמיולוגיים בקנה מידה גדול הכוללים אלפי דגימות הופכים נפוצים יותר, גודל המדגם ברוב הניסויים המטאבולומיים נותר צנוע. זה נכון במיוחד עבור מחקרים מכניסטיים הכוללים מערכות שבהן צפויה שונות ביולוגית נמוכה (כלומר, קווי תאים או מודלים הומוגניים גנטית של בעלי חיים). האלגוריתמים הסטטיסטיים המיושמים בשני הכלים ניתנים ליישום במצבים בהם מספר המטבוליטים עולה על מספר הדגימות, אך הגידול ביחס זה מוביל לרשתות דלילות יותר.

שיקול חשוב נוסף ליישום הכלים המתוארים כאן נוגע לניתוח נתונים מטבולומיים בלתי ממוקדים הידועים כמכילים מספר רב של תכונות מיותרות או מנוונות36, שעשויות לכלול איזוטופים, צינורות כימיים, מקטעים במקור ומזהמים. מכיוון שתכונות מנוונות רבות מקורן באותו מטבוליט, הן נוטות להיות בעלות רמה גבוהה של קורלציה. ניתוח חלקי מבוסס מתאם של נתונים כאלה עשוי לדרוש ביאור זהיר והסרה של תכונות מנוונות.

לסיכום, הכלים המוצגים כאן מספקים חלופה בת קיימא לכלי ניתוח מסלולים מבוססי ידע לפרשנות נתונים מטבולומיים.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

למחברים אין אינטרסים כלכליים מתחרים.

Acknowledgments

עבודה זו נתמכה על ידי מענק NIH 1U01CA235487.

Materials

Name Company Catalog Number Comments
CorrelationCalculator JAVA http://metscape.med.umich.edu/calculator.html
clusterNet https://github.com/Karnovsky-Lab/clusterNet
Cytoscape Cytoscape https://cytoscape.org/
Filigree JAVA http://metscape.med.umich.edu/filigree.html
MetScape Cytoscape https://apps.cytoscape.org/apps/metscape Cytoscape application that allows for the creation and exploration of correlation networks.

DOWNLOAD MATERIALS LIST

References

  1. Sas, K. M., Karnovsky, A., Michailidis, G., Pennathur, S. Metabolomics and diabetes: analytical and computational approaches. Diabetes. 64 (3), 718-732 (2015).
  2. Cottret, L., et al. MetExplore: Collaborative edition and exploration of metabolic networks. Nucleic Acids Research. 46 (W1), W495-W502 (2018).
  3. Garcia-Alcalde, F., Garcia-Lopez, F., Dopazo, J., Conesa, A. Paintomics: A web based tool for the joint visualization of transcriptomics and metabolomics data. Bioinformatics. 27 (1), 137-139 (2011).
  4. Kuo, T. C., Tian, T. F., Tseng, Y. J. 3Omics: A web-based systems biology tool for analysis, integration and visualization of human transcriptomic, proteomic and metabolomic data. BMC Systems Biology. 7, 64 (2013).
  5. Paley, S. M., Karp, P. D. The pathway tools cellular overview diagram and Omics Viewer. Nucleic Acids Research. 34 (13), 3771-3778 (2006).
  6. Karnovsky, A., et al. Metscape 2 bioinformatics tool for the analysis and visualization of metabolomics and gene expression data. Bioinformatics. 28 (3), 373-380 (2012).
  7. Chong, J., Xia, J. Using MetaboAnalyst 4.0 for metabolomics data analysis, interpretation, and integration with other omics data. Methods in Molecular Biology. 2104, 337-360 (2020).
  8. Lopez-Ibanez, J., Pazos, F., Chagoyen, M. MBROLE 2.0-functional enrichment of chemical compounds. Nucleic Acids Research. 44 (W1), W201-W204 (2016).
  9. Cavalcante, R. G., et al. Broad-Enrich: Functional interpretation of large sets of broad genomic regions. Bioinformatics. 30 (17), i393-i400 (2014).
  10. Huang, D. W., et al. DAVID bioinformatics resources: Expanded annotation database and novel algorithms to better extract biology from large gene lists. Nucleic Acids Research. 35 (Web Server issue), W169-W175 (2007).
  11. Lee, P. H., O'Dushlaine, C., Thomas, B., Purcell, S. M. INRICH: interval-based enrichment analysis for genome-wide association studies. Bioinformatics. 28 (13), 1797-1799 (2012).
  12. Segre, A. V., Groop, L., Mootha, V. K., Daly, M. J., Altshuler, D. Common inherited variation in mitochondrial genes is not enriched for associations with type 2 diabetes or related glycemic traits. PLoS Genetics. 6 (8), e1001058 (2010).
  13. 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 of the United States of America. 102 (43), 15545-15550 (2005).
  14. Afshinnia, F., et al. Lipidomic signature of progression of chronic kidney disease in the chronic renal insufficiency cohort. Kidney International Reports. 1 (4), 256-268 (2016).
  15. Barupal, D. K., et al. MetaMapp: Mapping and visualizing metabolomic data by integrating information from biochemical pathways and chemical and mass spectral similarity. BMC Bioinformatics. 13, 99 (2012).
  16. Basu, S., et al. Sparse network modeling and Metscape-based visualization methods for the analysis of large-scale metabolomics data. Bioinformatics. 33 (10), 1545-1553 (2017).
  17. Krumsiek, J., Suhre, K., Illig, T., Adamski, J., Theis, F. J. Gaussian graphical modeling reconstructs pathway reactions from high-throughput metabolomics data. BMC Systems Biology. 5, 21 (2011).
  18. Camacho, D., de la Fuente, A., Mendes, P. The origin of correlations in metabolomics data. Metabolomics. 1 (1), 53-63 (2005).
  19. Steuer, R., Kurths, J., Fiehn, O., Weckwerth, W. Observing and interpreting correlations in metabolomic networks. Bioinformatics. 19 (8), 1019-1026 (2003).
  20. Bühlmann, P., Van De Geer, S. Statistics for High-Dimensional Data: Methods, Theory and Applications. , Springer Berlin, Heidelberg. (2011).
  21. Iyer, G. R., et al. Application of differential network enrichment analysis for deciphering metabolic alterations. Metabolites. 10 (12), 479 (2020).
  22. Ma, J., et al. Differential network enrichment analysis reveals novel lipid pathways in chronic kidney disease. Bioinformatics. 35 (18), 3441-3452 (2019).
  23. Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Reserach. 13 (11), 2498-2504 (2003).
  24. Krumsiek, J., et al. Mining the unknown: a systems approach to metabolite identification combining genetic and metabolic information. PLoS Genetics. 8 (10), e1003005 (2012).
  25. Fahrmann, J., et al. Systemic alterations in the metabolome of diabetic NOD mice delineate increased oxidative stress accompanied by reduced inflammation and hypertriglyceremia. American Journal of Physiology. Endocrinology and Metabolism. 308 (11), E978-E989 (2015).
  26. Grapov, D., et al. Diabetes associated metabolomic perturbations in NOD mice. Metabolomics. 11 (2), 425-437 (2015).
  27. Jin, Y., Bai, S., Huang, Z., You, L., Zhang, T. Technology characteristics and flavor changes of traditional green wheat product nian zhuan in Northern China. Frontiers in Nutrition. 9, 996337 (2022).
  28. Lin, Y. S., et al. Probing folate-responsive and stage-sensitive metabolomics and transcriptional co-expression network markers to predict prognosis of non-small cell lung cancer patients. Nutrients. 15 (1), 3 (2022).
  29. Pan, C., et al. Metabolomics study identified bile acids as potential biomarkers for gastric cancer: A case control study. Frontiers in Endocrinology (Lausanne). 13, 1039786 (2022).
  30. Pancoro, A., Karima, E., Apriyanto, A., Effendi, Y. (1)H NMR metabolomics analysis of oil palm stem tissue infected by Ganoderma boninense based on field severity Indices. Scientific Reports. 12 (1), 21087 (2022).
  31. Chele, K. H., et al. A global metabolic map defines the effects of a Si-based biostimulant on tomato plants under normal and saline conditions. Metabolites. 11 (12), 820 (2021).
  32. Hubert, J., et al. The effect of residual pesticide application on microbiomes of the storage mite Tyrophagus putrescentiae. Microbial Ecology. 85 (4), 1527-1540 (2023).
  33. Li, K., et al. Metabolomic and exposomic biomarkers of risk of future neurodevelopmental delay in human milk. Pediatric Research. 93 (6), 1710-1720 (2023).
  34. Marino, C., et al. The metabolomic profile in amyotrophic lateral sclerosis changes according to the progression of the disease: An exploratory study. Metabolites. 12 (9), 837 (2022).
  35. Ma, J., Shojaie, A., Michailidis, G. Network-based pathway enrichment analysis with incomplete network information. Bioinformatics. 32 (20), 3165-3174 (2016).
  36. Mahieu, N. G., Patti, G. J. Systems-level annotation of a metabolomics data set reduces 25000 features to fewer than 1000 unique metabolites. Analytical Chemistry. 89 (19), 10397-10406 (2017).

Tags

ביולוגיה גיליון 201
CorrelationCalculator and Filigree: כלים לניתוח רשת מונחה נתונים של נתוני מטבולומיקה
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Iyer, G., Brandenburg, M., Patsalis, … More

Iyer, G., Brandenburg, M., Patsalis, C., Michailidis, G., Karnovsky, A. CorrelationCalculator and Filigree: Tools for Data-Driven Network Analysis of Metabolomics Data. J. Vis. Exp. (201), e65512, doi:10.3791/65512 (2023).

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