Method Article

Doğal Dinamikler Görselleştiricisi, Gen Düzenleyici Ağ Çıkarım Ardışık Düzeninden Çıktıları Değerlendirmek ve Görselleştirmek için etkileşimli bir uygulama

DOI:

10.3791/63084

⸱

December 7th, 2021

 ,  ,  ,  , 
1Department of Biology, Duke University, 2Department of Mathematical Sciences, Montana State University, 3Department of Mathematical Sciences, Florida Atlantic University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Inherent Dynamics Visualizer, gelişmiş, kolaylaştırılmış işlevsel ağ modelleri üretimi için gen düzenleyici ağ çıkarım aracına bağlanan etkileşimli bir görselleştirme paketidir. Görselleştirici, çıkarım aracını parametrelendirmek için daha bilinçli kararlar vermek ve böylece ortaya çıkan modellere olan güveni artırmak için kullanılabilir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Gen düzenleyici ağ modellerinin geliştirilmesi sistem biyolojisinde önemli bir zorluktur. Bu zorluğun üstesinden gelmek için yeni geliştirilen Inherent Dynamics Pipeline da dahil olmak üzere çeşitli hesaplama araçları ve işlem hatları geliştirilmiştir. Inherent Dynamics Pipeline, sinerjik olarak çalışan ve doğrusal bir şekilde bağlanan ve bir aracın çıktısının daha sonra aşağıdaki araç için giriş olarak kullanıldığı daha önce yayımlanmış birkaç araçtan oluşur. Çoğu hesaplama tekniğinde olduğu gibi, Inherent Dynamics Pipeline'ın her adımı, kullanıcının kesin bir biyolojik tanımı olmayan parametreler hakkında seçim yapmasını gerektirir. Bu seçimler, analiz tarafından üretilen gen düzenleyici ağ modellerini önemli ölçüde etkileyebilir. Bu nedenle, her adımda çeşitli parametre seçimlerinin sonuçlarını görselleştirme ve keşfetme yeteneği, seçimlere ve sonuçlara olan güveni artırmaya yardımcı olabilir. Inherent Dynamics Visualizer, bir web tarayıcısında etkileşimli bir arabirim aracılığıyla parametre seçimlerini değerlendirme sürecini kolaylaştıran kapsamlı bir görselleştirme paketidir. Kullanıcı, işlem hattının her adımının çıktısını ayrı ayrı inceleyebilir, görsel bilgilere dayalı sezgisel değişiklikler yapabilir ve Doğal Dinamikler Ardışık Düzeni için gerekli giriş dosyalarının otomatik olarak üretilmesinden yararlanabilir. Inherent Dynamics Visualizer, zaman serisi transkriptomik verilerden gen düzenleyici ağların keşfi için son derece karmaşık bir araca benzersiz bir erişim sağlar.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hücre farklılaşması ve çevresel tepki gibi birçok önemli biyolojik süreç, bir gen düzenleyici ağında (GRN) birbirleriyle etkileşime giren gen kümeleri tarafından yönetilir. Bu GRN'ler kontrol ettikleri fenotipin etkinleştirilmesi ve sürdürülmesi için gereken transkripsiyonsal dinamikleri üretir, bu nedenle GRN'nin bileşenlerini ve topolojik yapısını tanımlamak birçok biyolojik süreci ve işlevi anlamanın anahtarıdır. GRN, düğümleri genler olan ve kenarları etkileşim yönünü ve biçimini tanımlayan bir ağ tarafından tanımlanan etkileşime giren genler ve/veya gen ürünleri kümesi olarak modellenebilir (örneğin, transkripsiyonun aktivasyonu/baskısı, çeviri sonrası modifikasyon vb.) 1. Etkileşimler daha sonra, düzenleyici bir genin hedeflerinin üretimi üzerindeki etkisini açıklayan parametreli matematiksel modeller olarak ifade edilebilir 2,3,4. Bir GRN modelinin çıkarımı, hem etkileşim ağının yapısının çıkarımını hem de temel etkileşim parametrelerinin tahminini gerektirir. Grn modellerini yutan zaman serisi gen ekspresyon verilerini ve çıktısını alma5 gibi çeşitli hesaplamalı çıkarım yöntemleri geliştirilmiştir. Son zamanlarda, gen ekspresyon verilerindeki gözlemlenen dinamiklerle eşleşen dinamikler üretebilen etiketli düzenleyici hedef etkileşimlerine sahip GRN modelleri üretmek için zaman serisi gen ekspresyon verilerini kullanan Inherent Dynamics Pipeline (IDP) adı verilen yeni bir GRN çıkarım yöntemi geliştirildi6. IDP, bir boru hattına doğrusal olarak bağlanmış bir araç paketidir ve üç adıma ayrılabilir: GRN7,8'in işleviyle ilgili olduğu bilinen veya şüphelenilen gen ifade özelliklerine göre genleri sıralayan bir Düğüm Bulma adımı, çift yönlü düzenleyici ilişkileri sıralayan bir Kenar Bulma adımı8, 9 ve gözlemlenen dinamikleri üretebilen GRN modelleri üreten bir Ağ Bulma adımı10,11,12,13,14,15.

Çoğu hesaplama yöntemi gibi, IDP de giriş verilerinin nasıl çözümlendiğini belirleyen kullanıcı tarafından belirtilen bağımsız değişkenler kümesi gerektirir ve farklı bağımsız değişken kümeleri aynı verilerde farklı sonuçlar üretebilir. Örneğin, IDP de dahil olmak üzere çeşitli yöntemler, verilere bazı eşikler uygulayan bağımsız değişkenler içerir ve belirli bir yöntemin ardışık çalıştırmaları arasında bu eşiği artırmak/azaltmak, çalıştırmalar arasında benzer olmayan sonuçlara neden olabilir (bkz. Ek Not 10: Ağ çıkarım yöntemleri5). Her bağımsız değişkenin analizi ve sonraki sonuçları nasıl etkileyebileceğini anlamak, sonuçlara yüksek güven elde etmek için önemlidir. Çoğu GRN çıkarım yönteminin aksine, IDP, her biri bir kullanıcının belirtmesi gereken ve her birinin kendi sonuçlarına sahip olduğu kendi bağımsız değişken kümesine sahip birden çok hesaplama aracından oluşur. IDP, her aracın nasıl parametreleştirılacağına ilişkin kapsamlı belgeler sunarken, her aracın önceki adımın çıktısına olan bağımlılığı, ara analizler olmadan tüm işlem hattını parametrelendirmeyi zorlaştırır. Örneğin, Edge ve Network Finding adımlarındaki bağımsız değişkenlerin önceden biyolojik bilgi tarafından bilgilendirilmesi muhtemeldir ve bu nedenle veri kümesine ve/veya organizmaya bağlı olacaktır. Ara sonuçları sorgulamak için, temel bir programlama anlayışının yanı sıra IDP'den tüm sonuç dosyalarının ve içeriklerinin derinlemesine anlaşılması gerekir.

Inherent Dynamics Visualizer (IDV), kullanıcının tarayıcı penceresinde çalışan ve IDP kullanıcılarının bağımsız değişken seçimlerinin IDP'deki herhangi bir adımdan elde edilen sonuçlar üzerindeki etkisini değerlendirmeleri için bir yol sağlayan etkileşimli bir görselleştirme paketidir. IDV, IDP tarafından üretilen karmaşık bir dizin yapısında geziniyor ve her adım için gerekli verileri topluyor ve verileri kullanıcının keşfetmesi için sezgisel ve etkileşimli rakamlarla ve tablolarda sunuyor. Bu etkileşimli ekranları keşfettikten sonra, kullanıcı daha bilinçli kararlara dayalı olabilecek bir IDP adımından yeni veriler üretebilir. Bu yeni veriler daha sonra IDP'nin bir sonraki ilgili adımında hemen kullanılabilir. Ayrıca, verilerin araştırılması, bir IDP adımının ayarlanmış parametrelerle yeniden çalıştırılıp çalıştırılmayacağını belirlemeye yardımcı olabilir. IDV, maya hücre döngüsünün çekirdek osilatörü GRN'yi araştırarak gösterildiği gibi, IDP'nin kullanımını artırabilir ve daha sezgisel ve ulaşılabilir hale getirebilir. Aşağıdaki protokol, her IDP adımının çalıştırını (düğüm, kenar ve ağ bulma) çalıştırtıktan sonra IDV'yi içeren bir yaklaşıma karşı tam parametreli bir IDP çalıştırmasından IDP sonuçlarını içerir.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. IDP ve IDV'yi yükleyin

NOT: Bu bölümde docker, conda, pip ve git'in zaten yüklü olduğu varsayılıyor (Malzeme tablosu).

  1. Terminalde, komutu girin: git klon https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
  2. IDP'nin README dosyasındaki yükleme yönergelerini izleyin.
  3. Terminalde, komutu girin: git klon https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
    NOT: IDV'nin klonlaması IDP'nin en üst düzey dizininin dışında gerçekleşmelidir.
  4. IDV'nin README dosyasındaki yükleme yönergelerini izleyin.

2. Düğüm bulma

  1. Düğüm Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
    NOT: Aşağıdaki adımlardaki tüm tırnak işaretleri yazılmamalıdır. Tırnak işaretleri burada yalnızca protokol metni ile yazılacak metin arasında sınırlayıcı olarak kullanılır.
    1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin.
    2. Metin düzenleyicisinde yeni bir metin dosyası açın ve tek tek satırlara "data_file =", "annotation_file =", "output_dir =", "num_proc =" ve "IDVconnection = True" yazın.
    3. "data_file" için, eşittir işaretinden sonra, ilgili zaman serisi dosyasının yolunu ve adını yazın ve addan sonra virgül yazın. Birden fazla kez seri veri kümesi kullanılıyorsa, her veriyi virgülle ayır. Zaman serisi gen ifade dosyalarına bir örnek için Ek Dosya 1 ve Ek Dosya 2'ye bakın.
    4. "annotation_file" ek açıklama dosyasının yolunu ve adını, eşittir işaretinden sonra yazın. Ek açıklama dosyası örneği için Ek Dosya 3'e bakın.
    5. "output_file" için, eşittir işaretinden sonra, sonuçların kaydedileceği klasörün yolunu ve adını yazın.
    6. İşarete eşit olduktan sonra, "num_proc" için, IDP'nin kullanması gereken işlem sayısını yazın.
    7. Yapılandırma dosyasına Düğüm Bulma bağımsız değişkenleri ekleyin.
    8. Adım 2.1.1 ile aynı metin dosyasına, tek tek satırlara "[dlxjtk_arguments]", "nokta =" ve "dlxjtk_cutoff =" olarak sunulan sırayı yazın. Bunları ana argümanlardan sonra yerleştirin.
    9. "Nokta" için, eşittir işaretinden sonra, tek seferlik seri veri kümesi kullanılıyorsa, her dönem uzunluğunu virgülle ayırarak yazın. Birden fazla kez seri veri kümesi için, her dönem uzunluğu kümesini önceki gibi yazın, ancak her kümenin etrafına köşeli ayraçlar yerleştirin ve kümeler arasına virgül yerleştirin.
    10. eşittir işaretinden sonra, "dlxjtk_cutoff" için, de Lichtenberg tarafından JTK_CYCLE (DLxJTK) tarafından gene_list_file çıktıda tutulacak maksimum gen sayısını belirten bir tamsayı yazın (Tablo 1).
      NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki dlxjtk_arguments bölümleri gözden geçirmeniz önerilir. Düğüm Bulma bağımsız değişkenlerinin belirtildiği bir yapılandırma dosyası örneği için Ek Dosya 4'e bakın.
  2. Terminalde, inherent_dynamics_pipeline adlı IDP dizinine gidin.
  3. Terminalde, komutu girin: conda dat2net'i etkinleştirin
  4. IDP'yi, bu komutu terminalde çalıştırarak 2.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın; burada dosyanın adıdır: python src/dat2net.py
  5. Terminalde, inherent_dynamics_visualizer adlı dizine gidin ve komutu girin: . /viz_results.sh
    NOT: , IDP için çıktı dizini olarak kullanılan dizini işaret edecektir.
  6. Web tarayıcısında, URL olarak http://localhost:8050/ girin.
  7. IDV artık tarayıcıda açıkken, Düğüm Bulma sekmesine tıklayın ve açılır menüden ilgi çekici düğüm bulma klasörünü seçin.
  8. Sonraki IDP adımları için kullanılacak IDV'deki gen listesi tablosundan yeni bir gen listesini manuel olarak küratörlüğünü alın.
    1. Gen listesi tablosunu genişletmek veya kısaltmak için, yukarı veya aşağı okları tıklayın veya DLxJTK dereceli genlerin Gen ifadesinin yanındaki kutuya 1 ile 50 arasında bir tamsayıyı manuel olarak girin. Üst:.
    2. Gen listesi tablosunda, gen ifade profilini çizgi grafikte görüntülemek için bir genin yanındaki kutuya tıklayın. Birden fazla gen eklenebilir.
    3. İsteğe bağlı olarak, ilk döngüyü depo gözlerine bölmek için Giriş tamsayısı etiketli gen listesi tablosunun üstündeki giriş kutusuna bir tamsayı girerek, genleri en yüksek ifadelerini içeren zaman aralığına göre hesaplamak ve sıralamak için eşit büyüklükteki depo gözlerinin sayısını belirtin:.
      NOT: Bu seçenek salınımlı dinamiklere özgüdür ve diğer dinamik türleri için geçerli olmayabilir.
    4. Genleri Sırala: İlk döngüdeki gen ekspresyon zirvesinin zamanına göre genleri sipariş eden İlk Döngü Maksimum İfadesi (Tablo 1) altındaki bir seçeneğe tıklayarak bir ısı haritası görüntüleme tercihi seçin.
      NOT: DLxJTK Rank , IDP'nin DLxJTK algoritmasından periyodiklik sıralamasına göre genleri sıralar.
    5. Gen listesini Kenar Bulma adımı için gereken dosya formatına indirmek için Gen Listesini İndir düğmesine tıklayın. Gen listesi dosyası örneği için Ek Dosya 5'e bakın.
  9. Düzenlenebilir Gen Ek Açıklama Tablosu'nda, yeni bir Kenar Bulma çalıştırmasında Kenar Bulma adımı için ek açıklama dosyasında bir geni hedef, düzenleyici veya her ikisi olarak etiketleyin. Bir gen bir düzenleyici ise, geni bir aktivatör, represör veya her ikisi olarak etiketleyin.
    1. Bir geni aktivatör olarak etiketlemek için, tf_act sütunundaki hücreyi tıklatın ve değeri 1 olarak değiştirin. Bir geni baskılayıcı olarak etiketlemek için tf_rep sütunundaki değeri 1 olarak değiştirin. Bir genin, hem tf_act hem de tf_rep sütunlarındaki değerleri 1 olarak ayarlayarak Kenar Bulma adımında hem aktivatör hem de represör olarak hareket etmesine izin verilecektir.
    2. Bir geni hedef olarak etiketlemek için hedef sütundaki hücreye tıklayın ve değeri 1 olarak değiştirin.
  10. Ek açıklama dosyasını Kenar Bulma adımı için gereken dosya biçimine indirmek için Ek Açıklama İndir düğmesini tıklatın.

3. Kenar bulma

  1. Kenar Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
    1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin. Metin düzenleyicisinde yeni bir metin dosyası açın ve 2.1.1 adımlarını yineleyin.
    2. Yapılandırma dosyasına Kenar Bulma bağımsız değişkenleri ekleyin.
    3. Adım 3.1.1 ile aynı metin dosyasına, tek tek satırlarda "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" ve "num_edges_for_seed =" satırlarını yazın. Bunlar ana argümanların altına inmelidir.
    4. "gene_list_file" için, eşittir işaretinden sonra, 2.8.5 adımında oluşturulan gen listesi dosyasının yolunu ve adını girin.
    5. "edge_score_column" için, eşittir işaretinden sonra, kenarları filtrelemek için lempy çıktısından hangi veri çerçevesi sütununun kullanılacağını belirtmek için "pld" veya "norm_loss" girin.
    6. "edge_score_threshold" veya "num_edges_for_list" seçeneğini belirleyin ve diğerini silin. "edge_score_threshold" seçilmişse, 0 ile 1 arasında bir sayı girin. Bu sayı, 3.1.5 adımında belirtilen sütuna göre kenarları filtrelemek için kullanılacaktır.
      1. "num_edges_for_list" seçilmişse, olası kenar sayısına eşit veya daha az bir değer girin. Bu sayı, kenarları adım 3.1.5'te belirtilen sütunda nasıl sıralandıklarına göre filtrelemek için kullanılacaktır. Kalan kenarlar Ağ Bulma'da ağlar oluşturmak için kullanılacaktır.
    7. "seed_threshold" veya "num_edges_for_seed" seçeneğini belirleyin ve diğerini silin. "seed_threshold" seçilmişse, 0 ile 1 arasında bir sayı girin. Bu sayı, 3.1.5 adımında belirtilen sütuna göre kenarları filtrelemek için kullanılacaktır.
      1. "num_edges_for_seed" seçilmişse, olası kenar sayısına eşit veya daha az bir değer girin. Bu sayı, kenarları adım 3.1.5'te belirtilen sütunda nasıl sıralandıklarına göre filtrelemek için kullanılacaktır. Kalan kenarlar, Ağ Bulma'da kullanılan tohum ağını (Tablo 1) oluşturmak için kullanılacaktır.
        NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki lempy_arguments ve netgen_arguments bölümlerini gözden geçirmeniz önerilir. Edge bulma bağımsız değişkenlerinin belirtildiği bir yapılandırma dosyası örneği için Ek Dosya 7'ye bakın.
  2. 2.2 ve 2.3.
  3. IDP'yi, bu komutu dosyanın adı olan terminalde çalıştırarak 3.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın: python src/dat2net.py
  4. IDV hala çalışıyorsa, programı durdurmak için terminal penceresinde C Denetimi'ne basarak durdurun. 2.5 ve 2.6 adımlarını yineleyin.
  5. IDV tarayıcıda açıkken, Kenar Bulma sekmesine tıklayın ve açılır menüden ilgi çekici kenar bulma klasörünü seçin.
    NOT: Kenar Bulma'da birden çok veri kümesi kullanılıyorsa, Yerel Kenar Makinesi (LEM) çözümlemesinde (Tablo 1) kullanılan son veri kümesini seçtiğinizden emin olun. Bu çıktı düğümler arasındaki düzenleyici ilişkilerin çıkarımında önceki tüm veri dosyalarını içerdiğinden, yapılandırma dosyasında listelenen son seri verilerine bakmak için LEM sonuçlarına dayalı çekirdek ağ veya kenar listesi için kenarlar seçerken önemlidir.
  6. Kenar tablosunu genişletmek veya kısaltmak için, Kenar Sayısı: altındaki giriş kutusuna el ile bir tamsayı girin.
  7. İsteğe bağlı olarak, LEM ODE parametrelerindeki kenarları filtreleyin. Her parametrenin kaydırıcısının sol tarafını veya sağ tarafını taşımak için tıklatıp sürükleyin ve kenar tablosundan izin verilen yeni parametre sınırlarının dışında parametreler olan kenarları kaldırın.
  8. İsteğe bağlı olarak, IDP tarafından önerilenden farklı bir tohum ağı isteniyorsa yeni bir tohum ağı oluşturun. Tohum ağ dosyası örneği için Ek Dosya 8'e bakın.
    1. Tohum ağını seçmek için Tohumdan'ı veya Ağ:altındaki açılır menüden Seçim'i seçin.
    2. Çekirdek ağdan kenarları kaldırmak/eklemek için her kenarın bitişiğindeki ilgili onay kutularını tıklatarak kenar tablosundan kenarların seçimini kaldırın/seçin.
  9. Tohum ağını Düzenleyici Ağlar Tarafından Oluşturulan Dinamik İmzalar (DSGRN) (Tablo 1) ağ belirtimi biçiminde indirmek için DSGRN NetSpec'i indirin düğmesine tıklayın.
  10. Ağ Bulma adımında kullanılacak ek düğümleri ve kenarları seçin.
    1. Ağ Bulma'da kullanılan kenar listesi dosyasına eklemek için ilgili onay kutularını tıklatarak kenar tablosundan kenarları seçin.
    2. Düğüm listesini ve kenar listesi dosyalarını Ağ Bulma'da kullanımları için gereken biçimde indirmek için Düğüm ve Kenar Listelerini İndir'e tıklayın. Sırasıyla kenar ve düğüm listesi dosyaları örnekleri için Ek Dosya 9 ve Tamamlayıcı Dosya 10'a bakın.
      NOT: Düğüm listesi, kenar listesi dosyasındaki tüm düğümleri içermelidir, böylece IDV düğüm listesi dosyasını seçilen kenarlara göre otomatik olarak oluşturur. Kenar Bulma'da kenarları görüntülemek için iki seçenek mevcuttur. LEM Özet Tablosu seçeneği, kenarları ilk 25 kenarın sıralı bir listesi olarak sunar. Üst ÇizgiLI LEM Tablosu , kenarları olası her regülatör için ilk üç sıralı kenarın birleştirilmiş bir listesinde sunar. Her seçenek için görüntülenen kenar sayısı, Kenar Sayısı giriş kutusundaki sayı değiştirilerek kullanıcı tarafından ayarlanabilir.

4. Ağ bulma

  1. Ağ Bulma adımını parametrize eden yeni bir IDP yapılandırma dosyası oluşturun.
    1. Ana IDP bağımsız değişkenlerini yapılandırma dosyasına ekleyin. Metin düzenleyicisinde yeni bir metin dosyası açın ve 2.1.1 adımlarını yineleyin.
    2. Ağ Bulma bağımsız değişkenlerini yapılandırma dosyasına ekleyin.
    3. 4.1.1. adımdakiyle aynı metin dosyasına, "[netper_arguments]" olarak sunulan sırayı yazın, "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[olasılıklar]]", "addNode =", "addEdge =", "removeNode =" ve "removeEdge =" tek tek satırlarda, ana bağımsız değişkenlerin altında.
    4. "seed_net_file", "edge_list_file" ve "node_list_file" için, eşittir işaretinden sonra, çekirdek ağ dosyasının yolunu ve adını ve 3.9 ve 3.10.2 adımlarında oluşturulan kenar ve düğüm listesi dosyalarını girin.
    5. Eşittir işaretinden sonra, "range_operations" için virgülle ayrılmış iki sayı yazın. Birinci ve ikinci sayılar, sırasıyla ağ başına düğümlerin veya kenarların eklenmesi veya kaldırılması için minimum ve maksimum sayıdır.
    6. "Numneighbors" için, imzalamaya eşit olduktan sonra, Ağ Bulma'da kaç ağ bulacağını gösteren bir sayı girin.
    7. "Maxparams" için, imzalamaya eşit olduktan sonra, bir ağa izin vermek için en fazla DSGRN parametre sayısını temsil eden bir sayı girin.
    8. Bu bağımsız değişkenlerin her biri için 0 ile 1 arasında değerler girin: "addNode", "addEdge", "removeNode" ve "removeEdge", eşittir işaretinden sonra. Sayılar 1 olarak toplanmalıdır.
      NOT: Her bağımsız değişkeni daha iyi anlamak için IDP README'deki netper_arguments ve netquery_arguments bölümlerini gözden geçirmeniz önerilir. Ağ Bulma bağımsız değişkenlerinin belirtildiği yapılandırma dosyası örnekleri için Ek Dosya 11 ve Tamamlayıcı Dosya 12'ye bakın.
  2. 2.2 ve 2.3.
  3. IDP'yi, bu komutu dosyanın adı olan terminalde çalıştırarak 4.1 adımında oluşturulan yapılandırma dosyasını kullanarak çalıştırın: python src/dat2net.py
  4. IDV hala çalışıyorsa, programı durdurmak için terminal penceresinde C Denetimi'ne basarak durdurun. 2.5 ve 2.6 adımlarını yineleyin.
  5. IDV tarayıcıda açıkken, Ağ Bulma sekmesine tıklayın ve ilgi çekici ağ bulma klasörünü seçin.
  6. Kenar yaygınlığı tablosu (Tablo 1) oluşturmak ve ağları ilgili sorgu sonuçlarıyla birlikte görüntülemek için bir ağ veya ağ kümesi seçin.
    1. Ağları seçmek için iki seçenek vardır: Seçenek 1 - Çizimin x eksenine ve y eksenine karşılık gelen giriş kutularına minimum ve maksimum değerler girerek sorgu sonuçlarına alt ve üst sınırları girin. Seçenek 2 - Eklenecek ağların etrafına bir kutu çizmek için saçılım pilota tıklayın ve sürükleyin. Seçim veya giriş sınırları girildikten sonra, Seçili Ağlardan Kenar Yaygınlığını Al düğmesine basın.
      NOT: Birden fazla DSGRN sorgusu belirtilmişse, her sorgunun sonuçları arasında geçiş yapmak için sorgu türüyle etiketlenmiş radyo düğmelerini kullanın. Aynı durum, birden fazla epsilon (gürültü seviyesi) belirtilmişse de geçerlidir.
  7. Tablonun bir sonraki sayfasına gitmek için kenar yaygınlığı tablosunun altındaki okları tıklatın. Kenar yaygınlığı tablosunu karşıdan yüklemek için Tabloyu İndir'e basın.
  8. 4.6. adımda yapılan seçimden tek bir ağı görüntülemek için Ağ Dizini giriş kutusuna bir tamsayı girin. Görüntülenen ağı DSGRN ağ belirtimi biçiminde indirmek için DSGRN NetSpec'i indirin'i tıklatın.
  9. Ağlarda belirli bir motife veya ilgi alanı ağına benzerlik arayın.
    1. Ağa dahil edilecek kenarları veya benzerlik analizi için kullanılan motifi seçmek için her kenara karşılık gelen onay kutularını kullanın. Seçili motif veya ağ için benzerlik dağılım pilotu oluşturmak için Gönder'i tıklatın.
      NOT: Alfabetik olarak sıralamak için kenar listesindeki okları ve tablonun bir sonraki sayfasına gitmek için tablonun altındaki okları kullanın.
    2. Kenar yaygınlığı tablosu oluşturmak ve ağları ilgili sorgu sonuçlarıyla birlikte görüntülemek üzere bir ağ veya ağ kümesi seçmek üzere eklenecek ağların etrafına bir kutu çizmek için dağılım pilotunun üzerine sürükleyin.
      NOT: Birden fazla DSGRN sorgusu belirtilmişse, her sorgunun sonuçları arasında geçiş yapmak için sorgu türüyle etiketlenmiş radyo düğmelerini kullanın. Aynı durum, birden fazla epsilon (gürültü seviyesi) belirtilmişse de geçerlidir.
    3. Benzerlik analizi için sırasıyla kenar yaygınlık tablosunu ve görüntülenen ağı indirmek için 4.7 ve 4.8 adımlarını yineleyin.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Şekil 1'de metinsel olarak yukarıda ve grafiksel olarak açıklanan adımlar, maya hücre döngüsü çalışmasında toplanan zaman serisi gen ekspresyon verilerinde gözlemlenen dinamikleri üretebilen fonksiyonel GRN modellerini keşfetmenin mümkün olup olmadığını görmek için maya hücre döngüsünün çekirdek salınımlı GRN'sine uygulanmıştır16. IDV'nin IDP çıktısını nasıl netleştirebileceğini ve iyileştirebileceğini göstermek için, sonuçlar, bu analizi iki şekilde gerçekleştirdikte...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

GRN'lerin çıkarımı sistem biyolojisinde önemli bir zorluktur. IDP, verileri giderek daha karmaşık şekillerde kullanan bir dizi araç kullanarak gen ifade verilerinden model GRN'leri oluşturur. Her adım, verilerin nasıl işleyeceği ve IDP'nin bir sonraki katmanına hangi öğelerin (genler, işlevsel etkileşimler) geçirileceği hakkında kararlar gerektirir. Bu kararların IDP sonuçları üzerindeki etkileri o kadar açık değildir. Bu konuda yardımcı olmak için IDV, IDP içindeki GRN çıkarım araçlarının tek tek adımlarından elde edile...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak bir şeyi yok.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma NIH hibe R01 GM126555-01 ve NSF hibe DMS-1839299 tarafından finanse edildi.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Dockerhttps://docs.docker.com/get-docker/
Githttps://git-scm.com/
Inherent Dynamics Pipelinehttps://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizerhttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
Pip https://pip.pypa.io/en/stable/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Karlebach, G., Shamir, R. Modelling and analysis of gene regulatory networks. Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).
  2. Aijö, T., Lähdesmäki, H. Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics. Bioinformatics. 25 (22), 2937-2944 (2009).
  3. Huynh-Thu, V. A., Sanguinetti, G. Combining tree-based and dynamical systems for the inference of gene regulatory networks. Bioinformatics. 31 (10), 1614-1622 (2015).
  4. Oates, C. J., et al. Causal network inference using biochemical kinetics. Bioinformatics. 30 (17), 468-474 (2014).
  5. Marbach, D., et al. Wisdom of crowds for robust gene network inference. Nature Methods. 9 (8), 796-804 (2012).
  6. Inherent Dynamics Pipeline. , Available from: https://gitlab.com/biochron/inherent_dynamics_pipeline (2021).
  7. Motta, F. C., Moseley, R. C., Cummins, B., Deckard, A., Haase, S. B. Conservation of dynamic characteristics of transcriptional regulatory elements in periodic biological processes. bioRxiv. , (2020).
  8. LEMpy. , Available from: https://gitlab.com/biochron/lempy (2021).
  9. McGoff, K. A., et al. The local edge machine: inference of dynamic models of gene regulation. Genome Biology. 17, 214(2016).
  10. Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. Model rejection and parameter reduction via time series. SIAM Journal on Applied Dynamical Systems. 17 (2), 1589-1616 (2018).
  11. Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. Database of Dynamic Signatures Generated by Regulatory Networks (DSGRN). Lecture Notes in Computer Science. (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 300-308 (2017).
  12. Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. DSGRN: Examining the dynamics of families of logical models. Frontiers in Physiology. 9. 9, 549(2018).
  13. DSGRN. , Available from: https://github.com/marciogameiro/DSGRN (2021).
  14. Dsgm_Net_Gen. , Available from: https://github.com/breecummins/dsgrn_net_gen (2021).
  15. Dsgrn_Net_Query. , Available from: https://github.com/breecummins/dsgrn_net_query (2021).
  16. Orlando, D. A., et al. Global control of cell-cycle transcription by coupled CDK and network oscillators. Nature. 453 (7197), 944-947 (2008).
  17. Monteiro, P. T., et al. YEASTRACT+: a portal for cross-species comparative genomics of transcription regulation in yeasts. Nucleic Acids Research. 48 (1), 642-649 (2020).
  18. de Bruin, R. A. M., et al. Constraining G1-specific transcription to late G1 phase: The MBF-associated corepressor Nrm1 acts via negative feedback. Molecular Cell. 23 (4), 483-496 (2006).
  19. Horak, C. E., et al. Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae. Genes & Development. 16 (23), 3017-3033 (2002).
  20. Cherry, J. M., et al. Saccharomyces genome database: The genomics resource of budding yeast. Nucleic Acids Research. 40, 700-705 (2012).
  21. Zhu, G., et al. Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth. Nature. 406 (6791), 90-94 (2000).
  22. Loy, C. J., Lydall, D., Surana, U. NDD1, a high-dosage suppressor of cdc28-1N, is essential for expression of a subset of late-S-phase-specific genes in saccharomyces cerevisiae. Molecular and Cellular Biology. 19 (5), 3312-3327 (1999).
  23. Cho, C. Y., Kelliher, C. M., Hasse, S. B. The cell-cycle transcriptional network generates and transmits a pulse of transcription once each cell cycle. Cell Cycle. 18 (4), 363-378 (2019).
  24. Smith, L. M., et al. An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum. Science. 368 (6492), 754-759 (2020).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Gene Regulatory NetworksNetwork InferenceInherent Dynamics PipelineInteractive VisualizationParameter ExplorationTime Series TranscriptomicsNetwork Model EvaluationEdge FindingNode FindingSystems Biology

Related Articles