CorrelationCalculator ve Telkari: Metabolomik Verilerin Veriye Dayalı Ağ Analizi için Araçlar
Özet
Veriye dayalı ağ oluşturma ve metabolomik verilerin analizi için iki araç olan CorrelationCalculator ve Telkari’yi sunuyoruz. CorrelationCalculator, ifade verilerine dayalı olarak metabolitlerden oluşan tek bir etkileşim ağı oluşturmayı desteklerken, Telkari diferansiyel bir ağ oluşturmaya, ardından ağ kümeleme ve zenginleştirme analizine izin verir.
Abstract
Omik verilerin analizinde önemli bir zorluk, eyleme geçirilebilir biyolojik bilginin çıkarılmasıdır. Metabolomik bir istisna değildir. Bireysel metabolitlerin seviyelerindeki değişiklikleri spesifik biyolojik süreçlerle ilişkilendirme konusundaki genel sorun, hedeflenmemiş sıvı kromatografisi-kütle spektrometrisi (LC-MS) çalışmalarında bulunan çok sayıda bilinmeyen metabolit ile birleşmektedir. Ayrıca, ikincil metabolizma ve lipid metabolizması, mevcut yol veritabanlarında zayıf bir şekilde temsil edilmektedir. Bu sınırlamaların üstesinden gelmek için grubumuz, veriye dayalı ağ oluşturma ve analizi için çeşitli araçlar geliştirmiştir. Bunlara CorrelationCalculator ve Telkari dahildir. Her iki araç da, metabolitlerin sayısı numune sayısını aştığında, kullanıcıların deneysel metabolomik verilerden kısmi korelasyon tabanlı ağlar oluşturmasına olanak tanır. CorrelationCalculator, tek bir ağın oluşturulmasını desteklerken, Telkari, iki örnek grubundan elde edilen verileri kullanarak diferansiyel bir ağ oluşturmaya ve ardından ağ kümeleme ve zenginleştirme analizine izin verir. Gerçek hayattaki metabolomik verilerin analizi için her iki aracın faydasını ve uygulamasını açıklayacağız.
Introduction
Son on yılda, Gaz Kromatografisi-Kütle Spektrometresi (GC-MS) ve Sıvı Kromatografisi-Kütle Spektrometresi (LC-MS) gibi analitik teknolojilerdeki ilerlemeler nedeniyle metabolomik, bir omik bilimi olarak ortaya çıkmıştır. Bu teknikler, yüzlerce ila binlerce küçük molekül metabolitinin aynı anda ölçülmesine izin vererek karmaşık çok boyutlu veri kümeleri oluşturur. Metabolomik deneyler hedefli veya hedefsiz modlarda gerçekleştirilebilir. Hedeflenen metabolomik deneyler, belirli metabolit sınıflarını ölçer. Genellikle hipotez odaklıdırlar, hedefsiz yaklaşımlar ise mümkün olduğu kadar çok metaboliti ölçmeye çalışır ve doğası gereği hipotez oluşturur. Hedeflenen tahliller genellikle iç standartları içerir ve bu nedenle ilgilenilen metabolitlerin mutlak miktar tayinine izin verir. Buna karşılık, hedeflenmemiş tahliller nispi miktar tayinine izin verir ve birçok bilinmeyen metaboliti içerir1.
Metabolomik verilerin analizi, birçok özel yazılım aracından yararlanan çok adımlı bir süreçtir1. Aşağıdaki üç ana adıma ayrılabilir: (1) veri işleme ve kalite kontrol, (2) istatistiksel analiz ve (3) biyolojik veri yorumlama. Burada açıklanan araçlar, analizin ikinci adımını etkinleştirmek için tasarlanmıştır.
Metabolomik verileri yorumlamanın sezgisel ve popüler bir yolu, deneysel ölçümleri metabolik yollara haritalamaktır. Bu 2,3,4,5’i başarmak için grup 6 tarafından geliştirilen Metscape de dahil olmak üzere çok sayıda araç tasarlanmıştır. Yol haritalama genellikle en önemli yollarınbelirlenmesine yardımcı olan zenginleştirme analizi ile birleştirilir 7,8. Bu teknikler ilk olarak gen ekspresyon verilerinin analizinde önem kazanmış ve proteomik ve epigenomik verilerin analizi için başarıyla uygulanmıştır 9,10,11,12,13. Bununla birlikte, metabolomik verilerin analizi, bilgiye dayalı yaklaşımlar için bir takım zorluklar ortaya koymaktadır. İlk olarak, endojen metabolitlere ek olarak, metabolomik tahliller, beslenme ve diğer çevresel kaynaklardan gelenler de dahil olmak üzere eksojen bileşikleri ölçer. Bu bileşikler ve bakteriler tarafından üretilen metabolitler, diğer ökaryotik organizmaların insan veya metabolik yollarına eşlenemez. Ayrıca, ikincil metabolizma ve lipid metabolizmasının yol kapsamı şu anda verilerin biyolojik yorumunu kolayca destekleyecek düzeyde yüksek çözünürlüklü haritalamaya izin vermemektedir14,15.
Veriye dayalı ağ analizi teknikleri, bu zorlukların üstesinden gelmeye yardımcı olabilir. Örneğin, korelasyon tabanlı ağlar, hem bilinen hem de bilinmeyen metabolitler arasındaki ilişkilerin türetilmesine yardımcı olabilir ve bilinmeyenlerin açıklanmasını kolaylaştırabilir16. Pearson’ın korelasyon katsayılarını hesaplamak, metabolitler arasındaki doğrusal ilişkileri kurmak için en basit yaklaşım olsa da, dezavantajı hem doğrudan hem de dolaylı ilişkileri yakalamasıdır17,18,19. Bir alternatif, doğrudan ve dolaylı ilişkileri ayırt edebilen kısmi korelasyon katsayılarını hesaplamaktır. Gauss grafik modellemesi (GGM), kısmi korelasyon ağlarını tahmin etmek için kullanılabilir. Bununla birlikte, GGM, örneklem büyüklüğünün ve özellik sayısının karşılaştırılabilir olmasını gerektirir. Bu durum, binlerce metabolik özellik için ölçümler içeren hedeflenmemiş LC-MS verilerinde nadiren karşılanır. Bu sınırlamanın üstesinden gelmek için düzenleme tekniklerinden yararlanılabilir. Grafiksel kement (Glasso) ve düğümsel regresyon, kısmi korelasyon ağının düzenli tahmini için popüler yöntemlerdir16,20.
Burada sunulan biyoinformatik araçlarından ilki olan CorrelationCalculator16, önyargısız seyrek kısmi korelasyon (DSPC) algoritmasına dayanmaktadır. DSPC, seyrekleştirilmiş grafik kement modellemesine dayanır. Algoritmanın altında yatan varsayım, metabolitler arasındaki bağlantı sayısının numune sayısından önemli ölçüde daha küçük olduğu, yani metabolitlerin kısmi korelasyon ağının seyrek olduğudur. Bu varsayım, DSPC’nin düzenli regresyon tekniklerinden yararlanarak daha az örnek kullanarak çok sayıda metabolit arasındaki bağlantıyı keşfetmesine olanak tanır. Ayrıca, düzenli regresyon tahminleri için bir önyargı giderme adımı kullanarak, güven aralıkları oluşturmak ve ilgilenilen hipotezleri test etmek için kullanılabilecek kenar parametreleri için örnekleme dağılımları elde eder (örneğin, tek veya bir kenar grubunun varlığı/yokluğu). Kısmi korelasyon ağında bir kenarın varlığı veya yokluğu, hesaplanan p değerleri kullanılarak resmi olarak test edilebilir.
CorrelationCalculator’ın tek grup analizi için çok yararlı olduğu kanıtlandı16; Bununla birlikte, birçok metabolomik deneyin amacı, iki veya daha fazla koşulun diferansiyel analizidir. CorrelationCalculator, her koşul için kısmi korelasyon ağları oluşturmak üzere grupların her birinde ayrı ayrı kullanılabilirken, bu yaklaşım ağ oluşturma için kullanılabilecek örnek sayısını sınırlar. Yeterince büyük bir örneklem boyutu, veriye dayalı analizde en büyük hususlardan biri olduğundan, ağlar oluşturmak için verilerdeki mevcut tüm örneklerden yararlanabilen yöntemler oldukça arzu edilir. Bu yaklaşım, burada sunulan Telkari21 adlı ikinci araçta uygulanmaktadır. Telkari, daha önce yayınlanmış Diferansiyel Ağ Zenginleştirme Analizi (DNEA) algoritmasınadayanmaktadır 22. Tablo 1 , her iki aracın uygulamalarını ve iş akışını göstermektedir.
| Deney koşullarının sayısı (k) | k = 1 | k = 2 |
| Yazılım aracı | Korelasyon Hesaplayıcı | Telkari |
| Giriş verileri | • Metabolitler x Numuneler veri matrisi | • Metabolitler x Numuneler veri matrisi • Deney grupları |
| İş Akışı • Ön arıtma • Ağ tahmini • Ağ kümeleme • Zenginleştirme analizi |
• Günlük dönüşümü; Otomatik ölçeklendirme • DSPC (DSPC) • Harici uygulamalar aracılığıyla •Hayır |
• Günlük dönüşümü; Otomatik ölçeklendirme • Ortak ağ tahmini • Konsensüs kümeleme • NetGSA (Ağ GSA) |
| Veri görselleştirme | Harici uygulama aracılığıyla, örneğin Cytoscape | Harici uygulama aracılığıyla, örneğin Cytoscape |
| İlgilenilen sonuçla ilişkilendirme için metabolik modüllerin test edilmesi (isteğe bağlı) | Harici uygulamalar aracılığıyla | Harici uygulamalar aracılığıyla |
Tablo 1: CorrelationCalculator ve Telkari’nin uygulama kapsamı ve iş akışı.
Protocol
Representative Results
Discussion
CorrelationCalculator ve Telkari’de uygulanan kısmi korelasyon tabanlı ağ analizi yöntemleri, özellikle bilinmeyen metabolitlerin yüksek prevalansına ve metabolik yolların sınırlı kapsamına sahip veri kümeleri için bilgiye dayalı metabolik yol analizlerinin bazı sınırlamalarının üstesinden gelmeye yardımcı olur (örn., lipidomik veriler). Bu araçlar, araştırma topluluğu tarafından çok çeşitli metabolomik ve lipidomik verilerianaliz etmek için yaygın olarak kullanı…
Açıklamalar
The authors have nothing to disclose.
Acknowledgements
Bu çalışma NIH 1U01CA235487 hibesi ile desteklenmiştir.
Materials
| 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. |
Referanslar
- Sas, K. M., Karnovsky, A., Michailidis, G., Pennathur, S. Metabolomics and diabetes: analytical and computational approaches. Diabetes. 64 (3), 718-732 (2015).
- Cottret, L., et al. MetExplore: Collaborative edition and exploration of metabolic networks. Nucleic Acids Research. 46 (W1), W495-W502 (2018).
- Garcia-Alcalde, F., Garcia-Lopez, F., Dopazo, J., Conesa, A. Paintomics: A web based tool for the joint visualization of transcriptomics and metabolomics data. Biyoinformatik. 27 (1), 137-139 (2011).
- 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).
- Paley, S. M., Karp, P. D. The pathway tools cellular overview diagram and Omics Viewer. Nucleic Acids Research. 34 (13), 3771-3778 (2006).
- Karnovsky, A., et al. Metscape 2 bioinformatics tool for the analysis and visualization of metabolomics and gene expression data. Biyoinformatik. 28 (3), 373-380 (2012).
- 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).
- Lopez-Ibanez, J., Pazos, F., Chagoyen, M. MBROLE 2.0-functional enrichment of chemical compounds. Nucleic Acids Research. 44 (W1), W201-W204 (2016).
- Cavalcante, R. G., et al. Broad-Enrich: Functional interpretation of large sets of broad genomic regions. Biyoinformatik. 30 (17), i393-i400 (2014).
- 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).
- Lee, P. H., O’Dushlaine, C., Thomas, B., Purcell, S. M. INRICH: interval-based enrichment analysis for genome-wide association studies. Biyoinformatik. 28 (13), 1797-1799 (2012).
- 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).
- 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).
- 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).
- 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).
- Basu, S., et al. Sparse network modeling and Metscape-based visualization methods for the analysis of large-scale metabolomics data. Biyoinformatik. 33 (10), 1545-1553 (2017).
- 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).
- Camacho, D., de la Fuente, A., Mendes, P. The origin of correlations in metabolomics data. Metabolomics. 1 (1), 53-63 (2005).
- Steuer, R., Kurths, J., Fiehn, O., Weckwerth, W. Observing and interpreting correlations in metabolomic networks. Biyoinformatik. 19 (8), 1019-1026 (2003).
- Bühlmann, P., Van De Geer, S. . Statistics for High-Dimensional Data: Methods, Theory and Applications. , (2011).
- Iyer, G. R., et al. Application of differential network enrichment analysis for deciphering metabolic alterations. Metabolites. 10 (12), 479 (2020).
- Ma, J., et al. Differential network enrichment analysis reveals novel lipid pathways in chronic kidney disease. Biyoinformatik. 35 (18), 3441-3452 (2019).
- Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Reserach. 13 (11), 2498-2504 (2003).
- Krumsiek, J., et al. Mining the unknown: a systems approach to metabolite identification combining genetic and metabolic information. PLoS Genetics. 8 (10), e1003005 (2012).
- 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).
- Grapov, D., et al. Diabetes associated metabolomic perturbations in NOD mice. Metabolomics. 11 (2), 425-437 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Li, K., et al. Metabolomic and exposomic biomarkers of risk of future neurodevelopmental delay in human milk. Pediatric Research. 93 (6), 1710-1720 (2023).
- 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).
- Ma, J., Shojaie, A., Michailidis, G. Network-based pathway enrichment analysis with incomplete network information. Biyoinformatik. 32 (20), 3165-3174 (2016).
- 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).
