Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Bilgi Akışı Modellemesi Kullanarak Transkriptomik Verilerden Bağlama Özgü Protein Etkileşim Ağları Oluşturmak İçin NetDecoder Protokolü

85 görüntülenme

⸱

DOI:

10.3791/70869

⸱

31 Temmuz 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Molecular Pharmacology and Experimental Therapeutics, Mayo Clinic College of Medicine and Science, 2Department of Biochemistry and Molecular Biology, Mayo Clinic College of Medicine and Science, 3Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, 4Paul F. Glenn Center for Biology of Aging Research, Mayo Clinic

Bu makalede

Özet

Burada, bağlama özgü protein etkileşim ağları oluşturmak ve gen fayda modelleri (GUM) oluşturmak için bir ağ modelleme aracı olan NetDecoder'ı kullanmak için bir protokol sunuyoruz. Transkriptomik veriler kullanılarak, kürenmiş protein-protein etkileşim (PPI) ağlarıyla birleşerek NetDecoder, anahtar hedeflerin ve alt ağıların tanımlanmasını sağlar.

Özet

Diferansiyel ifade analizi, potansiyel terapötik hedefleri belirlemek için yaygın kullanılan bir tekniktir, ancak biyolojik yollar boyunca gen ağlarının karmaşıklığını göz ardı eder. Çoğu zaman, yüksek ekspresyonlu genler biyolojik fenotipin özelliklerini açıklamaz. NetDecoder, transkriptomik verileri protein-protein etkileşim (PPI) ağlarıyla entegre ederek bağlama özgü bilgi akışını, gen faydalılığını ve anahtar kenarları ile farklı olarak kullanılan gen ağlarını modelleyen bir ağ biyolojisi aracı olan NetDecoder, bu diferansiyel ifade analizinin sınırlamasını gidermek için geliştirilmiştir.

Bu protokol, veri ön işleme, NetDekoder çalıştırma ve çıktı analizini kapsayan kapsamlı yönergeler içeren yeni başlayanlar için uygun ve adım adım bir rehberdir. İş akışı, biyolojik koşullar arasındaki gen (düğüm) ve gen-gen etkileşimi (kenar seviyesi) farklarını niceleyen yazılım yapılandırması, ağ oluşturma ve akış tabanlı modelleme analizini içerir. Ortaya çıkan çıktılar arasında ana hedefler ve yönlendiriciler, farklı akış alt ağları ve kenar akış dağılımları bulunur; bu da belirli biyolojik durumlarla ilişkili temel düzenleyici genlerin ve yolların tanımlanmasını sağlar. Belirlenen adımları takip ettikten sonra, araştırmacılar transkriptomik veriler ve özenli PPI ağları kullanarak fenotipler arasında fenotipik gen akışını ortaya çıkarmak için bağımsız araştırmalar yapabileceklerdir.

Giriş

Terapötik araştırma için genlerin ve ilişkili yolların seçimi genellikle farklı ifade analizleriyleyönlendirilir 1. Bu analiz yöntemi, iki veya daha fazla durum arasında gen ifadesinin nasıl farklılaştığını belirlemede etkilidir. Ancak, genler karmaşık ve birbirine bağlı biyolojik ağlar içinde çalışır; bu da bireysel gen ifadesinin genlerin bir ağda nasıl etkileşime girdiğini ve gen-gen ilişkilerini tam olarak yansıtmadığıanlamına gelir 2. Ağ yayılım yöntemleri, gen ifadesini etkileşim ağlarıyla entegre ederek sadece farklı ifadelerle kaçırılabilecek biyolojik olarak önemli genleribelirler 3. Mevcut yaklaşımlar, genlerin fonksiyonel önemini ve biyolojik bilginin biyolojik koşullar arasında protein-protein etkileşim (PPI) ağlarında nasıl yeniden dağıtıldığını açıkça niceleştirmiyor. Bu nedenle, koşula özgü ağ davranışını modellemek ve biyolojik sistemler arasında bilgi akışındaki değişiklikleri nicelendirmek için bir yönteme ihtiyaç duyuldu. Genlerin daha geniş bir biyolojik ağ içinde nasıl etkileşime girdiğini açıklamak için, netDecoder adlı bir ağ biyolojisi platformu, koşullar arasında en büyük bilgi akışı farkına sahip genleri ortaya çıkarmak için geliştirildi. NetDecoder, insan PPI ağının mevcut bilgisini toplu RNA dizileme verileriyle birleştirerek bilgi akışına dayalı etkileşimler modeli oluşturmak için süreç rehberli bir akış algoritmasıkullanır 4.

Fenotipik ağlar için bilgi akışı verileri kullanılarak, yüksek bilgi akışına sahip genleri, farklı ifade değerlerinden bağımsız olarak ağ içinde en yüksek genel gen faydasına sahip genler olarak tanımlamak için bir gen fayda modeli (GUM)5 geliştirilebilir. Bu yaklaşım, daha etkili hedef önceliklendirme stratejilerini ve tanımlamayı destekler; geleneksel analizlerin sıklıkla gözden kaçırdığı içgörüler sağlar. Geleneksel diferansiyel ifade veya korelasyon tabanlı ağ yöntemlerinin aksine, NetDecoder bilgi akışında hem gen (düğüm seviyesi) hem de etkileşim (kenar seviyesi) değişikliklerini nicelikle ölçülür; böylece büyük ifade değişiklikleri olmasa bile fonksiyonel olarak önemli genlerin tanımlanmasınısağlar 4,5. NetDecoder, iki biyolojik koşul arasında karşılaştırmalı analizleri içeren toplu RNA dizileme veri setlerine geniş çapta uygulanabilir ve bilgi akışındaki değişikliklerin tanımlanmasını sağlar. NetDecoder, proteomik ve epigenomik dahil olmak üzere diğer omik veri setlerinin entegrasyonunu desteklese de, mevcut protokol transkriptomik verilerin kullanıldığı iş akışını özellikle göstermektedir. Bu uygulamalarda kullanıcılar, protein veya epigenetik olarak düzenlenmiş genlere dayalı kaynak genleri tanımlayabilir ve bu moleküler özelliklerden bilgi akışı analizinin başlatılmasına olanak tanır. Bu esneklik, çoklu omik kanıtların ağ tabanlı analizlere dahil edilmesini sağlar ve fenotipik farklılıkların altında yatan çapraz modal düzenleyici mekanizmaların keşfedilmesini kolaylaştırır.

Yaygın çalışma tasarımları, hastalık ve sağlıklı durumlar, tedavi yanıtçıları ve yanıt vermeyenler, ilaç tedavileri, knockdown veya nakavt ile kontrol deneyleri ve gelişimsel veya hücresel durum geçişlerinin analizlerini içeren ikili karşılaştırmaları içerir. Bu protokolün amacı, biyolojik koşullar arasında ağ etkisi değişmiş genleri ortaya çıkarmak için NetDecoder'ı uygulamak için tekrarlanabilir bir çerçeve göstermektir. Bu, NetDecoder'ı kurmak ve çalıştırmak için kolay takip edilen adımlarla, temel sorun giderme teknikleriyle takip edilecek örneklerle ve protokolde sonuç yorumlama yöntemleri de sunularak sağlanır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışma, halka açık RNA dizileme veri setlerini kullandı ve doğrudan insan veya hayvan denekleri dahil etmedi. Bu nedenle, kurumsal inceleme kurulu onayı ve bilgilendirilmiş onay gerekmiyordu.

NOT: NetDecoder aşağıdaki giriş dosyalarını gerektirir: iki tanımlanmış biyolojik koşulda normalize edilmiş gen ifadesi; biyolojik koşulları tanımlayan bir meta veri dosyası; ağ inşası ve modelleme için kaynak genlerin listesi; kamu alanından bir protein-protein etkileşimi (PPI) ağı; ve her biyolojik durum için oluşturulmuş bir kenar ağırlıklı ağ (EWN) içerir.

1. Veri hazırlığı

  1. Toplu RNA dizileme ifadesi verisi ve meta verileri alın
    1. RNA dizileme verilerini (ham gen ifade sayıları ve örnek isimlerinin matrisi) ve ilgili meta verileri (örnek isimleri, koşullar vb.) Gen İfadesi Omnibusu (GEO) gibi kamuya açık bir depodan indirin veya laboratuvarda oluşturulan deneysel veri setlerini kullanın. Genellikle, bu bir matristir; burada satırlar gen isimlerine, sütunlar ise örnek isimlerine karşılık gelir.
      NOT: Bu protokolü göstermek için kullanılan örnek veri seti, Ulusal Omics Veri Ansiklopedisi (NODE) deposundan (BioSino veritabanı) erişim OEP0011056 kapsamında alınmıştır. Kullanıcılar, kendi toplu RNA dizileme veri setlerini değiştirebilirler.
    2. Örnek isimleri ve grupları veya ilgili koşulları dahil ederek örnek bir açıklama dosyası (meta veri) oluşturmak; örneğin, "kontrol" ve "hastalık" yaygın durum türleridir. Örnek isimlerinin metaveri ile ifade dosyaları arasında eşleştiğini doğrulayın.
  2. Toplu ifade verileri ve meta veriler
    1. Oluşturulan veri matrisinin ifade sayıları, gen isimleri ve örnek isimleri ile koşulları içeren bir meta veri dosyası içerdiğinden emin olun. Gerekirse, org gibi bir R paketi kullanın. Hs.eg.db (insan) veya AnnotationDbi farklı gen tanımlayıcılarını eşleştirmek için kullanılır.
    2. Meta veri dosyasından gerekli olmayan bilgileri R veya benzer bir programlama dili kullanarak çıkarın.
    3. İfade sayısı dosyalarından gelen bilgileri kolayca manipüle etmek için tek bir dosyada birleştirin.
  3. Filtre ifade verisi
    1. Gen ifade veri matrisini ön işleyerek gen kopyaları, null değerler (NA), düşük ifadeler (<10 toplam sayı) ve/veya düşük varyans genleri vb. hariç tutun.
  4. Veri ön işleme
    1. RNA dizileme normalizasyonu ve diferansiyel ifade analizi
      NOT: Bu adım, toplu RNA dizileme verilerinden analiz başlatılırken Edge Weighted Network (EWN) oluşturulması ve kaynak gen seçimi için gen seçimi (adımlar 1.5–1.6) için iki (1.4.1) yaklaşımdan biridir. Alternatif olarak, Pearson korelasyon tabanlı şablon eşleştirmesi, 1.4.3. adıma atlayarak kullanılabilir.
      1. Bu aşamada Gen Kimliği dönüşümleri R paketi olan AnnotationDbi kullanılarak bireysel organizma paketleriyle uyum içinde gerçekleştirilir. NetDecoder, örnek PPI ile eşleşen gen sembolleri (yani Gen Kimliği) kullanır.
      2. R paketleri olan limma, edgeR, DESeq2 veya benzer araçlarla iki koşul arasında normalizasyon ve diferansiyel ifade analizi yapın.
      3. DESeq2 kullanıyorsanız, DESeqDataSetFromMatrix() fonksiyonunu kullanarak bir DESeq veri seti oluşturun; bu fonksiyon bir sayı matrisi (genler ve örnekler) ve örnek meta verileri (koşullar) giriş olarak alın.
      4. Diferansiyel ifade değerlerini hesaplamak için 1.4.1.3 adımında oluşturulan nesnede varsayılan ayarlarla DESeq() fonksiyonunu kullanın.
      5. Sonuçları, gen tanımlayıcıları (Gen Kimliği) ile bir veri matrisine satır adları ve log2 katlama değişimi (log2FC), p-değeri ve ayarlanmış p-değeri dahil olmak üzere anahtar çıktılar olarak sütun olarak kaydedin.
      6. Isteğe bağlı olarak, sonuçları ayarlanmış p-değeri (<0.05) ve/veya log2FC değerleriyle (örneğin: |log2FC| > 1) dplyr veya benzer bir araç kullanarak filtreleyin.
      7. Tüm işlenen gen listeleri ve log2 kat değişim matrislerinin NetDecoder'a girmek üzere sekme-ayrılmış (.txt veya .csv) dosyalar olarak dışa aktarıldığından emin olun.
      8. Eğer 2'den fazla biyolojik koşul kullanılıyorsa, 1.4.1. adım için çiftli karşılaştırmalar yapın ve 1.4.1.5'te oluşturulan DESeq nesnesinden results() fonksiyonunu kullanarak çiftli sonuçlar alın.
    2. Mikroarray ifade normalizasyonu - Isteğe bağlı
      NOT: Mikroarray veri kullanıyorsanız, veri normalizasyonu için bu adımı gerçekleştirin.
      1. NetDecoder normalizasyon bebesini açarak verileri normalize edin (HuLiLab/NetDecoder_Example/raw_data/NetDecoder_normalize. R), https://github.com/HuLiLab/NetDecoder_Example/tree/main'den erişilebilir ve italik kısmı hücre yoğunluğu dosyalarını (CEL) içeren çalışma dizinine uyacak şekilde düzenler.
        setwd(~/NetDecoder_Example/raw_data/CEL_files)
    3. Şablon eşleştirme - Isteğe bağlı
      NOT: Bu, diferansiyel ifade analizi ("Veri Hazırlığı" bölümünün 1.1–1.4.1 adımlarında belirtildiği gibi) yapılmazsa ikinci isteğe bağlı yaklaşımdır.
      1. Limma, edgeR ve DESeq2 ile işlenmeyen RNA dizileme verileri için, şablon eşleştirme uygulamadan önce harici normalizasyon yapılabilir. Mikroarray verileri için, 1.1–1.4.2. adımlarda oluşturulan normalize ifade değerlerini doğrudan kullanın.
      2. Gen ifadesi için temel şablon olarak kontrol koşulu seçin ve ilgilendiğiniz diğer tüm koşullardan normalize edilmiş gen ifade değerlerini karşılaştırın.
      3. Her genin ifade profili ile seçilen şablon arasındaki Pearson korelasyon katsayılarını hesaplayın. İstatistiksel olarak anlamlı korelasyonlar gösteren genlerin (p < 0.05) ve kullanıcı tanımladığı eşik (örneğin |r| > 0.7) üzerinde mutlak korelasyon katsayısı bulunan genlerin korunması önerilir.
  5. Kaynak genlerin seçimi
    NOT: Bu adımın girdisi, 1.1–1.4. adımlarda geliştirilen normalize gen ifade matrisinden oluşmaktadır.
    1. Kaynak gen olarak kullanılacak önemli genlerden oluşan bir seti seçin. Diferansiyel ifade tabanlı iş akışları için, ayarlanmış p-değeri ve log2FC eşiklerini seçin (örneğin adj p-değeri < 0.05 ve |log2FC| > 2). Şablon eşleştirme iş akışları için, seçilen korelasyon ve anlamlılık eşikleri kullanılarak adım 1.4.3.3'te tanımlanan anlamlı korelasyonlu genlerden kaynak genleri seçin. Eşikler, aşağı akış ağ inşası için yaklaşık 300–1.000 gen üretecek şekilde seçilmelidir.
      NOT: Kaynak genler, bilgi akışının başladığı ve ağ boyunca yayıldığı yerdir.
  6. Her fenotip için bir kenar ağırlıklı ağ (EWN) oluşturun
    NOT: Bu adım için aşağıdaki girdiler gereklidir: 1.1–1.4. adımlarda geliştirilen normalize edilmiş gen ifade matris; kenar listesi olarak biçimlendirilmiş protein-protein etkileşimi (PPI) ağı (geneA-geneB çiftleri); Her örnek için biyolojik durum etiketlerini belirten örnek bir açıklama dosyası (metadata). PPI ağı, bir R nesnesi olarak paylaşılır ve iRefIndex protein veritabanı temelinde oluşturulmuştur. Bu protokolte kullanılan sürüm tüm doğrudan etkileşimleri içerir, ancak kendi döngüleri ve çoklu kenarlar hariç tutulur. PPI ağı 15.608 protein ve 180.044 etkileşim içerir. Ek detaylar için NetDecoder-Yöntemleri bölümü4'e bakınız.
    1. NetDecoder Edge Weighted Network (EWN) bebesini açın (HuLiLab/NetDecoder_Example/input/NetDecoder_Create_EWN. R, https:/github.com/HuLiLab/NetDecoder_Example/tree/main)4 adresinden erişilebilir ve R-geliştirme platformunda.
    2. Yorumlarla belirtilen (aşağıda italik yazılmış) betik bölümleri düzenleyerek EWN geliştirme için kullanıcıya özel yollar ve giriş dosyaları ayarlayın.
      Yol<~/NetDecoder_Example/giriş/
      Bu, çalışma dizinine giden yoldur
      expQuery <- get(load("expBreastCancer_15Set2014.R"))
      Bu, normalize edilmiş ifade matrisi Rdata nesnesine bir örnektir
      stQuery < read.csv("s tBreastCancer.csv")
      Bu örnek meta veridir
    3. İfade matrisini filtreleyin, sadece PPI ağında bulunan genleri koruyun.
    4. Her koşul için, fenotipe göre alt küme örnekleri alın ve Pearson korelasyonu kullanılarak PPI ağında tanımlanan tüm kenarlar boyunca çiftli gen-gen korelasyonları hesaplanmaktadır. Adımda oluşturulan işlenmiş, normalize ifade matrisi kullanılarak korelasyonları hesaplayın.
    5. Her gen çifti için korelasyon katsayısı, mutlak korelasyon ve ilgili p-değeri hesaplanın.
    6. Eksik vakaları (örneğin, NA değerleri) kaldırın.
    7. Her koşul başına bir kenar ağırlıklı ağ olarak sekme-ayrılmış bir dosya olarak (başlık olmadan) aşağıdaki sütunlarla dışa aktarın: proteinA, proteinB, abs_cor, cor ve pvalue.
    8. Tüm ilgili koşullar için ortak ifade ağları oluşturmak üzere R bebesini çalıştırın.

2. NetDecoder'ın Kurulumu ve Yapılandırması

  1. NetDecoder'ı indir
    1. NetDecoder yazılımına (https://netdecoder.hulilab.org/#ver numaralı telefondan erişin, R veya Java seçeneğini seçebilirsiniz.
  2. Gerekli yazılımı kur
    1. Çalışma/analiz ortamları için Oracle JDK ve R kurun.
    2. NetDecoder dokümantasyonunda listelenen gerekli R paketlerini, Bioconductor (https://netdecoder.hulilab.org/#ver)4 kullanılarak kurun.
  3. İndirme bağımlılıkları
    1. NetDecoder için gerekli bağımlılıkları indirin; bunlar gen ontoloji verilerini (https://geneontology.org/docs/download-ontology/'dan erişilebilir) ve gen ilişkilendirme referans rehberini (https://www.ebi.ac.uk/GOA/human_release'dan erişilebilir) içerir.
  4. Çalışma dizinini kur
    1. İndirilen tüm dosyaları (ifade verisi, her koşul için oluşturulan ortak ifade ağları, gen ontolojisi verileri ve ilişkilendirme referans rehberi) tek bir klasöre taşıyor; bu klasör NetDecoder çalışma dizini olacaktır.
  5. Gerekli klasörü ekle
    1. NetDecoder klasörünü (https://netdecoder.hulilab.org/wp-content/uploads/2025/07/NetDecoder_Example.zip) NetDecoder çalışma dizinine indirin.
    2. NetDecoder klasörünü açın.

3. NetDecoder'ı çalıştırmak

  1. Analiz bash script'i aç
    1. GNU Bash çalıştıran bir terminal açın ve NetDecoder çalışma dizinine gidin.
    2. Bash script'i açmak için nano NetDecoder_Analysis.sh komutunu çalıştırın.
  2. Scriptleri değiştirin
    NOT: Kodun çoğu zaten yazılmış. Bu adımda, belirtilen konumlarda gerekli parametreler scriptte belirtilir.
    1. Kısa bir isim koyun:
      İtalik kısmı karşılaştırılan koşullar olarak düzenleyin: myshortname='Your_shortname_here'
    2. Yazılım yollarını belirleyin:
      Aşağıdaki üç yol tanımını italik kısımları düzenleyerek doğru yollara düzenleyin:
      JAVA="/your/path/here"
      export R="/senin/yolun/burada"
      takma ad R="/your/path/here"
    3. Çalışma dizini ayarla:
      İtalik kısmı, tüm dosyaların erişileceği çalışma dizini olarak düzenleyin: INPUT_DIR="/your/path/here"
    4. NetDecoder kütüphanesini ayarla:
      İtalik kısmı, zip dosyasından 2.4. adımda kurulan NetDecoder kütüphanesine giden yol olarak düzenleyin: LIB_DIR="/your/path/here/netdecoder_lib"
    5. Gen ontolojisi ve ilişki yollarını belirleyin:
      İki dizinin aşağıdaki italik bölümlerini tercih edilen gen ontolojisi/ilişkilendirme dosyalarının konumlarına göre düzenleyin.
      SYMBOL=$LIB_DIR/gene_association_file
      GO=$INPUT_DIR/gene_ontology_file
    6. Giriş argümanlarını kümeyin:
      Aşağıdaki beş satırın italik kısımlarını, referans NetDecoder bebesinde bulunan yorum talimatlarına göre verilere göre güncelleyin.
      geneList=$INPUT_DIR/gene_file
      state_trt=Tedavi Edilen Durum
      state_ref=Referans Koşulu
      PPI_trt=$INPUT_DIR/treated_co_expression_network_file
      PPI_ref=$INPUT_DIR/referans_co_expression_network_file
    7. Doğru sahneyi kurun:
      İstenen uygulama aşamasını (# sembolünü kaldırarak) yorumdan çıkar ve aşama tamamlandığında tekrar yorum yap. Birinci aşama gen_net_trt, ardından gen_net_ref, ardından analiz aşaması ve son olarak toplama aşamasıdır.
      Birinci aşamadan başlayarak istediğiniz aşamayı ayarlayın.
      #STAGE="gen_net_trt"
      #STAGE="gen_net_ref"
      #STAGE="analiz"
      #STAGE="toplamak"
    8. Ana Bash terminaline gidin:
      Bash script'i kaydedip çıkmak için Ctrl+X, sonra Y tuşlarına basın.
  3. Execute NetDecoder.
    NOT: Başarılı çalışırsa, terminalde kayıt mesajları görünür.
    1. Terminale gidin ve ./NetDecoder_Analysis.sh çalıştırın.
    2. Aşamaları, 3.2.7 adımında belirtilen sırayla dört bölüm tek tek tamamlanana kadar yürütün.
  4. Sonuçları alın
    1. Çıktı dosyalarına ve grafiksel özetlere gidin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Şekil 1'de gösterildiği gibi, NetDecoder veri işleme, ağ yapılandırması ve akış tabanlı analizden oluşan yapılandırılmış bir iş akışı ile çalışır; çıktılar boru hattının her aşamasına uygun ayrı dizinlere düzenlenir. Bu modüler yapı, çıktıların sistematik olarak doğrulanmasını sağlar, sonuçların her hesaplama adımına kadar izlenmesini sağlar ve genel tekrarlanabilirliği destekler.

NetDecoder'ın başarılı yürütülmesi (

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu protokol, gen ifade verilerini protein-protein etkileşim (PPI) ağlarıyla entegre eden NetDecoder'ın uygulamasını özetlemektedir; bu çerçeve, koşullara özgü bilgi akışını modellemekte ve genleri biyolojik sistemlerdeki fonksiyonel etkilerine göre önceliklendirmek için tasarlanmıştır. Bu yöntemin başarılı uygulanması, birkaç kritik adıma, dikkatli metodolojik seçimlere ve çıktıların doğru yorumlanmasına bağlıdır.

Protokolün ilk aşamaları ifade verisinin alınm...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarların finansal rekabet çıkarları yoktur.
Şekil 1 ve 2 için illüstrasyonlar BioRender (BioRender.com) ile oluşturulmuştur.

Teşekkürler

Bu çalışma, Mayo Clinic Biyomedikal Keşif Merkezi, Mayo Clinic Kapsamlı Kanser Merkezi (NIH; P30 CA015083), Mayo Clinic Gastroenterolojide Hücre Sinyalizasyonu Merkezi (NIH: P30DK084567), Glenn Tıp Araştırmaları Vakfı, V Kanser Araştırma Vakfı (S.Z.), Mayo Clinic Beslenme Obezite Araştırma Programı, David F. ve Margaret T. Grohne Kanser İmmünoloji ve İmmünoterapi Programı, Schmidt Sciences and Innovation ve Ulusal Sağlık Enstitüleri (NIH; U19AG74879, P50CA136393, R01CA240323, R03OD038392).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

```html
Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
AnnotationDbiBioconductorversion 1.68.0Anotasyon ve gen eşleme
BioconductorBioconductorversion 3.19transkriptomik veri analizi için çerçeve ve DESeq2, edgeR, limma, AnnotationDbi ve organizma veritabanlarını destekleyen paket ekosistemi
CytoscapeThe Cytoscape Consoritumversion 3.10.4Ağ görselleştirme ve analizi
DESeq2Bioconductorversion 1.46.0Diferansiyel ekspresyon analizi (negatif binom modelleme ile)
dplyrPosit Software, PBC formerly RStudio, PBCversion 1.1.4Veri manipülasyonu ve dönüşümü
edgeRBioconductorversion 4.4.2Sayım tabanlı diferansiyel ekspresyon analizi
ggplot2Posit Software, PBC formerly RStudio, PBCversion 4.0.0Veri görselleştirme ve çizim  
GNU BashGNU ProjectSistem varsayılanBash, NetDecoder pipeline scriptlerinin çalıştırılması
igraphigraph Development Teamversion 2.1.4Ağ yapımı ve grafik analizi
LimmaBioconductorversion 3.62.2Gen ekspresyon analizi için doğrusal modelleme
NetDecoderHu Li Laboratory, Mayo Clinic(2024 Hu Li Lab)Bilgi akışı modellemesi yoluyla bağlam-özgü protein etkileşim ağlarının yapımı
org.Hs.eg.dbBioconductorversion 3.20.0İnsan gen anotasyonu veritabanı
Oracle JDKOracle Corporation≥ version 1.8NetDecoder çalıştırması için çalışma ortamı
pheatmapRaivo Koldeversion 1.0.13Ekspresyon ve korelasyon yapısının görselleştirilmesi
RThe R Foundationversion 4.4.2Transkriptomik ve ağ analizi için temel ortam
```

Kaynaklar

  1. Rosati D et al. Differential gene expression analysis pipelines and bioinformatic tools for the identification of specific biomarkers: A review. Comput Struct Biotechnol J. 2024;23:1154–68.
  2. Barabási A-L, Oltvai ZN. Network biology: understanding the cell's functional organization. Nat Rev Genet. 2004;5(2):101–13.
  3. Cowen L, Ideker T, Raphael BJ, Sharan R. Network propagation: a universal amplifier of genetic associations. Nat Rev Genet. 2017;18(9):551–62.
  4. Rocha DLE, Ung YC, Mcgehee DC, Correia C, Li H. NetDecoder: a network biology platform that decodes context-specific biological networks and gene activities. Nucleic Acids Res. 2016;44(10):e100.
  5. Ung YC et al. Gene utility recapitulates chromosomal aberrancies in advanced stage neuroblastoma. Comput Struct Biotechnol J. 2022;20:3291–303.
  6. Dong L et al. Proteogenomic characterization identifies clinically relevant subgroups of intrahepatic cholangiocarcinoma. Cancer Cell. 2022;40(1):70–87.e15.
  7. Ono K et al. Cytoscape Web: bringing network biology to the browser. Nucleic Acids Res. 2025;53(W1):W203–W212.
  8. Langfelder P, Horvath S. WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics. 2008;9(1):559.
  9. Ma J, Shojaie A, Michailidis G. A comparative study of topology-based pathway enrichment analysis methods. BMC Bioinformatics. 2019;20(1):546.
  10. Ideker T, Krogan NJ. Differential network biology. Mol Syst Biol. 2012;8(1):565.
  11. Tong C et al. Review of knockout technology approaches in bacterial drug resistance research. PeerJ. 2023;11:e15790.
  12. Wei Z et al. PerturBase: a comprehensive database for single-cell perturbation data analysis and visualization. Nucleic Acids Res. 2025;53(D1):D1099–D1111.
  13. Chevalier S et al. Data-driven inference of Boolean networks from transcriptomes to predict cellular differentiation and reprogramming. NPJ Sys Biol Appl. 2025;11(1):105.
  14. Kadelka C, Butrie T-M, Hilton E, Kinseth J, Schmidt A, Serdarevic H. A meta-analysis of Boolean network models reveals design principles of gene regulatory networks. Sci Adv. 2024;10(2)::eadj0822.
  15. Klamt S, Saez-Rodriguez J, Lindquist JA, Simeoni L, Gilles ED. A methodology for the structural and functional analysis of signaling and regulatory networks. BMC Bioinformatics. 2006;7(1):56.
  16. Saez-Rodriguez J et al. Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol Syst Biol. 2009;5(1):331.
  17. Bornholdt S. Boolean network models of cellular regulation: prospects and limitations. J R Soc Interface. 2008;5(suppl_1):S85–S94.
  18. Yuan L, Jiang Y, Meng B, Wang Q, Wang C, Huang D-S. SpaLSTF: Diffusion-based generative model with BiLSTM and XCA-Transformer for spatial transcriptomics imputation. PLoS Comput Biol. 2026;22(2):e1013954.
  19. Yuan L, Jiang Y, Wang Q, Hu C, Li G, Zheng C-H. DeepSGE: predicting spatial gene expression using residual network with efficient channel attention and dynamic graph attention network. BMC Genomics. 2026;27(1):293.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

TıpSayı 233Sayı 233Boş DeğerSayımodellemetranskriptomikakış algoritmasıentegrasyon

Bu makale yayımlandı

Video yakında

Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.