Gen kullanmak için bir protokol translasyonel araştırma için uygun hayvan modeli belirlemek için zenginleştirme çözümlemesi ayarla

Bu prosedürün genel amacı, translasyonel araştırma soruları için uygun hayvan modelini belirlemektir. Bu yöntem, translasyonel araştırmalardaki temel bir sorunun yanıtlanmasına yardımcı olabilir: Araştırmak istediğim belirli bir insan hastalığı için nasıl uygun bir hayvan modeli seçebilirim? Bu tekniğin temel avantajı, hayvan modelleri ile insan hastalığı çalışmaları arasındaki tüm genom verilerinin karşılaştırılmasıdır.

Böylece bu yaklaşım, tek gen karşılaştırmalarıyla ilgili taraflı yorumlamaların önüne geçer. Bu yöntem, fare modellerinin inflamatuar hastalıklar için uygunluğu konusunda bilgi sağlasa da, diğer hastalık modellerine de uygulanabilir. GSEA, gen ekspresyon çalışmaları için politika düzenlemelerinin araştırılmasına yardımcı olur.

Her hayvan modeli ve hastalık çalışmasından elde edilen çıktı, sonraki karşılaştırmalar için temel oluşturur. Bu prosedüre, metin protokolünde açıklanan şekilde önce yazılım ve veri indirme, ardından veri işleme ve biçimlendirme ile başlayın. Daha sonra GSEA yazılım aracını açın.

Ana pencerenin sol tarafındaki Verileri Yükle butonuna tıklayın. Gerekli veri dosyalarını içe aktarmak için yeni bir sekme açılacaktır. Yeni sekmede, gen ekspresyon veri dosyasını ve fenotip dosyasını seçin.

GSEA'nın internete bağlanamaması durumunda, indirilmiş olan moleküler imza veri tabanı dosyalarını ve DNA çip anotasyon dosyalarını da yükleyin. Başarıyla aktarılan veriler, veri yükleme bölümünde görünür. Ana pencerenin sol tarafında bulunan Run GSEA düğmesine tıklayın.

Analiz parametrelerini ayarlamak için yeni bir sekme açılacaktır. Sekme; zorunlu alanlar, temel alanlar ve gelişmiş alanlar olmak üzere üç kısma ayrılmıştır. Zorunlu alanlarda, öncelikle ekspresyon veri setini seçin.

Ardından, bağlı web sitesinden veya manuel olarak içe aktarılan gen seti dosyasından gen seti veritabanını seçin. Birbiriyle karşılaştırılacak örnek gruplarını belirlemek için fenotip etiketlerini düzenleyin. Örneğin; hastalık grubu ile sağlıklı kontrol grubu.

Ardından, ekspresyon veri setindeki prob tanımlayıcılarını, gen setleri veri tabanında kullanılan resmi Hugo gen sembollerine dönüştürmek için "collapse dataset to gene symbols" (veri setini gen sembollerine indirge) seçeneğini "true" (doğru) olarak işaretleyin. Ekspresyon veri seti halihazırda Hugo gen sembollerini içeriyorsa "false" (yanlış) seçeneğini işaretleyin. Permütasyon sayısını varsayılan ayar olan 1.000 olarak belirleyin.

Her bir fenotipte yedi'den fazla örnek olduğunda fenotip permutasyonu önerildiğinden, permutasyon tipini gen seti olarak değiştirin. Son olarak, gen ekspresyon verilerini üretmek için kullanılan çip platformunu, ya bağlı olan web sitesinden ya da manuel olarak aktarılan DNA çipi açıklama dosyasından seçin. Temel alanlarda, analiz adını ve sonuçları bu klasöre kaydet bölümünü düzenleyin.

Ek olarak, diğer istatistiksel parametreler değiştirilebilir. Parametreler ve gelişmiş alanlar bölümü hakkında daha fazla ayrıntı için lütfen GSEA kullanıcı kılavuzuna bakınız. Gen ekspresyon verileri için harici olarak hesaplanmış grup metrikleri uygulanacaksa, bir GSEA ön sıralama (pre-ranked) aracı kullanın.

Bu analiz, genleri sıralamak için kullanılan önceden hesaplanmış grup metriklerine önceden atanmış basit bir gen listesine dayalı olarak yürütülür. Alternatif gen ekspresyon dosyasını yükledikten sonra, ana navigasyon çubuğuna gidin ve Araçlar, GseaPreranked'e tıklayın. Benzer şekilde, analiz parametrelerini ayarlamak için yeni bir sekme açılacaktır.

Ardından, pencerenin sağ alt köşesindeki Run düğmesine tıklayın. Analiz sonuçlarını açmak için GSEA raporu bölümünde başarılı olan analize tıklayın. Son olarak, analiz sonuçlarını bir hesap tablosuna aktarmak için Excel formatındaki ayrıntılı zenginleştirme sonuçlarına tıklayın.

Her iki fenotip için sonuçları ayrı ayrı dışa aktarın. Excel'de, sonuç verilerini tek bir hesap çizelgesi dosyasında birleştirin. Birkaç çalışmanın gen ekspresyon verileri arasındaki sonraki karşılaştırmalar için, en azından gen setinin adını, normalize edilmiş zenginleştirme skorunu ve FDR değerini muhafaza edin.

Gen seti zenginleştirme analizini ikinci çalışma ve birbirleriyle karşılaştırılması planlanan tüm sonraki çalışmalar için tekrarlayın. Translasyonel araştırma sorusu için en uygun fare modelini belirlemek amacıyla, mümkün olduğunca çok insan klinik çalışmasını ve farklı fare modellerini dahil edin. İnsan durumunu taklit etmek için en uygun hayvan modelini belirlemek için, tüm çalışmaların GSEA sonuçlarını birbirleriyle karşılaştırın.

Yolları aktive olmuş, inhibe olmuş veya her ikisi de değil şeklinde sınıflandırmak için zenginleştirme skorlarını ve FDR değerlerini kullanın. Karşılaştırılacak çok sayıda çalışma olduğunda, R betiklerinin kullanılması önerilir. İki çalışmanın her bir karşılaştırması için, üç çarpı üç'lük bir kontingans tablosunda belirtildiği üzere, yol düzenlemesinin dokuz olası kombinasyonunun gerçekleşme sayısını belirleyin.

Pozitif öngörücü değer ve negatif öngörücü değer hesaplamasıyla iki çalışma arasındaki korelasyonu değerlendirin; bu değerler tanım gereği, iki çalışmada aynı düzenlemeyi gösteren yolakların kısmını ifade eder. Ayrıca, ppv şans ve npv şans ile temsil edilen, sadece tesadüfen korele olması beklenen yolakların kısmını tahmin edin. Ardından bilgi kazancını hesaplayın.

Tüm hesaplamalar hesap tablosu programları kullanılarak yapılabilir, ancak R fonksiyonlarının kullanımı önerilir. Örneğin, chi-squared test R fonksiyonunu veya hesap tablosu programlarını kullanarak, bir çift çalışmanın kontenjans tablosundaki P değerini ki-kare testi ile hesaplayın. Kontenjans tablosu verilerini bir X matrisinde saklayın. Ardından, analiz için seçilen çalışmaların tüm kombinasyonları için GSEA sonuçlarını karşılaştırın.

Tüm kombinasyonları bilgi kazancına göre sıralayın. Çok sayıda veri setinin karşılaştırılması için bir matris kullanın ve bulguları renkli bir ısı haritası yardımıyla görselleştirin. En yüksek bilgi kazancına sahip hayvan modelini seçin.

Bilgi kazanımının anlamlılığını değerlendirmek için ki-kare testini de dikkate alın. İnsan ve fare çalışmaları arasındaki yolak karşılaştırmalarının korelasyon matrisi burada gösterilmiştir. Yolak düzenlemesinin örtüşmesi, bir çalışmanın etkilerini tahmin etmek için başka bir çalışmadan elde edilebilecek bilgi kazanımı olarak gösterilmektedir.

Mavi, veriler arasındaki düşük korelasyonu; kırmızı ise yüksek korelasyonu ifade eder. İnsan ve fare veri setlerinin karşılaştırılması, insan çalışmalarıyla yüksek korelasyon gösteren bir fare model alt grubu olduğunu ortaya koymuştur. Bu nedenle, söz konusu fare modelleri insan durumunu taklit etmek için en uygun olanlardır.

Buna karşılık, yedi, sekiz ve dokuz numaralı çalışmalarla insan hastalıkları çalışmaları arasında herhangi bir korelasyon görülmemiştir. Uzmanlaşıldığında, bu teknik uygun şekilde yürütüldüğü takdirde birkaç gün içinde tamamlanabilir. Bu süre, veri miktarına ve verilerin erişilebilirliğine bağlıdır.

Bu prosedürü uygularken, sonuçların geçerliliğinin seçilen verilerin kalitesine ve uygunluğuna bağlı olduğunu hatırlamak önemlidir. Bu videoyu izledikten sonra, transkript verilerine dayanarak belirli bir insan hastalığı için uygun bir hayvan modelinin nasıl seçileceği konusunda iyi bir anlayış kazanmış olmalısınız.