Gen kullanmak için bir protokol translasyonel araştırma için uygun hayvan modeli belirlemek için zenginleştirme çözümlemesi ayarla
16 Ağustos 2017
Gen kümesi zenginleştirme translasyonel araştırma için bir ideal fare modeli tanımlamak için transcriptomic veri analizini kullanımına ilişkin standart bir protokol sağlar.
Bu iletişim kuralı ve DNA Mikroarray ve RNA sıralama veri ile kullanılabilir veri yoksa diğer omics veri için daha da uzatılabilir.
Bu prosedürün genel amacı, translasyonel araştırma soruları için uygun hayvan modelini belirlemektir. Bu yöntem, translasyonel araştırmada önemli bir soruyu yanıtlamaya yardımcı olabilir ve bu, araştırmak istediğim belirli bir insan hastalığı için uygun bir hayvan modelini nasıl seçebilirim? Bu tekniğin temel avantajı, tüm genom verilerinin hayvan modelleri ve insan hastalığı çalışmaları arasında karşılaştırılmasıdır.
Bu nedenle, bu yaklaşım, tek gen karşılaştırmaları ile ilgili önyargılı yorumlamalardan kaçınır. Bu yöntem, fare modellerinin enflamatuar hastalıklar için uygunluğu hakkında fikir verse de, diğer hastalık modellerine de uygulanabilir. GSEA, gen ekspresyonu çalışmaları için politika düzenlemesinin araştırılmasına yardımcı olur.
Her hayvan modeli ve hastalık çalışmasının çıktısı, daha fazla karşılaştırma için temel oluşturur. Bu yordama yazılım ve veri indirme ile başlayın, ardından metin protokolünde açıklandığı gibi veri işleme ve biçimlendirme ile devam edin. Ardından GSEA yazılım aracını açın.
Ana pencerenin sol tarafındaki Verileri Yükle düğmesini tıklayın. Gerekli veri dosyalarını içe aktarmak için yeni bir sekme açılacaktır. Yeni sekmede, gen ifadesi veri dosyasına ve fenotip dosyasına göz atın.
GSEA'nın internete bağlanamaması durumunda, indirilen moleküler imza veritabanı dosyalarını ve DNA çipi ek açıklama dosyalarını da yükleyin. Başarıyla içe aktarılan veriler, veri yükleme bölümünde görünür. Ana pencerenin sol tarafındaki GSEA'yı Çalıştır düğmesine tıklayın.
Analiz için parametreleri ayarlamak için yeni bir sekme açılacaktır. Sekme, gerekli alanlar, temel alanlar ve gelişmiş alanlar olmak üzere üç bölüme ayrılmıştır. Gerekli alanlarda, önce ifade veri kümesini seçin.
Ardından, bağlı web sitesinden veya manuel olarak içe aktarılan gen seti dosyasından gen setleri veritabanını seçin. Birbiriyle karşılaştırılması gereken örnek gruplarını seçmek için fenotip etiketlerini düzenleyin. Örneğin, hastalık grubuna karşı sağlıklı kontrol grubu.
Ardından, ifade veri setindeki prob tanımlayıcılarını gen setleri veritabanında kullanılan resmi Hugo gen sembollerine çevirmek için veri setini gen sembollerine eşittir true olarak daralt'ı seçin. İfade veri kümesi zaten Hugo gen simgeleri içeriyorsa false değerini seçin. Permütasyon sayısını varsayılan ayara 1.000 olarak ayarlayın.
Fenotip permütasyonu yalnızca her fenotipte yediden fazla örnek olduğunda önerildiğinden, permütasyon tipini gen seti olarak değiştirin. Son olarak, bağlı web sitesinden veya manuel olarak içe aktarılan DNA çipi ek açıklamaları dosyasından gen ekspresyon verilerini oluşturmak için kullanılan çip platformunu seçin. Temel alanlarda, analiz adını ve sonuçları bu klasöre kaydet bölümünü düzenleyin.
Ek olarak, daha fazla istatistiksel parametre değiştirilebilir. Parametreler ve gelişmiş alanlar bölümü hakkında daha fazla ayrıntı için lütfen GSEA kullanıcı kılavuzuna gidin. Gen ekspresyonu verileri için harici olarak hesaplanan grup metrikleri uygulanırsa, GSEA önceden derecelendirilmiş bir araç kullanın.
Bu analiz, genleri sıralamak için kullanılan önceden hesaplanmış grup metriklerine önceden atanmış basit bir gen listesine dayalı olarak gerçekleştirilir. Alternatif gen ekspresyon dosyasını yükledikten sonra, ana gezinme çubuğuna gidin ve Tools, GseaPreranked'a tıklayın. Benzer şekilde, analiz için parametreleri ayarlamak için yeni bir sekme açılacaktır.
Ardından, pencerenin sağ alt kısmındaki Çalıştır düğmesini tıklayın. Analiz sonuçlarını açmak için GSEA raporu bölümünde başarılı analize tıklayın. Ardından, analiz sonuçlarını bir elektronik tabloya aktarmak için Excel biçimindeki ayrıntılı zenginleştirme sonuçlarına tıklayın.
Sonuçları her iki fenotip için ayrı ayrı dışa aktarın. Excel'de, sonuç verilerini tek bir elektronik tablo dosyasında birleştirin. Birkaç çalışmanın gen ekspresyonu verileri arasında daha sonra karşılaştırma yapmak için, en azından gen setinin adını, normalleştirilmiş zenginleştirme skorunu ve FDR değerini koruyun.
İkinci çalışma için ve birbiriyle karşılaştırılması amaçlanan tüm diğer çalışmalar için gen seti zenginleştirme analizini tekrarlayın. Translasyonel araştırma sorusu için en uygun fare modelini belirlemek için mümkün olduğunca çok sayıda insan klinik çalışmasını ve farklı fare modelini dahil edin. İnsan durumunu taklit etmek için en uygun hayvan modelini belirlemek için, tüm çalışmaların GSEA sonuçlarını birbiriyle karşılaştırın.
Yolları etkinleştirilmiş, engellenmiş veya hiçbiri olarak sınıflandırmak için zenginleştirme puanlarını ve FDR değerlerini kullanın. Karşılaştırılacak birçok çalışma için R betiklerinin kullanılması önerilir. İki çalışmanın her bir karşılaştırması için, üçe üç olasılık tablosu ile gösterildiği gibi dokuz olası yol düzenlemesi kombinasyonunun gerçekleşme sayısını sayın.
Pozitif prediktif değer ve tanım gereği iki çalışmada aynı düzenlemeyi gösteren yolların bir parçası olan negatif prediktif değerin hesaplanmasıyla iki çalışma arasındaki korelasyonu değerlendirin. Ayrıca, ppv şansı ve npv şansı ile temsil edilen, sadece şans eseri ilişkilendirilmesi beklenen yolların bir kısmını tahmin edin. Sonra bilgi kazancını hesaplayın.
Tüm hesaplamalar elektronik tablo programları kullanılarak yapılabilir, ancak R işlevlerinin kullanılması önerilir. Ki-kare testiyle P değerini hesaplamak için bir çift etüdün olasılık tablosunu kullanın, örneğin R fonksiyonunu, ki-kare testini veya elektronik tablo programlarını kullanarak. Acil durum tablosunun verilerini bir matris X'te saklayın.Ardından, analiz için seçilen çalışmaların tüm kombinasyonları için GSEA sonuçlarını karşılaştırın.
Tüm kombinasyonları bilgi kazanımına göre sıralayın. Birçok veri kümesinin karşılaştırılması için bir matris kullanın ve bulguları renkli bir ısı haritası kullanarak görselleştirin. En yüksek bilgi kazancına sahip hayvan modelini seçin.
Bilgi kazanımının önemini değerlendirmek için, ki-kare testini de dikkate alın. İnsan ve fare çalışmaları arasındaki yol karşılaştırmalarının bir korelasyon matrisi burada gösterilmiştir. Yol düzenlemesinin örtüşmesi, başka bir çalışmadaki etkileri tahmin etmek için bir çalışmadan elde edilebilecek bilgi kazanımı olarak gösterilmektedir.
Mavi, veriler arasındaki düşük korelasyon ve kırmızı, yüksek korelasyon anlamına gelir. İnsan ile fare veri kümelerinin karşılaştırılması, insan çalışmalarıyla yüksek oranda ilişkili olan bir fare modelleri alt grubunu ortaya çıkardı. Bu nedenle, bu fare modelleri insan durumunu taklit etmek için en uygun olanlardır.
Buna karşılık, yedi, sekiz ve dokuzuncu çalışmalar, insan hastalığı çalışmalarıyla hiçbir korelasyon göstermedi. Bir kez ustalaştıktan sonra, bu teknik düzgün bir şekilde yapılırsa birkaç gün içinde yapılabilir. Veri miktarına ve veri kullanılabilirliğine bağlıdır.
Bu prosedürü denerken, sonuçların geçerliliğinin seçilen verilerin kalitesine ve alaka düzeyine bağlı olduğunu hatırlamak önemlidir. Bu videoyu izledikten sonra, transkript verilerine dayalı olarak belirli bir insan hastalığı için uygun bir hayvan modelinin nasıl seçileceğini iyi anlamış olmalısınız.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu makale, translasyonel araştırma için uygun fare modellerini tanımlamak amacıyla transkriptomik verilerin gen seti zenginleştirme analizi (GSEA) için standartlaştırılmış bir protokol sunmaktadır. Yöntem, hayvan modelleri ile insan hastalık çalışmaları arasındaki tüm genom verilerini karşılaştırarak çeşitli hastalıklar için model seçimine ilişkin bilgiler sağlar.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Translasyonel Araştırma
- Genomik
- Hayvan Modelleri
Arka Plan
- Uygun hayvan modellerinin belirlenmesi, translasyonel araştırma için kritik öneme sahiptir.
- GSEA, tüm genom verilerini karşılaştırarak önyargılı yorumlamaları önler.
- Bu yöntem, enflamatuar hastalıklar dışındaki çeşitli hastalık modellerine uygulanabilir.
- Bu yöntem, gen ekspresyonunun düzenlenmesinin araştırılmasına yardımcı olur.
Çalışmanın Amacı
- Belirli insan hastalıkları için hayvan modellerinin seçilmesi protokolü sağlamak.
- Translasyonel araştırmada model uygunluğu anlayışını geliştirmek.
- Model seçiminde transkriptomik verilerin kullanımını kolaylaştırmak.
Kullanılan Yöntemler
- Transkriptomik verilerin gen seti zenginleştirme analizi (GSEA).
- Hayvan modelleri ve insan hastalık çalışmaları arasındaki tüm genom verilerinin karşılaştırılması.
- Protokolün DNA mikrodizisi ve RNA sekanslama verilerine uygulanması.
- Mevcut olduğunda diğer omikler verilerine genişletme.
Ana Sonuçlar
- Protokol, translasyonel araştırma için uygun fare modellerini etkili bir şekilde tanımlar.
- GSEA, modeller arasında gen ekspresyonunun kapsamlı bir görünümünü sağlar.
- Elde edilen bilgiler, çeşitli hastalıklar için modellerin seçimine katkıda bulunabilir.
- Yöntem, tek gen karşılaştırmalarıyla ilişkili önyargıyı azaltır.
Sonuçlar
- Standartlaştırılmış protokol, hayvan modellerinin seçim sürecini geliştirir.
- GSEA, model tanımlama için translasyonel araştırmada değerli bir araçtır.
- Bu yaklaşım, çeşitli hastalık bağlamlarına uyarlanabilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
Selecting appropriate animal models remains a critical challenge in translational research, where model misalignment contributes to late-stage attrition. This protocol enables systematic evaluation of murine models using transcriptomic concordance with human disease data, reducing reliance on subjective gene filtering. By providing a standardized GSEA-based framework, it supports predictive confidence in model selection and informs go/no-go decisions early in discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypothesis by assessing pathway-level concordance between human disease and animal model transcriptomes.
- Operational Value: Avoids biased interpretation from single-gene comparisons, reducing mechanistic ambiguity in target validation.
- Predictive Value: Enables data-driven prioritization of models with highest gain of information, supporting portfolio triage.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems by identifying models with conserved pathway regulation for downstream compound screening.
- Operational Value: Standardizes cross-study comparison through normalized enrichment scores and FDR values, enhancing reproducibility.
- Scalability: Supports inclusion of multiple human clinical studies and mouse models to identify optimal translational fit.
Translational & Preclinical Research
- Translational Continuity: Connects discovery through preclinical validation by identifying models with high correlation to human disease states.
- Risk-Adjusted Advancement: Uses gain of information and chi-squared testing to assess significance of model suitability, informing progression decisions.
- Biomarker Alignment: Facilitates identification of conserved pathways that may serve as translational biomarkers across species.
Pipeline & Workflow Integration
The method fits within the discovery continuum from target validation to preclinical model selection, enabling transcriptomic data to guide animal model choice before significant investment in screening or efficacy studies.
- Discovery Biology: Supports hypothesis testing by comparing whole-genome pathway activation or inhibition patterns between species.
- Screening: Enhances assay readiness by ensuring selected models reflect human disease biology, improving compound evaluation reliability.
- Analytics: Generates quantitative outputs (normalized enrichment score, FDR, gain of information) for objective cross-study comparison.
- Translational Research: Promotes continuity by selecting models with demonstrated pathway-level concordance to human conditions.
- Enterprise Reuse: Establishes a reusable bioinformatics capability applicable across disease areas and omics data types.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in model selection, reducing false positives from inadequate biological representation.
- Operational Value: Promotes standardization and reproducibility in model evaluation across teams and sites.
- Strategic Value: Improves capital efficiency by minimizing investment in poorly predictive models.
- Portfolio Impact: Enables risk-adjusted prioritization of projects based on model suitability evidence.
Implementation Considerations
- Requires expertise in transcriptomic data analysis and GSEA software operation.
- Dependent on access to quality gene expression data from human disease studies and candidate animal models.
- Necessitates standardized data formatting, including gene symbol collapse and phenotype labeling.
- Involves cross-functional alignment between bioinformatics, pharmacology, and pathology teams for interpretation.
- Limited to retrospective analysis; cannot predict model suitability a priori without existing omics data.
