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.
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.
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.
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 araçla…
The authors have nothing to disclose.
Bu çalışma NIH hibe R01 GM126555-01 ve NSF hibe DMS-1839299 tarafından finanse edildi.
Docker | https://docs.docker.com/get-docker/ | ||
Git | https://git-scm.com/ | ||
Inherent Dynamics Pipeline | https://gitlab.com/biochron/inherent_dynamics_pipeline | ||
Inherent Dynamics Visualizer | https://gitlab.com/bertfordley/inherent_dynamics_visualizer | ||
Miniconda | https://docs.conda.io/en/latest/miniconda.html | ||
Pip | https://pip.pypa.io/en/stable/ |