Gen kullanmak için bir protokol translasyonel araştırma için uygun hayvan modeli belirlemek için zenginleştirme çözümlemesi ayarla
Summary
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.
Abstract
İnsan hastalıkları transcriptomic veri kümeleri veri geleneksel gen gen karşılaştırma teknikleri kullanarak fare modelleri ile karşılaştırıldığında son yıllarda yapılan çalışmalarda hayvan modellerinde alaka ile ilgili çelişkili sonuçlar sonuçlandı translasyonel araştırma. Rasgele differentially ifade genler filtreleme farklı gen ifade analizleri arasındaki farklılıkları için önemli bir nedeni var. Ayrıca, farklı tür ve genellikle platformlar arasında tek gen karşılaştırılması con/uyumsuzluk yanlış yorumlanmasına yol insan ve hayvan modellerinden veri arasında önde gelen teknik farkı ile sınırlıdır. Böylece, standart yaklaşımları sistematik veri analizi için ihtiyaç vardır. Öznel gen filtreleme ve etkisiz gen gen karşılaştırma üstesinden gelmek için biz son zamanlarda gen kümesi zenginleştirme analiz (GSEA) bu sorunları önlemek için potansiyele sahip olduğunu gösterdi. Bu nedenle, biz translasyonel araştırma için uygun ve uygun olmayan hayvan modelleri arasında ayırt etmek için GSEA kullanımı için bir standart iletişim kuralı geliştirilmiştir. Bu iletişim kuralı olarak varolan deneysel omics veri gerektirir bir–priori, yeni model sistemleri nasıl tahmin etmek uygun değildir. Ancak, protokol böylece gereksiz hayvan deneyleri kaçınarak ve çevirim çalışmalar yanıltıcı en uygun hayvan modeli seçmek için standart bir şekilde varolan verileri yorumlamak açıklar.
Introduction
Hayvan modelleri yaygın insan hastalıkları, genetik, anatomi ve Fizyoloji bakımından insanlara kabul onların benzerlik nedeniyle incelemek için kullanılır. Ayrıca, hayvan modelleri genellikle ağ geçidi denetleyicileri için klinik tedaviler olarak hizmet ve translasyonel araştırma başarısı üzerinde büyük bir etkisi olabilir. En iyi hayvan modeli dikkatli seçimi yanıltıcı hayvan çalışmaları sayısını azaltabilirsiniz. Özellikle insan inflamatuar hastalıkları ve ilgili fare modelleri elde aynı veri kümeleri çözümleme çelişkili sonuçlara yol açtı çünkü son zamanlarda, hayvan modellerinde translasyonel araştırma uygunluğu tartışmalı, tartışıldı 1,2. Bu tartışma omics veri çözümleme sırasında temel bir sorun ortaya: sistematik veri analizi için standart yaklaşımları önyargılı gen seçim azaltmak için ve türler arası karşılaştırmalar 3sağlamlığı artırmak için ihtiyaç vardır.
Geleneksel olarak, transcriptomics veri (ve diğer omics veri) analizi tek gen düzeyinde yapılır ve gen seçim sıkı kesme parametrelere dayalı bir ilk adım içerir (örneğin, kat değişiklik > 2.0, p değeri < 0,05). Ancak, ilk kesme parametrelerinin ayarı kez öznel, rasgele ve biyolojik olarak haklı olduğunu ve ters sonuçlar1,2bile yol açabilir. Ayrıca, ilk gen seçim genellikle analizi birkaç son derece yukarı – ve downregulated genler için kısıtlar ve böylece differentially daha az bir ölçüde ifade edildi genler çoğunluğu dahil etmek için duyarlı değildir.
2000’lerin genomik dönemi yükselişi ve biyolojik yollar ve bağlamlarda artan bilgi ile alternatif istatistiksel yaklaşımlar tek gen düzeyinde analizler sınırlamaları aşmak için izin geliştirilmiştir. Gene transcriptomics veri analizi için yaygın olarak kabul edilen yöntemlerden biri zenginleştirme analiz (GSEA)4, ayarla, priori bir tanımlı grupların genlerin (yollar, bir kromozom vb proksimal konumunda sinyalörneğin,.) kullanır. GSEA ilk ifade onların bireysel değişiklik bakılmaksızın tüm algılanan filtre uygulanmamış genler (örneğin, yollar), hedeflenen gen kümeleri için eşleştirir. Bu yaklaşım böylece Ayrıca aksi takdirde tek gen düzeyinde analizler ile kayıp olacağını orta düzenlenmiş genden oluşmaktadır. İfade gen kümeleri içinde katkı maddesi değişikliği daha sonra çalışan toplam istatistikleri kullanılarak gerçekleştirilir.
Tıbbi araştırma rağmen geniş kullanımı, GSEA ve ilgili küme zenginleştirme yaklaşımlar bakarsanız karmaşık omics veri analizi için dikkate alınmaz. Burada, biz translasyonel çalışmaları için ideal modeli tanımlamak için bu fare modelleri ile insan örnekleri omics verileri karşılaştırmak için bir protokol tanımlamak. Biz insan enflamatuar bozuklukları taklit için kullanılan fare modelleri topluluğu dayalı İletişim Kuralı Uygulanabilirlik göstermek. Ancak, bu analiz boru hattı insan-fare karşılaştırmalar için sınırlı değildir ve daha fazla iyileştirilebilir araştırma soruları.
Protocol
Representative Results
Discussion
Hayvan modelleri uzun hastalık mekanizmaları incelenmesi ve roman tedavi stratejilerinin geliştirilmesi için uygulandı. Ancak, şüphecilik hayvan modellerin predictivity ilgili klinik çalışmalar12sayısının yayılmaya başladı. Ayrıca, çözümlemek ve preklinik denemeler büyük omics verileri yorumlama için uygun stratejiler hakkında tartışmalı tartışmalar ters sonuçlar aynı verilerden farklı veri analizi stratejileri1 uygulandıktan sonra çizilmiş tara…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Bu eser Risk değerlendirmesi (BfR) Alman Federal Enstitüsü tarafından finanse edildi.
References
- Seok, J., et al. Genomic responses in mouse models poorly mimic human inflammatory diseases. Proc Natl Acad Sci U S A. 110 (9), 3507-3512 (2013).
- Takao, K., Miyakawa, T. Genomic responses in mouse models greatly mimic human inflammatory diseases. Proc Natl Acad Sci U S A. 112 (4), 1167-1172 (2015).
- Weidner, C., Steinfath, M., Opitz, E., Oelgeschläger, M., Schönfelder, G. Defining the optimal animal model for translational research using gene set enrichment analysis. EMBO Mol Med. 8 (8), 831-838 (2016).
- Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).
- Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M., Tanabe, M. KEGG as a reference resource for gene and protein annotation. Nucleic Acids Res. 44 (D1), D457-D462 (2016).
- Kanehisa, M., Goto, S. KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 28 (1), 27-30 (2000).
- Fabregat, A., et al. The Reactome pathway Knowledgebase. Nucleic Acids Res. 44 (D1), D481-D487 (2016).
- Croft, D., et al. The Reactome pathway knowledgebase. Nucleic Acids Res. 42 (Database issue), D472-D477 (2014).
- Nishimura, D. BioCarta. Biotech Software & Internet Report. 2 (3), 117-120 (2001).
- Edgar, R., Domrachev, M., Lash, A. E. Gene Expression Omnibus: NCBI gene expression and hybridization array data repository. Nucleic Acids Res. 30 (1), 207-210 (2002).
- Kolesnikov, N., et al. ArrayExpress update–simplifying data submissions. Nucleic Acids Res. 43 (Database issue), D1113-D1116 (2015).
- Cohen, J., et al. Sepsis: a roadmap for future research. Lancet Infect Dis. 15 (5), 581-614 (2015).
- Spinelli, L., Carpentier, S., Montanana Sanchis, F., Dalod, M., Vu Manh, T. P. BubbleGUM: automatic extraction of phenotype molecular signatures and comprehensive visualization of multiple Gene Set Enrichment Analyses. BMC Genomics. 16 (1), 814 (2015).
