Summary
हम डेटा-संचालित नेटवर्क निर्माण और मेटाबोलॉमिक्स डेटा के विश्लेषण के लिए दो उपकरण, सहसंबंध कैलकुलेटर और फिलीग्री प्रस्तुत करते हैं। सहसंबंध कैलक्यूलेटर अभिव्यक्ति डेटा के आधार पर मेटाबोलाइट्स के एकल इंटरैक्शन नेटवर्क के निर्माण का समर्थन करता है, जबकि फिलीग्री एक अंतर नेटवर्क बनाने की अनुमति देता है, इसके बाद नेटवर्क क्लस्टरिंग और संवर्धन विश्लेषण होता है।
Abstract
ओमिक्स डेटा के विश्लेषण में एक महत्वपूर्ण चुनौती कार्रवाई योग्य जैविक ज्ञान निकाल रही है। मेटाबोलॉमिक्स कोई अपवाद नहीं है। विशिष्ट जैविक प्रक्रियाओं के लिए व्यक्तिगत मेटाबोलाइट्स के स्तर में परिवर्तन से संबंधित सामान्य समस्या अलक्षित तरल क्रोमैटोग्राफी-मास स्पेक्ट्रोमेट्री (एलसी-एमएस) अध्ययनों में मौजूद अज्ञात मेटाबोलाइट्स की बड़ी संख्या से जटिल है। इसके अलावा, मौजूदा मार्ग डेटाबेस में माध्यमिक चयापचय और लिपिड चयापचय का खराब प्रतिनिधित्व किया जाता है। इन सीमाओं को दूर करने के लिए, हमारे समूह ने डेटा-संचालित नेटवर्क निर्माण और विश्लेषण के लिए कई उपकरण विकसित किए हैं। इनमें सहसंबंध कैलकुलेटर और फिलीग्री शामिल हैं। दोनों उपकरण उपयोगकर्ताओं को प्रयोगात्मक मेटाबोलॉमिक्स डेटा से आंशिक सहसंबंध-आधारित नेटवर्क बनाने की अनुमति देते हैं जब मेटाबोलाइट्स की संख्या नमूनों की संख्या से अधिक होती है। सहसंबंध कैलक्यूलेटर एक एकल नेटवर्क के निर्माण का समर्थन करता है, जबकि फिलीग्री नमूनों के दो समूहों से डेटा का उपयोग करके एक अंतर नेटवर्क बनाने की अनुमति देता है, इसके बाद नेटवर्क क्लस्टरिंग और संवर्धन विश्लेषण होता है। हम वास्तविक जीवन मेटाबोलॉमिक्स डेटा के विश्लेषण के लिए दोनों उपकरणों की उपयोगिता और अनुप्रयोग का वर्णन करेंगे।
Introduction
पिछले दशक में, गैस क्रोमैटोग्राफी-मास स्पेक्ट्रोमेट्री (जीसी-एमएस) और लिक्विड क्रोमैटोग्राफी-मास स्पेक्ट्रोमेट्री (एलसी-एमएस) जैसी विश्लेषणात्मक प्रौद्योगिकियों में प्रगति के कारण मेटाबोलॉमिक्स एक ओमिक्स विज्ञान के रूप में उभरा है। ये तकनीक सैकड़ों से हजारों छोटे अणु मेटाबोलाइट्स के एक साथ माप की अनुमति देती है, जिससे जटिल बहुआयामी डेटासेट बनते हैं। मेटाबोलॉमिक्स प्रयोगों को लक्षित या अलक्षित मोड में किया जा सकता है। लक्षित मेटाबोलॉमिक्स प्रयोग मेटाबोलाइट्स के विशिष्ट वर्गों को मापते हैं। वे आमतौर पर परिकल्पना-संचालित होते हैं, जबकि अलक्षित दृष्टिकोण जितना संभव हो उतने मेटाबोलाइट्स को मापने का प्रयास करते हैं और प्रकृति में परिकल्पना पैदा करने वाले होते हैं। लक्षित परख में आमतौर पर आंतरिक मानक शामिल होते हैं और इस प्रकार रुचि के मेटाबोलाइट्स के पूर्ण परिमाणीकरण की अनुमति मिलती है। इसके विपरीत, अलक्षित परख सापेक्ष परिमाणीकरण की अनुमति देते हैं और इसमें कई अज्ञात मेटाबोलाइट्सशामिल हैं।
मेटाबोलॉमिक्स डेटा का विश्लेषण एक बहु-चरण प्रक्रिया है जो कई विशेषसॉफ्टवेयर टूल 1 का लाभ उठाती है। इसे निम्नलिखित तीन प्रमुख चरणों में विभाजित किया जा सकता है: (1) डेटा प्रसंस्करण और गुणवत्ता नियंत्रण, (2) सांख्यिकीय विश्लेषण, और (3) जैविक डेटा व्याख्या। यहां वर्णित उपकरण विश्लेषण के बाद के चरण को सक्षम करने के लिए डिज़ाइन किए गए हैं।
मेटाबोलॉमिक्स डेटा की व्याख्या करने का एक सहज और लोकप्रिय तरीका चयापचय मार्गों पर प्रयोगात्मक माप को मैप करना है। इस 2,3,4,5 को प्राप्त करने के लिए कई उपकरण डिज़ाइन किए गए हैं, जिसमें मेटस्केप भी शामिल है, जिसे हमारे समूह6 द्वारा विकसित किया गया है। पाथवे मैपिंग को अक्सर संवर्धन विश्लेषण के साथ जोड़ा जाता है, जो सबसे महत्वपूर्ण मार्गों की पहचान करने में मदद करता है 7,8. इन तकनीकों ने पहली बार जीन अभिव्यक्ति डेटा के विश्लेषण में प्रमुखता प्राप्त की और प्रोटिओमिक्स और एपिजेनोमिक्स डेटा 9,10,11,12,13 के विश्लेषण के लिए सफलतापूर्वक लागू किया गया है। हालांकि, मेटाबोलॉमिक्स डेटा का विश्लेषण ज्ञान-आधारित दृष्टिकोणों के लिए कई चुनौतियां प्रस्तुत करता है। सबसे पहले, अंतर्जात मेटाबोलाइट्स के अलावा, मेटाबोलॉमिक्स परख बहिर्जात यौगिकों को मापते हैं, जिनमें पोषण और अन्य पर्यावरणीय स्रोतों से आने वाले शामिल हैं। इन यौगिकों, साथ ही बैक्टीरिया द्वारा उत्पादित मेटाबोलाइट्स को अन्य यूकेरियोटिक जीवों के मानव या चयापचय मार्गों पर मैप नहीं किया जा सकता है। इसके अलावा, द्वितीयक चयापचय और लिपिड चयापचय का मार्ग कवरेज वर्तमान में उस स्तर पर उच्च-रिज़ॉल्यूशन मैपिंग की अनुमति नहीं देता है जो आसानी से डेटा14,15 की जैविक व्याख्या का समर्थन करेगा।
डेटा-संचालित नेटवर्क विश्लेषण तकनीक इन चुनौतियों को दूर करने में मदद कर सकती है। उदाहरण के लिए, सहसंबंध-आधारित नेटवर्क ज्ञात और अज्ञात मेटाबोलाइट्स दोनों के बीच संबंधों को प्राप्त करने में मदद कर सकते हैं और अज्ञात16 के एनोटेशन की सुविधा प्रदान कर सकते हैं। जबकि पियरसन के सहसंबंध गुणांक की गणना मेटाबोलाइट्स के बीच रैखिक संबंधों को स्थापित करने के लिए सबसे सीधा दृष्टिकोण है, नुकसान यह है कि यह प्रत्यक्ष और अप्रत्यक्ष दोनों संघोंको पकड़ता है17,18,19। एक विकल्प आंशिक सहसंबंध गुणांक की गणना करना है जो प्रत्यक्ष और अप्रत्यक्ष संघों के बीच अंतर कर सकता है। गॉसियन ग्राफिकल मॉडलिंग (जीजीएम) का उपयोग आंशिक सहसंबंध नेटवर्क का अनुमान लगाने के लिए किया जा सकता है। हालांकि, जीजीएम के लिए आवश्यक है कि नमूना आकार और सुविधाओं की संख्या तुलनीय हो। यह स्थिति शायद ही कभी अलक्षित एलसी-एमएस डेटा में मिलती है जिसमें हजारों चयापचय विशेषताओं के लिए माप शामिल हैं। इस सीमा को दूर करने के लिए नियमितीकरण तकनीकों का उपयोग किया जा सकता है। ग्राफिकल लासो (ग्लासो) और नोडवाइज रिग्रेशन आंशिक सहसंबंध नेटवर्क16,20 के नियमित अनुमान के लिए लोकप्रिय तरीके हैं।
यहां प्रस्तुत जैव सूचना विज्ञान उपकरणों में से पहला, सहसंबंध कैलकुलेटर16, पक्षपाती विरल आंशिक सहसंबंध (डीएसपीसी) एल्गोरिथ्म पर आधारित है। डीएसपीसी डी-स्पैसिफाइड ग्राफिकल लासो मॉडलिंग पर निर्भर करता है। एल्गोरिथ्म की अंतर्निहित धारणा यह है कि मेटाबोलाइट्स के बीच कनेक्शन की संख्या नमूनों की संख्या से काफी कम है, यानी, मेटाबोलाइट्स का आंशिक सहसंबंध नेटवर्क विरल है। यह धारणा डीएसपीसी को नियमित प्रतिगमन तकनीकों का लाभ उठाते हुए, कम नमूनों का उपयोग करके बड़ी संख्या में मेटाबोलाइट्स के बीच कनेक्टिविटी की खोज करने की अनुमति देती है। इसके अलावा, नियमित प्रतिगमन अनुमानों के लिए एक डिबियासिंग चरण का उपयोग करते हुए, यह किनारे के मापदंडों के लिए नमूना वितरण प्राप्त करता है जिसका उपयोग आत्मविश्वास अंतराल बनाने और रुचि की परिकल्पनाओं का परीक्षण करने के लिए किया जा सकता है (उदाहरण के लिए, एकल या किनारों के समूह की उपस्थिति / अनुपस्थिति)। आंशिक सहसंबंध नेटवर्क में बढ़त की उपस्थिति या अनुपस्थिति को इस प्रकार गणना किए गए पी-मानों का उपयोग करके औपचारिक रूप से परीक्षण किया जा सकता है।
सहसंबंध कैलकुलेटर एकल-समूह विश्लेषण16 के लिए बहुत उपयोगी साबित हुआ; हालांकि, कई मेटाबोलॉमिक्स प्रयोगों का उद्देश्य दो या दो से अधिक स्थितियों का अंतर विश्लेषण है। जबकि सहसंबंध कैलकुलेटर को प्रत्येक समूह पर प्रत्येक स्थिति के लिए आंशिक सहसंबंध नेटवर्क उत्पन्न करने के लिए अलग से नियोजित किया जा सकता है, यह दृष्टिकोण नेटवर्क उत्पादन के लिए उपयोग किए जा सकने वाले नमूनों की संख्या को सीमित करता है। चूंकि पर्याप्त रूप से बड़ा नमूना आकार डेटा-संचालित विश्लेषण में सबसे बड़े विचारों में से एक है, इसलिए नेटवर्क बनाने के लिए डेटा में सभी उपलब्ध नमूनों का लाभ उठाने वाले तरीके अत्यधिक वांछनीय हैं। इस दृष्टिकोण को यहां प्रस्तुत दूसरे उपकरण में लागू किया गया है, जिसे फिलीग्री21 कहा जाता है। फिलीग्री पहले प्रकाशित विभेदक नेटवर्क संवर्धन विश्लेषण (डीएनईए) एल्गोरिथ्म22 पर निर्भर करता है। तालिका 1 अनुप्रयोगों और दोनों उपकरणों के वर्कफ़्लो को दर्शाता है।
| प्रयोगात्मक स्थितियों की संख्या (के) | k = 1 | k = 2 |
| सॉफ्टवेयर उपकरण | सहसंबंध कैलक्यूलेटर | ज़रदोज़ी |
| इनपुट डेटा | • मेटाबोलाइट्स एक्स नमूने डेटा मैट्रिक्स। | • मेटाबोलाइट्स एक्स नमूने डेटा मैट्रिक्स। • प्रायोगिक समूह |
| वर्कफ़्लो • पूर्व-उपचार • नेटवर्क आकलन • नेटवर्क क्लस्टरिंग • संवर्धन विश्लेषण |
• लॉग परिवर्तन; ऑटोस्केलिंग • डीएसपीसी • बाहरी क्षुधा के माध्यम से •नहीं |
• लॉग परिवर्तन; ऑटोस्केलिंग • संयुक्त नेटवर्क आकलन • आम सहमति क्लस्टरिंग • NetGSA |
| डेटा विज़ुअलाइज़ेशन | बाहरी ऐप के माध्यम से, उदाहरण के लिए, साइटोस्केप | बाहरी ऐप के माध्यम से, उदाहरण के लिए, साइटोस्केप |
| रुचि के परिणाम के साथ संबंध के लिए चयापचय मॉड्यूल का परीक्षण (वैकल्पिक) | बाहरी ऐप्स के माध्यम से | बाहरी ऐप्स के माध्यम से |
तालिका 1: आवेदन का दायरा और सहसंबंध कैलकुलेटर और फिलीग्री का वर्कफ़्लो।
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. सहसंबंध कैलक्यूलेटर
- एक नमूना अल्पविराम-सीमांकित इनपुट फ़ाइल डाउनलोड करें जिसमें http://metscape.med.umich.edu/kora_data_240.csv पर प्रयोगात्मक माप के साथ मेटाबोलाइट्स की एक सूची होती है।
- डाउनलोड की गई नमूना फ़ाइल को खोलने के लिए उस पर डबल-क्लिक करें.
- सुनिश्चित करें कि फ़ाइल में नमूने और मेटाबोलाइट्स दोनों के लिए लेबल हैं।
- चूंकि नमूने पंक्तियों में हैं, पुष्टि करें कि पहला कॉलम नमूना नाम है और पहली पंक्ति मेटाबोलाइट नाम है।
- सहसंबंध कैलक्यूलेटर जावा अनुप्रयोग (http://metscape.med.umich.edu/calculator.html) डाउनलोड करें। एप्लिकेशन लॉन्च करने के लिए डाउनलोड की गई .jar फ़ाइल पर डबल-क्लिक करें।
- इनपुट टैब पर, इनपुट फ़ाइल अपलोड करने के लिए ब्राउज़ करें बटन क्लिक करें।
- फ़ाइल स्वरूप निर्दिष्ट करें के अंतर्गत, उपयुक्त इनपुट फ़ाइल स्वरूप का चयन करने के लिए ड्रॉपडाउन तीर का उपयोग करें. पंक्तियों में नमूने का चयन करें (पूरक चित्र 1)।
- विंडो के नीचे दाईं ओर अगला >> बटन क्लिक करके डेटा सामान्यीकरण टैब पर जाएँ।
- विधि का चयन करें के अंतर्गत, Log2-ट्रांसफ़ॉर्म डेटा के बगल में स्थित बॉक्स को चेक करें. ऑटोस्केल डेटा के बगल में स्थित बॉक्स को चेक करें.
- डेटा सामान्य करें के अंतर्गत, चलाएँ बटन क्लिक करें.
नोट: एक बार सामान्यीकरण पूरा हो जाने के बाद, डेटा सामान्य करें के तहत स्थित सामान्यीकृत डेटा देखें बटन क्लिक करें, और अद्यतन डेटासेट (पूरक चित्रा 2) की समीक्षा करें। - डेटा सामान्य करें के अंतर्गत, सहेजें बटन क्लिक करें और नई डेटा फ़ाइल सहेजें.
- विंडो के नीचे दाईं ओर अगला >> बटन क्लिक करके डेटा विश्लेषण टैब पर जाएँ।
- पियर्सन के सहसंबंध की गणना के अंतर्गत, चलाएँ क्लिक करें. डेटा के लिए सबसे अच्छा पियरसन सहसंबंध सीमा निर्धारित करें।
- हिस्टोग्राम देखें बटन क्लिक करें. प्रति सुविधा अधिकतम पियरसन के सहसंबंध स्कोर की आवृत्ति की समीक्षा करें।
- हीटमैप देखें बटन क्लिक करें। पियर्सन के सहसंबंध मैट्रिक्स के प्रतिनिधित्व की समीक्षा करें।
- पियरसन के सहसंबंध द्वारा फ़िल्टर के अंतर्गत, डिफ़ॉल्ट संख्याओं को 0.00 से 1.00 की सीमा से फ़िल्टर करने के लिए छोड़ दें।
नोट: फ़िल्टर को बदलने के लिए छोटे नीले तीर को 1 से दाएं छोर पर और छोटे नीले तीर को 0 से बाईं ओर स्लाइड करें। टेक्स्ट बॉक्स में विशिष्ट संख्यादर्ज करना भी एक विकल्प है। - आंशिक सहसंबंध विधि का चयन करें के अंतर्गत, वांछित विधि, DSPC विधि का चयन करें।
नोट: यदि मेटाबोलाइट्स की संख्या डेटासेट में नमूनों की संख्या से छोटी है, तो केवल डीएसपीसी विधि का उपयोग किया जा सकता है। - आंशिक सहसंबंध परिकलित करें के अंतर्गत, चलाएँ बटन क्लिक करें (पूरक चित्र 3).
- CSV फ़ाइल देखें क्लिक करें और परिणाम देखें. सहेजें बटन क्लिक करें और परिणाम सहेजें.
- एक इंटरैक्टिव सहसंबंध नेटवर्क लॉन्च करने के लिए मेटस्केप में दृश्य बटन पर क्लिक करें।
मेटस्केप का उपयोग करने के बारे में अधिक जानकारी के लिए कार्नोव्स्की, ए एट अल.6 देखें।
नोट: मेटस्केप एक साइटोस्केप एप्लिकेशन है जो सहसंबंध नेटवर्क के निर्माण और अन्वेषण के लिए अनुमति देता है।
2. फिलीग्री
- http://metscape.med.umich.edu/T1D_primaryMetabolites_noIS_log_scaled_sorted.csv पर मेटाबोलाइट माप युक्त एक नमूना अल्पविराम-सीमांकित इनपुट फ़ाइल डाउनलोड करें।
- डाउनलोड की गई नमूना फ़ाइल को खोलने के लिए उस पर डबल-क्लिक करें.
- सुनिश्चित करें कि फ़ाइल में स्तंभ 1 में नमूना नाम और स्तंभ 2 में समूह असाइनेशन हैं. पुष्टि करें कि शेष कॉलम में मेटाबोलाइट्स / लिपिड हैं।
- सुनिश्चित करें कि प्रत्येक पंक्ति एक नमूने का प्रतिनिधित्व करती है।
नोट: मेटाबोलाइट माप को लॉग-रूपांतरित और ऑटो-स्केल किया जाना चाहिए जब तक कि फीचर एकत्रीकरण न किया जाए, इस स्थिति में माप केवल लॉग-रूपांतरित होना चाहिए।
- फिलीग्री जावा अनुप्रयोग (http://metscape.med.umich.edu/filigree.html) डाउनलोड करें।
नोट: एक विस्तृत उपयोगकर्ता मैनुअल http://metscape.ncibi.org/v0.1.2Filigree_UserManual.pdf पर उपलब्ध है। - एप्लिकेशन लॉन्च करने के लिए डाउनलोड की गई .jar फ़ाइल पर डबल-क्लिक करें।
- डेटा टैब पर, इनपुट फ़ाइल अपलोड करने के लिए ब्राउज़ करें बटन क्लिक करें.
- स्तंभ/पंक्तियाँ निर्दिष्ट करें के अंतर्गत, इनपुट फ़ाइल से संबंधित स्तंभ/पंक्ति नाम का चयन करने के लिए नमूना ID के बगल में स्थित ड्रॉपडाउन तीर पर क्लिक करें. नमूना का चयन करें.
- स्तंभ/पंक्तियाँ निर्दिष्ट करें के अंतर्गत, इनपुट फ़ाइल से संबंधित स्तंभ/पंक्ति का चयन करने के लिए "समूह" के बगल में स्थित ड्रॉपडाउन तीर पर क्लिक करें. समूह का चयन करें.
- नमूना समूह निर्दिष्ट करें के अंतर्गत, इनपुट फ़ाइल से संबंधित समूह स्तंभ का चयन करने के लिए प्रत्येक समूह के बगल में स्थित ड्रॉपडाउन तीर पर क्लिक करें. समूह 1 के लिए, मधुमेह का चयन करें। समूह 2 के लिए, गैर-मधुमेह का चयन करें।
- सुविधा समूहीकरण के अंतर्गत, इच्छित विधि के बगल में स्थित बॉक्स को चेक करें, सुविधा समूहों की गणना करें.
- हीटमैप्स देखें बटन क्लिक करें। हीटमैप देखें और वांछित प्रतिशत कमी निर्धारित करें।
- सुविधाओं की वांछित प्रतिशत कमी का चयन करने के लिए सुविधा न्यूनीकरण स्लाइडर का उपयोग करें। छोटे सर्कल को तब तक स्लाइड करें जब तक कि प्रतिशत कमी 1.25 का फीचर-टू-सैंपल अनुपात न दिखाए (पूरक चित्र 4)।
- विंडो के नीचे दाईं ओर अगला >> बटन क्लिक करके विश्लेषण टैब पर जाएँ।
- आउटपुट निर्देशिका का चयन करें के अंतर्गत, ब्राउज़ करें बटन क्लिक करें और जेनरेट की गई आउटपुट फ़ाइलों को संग्रहीत करने के लिए वांछित निर्देशिका स्थान का चयन करें.
- विंडो के निचले बाईं ओर स्थित विश्लेषण चलाएँ बटन क्लिक करें. प्रगति पट्टियाँ प्रत्येक विश्लेषण घटक (पूरक चित्रा 5) के लिए अद्यतन करती हैं। सफलतापूर्वक पूरा किया गया संदेश विश्लेषण प्रदर्शित करते हुए पॉपअप विंडो पर ठीक बटन पर क्लिक करें।
- विश्लेषण टैब पर, ब्राउज़र टैब में इंटरैक्टिव फिलीग्री सबनेटवर्क खोलने के लिए नेटवर्क ब्राउज़ करें बटन क्लिक करें।
- सबनेटवर्क नाम स्तंभ के अंतर्गत सबनेटवर्क 1 लिंक पर क्लिक करें।
- विभिन्न बटन ों का उपयोग करके इंटरैक्टिव सबनेटवर्क का अन्वेषण करें। + बटन पर क्लिक करें और नेटवर्क के हिस्से पर ज़ूम इन करें। - बटन पर क्लिक करें और ज़ूम आउट करें (पूरक चित्र 6)।
- किसी समूह नोड पर क्लिक करें और इसे सबनेटवर्क के भीतर पुनर्स्थापित करने के लिए खींचें।
नोट: नोड रंग ऊपर / नीचे-विनियमन का प्रतिनिधित्व करता है, और रंग अस्पष्टता उच्च / निम्न गुना परिवर्तन का प्रतिनिधित्व करता है। किनारे का रंग समूहों के बीच अंतर स्थिति का प्रतिनिधित्व करता है। - सभी समूह नोड्स का विस्तार करने के लिए पृष्ठ के ऊपरी दाईं ओर सुविधाएँ विस्तृत करें बटन पर क्लिक करें। समूह नोड्स बनाने वाले विशिष्ट यौगिकों की समीक्षा करें।
- हाल ही में विस्तारित समूह नोड्स को ध्वस्त करने के लिए पृष्ठ के शीर्ष दाईं ओर पतन सुविधाएँ बटन पर क्लिक करें।
- एकल सबनेटवर्क से किसी समूह द्वारा विभाजित एकाधिक सबनेटवर्क में दृश्य बदलने के लिए पृष्ठ के ऊपरी दाईं ओर स्थित नमूना समूह द्वारा बटन पर क्लिक करें. उपनेटवर्क के इस दृश्य का उपयोग करके समूहों का अन्वेषण और तुलना करें (पूरक चित्र 7)।
- एकल सबनेटवर्क दृश्य पर वापस जाने के लिए सभी नमूने बटन क्लिक करें।
- पृष्ठ के ऊपरी दाईं ओर अगला बटन क्लिक करके अगला सबनेटवर्क देखें.
- प्रत्येक सबनेटवर्क के लिए चरण 2.19-2.23 दोहराएँ।
- सभी सबनेटवर्क को सूचीबद्ध करने वाले सारांश तालिका दृश्य पर लौटने के लिए विंडो के शीर्ष मध्य में विभेदक नेटवर्क संवर्धन विश्लेषण परिणाम लिंक पर क्लिक करें।
नोट: अतिरिक्त नेटवर्क विज़ुअलाइज़ेशन बनाने के लिए, साइटोस्केप23 जैसे किसी भिन्न सॉफ़्टवेयर टूल में किनारे और / या नोड आउटपुट फ़ाइलों को आयात करें।
3. अतिरिक्त विचार
- बिग सुर (OSX 11.2) या बाद के संस्करण चलाने वाले Mac कंप्यूटरों के लिए, Apple मेनू > सिस्टम प्राथमिकताएं > सुरक्षा और गोपनीयता > सामान्य में टूल को अनुमोदित करें और टैब के निचले भाग में अनुमति दें का चयन करें.
- इसके अलावा, बाईं ओर मेनू में फ़ाइलों और फ़ोल्डरों का चयन करके और फिर दाईं ओर मेनू में फिलीग्री का चयन करके सुरक्षा और गोपनीयता > गोपनीयता > ऐप्पल मेनू > फ़ाइलों तक फ़ाइलों तक फिलीग्री की पहुंच की अनुमति दें।
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
सहसंबंध कैलकुलेटर के उपयोग को स्पष्ट करने के लिए, हमने क्रुमसिक एट अल .24 में वर्णित कोरा जनसंख्या अध्ययन से मेटाबोलॉमिक्स डेटा के उप-समूह का उपयोग करके एक आंशिक सहसंबंध नेटवर्क का निर्माण किया। डेटासेट में 151 मेटाबोलाइट्स और 240 नमूने थे। चित्रा 1 परिणामी आंशिक सहसंबंध नेटवर्क को दर्शाता है जिसे साइटोस्केप में देखा गया था। नेटवर्क में 148 नोड्स और 272 किनारे हैं। नोड्स का रंग मेटाबोलाइट्स का प्रतिनिधित्व करता है जो विभिन्न रासायनिक वर्गों से संबंधित हैं, जबकि किनारे आंशिक सहसंबंध गुणांक (समायोजित पी-वैल्यू < 0.05) के समायोजित पी-वैल्यू का प्रतिनिधित्व करते हैं। विशेष रूप से, किसी भी पूर्व जानकारी का उपयोग नहीं करने के बावजूद सहसंबंध कैलकुलेटर रासायनिक रूप से संबंधित मेटाबोलाइट्स को एक साथ समूहीकृत करने में सक्षम था। उदाहरण के लिए, फॉस्फेटिडिलकोलाइन और लाइसोफॉस्फेटिडिलकोलाइन नेटवर्क में निकटता से जुड़े हुए हैं। इस प्रकार के नेटवर्क के संदर्भ में मेटाबोलाइट परिवर्तनों की कल्पना परिकल्पना उत्पादन की सुविधा प्रदान कर सकती है, भविष्य के प्रयोगों की योजना बनाने में मदद कर सकती है और पांडुलिपि तैयार करने में सक्षम हो सकती है। आंशिक सहसंबंध मेटाबोलाइट नेटवर्क का उपयोग करके एक संभावित वर्कफ़्लो को चित्रित करने के लिए, हमने मा एट अल .22 में वर्णित आम सहमति नेटवर्क क्लस्टरिंग का प्रदर्शन किया, जिसके परिणामस्वरूप 9 उपनेटवर्क या चयापचय मॉड्यूल की पहचान हुई। इन मॉड्यूल ों का रासायनिक वर्गों के साथ एक अच्छा समझौता था, यानी, एक ही रासायनिक वर्ग से संबंधित मेटाबोलाइट्स एक ही चयापचय मॉड्यूल का हिस्सा थे। उपयोगकर्ता क्लस्टरिंग टूल क्लस्टरनेट को https://github.com/Karnovsky-Lab/clusterNet पर एक्सेस कर सकता है।
चित्र 1: सहसंबंध कैलकुलेटर नेटवर्क का प्रतिनिधि उदाहरण। नेटवर्क का निर्माण कोरा जनसंख्या अध्ययन मेटाबोलॉमिक्स डेटा24 के उप-समूह से किया गया था जिसमें 240 विषयों में 151 मेटाबोलाइट्स शामिल थे। नोड्स मेटाबोलाइट्स का प्रतिनिधित्व करते हैं, और उन्हें जोड़ने वाले किनारों को आंशिक सहसंबंध गुणांक (समायोजित पी-वैल्यू < 0.05) के समायोजित पी-मान द्वारा भारित किया जाता है। नोड्स का आकार विभिन्न चयापचय वर्गों का प्रतिनिधित्व करता है, और रंग आम सहमति क्लस्टरिंग विधि का उपयोग करके नेटवर्क को क्लस्टरिंग करके प्राप्त चयापचय मॉड्यूल का प्रतिनिधित्व करता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
हम टाइप 1 मधुमेह (टी 1 डी) 25,26 के माउस मॉडल से डेटासेट का विश्लेषण करके फिलीग्री के आवेदन को स्पष्ट करते हैं। टी 1 डी और गैर-मधुमेह (एनओडी) चूहों से प्लाज्मा मेटाबोलाइट माप का उपयोग अंतर आंशिक सहसंबंध नेटवर्क उत्पन्न करने के लिए किया गया था (चित्रा 2)। विशेष रूप से, हम गैर-मधुमेह समूह में नेटवर्क कनेक्टिविटी की एक उच्च डिग्री का निरीक्षण करते हैं। विश्लेषण के अगले चरणों ने बारह चयापचय मॉड्यूल की पहचान की, जिनमें से नौ टी 1 डी और गैर-मधुमेह चूहों (एफडीआर < 0.05) के बीच काफी भिन्न थे। हम जैविक निष्कर्षों में आगे की अंतर्दृष्टि के लिए पाठक को मूल प्रकाशन का संदर्भ देते हैं जो इस विश्लेषण से निकाला जा सकताहै।
चित्रा 2: एक फिलीग्री नेटवर्क का प्रतिनिधि उदाहरण। अंतर नेटवर्क का निर्माण 71 चूहों (30 टी 1 डी और 41 गैर-टी 1 डी) 25,26 से 163 मेटाबोलाइट्स के स्तर का उपयोग करके किया गया था। टी 1 डी और गैर-टी 1 डी समूहों के बीच अंतर किनारों को क्रमशः गुलाबी और नीले रंग में इंगित किया जाता है। फोल्ड परिवर्तन के आधार पर नोड्स रंगीन होते हैं। तालिका फिलीग्री द्वारा उत्पादित संवर्धन परिणामों को दर्शाती है। बारह पहचाने गए उप-नेटवर्क में से नौ टी 1 डी और गैर-टी 1 डी (समायोजित पी-वैल्यू < 0.05) के बीच काफी भिन्न थे। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
पूरक चित्र 1: CorrCalc_InputTab। सहसंबंध कैलकुलेटर के इनपुट टैब का स्क्रीनशॉट। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
पूरक चित्र 2: CorrCalc_DataNormTab। सहसंबंध कैलकुलेटर के डेटा सामान्यीकरण टैब का स्क्रीनशॉट. लॉग -2 ट्रांसफॉर्म डेटा और ऑटोस्केल डेटा की जांच की जाती है. कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
पूरक चित्र 3: CorrCalc_DataAnalTab। सहसंबंध कैलकुलेटर के डेटा विश्लेषण टैब का स्क्रीनशॉट पियरसन के 0-0.8 के सहसंबंध को फ़िल्टरिंग दिखा रहा है। इसके अलावा, डीएसपीसी विधि का चयन किया गया है। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
पूरक चित्र 4: Filigree_DataTab। फिलीग्री के डेटा टैब का स्क्रीनशॉट। स्तंभ, पंक्तियाँ, और समूह निर्दिष्ट किए गए हैं. कैलकुलेट फीचर ग्रुप मेथड को 1.25 फीचर-टू-सैंपल रेशियो के फीचर रिडक्शन के साथ चुना गया है। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
पूरक चित्र 5: Filigree_AnalysisTab। फिलीग्री के विश्लेषण टैब का स्क्रीनशॉट विभिन्न विश्लेषण घटकों की प्रगति को दर्शाता है। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
अनुपूरक चित्र 6: Filigree_Subnetwork1। फिलीग्री से उत्पन्न एक उपनेटवर्क. नोड रंग ऊपर / नीचे-विनियमन का प्रतिनिधित्व करता है, और रंग अस्पष्टता उच्च / निम्न गुना परिवर्तन का प्रतिनिधित्व करता है। किनारे का रंग समूहों के बीच अंतर स्थिति का प्रतिनिधित्व करता है। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
अनुपूरक चित्र 7: Filigree_Subnetwork_SampleGroup। उपनेटवर्क समूह द्वारा अलग किया गया। बायां नेटवर्क मधुमेह के नमूनों का प्रतिनिधित्व करता है, और दायां नेटवर्क गैर-मधुमेह के नमूनों का प्रतिनिधित्व करता है। नोड रंग समूह माध्य के आनुपातिक अभिव्यक्ति स्तर का प्रतिनिधित्व करता है। कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
सहसंबंध कैलकुलेटर और फिलीग्री में लागू आंशिक सहसंबंध-आधारित नेटवर्क विश्लेषण विधियां ज्ञान-आधारित चयापचय मार्ग विश्लेषण की कुछ सीमाओं को दूर करने में मदद करती हैं, विशेष रूप से अज्ञात मेटाबोलाइट्स के उच्च प्रसार और चयापचय मार्गों के सीमित कवरेज वाले डेटासेट (जैसे, लिपिडोमिक्स डेटा)। इन उपकरणों का व्यापक रूप से अनुसंधान समुदाय द्वारा मेटाबोलॉमिक्स और लिपिडोमिक्स डेटा 14,22,27,28,29,30 की एक विस्तृत श्रृंखला का विश्लेषण करने के लिए उपयोग किया गया है। उदाहरण के लिए, सहसंबंध कैलकुलेटर का उपयोग माइक्रोबायोम और पौधों से लेकर मानव रोग31,32,33,34 तक कई जैविक प्रणालियों से डेटा का विश्लेषण करने के लिए किया गया है। यहां हम बताते हैं कि हमारे उपकरणों द्वारा सक्षम डेटा-संचालित नेटवर्क विश्लेषण को क्लस्टरिंग और प्रतिगमन विश्लेषण के साथ जोड़ा जा सकता है ताकि रुचि के फेनोटाइप से जुड़े चयापचय मॉड्यूल को इंगित किया जा सके।
सहसंबंध कैलक्यूलेटर और फिलीग्री का उपयोग करके उत्पन्न आंशिक सहसंबंध नेटवर्क को चयापचय मॉड्यूल का उत्पादन करने के लिए ग्राफ क्लस्टरिंग एल्गोरिदम का उपयोग करके क्लस्टर किया जा सकता है। इन मॉड्यूल में मेटाबोलाइट्स शामिल होते हैं जो रासायनिक या कार्यात्मक रूप से एक दूसरे से संबंधित होते हैं। इस तरह के मॉड्यूल न केवल एक विज़ुअलाइज़ेशन परिप्रेक्ष्य से बल्कि जैविक प्रासंगिकता के दृष्टिकोण से भी बहुत उपयोगी हैं। चयापचय मॉड्यूल और रुचि के फेनोटाइपिक परिणामों (जैसे, उत्तरजीविता परिणाम) के बीच संबंधों का अध्ययन करना अधिक सांख्यिकीय शक्ति प्रदान कर सकता है और व्यक्तिगत मेटाबोलाइट्स के परीक्षण की तुलना में अतिरिक्त जैविक अंतर्दृष्टि उत्पन्न कर सकता है।
नेटवर्क क्लस्टरिंग दृष्टिकोण के माध्यम से पहचाने जाने वाले चयापचय मॉड्यूल का उपयोग संवर्धन विश्लेषण में भी किया जा सकता है। फिलीग्री पूर्वनिर्धारित जैविक मार्गों के बजाय आम सहमति क्लस्टरिंग के माध्यम से पहचाने जाने वाले चयापचय मॉड्यूल का उपयोग करता है। यद्यपि आंशिक सहसंबंध-आधारित चयापचय मॉड्यूल मार्गों के समान नहीं हैं, वे लगातार रासायनिक और जैव रासायनिक रूप से समान चयापचयों (जैसे, अमीनो एसिड, एसाइलकार्निटाइन, एक ही वर्ग के लिपिड, आदि) को समूहित करते हैं। फिलीग्री नेटजीएसए एल्गोरिथ्म22,35 का उपयोग करके इन मॉड्यूल के महत्व का परीक्षण करता है। अंतर नोड्स के अलावा, नेटजीएसए नेटवर्क संरचना में रोग-विशिष्ट अंतर के लिए जिम्मेदार है।
'वास्तविक जीवन' मेटाबोलॉमिक्स और लिपिडोमिक्स डेटा के विश्लेषण के लिए सहसंबंध कैलकुलेटर और फिलीग्री का उपयोग करते समय विचार करने वाले मुद्दों में से एक किसी दिए गए प्रयोग में मेटाबोलाइट्स की संख्या बनाम नमूनों की संख्या के बीच संबंध है। जबकि हजारों नमूनों को शामिल करने वाले बड़े पैमाने पर महामारी विज्ञान के अध्ययन अधिक आम होते जा रहे हैं, अधिकांश मेटाबोलॉमिक्स प्रयोगों में नमूना आकार मामूली रहता है। यह उन प्रणालियों से जुड़े यांत्रिक अध्ययनों के लिए विशेष रूप से सच है जहां कम जैविक भिन्नता की उम्मीद है (यानी, सेल लाइनें या आनुवंशिक रूप से सजातीय पशु मॉडल)। दोनों उपकरणों में लागू सांख्यिकीय एल्गोरिदम को उन स्थितियों में लागू किया जा सकता है जब मेटाबोलाइट्स की संख्या नमूनों की संख्या से अधिक होती है, लेकिन उस अनुपात में वृद्धि अधिक विरल नेटवर्क की ओर ले जाती है।
यहां वर्णित उपकरणों के आवेदन के लिए एक और महत्वपूर्ण विचार अलक्षित मेटाबोलॉमिक्स डेटा के विश्लेषण से संबंधित है जो बड़ी संख्या में अनावश्यक या पतितविशेषताओं को शामिल करने के लिए जाना जाता है, जिसमें आइसोटोप, रासायनिक जोड़, इन-सोर्स टुकड़े और दूषित पदार्थ शामिल हो सकते हैं। चूंकि कई पतित विशेषताएं एक ही मेटाबोलाइट से उत्पन्न होती हैं, इसलिए उनमें उच्च स्तर का सहसंबंध होता है। ऐसे डेटा के आंशिक सहसंबंध-आधारित विश्लेषण के लिए सावधानीपूर्वक एनोटेशन और पतित विशेषताओं को हटाने की आवश्यकता हो सकती है।
अंत में, यहां प्रस्तुत उपकरण मेटाबोलॉमिक्स डेटा की व्याख्या के लिए ज्ञान-आधारित मार्ग विश्लेषण उपकरण के लिए एक व्यवहार्य विकल्प प्रदान करते हैं।
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
लेखकों के पास कोई प्रतिस्पर्धी वित्तीय हित नहीं हैं।
Acknowledgments
यह काम एनआईएच 1यू01सीए235487 अनुदान द्वारा समर्थित था।
Materials
| Name | Company | Catalog Number | Comments |
| CorrelationCalculator | JAVA | http://metscape.med.umich.edu/calculator.html | |
| clusterNet | https://github.com/Karnovsky-Lab/clusterNet | ||
| Cytoscape | Cytoscape | https://cytoscape.org/ | |
| Filigree | JAVA | http://metscape.med.umich.edu/filigree.html | |
| MetScape | Cytoscape | https://apps.cytoscape.org/apps/metscape | Cytoscape application that allows for the creation and exploration of correlation networks. |
References
- Sas, K. M., Karnovsky, A., Michailidis, G., Pennathur, S. Metabolomics and diabetes: analytical and computational approaches. Diabetes. 64 (3), 718-732 (2015).
- Cottret, L., et al. MetExplore: Collaborative edition and exploration of metabolic networks. Nucleic Acids Research. 46 (W1), W495-W502 (2018).
- Garcia-Alcalde, F., Garcia-Lopez, F., Dopazo, J., Conesa, A. Paintomics: A web based tool for the joint visualization of transcriptomics and metabolomics data. Bioinformatics. 27 (1), 137-139 (2011).
- Kuo, T. C., Tian, T. F., Tseng, Y. J. 3Omics: A web-based systems biology tool for analysis, integration and visualization of human transcriptomic, proteomic and metabolomic data. BMC Systems Biology. 7, 64 (2013).
- Paley, S. M., Karp, P. D. The pathway tools cellular overview diagram and Omics Viewer. Nucleic Acids Research. 34 (13), 3771-3778 (2006).
- Karnovsky, A., et al. Metscape 2 bioinformatics tool for the analysis and visualization of metabolomics and gene expression data. Bioinformatics. 28 (3), 373-380 (2012).
- Chong, J., Xia, J. Using MetaboAnalyst 4.0 for metabolomics data analysis, interpretation, and integration with other omics data. Methods in Molecular Biology. 2104, 337-360 (2020).
- Lopez-Ibanez, J., Pazos, F., Chagoyen, M. MBROLE 2.0-functional enrichment of chemical compounds. Nucleic Acids Research. 44 (W1), W201-W204 (2016).
- Cavalcante, R. G., et al. Broad-Enrich: Functional interpretation of large sets of broad genomic regions. Bioinformatics. 30 (17), i393-i400 (2014).
- Huang, D. W., et al. DAVID bioinformatics resources: Expanded annotation database and novel algorithms to better extract biology from large gene lists. Nucleic Acids Research. 35 (Web Server issue), W169-W175 (2007).
- Lee, P. H., O'Dushlaine, C., Thomas, B., Purcell, S. M. INRICH: interval-based enrichment analysis for genome-wide association studies. Bioinformatics. 28 (13), 1797-1799 (2012).
- Segre, A. V., Groop, L., Mootha, V. K., Daly, M. J., Altshuler, D. Common inherited variation in mitochondrial genes is not enriched for associations with type 2 diabetes or related glycemic traits. PLoS Genetics. 6 (8), e1001058 (2010).
- Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences of the United States of America. 102 (43), 15545-15550 (2005).
- Afshinnia, F., et al. Lipidomic signature of progression of chronic kidney disease in the chronic renal insufficiency cohort. Kidney International Reports. 1 (4), 256-268 (2016).
- Barupal, D. K., et al. MetaMapp: Mapping and visualizing metabolomic data by integrating information from biochemical pathways and chemical and mass spectral similarity. BMC Bioinformatics. 13, 99 (2012).
- Basu, S., et al. Sparse network modeling and Metscape-based visualization methods for the analysis of large-scale metabolomics data. Bioinformatics. 33 (10), 1545-1553 (2017).
- Krumsiek, J., Suhre, K., Illig, T., Adamski, J., Theis, F. J. Gaussian graphical modeling reconstructs pathway reactions from high-throughput metabolomics data. BMC Systems Biology. 5, 21 (2011).
- Camacho, D., de la Fuente, A., Mendes, P.
- Steuer, R., Kurths, J., Fiehn, O., Weckwerth, W. Observing and interpreting correlations in metabolomic networks. Bioinformatics. 19 (8), 1019-1026 (2003).
- Bühlmann, P., Van De Geer, S. Statistics for High-Dimensional Data: Methods, Theory and Applications. , Springer Berlin, Heidelberg. (2011).
- Iyer, G. R., et al. Application of differential network enrichment analysis for deciphering metabolic alterations. Metabolites. 10 (12), 479 (2020).
- Ma, J., et al. Differential network enrichment analysis reveals novel lipid pathways in chronic kidney disease. Bioinformatics. 35 (18), 3441-3452 (2019).
- Shannon, P., et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Reserach. 13 (11), 2498-2504 (2003).
- Krumsiek, J., et al. Mining the unknown: a systems approach to metabolite identification combining genetic and metabolic information. PLoS Genetics. 8 (10), e1003005 (2012).
- Fahrmann, J., et al. Systemic alterations in the metabolome of diabetic NOD mice delineate increased oxidative stress accompanied by reduced inflammation and hypertriglyceremia. American Journal of Physiology. Endocrinology and Metabolism. 308 (11), E978-E989 (2015).
- Grapov, D., et al. Diabetes associated metabolomic perturbations in NOD mice. Metabolomics. 11 (2), 425-437 (2015).
- Jin, Y., Bai, S., Huang, Z., You, L., Zhang, T. Technology characteristics and flavor changes of traditional green wheat product nian zhuan in Northern China. Frontiers in Nutrition. 9, 996337 (2022).
- Lin, Y. S., et al. Probing folate-responsive and stage-sensitive metabolomics and transcriptional co-expression network markers to predict prognosis of non-small cell lung cancer patients. Nutrients. 15 (1), 3 (2022).
- Pan, C., et al. Metabolomics study identified bile acids as potential biomarkers for gastric cancer: A case control study. Frontiers in Endocrinology (Lausanne). 13, 1039786 (2022).
- Pancoro, A., Karima, E., Apriyanto, A., Effendi, Y. (1)H NMR metabolomics analysis of oil palm stem tissue infected by Ganoderma boninense based on field severity Indices. Scientific Reports. 12 (1), 21087 (2022).
- Chele, K. H., et al. A global metabolic map defines the effects of a Si-based biostimulant on tomato plants under normal and saline conditions. Metabolites. 11 (12), 820 (2021).
- Hubert, J., et al. The effect of residual pesticide application on microbiomes of the storage mite Tyrophagus putrescentiae. Microbial Ecology. 85 (4), 1527-1540 (2023).
- Li, K., et al. Metabolomic and exposomic biomarkers of risk of future neurodevelopmental delay in human milk. Pediatric Research. 93 (6), 1710-1720 (2023).
- Marino, C., et al. The metabolomic profile in amyotrophic lateral sclerosis changes according to the progression of the disease: An exploratory study. Metabolites. 12 (9), 837 (2022).
- Ma, J., Shojaie, A., Michailidis, G. Network-based pathway enrichment analysis with incomplete network information. Bioinformatics. 32 (20), 3165-3174 (2016).
- Mahieu, N. G., Patti, G. J. Systems-level annotation of a metabolomics data set reduces 25000 features to fewer than 1000 unique metabolites. Analytical Chemistry. 89 (19), 10397-10406 (2017).
