固有动力学可视化工具，一种交互式应用程序，用于评估和可视化基因调控网络推理管道的输出
Summary
固有动力学可视化工具是一个交互式可视化包，可连接到基因调控网络推理工具，以增强、简化功能网络模型的生成。可视化工具可用于为推理工具的参数化做出更明智的决策，从而提高对结果模型的信心。
Abstract
开发基因调控网络模型是系统生物学中的主要挑战。已经开发了几种计算工具和管道来应对这一挑战，包括新开发的固有动力学管道。固有动力学管道由几个以前发布的工具组成，这些工具协同工作并以线性方式连接，其中一个工具的输出随后用作下一个工具的输入。与大多数计算技术一样，固有动力学管道的每个步骤都要求用户对没有精确生物学定义的参数进行选择。这些选择可以极大地影响分析产生的基因调控网络模型。因此，在每一步可视化和探索各种参数选择的后果的能力有助于提高对选择和结果的信心。固有动态可视化工具是一个全面的可视化包，通过 Web 浏览器中的交互式界面简化了评估参数选择的过程。用户可以单独检查管道每个步骤的输出，根据视觉信息进行直观的更改，并从为固有动力学管道自动生成必要的输入文件中受益。固有动力学可视化工具为从时间序列转录组学数据中发现基因调控网络提供了无与伦比的访问水平， 以访问高度复杂的工具。
Introduction
许多重要的生物过程，如细胞分化和环境反应，由基因调节网络（GRN）中相互作用的基因集控制。这些GRN产生激活和维持它们控制的表型所需的转录动力学，因此识别GRN的组分和拓扑结构是理解许多生物过程和功能的关键。GRN可以被建模为一组相互作用的基因和/或基因产物，这些基因和/或基因产物由一个网络描述，其节点是基因，其边缘描述了相互作用的方向和形式（例如，转录的激活/抑制，翻译后修饰等）。1.然后，相互作用可以表示为参数化的数学模型，描述调节基因对其靶标产生的影响2，3，4。GRN 模型的推理既需要推断交互网络的结构，也需要估计底层交互参数。已经开发了多种计算推理方法，用于摄取时间序列基因表达数据并输出GRN模型5。最近，开发了一种新的GRN推理方法，称为固有动力学管道（IDP），该方法利用时间序列基因表达数据来生成具有标记调节因子 – 靶标相互作用的GRN模型，这些模型能够产生与基因表达数据中观察到的动力学相匹配的动力学6。IDP是一套线性连接到管道中的工具，可以分为三个步骤：节点查找步骤，根据已知或怀疑与GRN7，8的功能相关的基因表达特征对基因进行排名，边缘发现步骤对成对调节关系进行排名8，9，以及一个网络查找步骤，该步骤生成能够生成观察到的动态的 GRN 模型10、11、12、13、14、15。
与大多数计算方法一样，IDP 需要一组用户指定的参数，这些参数指示如何分析输入数据，并且不同的参数集可以对同一数据产生不同的结果。例如，包括 IDP 在内的几种方法包含对数据应用某个阈值的参数，在特定方法的连续运行之间增加/减少此阈值可能会导致运行之间的结果不同（请参见补充说明 10：网络推理方法 5）。了解每个参数如何影响分析和后续结果对于实现对结果的高置信度非常重要。与大多数 GRN 推理方法不同，IDP 由多个计算工具组成，每个工具都有自己的一组参数，用户必须指定这些参数，并且每个工具都有自己的结果。虽然 IDP 提供了有关如何参数化每个工具的大量文档，但每个工具与上一步输出的相互依赖性使得在没有中间分析的情况下对整个管道进行参数化具有挑战性。例如，边缘和网络查找步骤中的论点可能由先前的生物学知识提供信息，因此将取决于数据集和/或生物体。要询问中间结果，需要对编程有基本的了解，并且需要深入了解IDP的所有结果文件及其内容。
固有动态可视化工具 （IDV） 是一个交互式可视化包，它在用户的浏览器窗口中运行，为 IDP 的用户提供了一种方法来评估其参数选择对 IDP 中任何步骤的结果的影响。IDV 导航由 IDP 生成的复杂目录结构，并为每个步骤收集必要的数据，并以直观和交互式的图形和表格呈现数据，供用户浏览。在浏览了这些交互式显示之后，用户可以从 IDP 步骤生成新数据，这些数据可以基于更明智的决策。然后，这些新数据可以立即用于 IDP 的下一个相应步骤。此外，浏览数据有助于确定是否应使用调整的参数重新运行 IDP 步骤。IDV可以增强IDP的使用，并使IDP的使用更加直观和平易近人，正如研究酵母细胞周期的核心振荡器GRN所证明的那样。以下协议包括来自完全参数化的 IDP 运行的 IDP 结果，以及在每个 IDP 步骤（即节点、边缘和网络查找）运行后合并 IDV 的方法。
Protocol
Representative Results
Discussion
GRN的推断是系统生物学中的一个重要挑战。IDP使用一系列工具从基因表达数据中生成模型GRN，这些工具以越来越复杂的方式利用数据。每个步骤都需要决定如何处理数据以及哪些元素（基因，功能相互作用）将传递给IDP的下一层。这些决定对国内流离失所者结果的影响并不那么明显。为了在这方面提供帮助，IDV 提供了 IDP 中 GRN 推理工具各个步骤的输出的有用交互式可视化。IDV简化并促进了评估?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
这项工作由NIH拨款R01 GM126555-01和NSF拨款DMS-1839299资助。
Materials
| 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/ |
References
- Karlebach, G., Shamir, R. Modelling and analysis of gene regulatory networks. Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).
- Aijö, T., Lähdesmäki, H. Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics. Bioinformatics. 25 (22), 2937-2944 (2009).
- Huynh-Thu, V. A., Sanguinetti, G. Combining tree-based and dynamical systems for the inference of gene regulatory networks. Bioinformatics. 31 (10), 1614-1622 (2015).
- Oates, C. J., et al. Causal network inference using biochemical kinetics. Bioinformatics. 30 (17), 468-474 (2014).
- Marbach, D., et al. Wisdom of crowds for robust gene network inference. Nature Methods. 9 (8), 796-804 (2012).
- . Inherent Dynamics Pipeline Available from: https://gitlab.com/biochron/inherent_dynamics_pipeline (2021)
- Motta, F. C., Moseley, R. C., Cummins, B., Deckard, A., Haase, S. B. Conservation of dynamic characteristics of transcriptional regulatory elements in periodic biological processes. bioRxiv. , (2020).
- . LEMpy Available from: https://gitlab.com/biochron/lempy (2021)
- McGoff, K. A., et al. The local edge machine: inference of dynamic models of gene regulation. Genome Biology. 17, 214 (2016).
- Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. Model rejection and parameter reduction via time series. SIAM Journal on Applied Dynamical Systems. 17 (2), 1589-1616 (2018).
- Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. Database of Dynamic Signatures Generated by Regulatory Networks (DSGRN). Lecture Notes in Computer Science. (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). , 300-308 (2017).
- Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. DSGRN: Examining the dynamics of families of logical models. Frontiers in Physiology. 9. 9, 549 (2018).
- . DSGRN Available from: https://github.com/marciogameiro/DSGRN (2021)
- . Dsgm_Net_Gen Available from: https://github.com/breecummins/dsgrn_net_gen (2021)
- . Dsgrn_Net_Query Available from: https://github.com/breecummins/dsgrn_net_query (2021)
- Orlando, D. A., et al. Global control of cell-cycle transcription by coupled CDK and network oscillators. Nature. 453 (7197), 944-947 (2008).
- Monteiro, P. T., et al. YEASTRACT+: a portal for cross-species comparative genomics of transcription regulation in yeasts. Nucleic Acids Research. 48 (1), 642-649 (2020).
- de Bruin, R. A. M., et al. Constraining G1-specific transcription to late G1 phase: The MBF-associated corepressor Nrm1 acts via negative feedback. Molecular Cell. 23 (4), 483-496 (2006).
- Horak, C. E., et al. Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae. Genes & Development. 16 (23), 3017-3033 (2002).
- Cherry, J. M., et al. Saccharomyces genome database: The genomics resource of budding yeast. Nucleic Acids Research. 40, 700-705 (2012).
- Zhu, G., et al. Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth. Nature. 406 (6791), 90-94 (2000).
- Loy, C. J., Lydall, D., Surana, U. NDD1, a high-dosage suppressor of cdc28-1N, is essential for expression of a subset of late-S-phase-specific genes in saccharomyces cerevisiae. Molecular and Cellular Biology. 19 (5), 3312-3327 (1999).
- Cho, C. Y., Kelliher, C. M., Hasse, S. B. The cell-cycle transcriptional network generates and transmits a pulse of transcription once each cell cycle. Cell Cycle. 18 (4), 363-378 (2019).
- Smith, L. M., et al. An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum. Science. 368 (6492), 754-759 (2020).
