Inherent Dynamics Visualizer、遺伝子調節ネットワーク推論パイプラインからの出力を評価および視覚化するためのインタラクティブなアプリケーション
Summary
Inherent Dynamics Visualizer は、遺伝子調節ネットワーク推論ツールに接続するインタラクティブな視覚化パッケージで、機能ネットワークモデルの強化と合理化の生成を実現します。ビジュアライザーを使用すると、推論ツールのパラメーター化についてより多くの情報に基づいた意思決定を行うことができ、結果のモデルの信頼性が向上します。
Abstract
遺伝子制御ネットワークモデルの開発は、システム生物学における大きな課題です。この課題に取り組むために、新しく開発された固有のダイナミクスパイプラインを含むいくつかの計算ツールとパイプラインが開発されています。固有のダイナミクスパイプラインは、相乗的に機能し、線形に接続された以前に公開されたいくつかのツールで構成され、1つのツールの出力が次のツールの入力として使用されます。ほとんどの計算手法と同様に、固有のダイナミクス パイプラインの各ステップでは、正確な生物学的定義を持たないパラメーターについてユーザーが選択する必要があります。これらの選択は、解析によって生成された遺伝子調節ネットワークモデルに大きく影響し得る。このため、各ステップでさまざまなパラメーター選択の結果を視覚化して探索する機能は、選択と結果に対する信頼性を高めるのに役立ちます。固有のダイナミクスビジュアライザーは、Webブラウザ内のインタラクティブなインターフェイスを介してパラメータの選択を評価するプロセスを合理化する包括的な視覚化パッケージです。ユーザーは、パイプラインの各ステップの出力を個別に調べ、視覚情報に基づいて直感的な変更を行い、固有のダイナミクス パイプラインに必要な入力ファイルの自動生成の恩恵を受けることができます。固有のダイナミクスビジュアライザーは、時系列トランスクリプトームデータから遺伝子調節ネットワークを発見するための非常に複雑なツールへの比類のないレベルのアクセスを提供します。
Introduction
細胞分化や環境応答などの多くの重要な生物学的プロセスは、遺伝子調節ネットワーク(GRN)内で互いに相互作用する一連の遺伝子によって支配されています。これらのGRNは、それらが制御する表現型を活性化および維持するために必要な転写ダイナミクスを産生するので、GRNの構成要素およびトポロジカル構造を特定することは、多くの生物学的プロセスおよび機能を理解するための鍵である。GRNは、ノードが遺伝子であり、その辺が相互作用の方向および形態(例えば、転写の活性化/抑制、翻訳後修飾など)を記述するネットワークによって記述される相互作用遺伝子および/または遺伝子産物のセットとしてモデル化され得る。1. 相互作用は、調節遺伝子がその標的の産生に及ぼす影響を記述するパラメータ化された数学的モデルとして表現することができる2,3,4。GRN モデルの推論には、相互作用ネットワークの構造の推論と、基になる相互作用パラメータの推定の両方が必要です。時系列遺伝子発現データを取り込み、GRNモデルを出力する様々な計算推論法が開発されている5。最近、時系列遺伝子発現データを利用して、遺伝子発現データで観察されたダイナミクスと一致するダイナミクスを生成することができる標識された調節因子-標的相互作用を有するGRNモデルを生成する、Inherent Dynamics Pipeline(IDP)と呼ばれる新しいGRN推論法が開発されました6。IDPは、パイプラインに直線的に接続された一連のツールであり、GRN7,8の機能に関連することが知られている、または関連している疑いのある遺伝子発現特性に基づいて遺伝子をランク付けするノードファインディングステップ、ペアワイズ調節関係をランク付けするエッジファインディングステップ8、図9は、観測されたダイナミクス10、11、12、13、14、15を生成するGRNモデルを生成するネットワーク探索ステップとを含む。
ほとんどの計算方法と同様に、IDP には、入力データの分析方法を指定するユーザー指定の引数のセットが必要であり、引数のセットが異なると、同じデータに対して異なる結果が生成される可能性があります。たとえば、IDP を含むいくつかのメソッドには、データに何らかのしきい値を適用する引数が含まれており、特定のメソッドの連続した実行間でこのしきい値を増減すると、実行間で結果が異なる場合があります (補足注 10: ネットワーク推論メソッド of5 を参照)。各引数が分析とその後の結果にどのように影響するかを理解することは、結果に対する高い信頼性を達成するために重要です。ほとんどの GRN 推論メソッドとは異なり、IDP は複数の計算ツールで構成され、それぞれがユーザーが指定する必要がある独自の引数セットを持ち、それぞれに独自の結果があります。IDP は各ツールをパラメーター化する方法に関する広範なドキュメントを提供していますが、前のステップの出力に対する各ツールの相互依存関係により、中間分析なしでパイプライン全体をパラメーター化することは困難です。たとえば、エッジとネットワーク検索のステップの議論は、事前の生物学的知識によって通知される可能性が高いため、データセットおよび/または生物に依存します。中間結果を調べるには、プログラミングの基本的な理解と、IDP からのすべての結果ファイルとその内容の深い理解が必要です。
固有のダイナミクス ビジュアライザー (IDV) は、ユーザーのブラウザー ウィンドウで実行される対話型の視覚化パッケージで、IDP のユーザーが引数の選択が IDP の任意のステップの結果に与える影響を評価する方法を提供します。IDV は、IDP によって生成された複雑なディレクトリ構造をナビゲートし、各ステップに必要なデータを収集し、ユーザーが探索できるように直感的でインタラクティブな図と表でデータを表示します。これらの対話型ディスプレイを探索した後、ユーザーは、より多くの情報に基づいた意思決定に基づくことができる IDP ステップから新しいデータを生成できます。これらの新しいデータは、IDP の次の各ステップですぐに使用できます。さらに、データの探索は、IDP ステップを調整済みパラメーターで再実行する必要があるかどうかを判断するのに役立ちます。IDVは、酵母細胞周期のコア発振器GRNを調査することによって実証されるように、IDPの使用を強化するだけでなく、IDPの使用をより直感的で親しみやすいものにすることができる。次のプロトコルには、完全にパラメーター化された IDP 実行からの IDP 結果と、各 IDP ステップの実行後に IDV を組み込んだアプローチ (ノード、エッジ、およびネットワーク検索) が含まれています。
Protocol
Representative Results
Discussion
GRNの推論は、システム生物学における重要な課題である。IDPは、ますます複雑な方法でデータを利用する一連のツールを使用して、遺伝子発現データからモデルGRNを生成します。各ステップでは、データの処理方法と、IDPの次の層に渡される要素(遺伝子、機能的相互作用)に関する決定が必要です。これらの決定がIDPの結果に与える影響は、それほど明白ではありません。この点を支援する?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
この研究は、NIH助成金R01 GM126555-01とNSF助成金DMS-1839299によって資金提供されました。
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).
