Name: a web tool for generating high quality machine-readable biological pathways
Uploaded: 2017-02-08T12:30:00.000+00:00
Duration: 8 min 1 s
Description: Watch this Scientific Journal Video about A Web Tool for Generating High Quality Machine-readable Biological Pathways at JoVE.com

Die Autoren möchten die kanadischen Institutes of Health Research (CIHR) und Genome Alberta, eine Abteilung von Genome Canada, für die finanzielle Unterstützung danken.

<ol>
	<li>Michal, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=On+representation+of+metabolic+pathways.">On representation of metabolic pathways.</a> Biosystems. 47 (1-2), 1-7 (1998).</li><li>Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M., Tanabe, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=KEGG+as+a+reference+resource+for+gene+and+protein+annotation.">KEGG as a reference resource for gene and protein annotation.</a> Nucleic Acids Res. 44 (D1), D457-D462 (2016).</li><li>Karp, P., Riley, M., Paley, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+MetaCyc+Database.">The MetaCyc Database.</a> Nucleic Acids Res. 30 (1), 59-61 (2002).</li><li>Kelder, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=WikiPathways:+building+research+communities+on+biological+pathways.">WikiPathways: building research communities on biological pathways.</a> Nucleic Acids Res. 40 (Database issue), D1301-D1307 (2011).</li><li>Croft, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Reactome+pathway+knowledgebase).">The Reactome pathway knowledgebase).</a> Nucleic Acids Res. 42 (Database issue), D472-D477 (2014).</li><li>Karp, P. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pathway+Tools+version+13.0:+integrated+software+for+pathway/genome+informatics+and+systems+biology.">Pathway Tools version 13.0: integrated software for pathway/genome informatics and systems biology.</a> Brief Bioinform. 11 (1), 40-79 (2010).</li><li>Van Iersel, M. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Presenting+and+exploring+biological+pathways+with+PathVisio.">Presenting and exploring biological pathways with PathVisio.</a> BMC Bioinformatics. 9, 399 (2008).</li><li>Demir, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+BioPAX+community+standard+for+pathway+data+sharing.">The BioPAX community standard for pathway data sharing.</a> Nat. Biotechnol. 28 (9), 935-942 (2010).</li><li>Shannon, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cytoscape:+A+Software+Environment+for+Integrated+Models+of+Biomolecular+Interaction+Networks.">Cytoscape: A Software Environment for Integrated Models of Biomolecular Interaction Networks.</a> Genome Res. 13 (11), 2498-2504 (2003).</li><li>Salomonis, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=GenMAPP+2:+new+features+and+resources+for+pathway+analysis.">GenMAPP 2: new features and resources for pathway analysis.</a> BMC Bioinformatics. 8, 217 (2007).</li><li>Elliott, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=PathCase:+pathways+database+system.">PathCase: pathways database system.</a> Bioinformatics. 24 (21), 2526-2533 (2008).</li><li>Hu, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=VisANT+3.0:+new+modules+for+pathway+visualization,+editing,+prediction+and+construction.">VisANT 3.0: new modules for pathway visualization, editing, prediction and construction.</a> Nucleic Acids Res. 35 (Web Server), W625-W632 (2007).</li><li>Jewison, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=SMPDB+2.0:+Big+Improvements+to+the+Small+Molecule+Pathway+Database.">SMPDB 2.0: Big Improvements to the Small Molecule Pathway Database.</a> Nucleic Acids Res. 42 (D1), D478-D484 (2013).</li><li>Pon, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Pathways+with+PathWhiz.">Pathways with PathWhiz.</a> Nucleic Acids Res. 43 (W1), W552-W559 (2015).</li><li>Sajed, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ECMDB+2.0:+A+richer+resource+for+understanding+the+biochemistry+of+E.+coli.">ECMDB 2.0: A richer resource for understanding the biochemistry of E. coli.</a> Nucleic Acids Res. 44 (D1), D495-D501 (2015).</li><li>Wishart, D., Mandal, R., Stanislaus, A., Ramirez-Gaona, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cancer+Metabolomics+and+the+Human+Metabolome+Database.">Cancer Metabolomics and the Human Metabolome Database.</a> Metabolites. 6 (1), 10 (2016).</li><li>Altschul, S. F., Gish, W., Miller, W., Myers, E. W., Lipman, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Basic+local+alignment+search+tool.">Basic local alignment search tool.</a> J. Mol. Biol. 215 (3), 403-410 (1990).</li><li>Le Novere, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Systems+Biology+Graphical+Notation.">The Systems Biology Graphical Notation.</a> Nat. Biotechnol. 27 (8), 735-741 (2009).</li><li>Hucka, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+systems+biology+markup+language+(SBML):+a+medium+for+representation+and+exchange+of+biochemical+network+models.">The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models.</a> Bioinformatics. 19 (4), 524-531 (2003).</li></ol>

Die Autoren haben nichts zu offenbaren.

Das hier beschriebene Protokoll für eine einfache Stoffwechselweg Schaffung kann (die TCA-Zyklus) eine Vielzahl von maschinenlesbaren, biologisch komplexe Wege für jede Spezies zu schaffen angepasst werden. Darüber hinaus beschreibt dieses Protokoll auch, wie man bestehende Wege von anderen Nutzern zu replizieren oder zu verbreiten. einen Weg Konstruieren dieses Werkzeug erfordert wiederholte Schritt-für-Schritt-Additionen von Reaktionen, Interaktionen Transportprozessen und Teilpfade, die jeweils durch sich überlappenden Elemente verbunden sind. Putting alles zusammen ermöglicht eine bunte, optisch ansprechende Pfaddiagramme zu erstellen, die erhebliche biologische Detail und nützliche biologische Kontext zu machen. Die Schritte in diesem Protokoll beschrieben sind, sind relativ einfach, und die Zeit, die einen Weg Diagramm aufzubauen, hängt von der Größe und Komplexität des Weges. Mit etwas Übung können die meisten Menschen eine hohe Qualität Weg-Diagramm-Darstellung von aus etwa 15-20 Reaktionen oder Verfahren eind mehrere zelluläre Komponenten in etwa 15 min. Ein brandneues Benutzer kann bis zu 30-40 Minuten einen Weg von ähnlicher Größe und Komplexität zu erzeugen. Die benötigte Zeit, einen Weg zu erzeugen, ist in etwa linear mit der Anzahl der Reaktionen / Prozesse, die gerendert werden müssen. einen qualitativ hochwertigen Weg durch diese Web-basiertes Tool erstellen, hängt von der Qualität und Detail des Ausgangsmaterials (Wege aus Bücher, Online-Datenbanken, experimentelle Daten, von Hand gezeichnete Skizzen) und der Verwöhntheit des Weges &quot;Künstler&quot;. Diejenigen, die zu erzeugen höhere Qualität Pfaddiagramme sollte ein besonderes Augenmerk auf die Abschnitte 1.11, 1.15 und 1.20 des Protokolls zahlen, da diese Abschnitte beschreiben die Erstellung und Bearbeitung von Reaktionselementen (Reaktanden / Produkte, Enzyme, Kanten, Bilder, Zoom-Boxen, Etiketten, und Membranen). Die besten Pfaddiagramme werden auf intelligente Weise Informationen aus möglichst vielen vorhandenen Darstellungen des Weges wie möglich einschließlich der in b gefunden amalgamierenooks, Plakate, Zeitungen und Online-Datenbanken. Ein weiterer Schlüssel für qualitativ hochwertige Wege zu erzeugen prüft sorgfältig die Richtigkeit der Reaktionen vor einer Reaktion zu schaffen (durch Abschnitt 1.11 des Protokolls). die Zeit und Mühe nehmen die Reaktanten, Produkte und Enzyme beteiligt sind (von denen viele bereits existieren in PathWhiz der großen Datenbank) sind für jede Art richtig sicherzustellen ist sehr wichtig. Es ist auch wichtig, die zelluläre Lokalisation der Reaktionen zu sein und Schlüssel zellulären oder subzellulären Komponenten einzubeziehen, um den richtigen biologischen Kontext bereitzustellen. Dies kann durch die Überprüfung und bestätigende die Reaktion durch Online-Datenbanken wie UniProt erfolgen. Nachdem alle erforderlichen Informationen zur Hand, zusammen mit einer rauen, von Hand gezeichnete Skizze des Weges stark geschaffen werden, werden Fehler und der Gesamtzeit auf Zeichnung oder Rendering verbrachte reduzieren. Wie zu erwarten größere und komplexere Wege länger dauern wird, insbeson zu machensonders wenn die gewünschten Elemente und Prozesse sind nicht bereits in PathWhiz Datenbank. Wenn mit größeren Wegen gearbeitet wird, ist es meist sinnvoll, von der Autosave-Modus auf den manuellen Sparmodus zu wechseln, um eine lange Verzögerung zwischen den Aktionen zu verhindern. Wenn eine Bahn replizierende, der Benutzer kann die Menge an Zeit warten, bis der Weg erzeugt auf der Anzahl von Elementen in dem Pfad hängt werden. Die meisten Wege sind in ca. 1-2 min repliziert werden. Wenn Sie einen Weg, erfolgreich Wiedergabe des neu propagierten Weg ausbreitende hängt davon ab , wie ähnlich sich die beiden Arten, wie PathWhiz BLAST 17 - Sequenz verwendet sucht homologe Enzyme zwischen den Arten zu finden. Größere Wege langsamer sein wird fortzupflanzen, da BLAST auf eine größere Anzahl von Enzymen ausgeführt werden müssen. Versuch Wege zwischen signifikant unterschiedlichen Spezies zu propagieren (sagen wir zwischen Hefe und Menschen) führt in Bahnen mit einer Anzahl von unbekannten Proteinen gemacht werden. Diese &quot;weitläufig&quot; propagated Wege werden in der Regel zusätzliche manuelle Bearbeitung erfordern. Aufgrund der sehr visuelle Art von Pfaddiagramme und dem Detail, das auf einen Weg gebracht werden kann, ist es immer eine gute Idee, auf einem Computer mit einem recht großen Bildschirm (&gt; 20 Zoll oder&gt; 50 cm) und eine gute Internetverbindung zu arbeiten (&gt; 5 mbps). Wenn die Probleme mit Rendering oder einen Neuaufbau des Bildschirms auftreten, kann der Benutzer eine kleine Menge zur Fehlerbehebung zu tun. Wenn ein großer, komplexer Weg zu aktualisieren, zu lange dauert, kann der Benutzer auf die Seite aktualisieren. Wenn ein Weg nicht wie erwartet propagieren, kann der Benutzer eine manuelle Bearbeitung zu tun, um sicherzustellen, dass alle Elemente korrekt angezeigt werden. Auch als ein spezielleres Beispiel, wenn Elemente einer Reaktion nicht angezeigt werden, kann der Benutzer sicherstellen muss, dass alle Elemente oder Enzyme geeignet ausgewählt, und die Kanten werden nicht verborgen. Die &quot;Hilfe&quot; auf der Haupt-Header kann nützlich sein, wenn ein Problem auftritt. Ein Tutorial istunter der &quot;Tutorial&quot; Registerkarte und einer Anleitung ist unter &quot;Benutzerhandbücher&quot; Tab zur Verfügung. Beide erklären viele der Funktionen des Werkzeugs im Detail. Das Benutzerhandbuch verwendet werden können, mögliche Einschränkungen für ein bestimmtes Merkmal, wie zu beheben oder zu erklären, wenn ein Benutzer einen Weg blockiert und später möchte sie zu bearbeiten. Wie durch dieses Protokoll hervorgehoben und durch die in den beigefügten Figuren bereitgestellten Beispiele, bietet dieses Tool eine Reihe einzigartiger Merkmale gefunden in keiner (oder die meisten) anderen Weg Zeichenwerkzeuge (siehe Tabelle 1). Erstens, es ist vollständig web-basierte und vollständig plattformunabhängig. Zweitens unterstützt es die Darstellung und einfache Erzeugung von bunten, biologisch komplexe, optisch ansprechend, vollständig verlinkte Pfaddiagramme , die auch in maschinenlesbare Formate (BioPAX, SBGN-ML 18, 19 SBML, PWML 14) umgerechnet werden können. Drittens Pfaddiagramme Gattungented von diesem Tool können durchsucht, durchsucht, ausgewählt und leicht durch eine einfach zu bedienende Online-Datenbank und Anzeigen Schnittstelle erkundet werden. Viertens wird die Web-Tool entwickelt Community Weg Beiträge zu unterstützen, so dass für &quot;Weg Crowd Sourcing&quot;, die den Austausch und die Erzeugung von neuen Wegen und neuen Weg Elemente fördert. Pathways von dieser Web-basiertes Tool erzeugt wird, kann für eine Vielzahl von Anwendungen eingesetzt werden. Detailreiche, vollständig mittels Hyperlink verwiesen Wege leicht Organismus spezifische Datenbanken für Proteomik, Metabolomik oder Anwendungen der Systembiologie integriert werden können. Internet zugänglichen Wege sind besonders nützlich für die Bildungs- und Ausbildungszwecken, da die zur Verfügung stehenden Informationen über Web-basierte Bilder sind oft viel größer als das, was über ein statisches Bild oder durch ein einziges Lehrbuch oder Journal-Seite angezeigt werden. Diese Web-basierte Tool unterstützt auch die Erzeugung von Pathway Darstellungen, die besser geeignet für den Druck und die Veröffentlichung sind.viele Bilder erzeugt von dieser Web-basiertes Tool erscheinen in Zeitungen, Poster und Präsentationen Als Folge. Exportieren Wege in textbasierten Datenaustausch Dateiformate (wie BioPAX und SBML) ermöglicht Wege mit dieser Web-Server generiert, um direkt in Computeranalyse für die Systembiologie oder metabolische Modellierungsanwendungen eingesetzt werden. Das Inverkehrbringen von Vermehrungswege zwischen den Arten ermöglichen Aussagen über biologische Prozesse werden, vor allem bei jenen Arten, die erst kürzlich sequenziert wurden. Obwohl nicht alle vorhandenen Wege derzeit in PathWhiz existieren, setzt seine öffentlichen Weg Datenbank zu wachsen, zu der Entstehung neuer, Crowdsourcing Weg Sammlungen führt. Diese Sammlungen werden nicht nur leicht erweiterbar auf neue Arten, sie werden hoffentlich zu einem tieferen Verständnis ihrer einzigartigen Biologie und Biochemie führen.

Biologische Pfaddiagramme sind wie Baupläne für Lebenswissenschaftler. Sie sind vielleicht die prägnant und informativ Routen für die Darstellung von biologischen Prozessen und die kontextuellen Verbindungen zwischen Genen, Proteinen und Metaboliten. Dies liegt daran , Bilder werden wesentlich effizienter verarbeitet und oft viel leichter von den Menschen als Text 1 verstanden. Die Qualität, Detail, und die Inhalte der Pfaddiagramme können sehr unterschiedlich sein. Diese Unterschiede hängen oft von dem beabsichtigten Zweck des Weges und die Fähigkeiten des Weges Künstler. Pathways für pädagogische Zwecke geschaffen wie Wandtafeln oder Lehrbücher werden oft von professionellen Künstlern. Als Ergebnis sind diese Pfaddiagramme mehr viel optisch ansprechend und bieten deutlich mehr biologische Detail mit voller Darstellungen von Metaboliten Strukturen, subzellulären Komponenten, Zellstrukturen, Gewebe und Organe. Diese &quot;Lehrbuch&quot; Darstellungen enthalten häufig detaillierte Notizen undKommentare. Auf der anderen Seite, Pfaddiagramme für Internet-Anwendungen entwickelt haben oft Artistik und visuellen Reichtum zugunsten der vereinfachten maschinenlesbaren &quot;Verdrahtung&quot; Diagramme zu opfern. Diese Drahtmodell-Diagramme sind leichter Bild abgebildet und mittels Hyperlink verwiesen. Vereinfachte Pfaddiagramme sind die Basis für solche populären Online - Weg - Datenbanken wie KEGG 2, MetaCyc 3, Wikipathways 4 und Reactome 5. Das Aufkommen von computerkompatiblen Stoffwechselweg Datenbanken hat auch zum Auftreten von Computer-kompatiblen Stoffwechselweg Ziehwerkzeuge geführt. Mit anderen Worten, hat man keine professionellen Künstler oder einen professionellen Programmierer zu generieren nutzbare Pfaddiagramme zu sein. Zum Beispiel BioCyc der Pathway - Tools 6 und PathVisio Software Wikipathway 7 können Benutzer frei zu generieren und teilen maschinenlesbaren Bahnen in BioPAX 8 and / oder HTML-Format. Darüber hinaus gibt es eine Reihe von anderen Stand-alone - Freeware - Pakete sowie kommerzielle Pakete, die die Erzeugung von verschiedenen maschinenlesbaren, Wire-Frame - Bahnen, wie Cytoscape 9, GenMAPP 10 unterstützen, PathCase 11 und Visant 12. Die Vereinfachung der Internet-Weg-Diagramme wuchs weitgehend von den historischen in vielen Web-Browsern und Web-basierte Rendering-Tools gefunden Einschränkungen. Jedoch erhebliche Fortschritte in der Web-Technologien wurden in den letzten Jahren gemacht. Dies deutete darauf hin, dass es möglich sein könnte, interaktive, internetfähigen Pfaddiagramme zu erzeugen, die genauso bunt sind, ebenso wie ästhetisch ansprechend und ebenso biologisch vollständig wie diejenigen, die in Lehrbüchern zu finden. Diese Arbeit führte zu der Entwicklung von PathWhiz. PathWhiz wurde mit ein Ruby on Rails implementiert (http://rubyonrails.org, Version 4.2.0) web framework eine MySQL relationalen Datenbank enthält (https://www.mysql.com, Version 5.1.50) alle der Weg Daten zu verwalten, einschließlich Entitätsbeziehungen, externe Referenzen, Beschreibungen, Visualisierung Spezifikationen und chemischen Strukturen. Der Front-End-Web-Client wird von Ruby on Rails mit Backbone.js kombiniert gesteuert (http://backbonejs.org, Version 1.0.0) als Front-End-Web-Framework für den Editor. Ursprünglich entwickelt für die Kuration der Mensch-nur kleine Molekül - Pathway - Datenbank (SMPDB) 13, hat PathWhiz 14 seit erweitert für viele andere Organismen Weg Generation zu unterstützen und als allgemeine Weg Bild und Wissensdatenbank zu funktionieren. Insbesondere ermöglicht das Web-Tool für die Erstellung des gesamten Spektrums von biochemischen / biologischen Wege einschließlich metabolischen, Protein-Wechselwirkung, molekularen Signal, physiologischen und Drogen / Krankheit Wege. Dieser Weg Zeichenwerkzeug unterscheidet sich von den meisten anderenWeg erzeugende Werkzeuge in drei wesentlichen Punkten: 1) Es ist ein Web-Server und nicht als Stand-alone, installierbare Software-Paket; 2) es unterstützt die einfache Erzeugung und interaktive Visualisierung von chemischen Verbindungen, Proteine, Nukleinsäuren, Zellmembranen, subzellulären Strukturen, Geweben und Organen; und 3) es ermöglicht die einfache leihen, bauen oder auf der Arbeit anderer Benutzer zu verbessern, wodurch &quot;Crowdsourcing&quot; Weg Generation. Als Web-Server, es hat mehrere Vorteile gegenüber herunterladbare, plattformspezifischen Software-Tools. Insbesondere ist es kompatibel mit jeder Plattform, Betriebssystem und moderne Web-Browser. Darüber hinaus ist es nicht erforderlich, die Benutzer registrieren, um einen Weg zu beginnen, zu schaffen (obwohl Benutzer frei ein &quot;privates Konto&quot; um und die Zugänglichkeit der Wege schaffen sie kontrollieren zu verfolgen anlegen zu können). Vielleicht die attraktivste Merkmal dieses Werkzeugs ist die Menge der biologischen und biochemischen Detail die leicht hinzugefügt werden können, injeder Weg durch eine Palette von vorgerenderten Bilder und eine umfangreiche Datenbank von Protein und biochemische Daten. Auf diese Weise können die beiden &quot;Nicht-Künstler&quot; und &quot;Nicht-Programmierer&quot; zu leicht bunt schaffen, ästhetisch ansprechend und detailreiche Wege, die web-kompatibel und vollständig maschinenlesbar sind. Ein detaillierter Vergleich zwischen PathWhiz und anderen Weg Zeichenwerkzeuge ist in Tabelle 1 zur Verfügung gestellt. Eine Reihe von beliebten Life-Science-Datenbanken bereits diesen Weg Zeichenwerkzeug zum Erstellen datenbankspezifische, interaktive Online-Pfaddiagramme verwendet. Zum Beispiel 15 der Escherichia coli Metabolom - Datenbank (ECMDB) seine Weg - Bibliothek vor kurzem mit mehr als 1.650 Bahnen aktualisiert Web - basierte Werkzeug gezogen werden. Jeder Weg im ECMDB ist nun als reich gefärbt, vollständig verlinkte Bild Karte mit detaillierten Metabolit und Proteinstrukturdarstellungen, sowie eine vereinfachte schwarze und weiße KEGG-l angezeigtike Draht Diagramm. Diese großen Weg Update führte zur Entdeckung vieler intermediäre Metaboliten, die zuvor nicht in anderen Escherichia coli metabolischen Datenbanken enthalten waren. Andere Datenbanken, wie beispielsweise die Human Metabolome Database (HMDB) 15, nicht nur auf PathWhiz Bahnen verlassen , um zu zeigen und zu beschreiben , Stoffwechsel- und Signalwege, sondern auch die metabolische Veränderungen in Krankheiten wie Krebs beteiligt darzustellen. HMDB umfasst derzeit 101 Stoffwechselwege, 376 Drogenaktionswege, 233 krankheitsassoziierte Wege und 16 Signalwege, die alle durch diese Web-Tool generiert. Das folgende Protokoll beschreibt im Detail, wie PathWhiz leicht verwendet werden kann, zu schaffen, replizieren und biochemischen Wege für eine Vielzahl von Zwecken und Anwendungen fortzupflanzen.

<table><tbody><tr><td>Computer with colour screen</td><td>N/A</td><td>N/A</td><td>&amp;nbsp;&gt;20 inches or &gt;50 cm</td></tr><tr><td>Internet connection&amp;nbsp;</td><td>N/A</td><td>N/A</td><td>&gt;5 mbps</td></tr><tr><td>Modern web browser&amp;nbsp;</td><td>N/A</td><td>N/A</td><td>Google Chrome (v. 31 and above), Internet Explorer (v. 9 and above), Safari (v. 7 and above), Opera (v. 15 and above) and Firefox (v. 23 and above)</td></tr></tbody></table>

a web tool for generating high quality machine-readable biological pathways

PathWhiz ist ein Web-Server die Erstellung von bunten, interaktive, optisch ansprechende Pfaddiagramme zu erleichtern gebaut, die in biologischen Informationen reich sind. Die Wege durch diese Online-Anwendung generiert sind maschinenlesbar und voll kompatibel mit im wesentlichen allen Web-Browsern und Betriebssystemen. Es verwendet einen speziell entwickelten, webfähigen Stoffwechselweg Zeichenoberfläche, die die Auswahl und Platzierung der verschiedenen Kombinationen von vorgezeichneten biologische oder biochemische Einheiten ermöglicht darzustellen Reaktionen, Interaktionen, Transportprozesse und Bindungsereignisse. Diese Palette von Entitäten besteht aus chemischen Verbindungen, Proteine, Nukleinsäuren, Zellmembranen, subzellulären Strukturen, Gewebe und Organe. Alle der visuellen Elemente in interaktiv eingestellt und angepasst werden können. Darüber hinaus, weil dieses Tool ein Web-Server ist, sind alle Wege und Wege Elemente öffentlich zugänglich. Diese Art von Weg &quot;Crowd Sourcing&quot; bedeutet, dass PathWhizenthält bereits eine große und Sammlung von zuvor gezeichneten Wege und Wege Elemente schnell wächst. Hier beschreiben wir ein Protokoll für die schnelle und einfache Erstellung neuer Wege und die Veränderung bestehender Wege. Zur weiteren Weg Bearbeitung und Erstellung zu erleichtern, enthält das Werkzeug Replikation und Vermehrung Funktionen. Die Replikationsfunktion ermöglicht bestehende Wege als Vorlagen verwendet werden, um neue Wege zu erstellen oder zu bearbeiten. Die Ausbreitungsfunktion erlaubt es, eine bestehende Weg zu nehmen und es automatisch auf verschiedene Arten ausbreiten. Pathways mit diesem Tool erstellt werden &quot;re-Stil&quot; in verschiedenen Formaten (KEGG-like oder Text-Buch wie), mit verschiedenen Hintergründen gefärbt, exportiert nach BioPAX, SBGN-ML, SBML oder PWML Datenaustauschformate und heruntergeladen als PNG oder SVG-Bilder. Die Wege lassen sich problemlos in Online-Datenbanken integriert werden, integriert in Präsentationen, Plakate oder Publikationen oder ausschließlich für die Online-Visualisierung und Exploration. Diese protocol wurde über 2.000 Pfaddiagramme erfolgreich angewendet zu erzeugen, die jetzt in vielen Online-Datenbanken einschließlich HMDB, Drugbank, SMPDB und ECMDB zu finden sind.

Watch this Scientific Journal Video about A Web Tool for Generating High Quality Machine-readable Biological Pathways at JoVE.com

A Web Tool for Generating High Quality Machine-readable Biological Pathways

PathWhiz ist ein umfassendes Online-Pfad Zeichenwerkzeug für die biochemische und biologische Pfade zu erzeugen. Es nutzt öffentlich zugänglichen Datenbanken und leicht erweiterbare Paletten aus vorgezeichneten Weg Komponenten. Dieses Protokoll beschreibt, wie leicht auf neue Wege zu bauen, zu replizieren und bestehende Wege zu bearbeiten, und propagieren zuvor gezeichneten Wege zu verschiedenen Organismen.

Ein Web-Tool für die Erstellung hochwertiger maschinenlesbare biologische Pathways

PathWhiz is a web server built to facilitate the creation of colorful, interactive, visually pleasing pathway diagrams that are rich in biological ...

a-web-tool-for-generating-high-quality-machine-readable-biological

Research

JoVE Journal

Biology

17.4K Aufrufe.  University of Alberta.  PathWhiz ist ein umfassendes Online-Pfad Zeichenwerkzeug für die biochemische und biologische Pfade zu erzeugen. Es nutzt öffentlich zugänglichen Datenbanken und leicht erweiterbare Paletten aus vorgezeichneten Weg Komponenten. Dieses Protokoll beschreibt, wie leicht auf neue Wege zu bauen, zu replizieren und bestehende Wege zu bearbeiten, und propagieren zuvor gezeichneten Wege zu verschiedenen Organismen. 

Serie: A Web Tool for Generating High Quality Machine-readable Biological Pathways

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved (Non-model) Organisms

This workflow allows novice researchers to leverage advanced computational resources such as cloud computing to carry out pairwise comparative transcriptomics. It also serves as a primer for biologists to develop data scientist computational skills, e.g. executing bash commands, visualization and management of large data sets. All command line code and further explanations of each command or step can be found on the wiki (<a href="https://wiki.cyverse.org/wiki/x/dgGtAQ">https://wiki.cyverse.org/wiki/x/dgGtAQ</a>). The Discovery Environment and Atmosphere platforms are connected together through the CyVerse Data Store. As such, once the initial raw sequencing data has been uploaded there is no more need to transfer large data files over an Internet connection, minimizing the amount of time needed to conduct analyses. This protocol is designed to analyze only two experimental treatments or conditions. Differential gene expression analysis is conducted through pairwise comparisons, and will not be suitable to test multiple factors. This workflow is also designed to be manual rather than automated. Each step must be executed and investigated by the user, yielding a better understanding of data and analytical outputs, and therefore better results for the user. Once complete, this protocol will yield de novo assembled transcriptome(s) for underserved (non-model) organisms without the need to map to previously assembled reference genomes (which are usually not available in underserved organism). These de novo transcriptomes are further used in pairwise differential gene expression analysis to investigate genes differing between two experimental conditions. Differentially expressed genes are then functionally annotated to understand the genetic response organisms have to experimental conditions. In total, the data derived from this protocol is used to test hypotheses about biological responses of underserved organisms.

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms

This protocol outlines a comparative de novo transcriptome assembly and annotation workflow for novice bioinformaticians. The workflow is available for free entirely through CyVerse and connected by the Data Store. Command line and graphical user interfaces are used, but all code needed is available to copy and paste.

Nutzung von CyVerse Resources für<em&gt; De Novo</em&gt; Vergleichende Transkriptomik von unversicherten (Nicht-Modell-) Organismen

This workflow allows novice researchers to leverage advanced computational resources such as cloud computing to carry out pairwise comparative ...

Forschung

Genetik

Sample Preparation and Analysis of RNASeq-based Gene Expression Data from Zebrafish

The analysis of global gene expression changes is a valuable tool for identifying novel pathways underlying observed phenotypes. The zebrafish is an excellent model for rapid assessment of whole transcriptome from whole animal or individual cell populations due to the ease of isolation of RNA from large numbers of animals. Here a protocol for global gene expression analysis in zebrafish embryos using RNA sequencing (RNASeq) is presented. We describe preparation of RNA from whole embryos or from cell populations obtained using cell sorting in transgenic animals. We also describe an approach for analysis of RNASeq data to identify enriched pathways and Gene Ontology (GO) terms in global gene expression data sets. Finally, we provide a protocol for validation of gene expression changes using quantitative reverse transcriptase PCR (qRT-PCR). These protocols can be used for comparative analysis of control and experimental sets of zebrafish to identify novel gene expression changes, and provide molecular insight into phenotypes of interest.

This protocol presents an approach for whole transcriptome analysis from zebrafish embryos, larvae, or sorted cells. We include isolation of RNA, pathway analysis of RNASeq data, and qRT-PCR-based validation of gene expression changes.

Probenvorbereitung und Analyse der RNASeq-basierte Genexpressionsdaten von Zebrafisch

The analysis of global gene expression changes is a valuable tool for identifying novel pathways underlying observed phenotypes. The zebrafish is an ...

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker detection algorithms generate one biomarker subset with the optimized performance measurement for a given dataset. However, a recent study demonstrated the existence of multiple biomarker subsets with similarly effective or even identical classification performances. This protocol presents a simple and straightforward methodology for detecting biomarker subsets with binary classification performances, better than a user-defined cutoff. The protocol consists of data preparation and loading, baseline information summarization, parameter tuning, biomarker screening, result visualization and interpretation, biomarker gene annotations, and result and visualization exportation at publication quality. The proposed biomarker screening strategy is intuitive and demonstrates a general rule for developing biomarker detection algorithms. A user-friendly graphical user interface (GUI) was developed using the programming language Python, allowing biomedical researchers to have direct access to their results. The source code and manual of kSolutionVis can be downloaded from http://www.healthinformaticslab.org/supp/resources.php.

Existing algorithms generate one solution for a biomarker detection dataset. This protocol demonstrates the existence of multiple similarly effective solutions and presents a user-friendly software to help biomedical researchers investigate their datasets for the proposed challenge. Computer scientists may also provide this feature in their biomarker detection algorithms.

Auswahl mehrerer Biomarker Teilmengen mit ebenso wirksame binäre Klassifikation Aufführungen

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker ...

Krebsforschung

Navigating MARRVEL, a Web-Based Tool that Integrates Human Genomics and Model Organism Genetics Information

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is pathogenic, one must query many databases to determine whether the gene of interest is linked to a genetic disease, whether the specific variant has been reported before, and what functional data is available in model organism databases that may provide clues about the gene&#8217;s function in human. MARRVEL (Model organism Aggregated Resources for Rare Variant ExpLoration) is a one-stop data collection tool for human genes and variants and their orthologous genes in seven model organisms including in mouse, rat, zebrafish, fruit fly, nematode worm, fission yeast, and budding yeast. In this Protocol, we provide an overview of what MARRVEL can be used for and discuss how different datasets can be used to assess whether a variant of unknown significance (VUS) in a known disease-causing gene or a variant in a gene of uncertain significance (GUS) may be pathogenic. This protocol will guide a user through searching multiple human databases simultaneously starting with a human gene with or without a variant of interest. We also discuss how to utilize data from OMIM, ExAC/gnomAD, ClinVar, Geno2MP, DGV and DECHIPHER. Moreover, we illustrate how to interpret a list of ortholog candidate genes, expression patterns, and GO terms in model organisms associated with each human gene. Furthermore, we discuss the value protein structural domain annotations provided and explain how to use the multiple species protein alignment feature to assess whether a variant of interest affects an evolutionarily conserved domain or amino acid. Finally, we will discuss three different use-cases of this website. MARRVEL is an easily accessible open access website designed for both clinical and basic researchers and serves as a starting point to design experiments for functional studies.

Here, we present a protocol to access and analyze many human and model organism databases efficiently. This protocol demonstrates the use of MARRVEL to analyze candidate disease-causing variants identified from next-generation sequencing efforts.

Navigieren in MARRVEL, einem webbasierten Tool, das Informationen zur Humangenomik und Modellgenetik integriert

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is ...

A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information

Recently, a new implementation of a previously described method for interpreting genome-wide association study (GWAS) data using metabolic pathway analysis has been developed and released. The Pathway Association Study Tool (PAST) was developed to address concerns with user-friendliness and slow-running analyses. This new user-friendly tool has been released on Bioconductor and Github. In testing, PAST ran analyses in less than one hour that previously required twenty-four or more hours. In this article, we present the protocol for using either the Shiny application or the R console to run PAST.

By running the Pathway Association Study Tool (PAST), either through the Shiny application or through the R console, researchers can gain a deeper understanding of the biological meaning of their genome-wide association study (GWAS) results by investigating the metabolic pathways involved.

Ein Pathway Association Study Tool für GWAS-Analysen von Stoffwechselweginformationen

Recently, a new implementation of a previously described method for interpreting genome-wide association study (GWAS) data using metabolic pathway ...

<meta charset="utf8"></head><body>Einsteigerfreundliche einsprachige Pipeline für die CUT&RUN-Datenanalyse

Introductory Analysis and Validation of CUT&#38;RUN Sequencing Data

The CUT&amp;RUN technique facilitates detection of protein-DNA interactions across the genome. Typical applications of CUT&amp;RUN include profiling changes in histone tail modifications or mapping transcription factor chromatin occupancy. Widespread adoption of CUT&amp;RUN is driven, in part, by technical advantages over conventional ChIP-seq that include lower cell input requirements, lower sequencing depth requirements, and increased sensitivity with reduced background signal due to a lack of cross-linking agents that otherwise mask antibody epitopes. Widespread adoption of CUT&amp;RUN has also been achieved through the generous sharing of reagents by the Henikoff lab and the development of commercial kits to accelerate adoption for beginners. As technical adoption of CUT&amp;RUN increases, CUT&amp;RUN sequencing analysis and validation become critical bottlenecks that must be surmounted to enable complete adoption by predominantly wet lab teams. CUT&amp;RUN analysis typically begins with quality control checks on raw sequencing reads to assess sequencing depth, read quality, and potential biases. Reads are then aligned to a reference genome sequence assembly, and several bioinformatics tools are subsequently employed to annotate genomic regions of protein enrichment, confirm data interpretability, and draw biological conclusions. Although multiple in silico analysis pipelines have been developed to support CUT&amp;RUN data analysis, their complex multi-module structure and usage of multiple programming languages render the platforms difficult for bioinformatics beginners who may lack familiarity with multiple programming languages but wish to understand the CUT&amp;RUN analysis procedure and customize their analysis pipelines. Here, we provide a single-language step-by-step CUT&amp;RUN analysis pipeline protocol designed for users with any level of bioinformatics experience. This protocol includes completing critical quality checks to validate that the sequencing data is suitable for biological interpretation. We expect that following the introductory protocol provided in this article combined with downstream peak annotation will allow users to draw biological insights from their own CUT&amp;RUN datasets.

<meta charset="utf8"></head><body>Autor im Rampenlicht: Untersuchung der Rolle repetitiver DNA-Fehlregulation bei der Krebsentstehung und Immuntherapieresistenz

This protocol guides bioinformatics beginners through an introductory CUT&amp;RUN analysis pipeline that enables users to complete an initial analysis and validation of CUT&amp;RUN sequencing data. Completing the analysis steps described here, combined with downstream peak annotation, will allow users to draw mechanistic insights into chromatin regulation.

Einführende Analyse und Validierung von CUT&#38;RUN-Sequenzierungsdaten

The CUT&amp;RUN technique facilitates detection of protein-DNA interactions across the genome. Typical applications of CUT&amp;RUN include profiling ...

Pipeline for Analyzing Microarray Data in Esophageal Cancer Research

Development of Compendium for Esophageal Squamous Cell Carcinoma

Esophageal cancer (EC) ranks as the 8th most aggressive malignancy, and its treatment remains challenging due to the lack of biomarkers facilitating early detection. EC manifests in two major histological forms - adenocarcinoma (EAD) and squamous cell carcinoma (ESCC) - both exhibiting variations in incidence across geographically distinct populations. High-throughput technologies are transforming the understanding of diseases, including cancer. A significant challenge for the scientific community is dealing with scattered data in the literature. To address this, a simple pipeline is proposed for the analysis of publicly available microarray datasets and the collection of differentially regulated molecules between cancer and normal conditions. The pipeline can serve as a standard approach for differential gene expression analysis, identifying genes differentially expressed between cancer and normal tissues or among different cancer subtypes. The pipeline involves several steps, including Data preprocessing (involving quality control and normalization of raw gene expression data to remove technical variations between samples), Differential expression analysis (identifying genes differentially expressed between two or more groups of samples using statistical tests such as t-tests, ANOVA, or linear models), Functional analysis (using bioinformatics tools to identify enriched biological pathways and functions in differentially expressed genes), and Validation (involving validation using independent datasets or experimental methods such as qPCR or immunohistochemistry). Using this pipeline, a collection of differentially expressed molecules (DEMs) can be generated for any type of cancer, including esophageal cancer. This compendium can be utilized to identify potential biomarkers and drug targets for cancer and enhance understanding of the molecular mechanisms underlying the disease. Additionally, population-specific screening of esophageal cancer using this pipeline will help identify specific drug targets for distinct populations, leading to personalized treatments for the disease.

This protocol describes a useful tool for identifying significant molecular changes in cancer and leads to the development of new diagnostic and therapeutic approaches for esophageal squamous cell carcinoma.

Esophageal cancer (EC) ranks as the 8th most aggressive malignancy, and its treatment remains challenging due to the lack of biomarkers facilitating early ...

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

The rapidly increasing and vast quantities of biomedical reports, each containing numerous entities and rich information, represent a rich resource for biomedical text-mining applications. These tools enable investigators to integrate, conceptualize, and translate these discoveries to uncover new insights into disease pathology and therapeutics. In this protocol, we present CaseOLAP LIFT, a new computational pipeline to investigate cellular components and their disease associations by extracting user-selected information from text datasets (e.g., biomedical literature). The software identifies sub-cellular proteins and their functional partners within disease-relevant documents. Additional disease-relevant documents are identified via the software's label imputation method. To contextualize the resulting protein-disease associations and to integrate information from multiple relevant biomedical resources, a knowledge graph is automatically constructed for further analyses. We present one use case with a corpus of ~34 million text documents downloaded online to provide an example of elucidating the role of mitochondrial proteins in distinct cardiovascular disease phenotypes using this method. Furthermore, a deep learning model was applied to the resulting knowledge graph to predict previously unreported relationships between proteins and disease, resulting in 1,583 associations with predicted probabilities &gt;0.90 and with an area under the receiver operating characteristic curve (AUROC) of 0.91 on the test set. This software features a highly customizable and automated workflow, with a broad scope of raw data available for analysis; therefore, using this method, protein-disease associations can be identified with enhanced reliability within a text corpus.

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

A computational protocol, CaseOLAP LIFT, and a use case are presented for investigating mitochondrial proteins and their associations with cardiovascular disease as described in biomedical reports. This protocol can be easily adapted to study user-selected cellular components and diseases.

Ein Knowledge-Graph-Ansatz zur Aufklärung der Rolle von Organellen-Signalwegen bei Krankheiten anhand biomedizinischer Berichte

The rapidly increasing and vast quantities of biomedical reports, each containing numerous entities and rich information, represent a rich resource for ...

Ein Web-Tool für die Erstellung hochwertiger maschinenlesbare biologische Pathways

Zusammenfassung

Weitere Videos entdecken

Kapitel in diesem Video

Nutzung von CyVerse Resources für

Probenvorbereitung und Analyse der RNASeq-basierte Genexpressionsdaten von Zebrafisch

Auswahl mehrerer Biomarker Teilmengen mit ebenso wirksame binäre Klassifikation Aufführungen

Navigieren in MARRVEL, einem webbasierten Tool, das Informationen zur Humangenomik und Modellgenetik integriert

Ein Pathway Association Study Tool für GWAS-Analysen von Stoffwechselweginformationen

Einführende Analyse und Validierung von CUT&RUN-Sequenzierungsdaten

Einführende Analyse und Validierung von CUT&RUN-Sequenzierungsdaten

Einführende Analyse und Validierung von CUT&RUN-Sequenzierungsdaten

Development of Compendium for Esophageal Squamous Cell Carcinoma

Ein Knowledge-Graph-Ansatz zur Aufklärung der Rolle von Organellen-Signalwegen bei Krankheiten anhand biomedizinischer Berichte