CorrelacionaciónCalculadora y filigrana: herramientas para el análisis de redes basado en datos de datos metabolómicos

Resumen

Presentamos CorrelationCalculator y Filigree, dos herramientas para la construcción de redes basadas en datos y el análisis de datos metabolómicos. CorrelationCalculator admite la construcción de una única red de interacción de metabolitos basada en datos de expresión, mientras que Filigrana permite construir una red diferencial, seguida de la agrupación de redes y el análisis de enriquecimiento.

Resumen

Un reto importante en el análisis de los datos ómicos es la extracción de conocimientos biológicos procesables. La metabolómica no es una excepción. El problema general de relacionar los cambios en los niveles de metabolitos individuales con procesos biológicos específicos se ve agravado por el gran número de metabolitos desconocidos presentes en los estudios de cromatografía líquida y espectrometría de masas (LC-MS) no dirigidos. Además, el metabolismo secundario y el metabolismo lipídico están escasamente representados en las bases de datos de vías existentes. Para superar estas limitaciones, nuestro grupo ha desarrollado varias herramientas para la construcción y el análisis de redes basadas en datos. Estos incluyen CorrelationCalculator y Filigrana. Ambas herramientas permiten a los usuarios construir redes basadas en correlaciones parciales a partir de datos metabolómicos experimentales cuando el número de metabolitos supera el número de muestras. CorrelationCalculator admite la construcción de una sola red, mientras que Filigrana permite crear una red diferencial utilizando datos de dos grupos de muestras, seguidos de agrupación en clústeres de red y análisis de enriquecimiento. Describiremos la utilidad y aplicación de ambas herramientas para el análisis de datos metabolómicos de la vida real.

Introducción

En la última década, la metabolómica se ha convertido en una ciencia ómica debido a los avances en tecnologías analíticas como la cromatografía de gases-espectrometría de masas (GC-MS) y la cromatografía líquida-espectrometría de masas (LC-MS). Estas técnicas permiten la medición simultánea de cientos a miles de metabolitos de moléculas pequeñas, creando conjuntos de datos multidimensionales complejos. Los experimentos metabolómicos se pueden realizar en modo dirigido o no dirigido. Los experimentos de metabolómica dirigida miden clases específicas de metabolitos. Por lo general, se basan en hipótesis, mientras que los enfoques no dirigidos intentan medir tantos metab....

Protocolo

1. Calculadora de correlación

1. Descargue un archivo de entrada de muestra delimitado por comas que contenga una lista de metabolitos con mediciones experimentales en http://metscape.med.umich.edu/kora_data_240.csv.
2. Haga doble clic en el archivo de muestra descargado para abrirlo.
   1. Asegúrese de que el archivo contenga etiquetas tanto para las muestras como para los metabolitos.
   2. Dado que las muestras están en filas, confirme que la primera columna son los nombres de las muestras y la primera fila son los nombres de los metabolitos.
3. Descargue la aplicación Java CorrelationCalculator (http://metsca....

Discusión

Los métodos de análisis de redes basados en correlaciones parciales implementados en CorrelationCalculator y Filigree ayudan a superar algunas de las limitaciones de los análisis de vías metabólicas basados en el conocimiento, especialmente para los conjuntos de datos con una alta prevalencia de metabolitos desconocidos y una cobertura limitada de vías metabólicas (por ejemplo, datos lipidómicos). Estas herramientas han sido ampliamente utilizadas por la comunidad investigadora para analizar una amplia gama de da.......

Materiales

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.