JoVE Logo
著者
お問い合わせ

サインイン

このコンテンツを視聴するには、JoVE 購読が必要です。 サインイン又は無料トライアルを申し込む。

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

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。

要約

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。

概要

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。

Access restricted. Please log in or start a trial to view this content.

プロトコル

1. IDP と IDV をインストールする

注:このセクションでは、ドッカー、コンダ、ピップ、およびgitがすでにインストールされていることを前提としています(材料表)。

  1. ターミナルで、git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git コマンドを入力します。
  2. IDP の README ファイルのインストール手順に従います。
  3. ターミナルで、git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git コマンドを入力します。
    メモ: IDV のクローン作成は、IDP の最上位ディレクトリの外部で行う必要があります。
  4. IDV の README ファイルのインストール手順に従います。

2. ノード検索

  1. ノード検索ステップをパラメータ化する新しい IDP 構成ファイルを作成します。
    メモ: 次の手順のすべての引用符は入力しないでください。引用符は、プロトコルテキストと入力されるものの間の区切り文字としてのみ使用されます。
    1. メインの IDP 引数を構成ファイルに追加します。
    2. テキストエディタで新しいテキストファイルを開き、個々の行に「data_file =」、「annotation_file =」、「output_dir =」、「num_proc =」、「IDVconnection = True」と入力します。
    3. "data_file" の場合、等号の後に、それぞれの時系列ファイルのパスと名前を入力し、名前の後にコンマを入力します。複数の時系列データ・セットが使用されている場合は、各データをコンマで区切ります。時系列遺伝子発現 ファイル の例については、 補足ファイル 1 および補足ファイル 2 を参照してください。
    4. "annotation_file" のアノテーション ファイルのパスと名前を等号の後に入力します。アノテーション ・ファイル の例については、補足ファイル 3 を参照してください。
    5. 「output_file」の場合は、等号の後に、結果が保存されるフォルダーのパスと名前を入力します。
    6. 等号の後の "num_proc" に、IDP が使用するプロセス数を入力します。
    7. ノード検索引数を構成ファイルに追加します。
    8. 手順 2.1.1 と同じテキスト ファイルに、個々の行に "[dlxjtk_arguments]"、"ピリオド ="、および "dlxjtk_cutoff =" と表示されている順序で入力します。これらをメイン引数の後に置きます。
    9. 「期間」の場合、等号の後に、1 つの時系列データ・セットが使用されている場合は、各期間の長さをコンマで区切って入力します。複数の時系列データ・セットの場合は、期間の長さの各セットを以前と同じように入力しますが、各セットを角括弧で囲み、セット間にコンマを入れます。
    10. 等号の後の「dlxjtk_cutoff」に、de Lichtenberg by gene_list_file (DLxJTK) によるJTK_CYCLE出力で保持する遺伝子の最大数を指定する整数を入力します (表 1)。
      注: IDP README のdlxjtk_argumentsのセクションを確認して、各引数の理解を深めることを強くお勧めします。ノード検索引数が指定された構成ファイルの例については、 補足ファイル 4 を参照してください。
  2. ターミナルで、inherent_dynamics_pipelineという名前の IDP ディレクトリに移動します。
  3. ターミナルで、コマンドを入力します: conda activate dat2net
  4. ターミナルでこのコマンドを実行して、手順 2.1 で作成した構成ファイルを使用して IDP を実行します。 はファイルの名前 です: python src/dat2net.py
  5. ターミナルで、inherent_dynamics_visualizer という名前のディレクトリーに移動し、コマンドを入力します。/viz_results.sh
    メモ: は、IDP の出力ディレクトリとして使用されるディレクトリを指します。
  6. Web ブラウザーで、URL として http://localhost:8050/ を入力します。
  7. IDVをブラウザで開いたら、[ノード検索]タブをクリックし、ドロップダウンメニューから目的の ノード検索 フォルダを選択します。
  8. IDV の遺伝子リストテーブルから新しい遺伝子リストを手動でキュレーションし、後続の IDP ステップに使用します。
    1. 遺伝子リスト表を延長または短縮するには、上向き矢印または下向き矢印をクリックするか、 DLxJTKランクの遺伝子の遺伝子発現の横にあるボックスに1〜50の整数を手動で入力します。トップ:。
    2. 遺伝子リストテーブルで、遺伝子の横にあるボックスをクリックすると、その遺伝子発現プロファイルが折れ線グラフで表示されます。複数の遺伝子を追加することができます。
    3. オプションで、遺伝子を計算および順序付けする同じサイズのビンの数を指定し、遺伝子リスト表の上にある入力ボックスに整数を入力して、最初のサイクルをビンに分割します。
      メモ: このオプションは振動ダイナミクスに固有であり、他のタイプのダイナミクスには適用できない場合があります。
    4. ヒートマップの表示設定を選択するには、[遺伝子の順序 付け方法:第1 サイクルの最大発現](表1)のオプションをクリックして、最初のサイクルの遺伝子発現ピークの時間に基づいて遺伝子を順序付けます。
      注: DLxJTK ランクは、IDP の DLxJTK アルゴリズムからの周期性ランキングに基づいて遺伝子を並べ替えます。
    5. [遺伝子リストの ダウンロード] ボタンをクリックして、遺伝子リストをエッジ検索ステップに必要なファイル形式にダウンロードします。遺伝子リストファイルの例については、 補足ファイル5 を参照してください。
  9. 編集可能な遺伝子アノテーションテーブルで、新しいエッジ検出実行のエッジ検出ステップの注釈ファイルで、遺伝子をターゲット、調節因子、またはその両方としてラベル付けします。遺伝子が調節因子である場合は、その遺伝子をアクチベーター、リプレッサー、またはその両方として標識します。
    1. 遺伝子を活性化剤として標識するには、tf_act列の細胞をクリックし、値を1に変更します。遺伝子をリプレッサーとしてラベル付けするには、tf_rep列の値を 1 に変更します。遺伝子は、tf_act列とtf_rep列の両方の値を1に設定することにより、エッジ検出ステップでアクチベーターとリプレッサーの両方として機能することができます。
    2. 遺伝子をターゲットとしてラベル付けするには、ターゲット列の細胞をクリックし、値を1に変更します。
  10. 「アノットをダウンロード。ファイル」ボタンをクリックして、エッジ検索ステップに必要なファイル形式に アノテーションファイル をダウンロードします。

3. エッジ検索

  1. エッジ検索ステップをパラメータ化する新しい IDP 構成ファイルを作成します。
    1. メインの IDP 引数を構成ファイルに追加します。テキストエディタで新しいテキストファイルを開き、手順2.1.1を繰り返します。
    2. エッジ検索引数を構成ファイルに追加します。
    3. 手順 3.1.1 と同じテキスト ファイルに、"[lempy_arguments]"、"gene_list_file ="、"[netgen_arguments]"、"edge_score_column ="、"edge_score_thresho ="、"num_edges_for_list ="、"seed_threshold ="、および "num_edges_for_seed =" の順に、個々の行に入力します。これらは主な引数の下に行くべきです。
    4. 「gene_list_file」の場合、等号の後に、ステップ2.8.5で生成した遺伝子リストファイルへのパスと名前を入力します。
    5. "edge_score_column" の場合、等号の後に "pld" または "norm_loss" と入力して、エッジのフィルター処理に使用するレンピー出力のデータフレーム列を指定します。
    6. 「edge_score_threshold」または「num_edges_for_list」のいずれかを選択し、もう一方を削除します。「edge_score_threshold」を選択した場合は、0 ~ 1 の数値を入力します。この番号は、手順 3.1.5 で指定した列に基づいてエッジをフィルター処理するために使用されます。
      1. 「num_edges_for_list」を選択した場合は、可能なエッジの数以下の値を入力します。この数値は、ステップ 3.1.5 で指定した列でのエッジのランク付け方法に基づいてエッジをフィルター処理するために使用されます。残ったエッジは、ネットワーク検索でネットワークを構築するために使用されます。
    7. 「seed_threshold」または「num_edges_for_seed」のいずれかを選択し、もう一方を削除します。「seed_threshold」を選択した場合は、0 ~ 1 の数値を入力します。この番号は、手順 3.1.5 で指定した列に基づいてエッジをフィルター処理するために使用されます。
      1. 「num_edges_for_seed」を選択した場合は、可能なエッジの数以下の値を入力します。この数値は、ステップ 3.1.5 で指定した列でのエッジのランク付け方法に基づいてエッジをフィルター処理するために使用されます。残ったエッジは、ネットワーク検索で使用されるシード ネットワーク(表 1)の構築に使用されます。
        注: IDP README のlempy_argumentsとnetgen_argumentsのセクションを確認して、各引数の理解を深めることを強くお勧めします。Edge 検索引数が指定された構成ファイルの例については、 補足ファイル 7 を参照してください。
  2. 手順 2.2 と 2.3 を繰り返します。
  3. ターミナルでこのコマンドを実行して、手順 3.1 で作成した構成ファイルを使用して IDP を実行します。 はファイルの名前 です: python src/dat2net.py
  4. IDV がまだ実行中の場合は、端末ウィンドウで 制御 C を押してプログラムを停止します。手順 2.5 と 2.6 を繰り返します。
  5. ブラウザでIDVを開いた状態で、[エッジ検索]タブをクリックし、ドロップダウンメニューから目的の エッジ検索 フォルダを選択します。
    注: エッジ検索で複数のデータセットを使用する場合は、ローカル エッジ マシン (LEM) 分析で最後に使用されたデータセットを必ず選択してください (表 1)。LEM の結果に基づいてシード ネットワークまたはエッジ リストのエッジを選択するときは、構成ファイルにリストされている最後の時系列データを調べることが重要です。この出力には、ノード間の規制関係の推論に先行するすべてのデータ ファイルが組み込まれているためです。
  6. エッジテーブルを延長または短縮するには、「 エッジ数:」の下の入力ボックスに整数を手動で入力します。
  7. オプションで、LEM ODE パラメーターのエッジをフィルター処理します。クリックしてドラッグし、各パラメータのスライダの左側または右側を移動して、新しいパラメータ境界の外側にパラメータがあるエッジをエッジテーブルから削除します。
  8. IDP によって提案されたものとは異なるシードネットワークが必要な場合は、オプションで新しいシードネットワークを作成します。シード・ネットワーク ・ファイル の例については、補足ファイル 8 を参照してください。
    1. シードネットワークを選択するには「 シードから 」を選択するか、「ネットワーク:」の下のドロップダウン メニューから「選択 から 」を選択します。
    2. 各エッジの横にある対応するチェックボックスをクリックして、エッジテーブルからエッジの選択/選択を解除し、シードネットワークからエッジを削除/追加します。
  9. 「 DSGRN NetSpec のダウンロード 」ボタンをクリックして、規制ネットワークによって生成される動的署名 (DSGRN) (表 1) ネットワーク仕様フォーマットでシード・ネットワークをダウンロードします。
  10. 「ネットワーク検索」ステップで使用する追加のノードとエッジを選択します。
    1. 対応するチェックボックスをクリックしてエッジテーブルからエッジを選択し、ネットワーク検索で使用されるエッジリストファイルに含める。
    2. [ ノード リストとエッジ リスト のダウンロード] をクリックして、ノード リストとエッジ リスト ファイルをネットワーク検索での使用に必要な形式でダウンロードします。エッジ ファイルとノード リスト ファイルの例については、それぞれ補足ファイル 9 と 補足ファイル 10 を参照してください。
      メモ: ノードリストにはエッジリストファイル内のすべてのノードが含まれている必要があるため、IDV は選択したエッジに基づいてノードリストファイルを自動的に作成します。エッジ検索でエッジを表示するには、2 つのオプションを使用できます。 LEM サマリーテーブル オプションは、エッジを上位 25 個のエッジのランク付けされたリストとして表示します。 トップラインLEMテーブル は、可能な各レギュレータの上位3つのランク付けされたエッジの連結リストでエッジを表示します。各オプションに表示されるエッジの数は、[ エッジの数] 入力ボックスの数値を変更することで、ユーザーが調整できます。

4. ネットワーク検索

  1. ネットワーク検索ステップをパラメータ化する新しい IDP 構成ファイルを作成します。
    1. メインの IDP 引数を構成ファイルに追加します。テキストエディタで新しいテキストファイルを開き、手順2.1.1を繰り返します。
    2. ネットワーク検索引数を構成ファイルに追加します。
    3. 手順 4.1.1 と同じテキスト ファイルに、"[netper_arguments]"、"edge_list_file ="、"node_list_file ="、"seed_net_file ="、"range_operations="、"numneighbors ="、"maxparams ="、"[[確率]]"、"addNode ="、"addEdge ="、"removeNode ="、および "removeEdge =" の順に、メイン引数の下に入力します。
    4. 「seed_net_file」、「edge_list_file」、および「node_list_file」の場合、等号の後に、シード・ネットワーク・ファイル、およびステップ 3.9 および 3.10.2 で生成されたエッジ・リスト・ファイルとノード・リスト・ファイルへのパスと名前を入力します。
    5. 等号の後の "range_operations" には、2 つの数値をコンマで区切って入力します。1 番目と 2 番目の数字は、それぞれ、作成されたネットワークごとのノードまたはエッジの追加または削除の最小数と最大数です。
    6. "numneighbors" の場合、等号の後に、ネットワーク検索で検索するネットワークの数を表す数値を入力します。
    7. 「maxparams」の場合、等号の後に、ネットワークに許可する DSGRN パラメーターの最大数を表す数値を入力します。
    8. これらの引数のそれぞれに、等号の後に "addNode"、"addEdge"、"removeNode"、および "removeEdge" の各引数に 0 ~ 1 の値を入力します。数値の合計は 1 にする必要があります。
      注: IDP README のnetper_argumentsとnetquery_argumentsのセクションを確認して、各引数の理解を深めることを強くお勧めします。 ネットワーク検索 引数が指定された構成ファイルの例については、 補足ファイル 11 および補足ファイル 12 を参照してください。
  2. 手順 2.2 と 2.3 を繰り返します。
  3. ターミナルでこのコマンドを実行して、手順 4.1 で作成した構成ファイルを使用して IDP を実行します。 はファイルの名前です: python src/dat2net.py
  4. IDV がまだ実行中の場合は、端末ウィンドウで 制御 C を押してプログラムを停止します。手順 2.5 と 2.6 を繰り返します。
  5. ブラウザでIDVを開いた状態で、[ネットワーク検索]タブをクリックし、目的の ネットワーク検索 フォルダを選択します。
  6. ネットワークまたはネットワークのセットを選択して、エッジ普及率テーブル (表 1) を生成し、それぞれのクエリ結果と共にネットワークを表示します。
    1. ネットワークの選択には、オプション 1 - プロットの x 軸と y 軸に対応する入力ボックスに最小値と最大値を入力して、クエリ結果の下限と上限を入力する 2 つのオプションを使用できます。オプション 2 - 散布図をクリックしてドラッグし、含めるネットワークの周りにボックスを描画します。選択範囲または入力境界を入力したら、[ 選択したネットワークからエッジの有病率を取得] ボタンを押します。
      注: 複数の DSGRN 照会が指定されている場合は、照会タイプでラベル付けされたラジオ・ボタンを使用して、各照会の結果を切り替えます。複数のイプシロン(ノイズレベル)が指定されている場合も同様です。
  7. エッジ有病率表の下にある矢印をクリックして、表の次のページに移動します。 [テーブルのダウンロード ] を押して、エッジの有病率テーブルをダウンロードします。
  8. [ネットワークインデックス]入力ボックスに整数を入力して、手順4.6で選択したネットワークを1つ表示します。「 DSGRN NetSpec のダウンロード」をクリックして、表示されたネットワークを DSGRN ネットワーク仕様フォーマットでダウンロードします。
  9. 指定したモチーフまたは目的のネットワークとの類似性をネットワークで検索します。
    1. 各エッジに対応するチェックボックスを使用して、類似度解析に使用するネットワークまたはモチーフに含めるエッジを選択します。 [送信] をクリックして、選択したモチーフまたはネットワークの類似度散布図を作成します。
      メモ: エッジリストの矢印を使用してアルファベット順に並べ替え、表の下の矢印を使用して表の次のページに移動します。
    2. 散布図をクリックしてドラッグし、含めるネットワークの周囲にボックスを描画し、ネットワークまたはネットワークのセットを選択してエッジ有病率テーブルを生成し、ネットワークをそれぞれのクエリ結果と共に表示します。
      注: 複数の DSGRN 照会が指定されている場合は、照会タイプでラベル付けされたラジオ・ボタンを使用して、各照会の結果を切り替えます。複数のイプシロン(ノイズレベル)が指定されている場合も同様です。
    3. 手順 4.7 と 4.8 を繰り返して、類似度分析用にエッジ有病率テーブルと表示されたネットワークをそれぞれダウンロードします。

Access restricted. Please log in or start a trial to view this content.

結果

上記でテキストで説明し、 図1 でグラフィカルに説明したステップを酵母細胞周期のコア振動GRNに適用して、酵母細胞周期研究で収集された時系列遺伝子発現データで観察されたダイナミクスを生成することができる機能的GRNモデルを発見できるかどうかを調べた16。IDVがIDP出力をどのように明確化し、改善できるかを説明するために、この分析を2つ?...

Access restricted. Please log in or start a trial to view this content.

ディスカッション

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?...

Access restricted. Please log in or start a trial to view this content.

開示事項

著者らは開示するものは何もありません。

謝辞

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。

Access restricted. Please log in or start a trial to view this content.

資料

NameCompanyCatalog NumberComments
Dockerhttps://docs.docker.com/get-docker/
Githttps://git-scm.com/
Inherent Dynamics Pipelinehttps://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizerhttps://gitlab.com/bertfordley/inherent_dynamics_visualizer
Minicondahttps://docs.conda.io/en/latest/miniconda.html
Piphttps://pip.pypa.io/en/stable/

参考文献

  1. Karlebach, G., Shamir, R. Modelling and analysis of gene regulatory networks. Nature Reviews Molecular Cell Biology. 9 (10), 770-780 (2008).
  2. Aijö, T., Lähdesmäki, H. Learning gene regulatory networks from gene expression measurements using non-parametric molecular kinetics. Bioinformatics. 25 (22), 2937-2944 (2009).
  3. 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).
  4. Oates, C. J., et al. Causal network inference using biochemical kinetics. Bioinformatics. 30 (17), 468-474 (2014).
  5. Marbach, D., et al. Wisdom of crowds for robust gene network inference. Nature Methods. 9 (8), 796-804 (2012).
  6. Inherent Dynamics Pipeline. , Available from: https://gitlab.com/biochron/inherent_dynamics_pipeline (2021).
  7. 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).
  8. LEMpy. , Available from: https://gitlab.com/biochron/lempy (2021).
  9. McGoff, K. A., et al. The local edge machine: inference of dynamic models of gene regulation. Genome Biology. 17, 214(2016).
  10. 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).
  11. 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).
  12. Cummins, B., Gedeon, T., Harker, S., Mischaikow, K. DSGRN: Examining the dynamics of families of logical models. Frontiers in Physiology. 9. 9, 549(2018).
  13. DSGRN. , Available from: https://github.com/marciogameiro/DSGRN (2021).
  14. Dsgm_Net_Gen. , Available from: https://github.com/breecummins/dsgrn_net_gen (2021).
  15. Dsgrn_Net_Query. , Available from: https://github.com/breecummins/dsgrn_net_query (2021).
  16. Orlando, D. A., et al. Global control of cell-cycle transcription by coupled CDK and network oscillators. Nature. 453 (7197), 944-947 (2008).
  17. 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).
  18. 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).
  19. Horak, C. E., et al. Complex transcriptional circuitry at the G1/S transition in Saccharomyces cerevisiae. Genes & Development. 16 (23), 3017-3033 (2002).
  20. Cherry, J. M., et al. Saccharomyces genome database: The genomics resource of budding yeast. Nucleic Acids Research. 40, 700-705 (2012).
  21. Zhu, G., et al. Two yeast forkhead genes regulate the cell cycle and pseudohyphal growth. Nature. 406 (6791), 90-94 (2000).
  22. 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).
  23. 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).
  24. 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).

Access restricted. Please log in or start a trial to view this content.

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

178

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

お問い合わせ

図書館への推薦

JoVE ニュースレター

研究

教育

著者

図書館員

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved