実験間比較のための細胞周期同期喪失モデルを用いた同期時系列データのアライメント

要約

同期時系列実験を分析する際の課題の1つは、実験によって同期からの回復の長さと細胞周期期間が異なることが多いことです。したがって、異なる実験からの測定値をまとめて分析したり、容易に比較したりすることはできません。ここでは、フェーズ固有の比較を可能にするために実験を調整する方法について説明します。

要約

細胞周期の調査は、多くの場合、細胞集団を同期させて、細胞が細胞周期を通過するときに時系列のさまざまなパラメータを測定することに依存します。しかし、同様の条件下でも、複製実験では、同期からの回復と細胞周期の横断に必要な時間に違いが見られるため、各時点で直接比較することはできません。実験間で動的測定値を比較するという問題は、突然変異集団または同期回復時間および/または細胞周期期間に影響を与える代替増殖条件で悪化します。

私たちは以前、細胞の同期集団がどのように同期から解放され、細胞周期を通して進行するかを監視する、細胞周期同期の喪失の特徴付け(CLOCCS)という名前のパラメトリック数学モデルを公開しました。次に、モデルから学習したパラメータを使用して、同期時系列実験の実験時点を正規化された時間スケール(生存線点)に変換できます。ライフラインスケールは、実験開始からの経過時間を分単位で表すのではなく、同期から細胞周期への進入、そして細胞周期の段階までの進行を表します。ライフラインポイントは、同期された母集団内の平均細胞の位相に対応するため、この正規化された時間スケールにより、さまざまな期間や回復時間を含む実験間の直接比較が可能になります。さらに、このモデルは、異なる種(例えば、サッカロミセス・セレビシエおよびシゾサッカロミセス・ポンベ)間の細胞周期実験を調整するために使用されているため、細胞周期測定値の直接比較が可能になり、進化の類似点と相違点が明らかになる可能性があります。

概要

細胞周期の進行に合わせて同期した細胞集団に対して行われる時系列測定は、細胞周期の進行を制御するメカニズムを調べるための標準的な方法です¹、²、³、⁴、⁵、⁶、^7、8.同期/リリース時系列実験間で比較を行う機能は、これらの動的プロセスを理解するために不可欠です。調査結果を裏付けるために反復実験を使用すると、結論の再現性の信頼性を高めることができます。さらに、環境条件間、変異体間、さらには種間の比較により、細胞周期制御に関する多くの新しい洞察を明らかにすることができます。しかし、同期からの回復と細胞周期の進行速度における実験間のばらつきは、反復間または細胞周期のタイミングを変更した実験間で時間ポイント間の比較を行う能力を損ないます。これらの課題のため、反復は完全な時系列に含まれないことがよくあります(例:Spellman et ^al.4)。時系列全体の反復が収集される場合、データを集計して分析することはできず、単一の反復が分析に使用され、他の反復はしばしば補足的な数値に追いやられます(例:Orlando et ^al.8)。さらに、異なる回復または細胞周期進行特性を有する実験間の比較は困難である。関心のあるイベントと細胞周期のランドマーク(芽の出現、S期の開始、後期の開始など)の間のより短い間隔の測定は、これらのランドマークイベントが追跡される場合のエラーを減らすのに役立ちます¹、²、³、⁹、10^、11、12。ただし、微妙ではあるが重要な違いは、これらのアドホックな方法を使用しても検出されないか、不明瞭なままになる可能性があります。最後に、シングルセル解析では、同期やアライメントに頼らずに細胞周期の進行を解析することができますが¹³、シングルセル研究における大規模な測定は困難でコストがかかる可能性があります。

これらの困難を克服するために、同期集団で行われた時系列測定の分析を支援するために、細胞周期同期の喪失の特徴付け(CLOCCS)モデルを開発しました^14,15。CLOCCSは、細胞周期の段階が同期から解放され、細胞周期が進行するときに、細胞周期の段階にわたる同期細胞の分布を記述する柔軟な数学的モデルです。分岐プロセスの枠組みにより、このモデルは、S. cerevisiaeで観察されたように、分裂後の母細胞と娘細胞の非対称性を説明することができますが、S. pombeなどの分裂によって分裂する生物にも有用です。モデルは、さまざまな測定タイプのセットから入力を受け取り、細胞周期のフェーズを指定できます。これは、経時的な出芽細胞の割合の測定を含む出芽細胞周期相データを取り込むことができ、出芽していないG1相の外側の細胞数の推定を可能にする^14,15。このモデルは、DNA含有量を測定するフローサイトメトリーデータを取り込むこともできるため、G1からS、SからG2、MからG1への画期的な遷移の評価が可能になります¹⁵。蛍光形態マーカーは、細胞周期期を同定するためにも使用できます。ミオシンリング、核、および紡錘体極体(SPB)の蛍光標識を使用して細胞周期期を決定することができ、これらはCLOCCSモデル¹¹に組み込まれました。しかしながら、これらの測定は、このプロトコルでは記載されない。さらに、セプテーションインデックスは、S. pombe¹⁴からのデータをモデル化するための入力として使用されました。したがって、このモデルは、さまざまな生物の細胞周期解析に使用でき、さらに拡張することができます。

CLOCCSは、入力データから複数のパラメータ(出芽率、DNA含有量など)の完全なベイズ推定を可能にするパラメトリックモデルです。これらのパラメータには、同期からの回復時間、細胞周期期間の長さ(母細胞と娘細胞について別々に推定)、および各時点での細胞の平均細胞周期位置が含まれます。これらのパラメータは、集団内の平均細胞の挙動を表し、研究者が各時点を生存線点として表される細胞周期位置にマッピングできるようにします。生存線点への変換は、CLOCCSパラメータラムダ(λ)とmu0(μ₀)^14,15に依存します。パラメータλは、母細胞の平均細胞周期周期に対応する。ただし、母娘遅延^14,15のため、これは母細胞と娘細胞の両方を含む全集団の平均細胞周期期間ではありません。CLOCCSはさらに、母娘遅延に対応するパラメータデルタ(δ)を推論し、したがって、全集団の平均細胞周期期間の計算を可能にする。最後に、各実験は細胞周期同期からの解放後に開始されるため、同期法から回復するのに必要な時間は CLOCCS パラメーター μ₀ で表されます。CLOCCSは、入力された細胞周期位相データにモデルを適合し、ランダムウォークマルコフ連鎖モンテカルロアルゴリズム^14、15を使用してこれらのパラメータを推論します。複数の実験を共通の細胞周期ライフサイクル時間スケールにマッピングすることにより、反復または回復時間または細胞周期期間が同一でない実験の間で、フェーズ固有の直接比較を行うことができます⁸、^14、15。

同期された母集団は時系列^14、15、16、¹⁷の過程である程度の割合で同期を失うため^、同期損失率の変動性も実験間の定量的比較を妨げる可能性があります。CLOCCSは、母集団の位置とその分布の分散を特定することにより、同期損失率の違いを説明します。この強力なツールは、実験間の具体的かつ詳細な比較を可能にするため、反復間だけでなく、環境条件、変異体、さらには細胞周期のタイミングが劇的に異なる種間でも関連する比較を直接行うことができます^14,15。

この論文では、CLOCCSを使用して、同期/リリース時系列実験からのデータをフィッティングすることによってパラメータを推定し、データを共通のライフラインスケールにマッピングし、反復または実験間の関連する比較を行う方法について説明します。ライフラインアライメントにより、これらの実験間でフェーズ特異的な直接比較が可能になり、反復の集約と比較が可能になり、異なる回復タイミングと細胞周期期間を持つ実験間でより関連性の高い比較を行うことができます。

プロトコル

1. 細胞周期期および実験データの収集

1. 所望の同期法を用いて細胞周期に関して細胞を同期させる(例えば、Lemanら¹⁸に記載されるような遠心水簸またはRosebrock 19に記載されるような交配フェロモン停止;Lemanら¹⁸およびRosebrock¹⁹の両方は、同期から解放するための方法も含む)。時系列全体でサンプリングを開始し、時系列の長さが少なくとも 2 つの完全な細胞サイクル期間であることを確認し、最適には、細胞サイクルごとに少なくとも 10 個のサンプルを収集します。各時点で、以下に説明するように、細胞周期期データ(出芽またはフローサイトメトリー)用のサンプルと実験データ用のサンプルを収集します。
2. 出芽データを細胞周期相データとして使用する場合は、CLOCCSアライメントの出芽データを収集します。
   1. 時系列全体のサンプル。各時点で、細胞を収集し、Lemanらに記載されているように、200μLの超音波処理細胞培養物を200μLの固定液と混合することによってそれらを固定する¹⁸。
   2. 標準的な出芽では、40倍の対物レンズと血球計算盤を備えた透過光顕微鏡を使用して、時点ごとに少なくとも200個の細胞をカウントします。ステップ1.2.1の細胞サンプルを血球計算盤に加え、密度によってカウントが妨げられる場合は希釈します。各時点での出芽セルと非出芽セルの数を記録します。出芽したセルの割合を計算し、出芽曲線の各時点についてプロットします。
      注:細胞周期相情報を指定する他の方法も利用可能ですが、これらはこのプロトコルでは説明されていません。他の方法については、CLOCCS の readme と以前の作業¹¹ で説明されています。
3. 細胞周期相データとしてフローサイトメトリーDNA含量データを使用する場合は、フローサイトメトリーCLOCCSアライメントのためにフローサイトメトリーDNA染色データを収集します。
   1. 時系列全体のサンプル。各時点について、細胞を収集し、Haase and Reed²⁰の説明に従って固定します。
   2. DNAを染色し、標準的なフローサイトメトリー分析を用いて解析します。 S. cerevisiae の推奨染色プロトコルは、HaaseおよびReed²⁰に記載されています。
4. 関連するオミクスまたは関連する実験データを収集します。標準的なトランスクリプトームデータについては、Leman et ^al.18 および Kelliher et ^al.21,22 に記載されているように収集します。データが細胞周期フェーズデータを含む時点に関連付けられていることを確認して、下流のアライメントを可能にします。最適なアライメントを行うには、実験データを含む各時点に位相データも関連付けられていることを確認します。
   注:実験データはさまざまな形式をとることができます。従来、時系列トランスクリプトーム実験のアライメントについて説明したアライメント法を使用しています。しかしながら、時点に関連する任意のタイプのデータを整列させることができる(すなわち、プロテオミクス²²)。

2. 必要なソフトウェアのインストール

注: このセクションでは、Conda、Java 19、および Git が既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. ターミナルに次のコマンドを入力して、CLOCCS_alignmentリポジトリをダウンロードします。
   git クローン git クローン https://gitlab.com/haase-lab-group/cloccs_alignment.git
2. conda_req.yml ファイルを使用して Conda 環境を作成するには、CLOCCS_alignmentリポジトリが複製されたフォルダー内のターミナルに次のコマンドを入力します。
   conda env create -f conda_req.yml

3. CLOCCSを使用して実験をパラメータ化する

1. CLOCCS_alignmentリポジトリの CLOCCS フォルダーにあるcloccs_v2023.jarファイルをダブルクリックし、グラフィカル ユーザー インターフェイスが開くのを待ちます。この画面では、CLOCCS実行のオプションを入力することができ、実行後に結果が表示されます。
2. 一般設定を入力します。
   1. シム アニール、バーン イン、イテレーションを設定するには、関連するテキスト入力ボックスに入力します。Sim Anneal(シミュレーテッドアニーリング)は適切な開始パラメータ値を特定し、バーンインは事後モードを検索し、最終段階ではすべての事後推論を描画できます。値を大きくすると実行時間が長くなりますが、精度も向上します。
   2. [温度]というテキストボックスとドロップダウンメニュー[シンクロ]を使用して、摂氏単位の温度と同期方法を指定して実験条件を入力します。それぞれメソッド。
   3. 必要に応じて、[詳細設定] メニューで詳細設定を構成します。詳細設定では、各パラメータ ("mu0", "sigma0", "sigmav", "lambda", "bud.start", "bud.end") に対して事前確率を設定することができます。
      注: 詳細設定の詳細については.txt CLOCCS_alignmentリポジトリの CLOCCS フォルダーにある readme を参照してください。
3. 出芽データで使用する設定を入力します。
   1. [ モデルタイプ ]ドロップダウンメニューから適切な選択を選択します。デフォルトのオプション Bud は、出芽酵母の標準的な出芽情報用です。
      注:ドロップダウンメニューには、他のより高度なオプションもあります:分裂せずに複数の出芽サイクルを経る突然変異体の出芽情報のための 突然変異体 、出芽情報と追加の紡錘体体とミオシンリング情報のための BudSSLSMR 、および出芽情報と追加の分裂と芽頸部核情報のための BudNucDivNeck。 これらの拡張オプションについては、CLOCCS の readme および以前の作業^11、14、15 で説明されています。
   2. [データのインポート] パネルを使用して、テキスト入力ボックスに入力するか、[ファイルの選択] ボタンをクリックしてファイルをアップロードして、データをインポートします。最初の列は時間ポイントを指定します。残りの 2 つの列は、出芽データを指定し、出芽していないセルの数 ([芽なし])、出芽したセルの数 ([芽])、またはセルの総数 ([合計]) のいずれかのオプションを使用できます。
4. フローサイトメトリーデータで使用する設定を入力します。実験ごとに、手順 3.3 または手順 3.4 を実行します 。
   注:フローサイトメトリーデータと出芽データは一緒に使用できます。前にそれらを一緒に実行する^{について説明しましたが15}、このツールでは、それらを独立して実行してから比較する必要があります。
   1. 補足ファイル 1 (CLOCCS_alignmentリポジトリには CLOCCS/flow_cytometry_conversion_instructions.txt として記載されています) の手順に従って、.fcs ファイルをフローサイトメトリー用の正しい CLOCCS 入力形式に変換します。
   2. [モデルタイプ]ドロップダウンメニューから[フロー]を選択します。
   3. [データのインポート] パネルを使用してデータをインポートします。[ファイルの選択] をクリックし、手順 3.4.1 で生成されたファイルを選択します。
   4. フローサイトメトリーCLOCCS適合をプロットする時間ポイントを選択するには、 フィッティング時間 ボックスで時間ポイントを選択します。
5. 出芽またはフローサイトメトリーのいずれかですべての入力を選択したら、 適用 ボタンをクリックし、画面上部の サンプル ボタンをクリックします。
6. 予測適合値を含む出芽曲線またはフローサイトメトリープロットを表示するには、 予測適合値 タブを選択します。既定では、このタブは前の手順の直後に開きます。
7. 各パラメータのパラメータヒストグラムを表示するには、[パラメータ ヒストグラム ]タブを選択し、 MU0、デルタ、シグマ0、シグマブ、ラムダ、バッドスタート、バッドエンドなどのオプションから目的のパラメータに対応するサブタブを選択します。
8. 事後スコアプロットを表示するには、 事後スコア タブを選択します。
9. 設定を表示し、[ 設定 ] タブを選択してさらに変更します。[ ログ ] タブを選択して、以前の実行のログを表示します。
10. 事後パラメータタブを選択して、フィットからCLOCCSパラメータを取得します。結果のテーブルは、各行がパラメーターで構成され、最後の行が後方行になるという形式になります。列は、平均の予測パラメータ、2.5%の下側信頼区間、97.5%の上側信頼区間、および許容率で構成されます。
    1. 各実験のアライメントに使用したパラメータ( 同期からの回復時間(μ₀) と 母細胞の平均細胞周期周期(λ))を記録します。
    2. 母細胞周期(λ)と娘細胞周期(λ + δ)の平均を計算して細胞周期周期を計算します(δは娘固有の遅延です)。
       注:比較に含めるすべての実験でセクション3を繰り返します。

4. Python変換関数とCLOCCSパラメータを使用した時間ポイントの生存線ポイントへの変換

注: 時点点と生存線点の間の変換には、2 つの変換式²¹ が必要です。変換とデータの視覚化のための Python 実装は、CLOCCS_alignment リポジトリで利用でき、以下で説明します。

1. ターミナルに次のコマンドを入力して、Conda環境をアクティブ化しますCLOCCS_alignment。
2. ターミナルに次のコマンドを入力して、対話型の Python ノートブックを開きます。
3. 目的のフォルダーに新しい Python ノートブックを作成します。
   注: 標準的な使用方法を示すためにノートブックの例が含まれており、CLOCCS_ 配置リポジトリの Alignment/JOVE_example.ipynb にあります。
4. 位置合わせ関数を含む Python ファイルをインポートするには、最初のセルで次のコマンドを実行します。
   %path_to_repo/cloccs_alignment/アライメント/ユーティリティを実行します.py
   1. path_to_repo を CLOCCS_alignment リポジトリへのパスに置き換えます。
5. 出芽データをセルサイクルフェーズデータとして使用する場合は、新しいセルで次のコマンドを実行して、各時点の出芽率を含むデータフレームをインポートします。
   budding_df = pd.read_csv("path_to_folder/budding_filename.tsv", Sep ="\t", index_col=0)
   1. 適切なファイル パスとファイル名に置き換えてください。ファイルが.csvファイルの場合は、sep ="\t" を削除します。
6. 出芽データを細胞周期位相データとして使用する場合は、次の関数を新しいセルに入力して、出芽データを生存線ポイントの時間スケールに合わせます。
   aligned_budding_df = df_conversion_from_parameters(budding_df, 時点, param_mu0, param_lambda)
   1. タイムポイントの場合は、タイム ポイントのリストをbudding_dfデータ フレームのインデックスに置き換えます。
   2. param_mu0とparam_lambdaについては、セクション3で実行した出芽CLOCCSから学習したパラメータを実験に置き換えます。
7. フローサイトメトリーデータを使用する場合は、新しいセルで次のコマンドを実行してフローサイトメトリーデータをインポートします。
   flow_samples = flow_cytometry_import(flow_input_folder)
   1. flow_input_folderの場合は、フローサイトメトリーの .fcs ファイルを含むフォルダーへの適切なパスに置き換えてください。
8. フローサイトメトリーデータを使用する場合は、新しいセルに次のコマンドを入力して、各実験の時点と生存線点の間の変換テーブルを生成します。
   flow_converter = convert_tp_to_ll(時点、param_mu0、param_lambda)
   1. タイムポイントについては、フローサイトメトリーデータのタイムポイントのリストに置き換えます。
   2. param_mu0およびparam_lambdaについては、セクション3で実行したフローサイトメトリーCLOCCSから学習したパラメーターを実験に置き換えます。
9. 実験データを含むデータ フレームをノートブックにインポートするには、新しいセルで次のコマンドを実行します。
   data_df = pd.read_csv("path_to_folder/exp_data_filename.tsv", Sep ="\t", index_col=0)
   1. 適切なファイル パスとファイル名に置き換えてください。ファイルが.csvファイルの場合は、sep ="\t" を削除します。
      注: これは、任意の表形式データに対して実行できます。実験データには、データ フレームの列またはインデックスとして時間ポイントが含まれている必要があります。データの例については、CLOCCS_alignment リポジトリを参照してください。
10. 新しいセルに次の関数を入力して、実験データを生存線ポイントの時間スケールに合わせます。
    lifeline_aligned_df = df_conversion_from_parameters(data_df、時点、param_mu0、param_lambda、補間、下限、上限)
    1. 時点については、時間時点のリストをインデックスまたは前の手順の実験data_dfの列に置き換えます。
    2. param_mu0およびparam_lambdaについては、CLOCCSからセクション3で取得した値を置き換えます。
       注: パラメーターは、受け入れられたセルサイクルフェーズデータタイプのいずれかで実行される任意の CLOCCS 実行から取得できます。
    3. 必要に応じて、補間を True または False に置き換えるか、空白のままにします (既定値は False です)。
       注 : False に設定すると、データは補間されません。 True に設定すると、ライフライン ポイントの範囲に整数あたりのポイントが存在するように、ライフライン ポイント間の値が入力されるようにライフライン ポイントが丸められ、補間されます。これにより、データセット間の比較が向上します。
    4. 必要に応じて、 下限 と 上限 を None または 整数値に置き換えます。
       注: None(なし)に設定すると、補間後のすべての生存線ポイントが保持されます。 整数 を指定すると、生存線のポイントが 下限 から 上限の範囲になるようにデータが切り捨てられます。これにより、下限または上限が異なるデータセット間で比較できます。
11. 新しいセルに次のコマンドを入力して、生存線にアラインされたデータセットをダウンロードします: lifeline_aligned_df.to_csv("path_to_desired_location/name_of_file.tsv", sep = "\t")
12. 比較に含めるすべての実験で手順4.5〜4.11を繰り返します。

5. 出芽曲線とフローサイトメトリーデータの比較

1. Pythonユーティリティ機能を使用して整列する前に、新しいセルに次のコマンドを入力して、出芽曲線をプロットします。
   plot_budding_curves(list_of_budding_curves, list_for_legend = leg_list, point_type = str_type, タイトル = str_title)
   1. 必要なすべての出芽曲線のデータフレームを含むリストをプロットに置き換えます list_of_budding_curves-[bud_df1, bud_df2, bud_df3]。
   2. 必要に応じて、凡例のラベルのリスト - [実験 1、実験 2、突然変異体] を leg_list に置き換えます。そうでない場合は、None を 除外 または置き換え ます。
   3. 時間をstr_typeに置き換えます。
   4. 必要に応じて、文字列タイトルの比較 出芽曲線 をstr_titleに置き換えます。そうでない場合は、 None に置き換えるか、 除外します。
2. ステップ5.1の手順に従って、Pythonユーティリティ機能を使用してアライメント後の出芽曲線をプロットしますが、時間の代わりにlist_of_budding_curvesにアライメントされた出芽曲線のリストを、point_typeに生存線を使用します。
3. フローサイトメトリーデータをプロットするには、ステップ4.8で生成されたコンバーターを使用して、対応するライフラインポイントに.fcsファイルからの関連データをプロットします。
4. コンバーターテーブルを使用して、生存線ポイントを細胞サイクルフェーズに変換します(表1)。
   注:これは、手順5.1の手順に従ってプロットすることもできますが、時間ではなくpoint_typeの位相を使用します。

6. 実験データの比較

1. 文献情報または研究の対象となる遺伝子に基づいて、折れ線グラフにプロットする遺伝子リストを決定します。
2. Python ユーティリティ ファイルで提供されているplot_linegraph_comparisonを使用して、新しいセルに次のコマンドを入力して、元のデータ フレーム、整列されたデータ フレーム、または整列および補間されたデータ フレームの折れ線グラフ比較を実行します。
   plot_linegraph_comparison(list_of_dfs, list_for_legend, ジェネリスト, point_type = str_type, タイトル = str_title)
   1. 比較する実験のデータ フレームのリストをlist_of_dfsに置き換えます。
      注: データ フレームは、位置合わせされていない状態でも整列されていてもかまいません。ただし、対応するpoint_typeは手順6.2.4で入力する必要があります。
   2. 各データ フレームのタイトルのリストを、list_for_legendのデータ フレームのリストと同じ順序で置き換えます。
   3. genelist用にプロットする遺伝子名のリスト(データフレームのインデックスに含める必要があります)を置き換えます。
   4. str_typeをポイント タイプに置き換えます。ステップ 6.2.1 でアライメントされたデータフレームに生存線 (デフォルトは 生存線 ポイントスケール) または 位相 (セルサイクルフェーズのライフラインスケール) を使用し、ステップ 6.2.1 でアライメントされていないデータフレームに 時間 を使用します。
   5. オプションの文字列タイトルを str_title に置き換えます。
3. 文献またはアルゴリズムを使用してヒートマップに含める遺伝子リストを決定し、上位の周期遺伝子を決定します。
   注:ヒートマップを適切に比較するには、手順6.2でデータを整列、補間、タイムスケール調整する必要があります。各実験の開始生存線値と終了生存線値が同じである必要があります。
   1. 周期性アルゴリズムを実行して上位周期遺伝子²³、²⁴を決定するか、または所望の代替方法を使用して遺伝子リスト(すなわち^、文献結果)を決定する。
   2. .csv または .tsv 遺伝子リスト ファイルをノートブックにインポートするには、次のコマンドを新しいセルで実行します。
      sort_df = pd.read_csv("path_to_folder/sorting_filename.tsv", sep="\t", index_col=0)
   3. 適切なファイル パスとファイル名に置き換えてください。ファイルが.csvファイルの場合は、sep="\t" を削除します。
4. Python ユーティリティ ファイルで提供されている関数plot_heatmap_comparisonを使用して、新しいセルに次のコマンドを入力して、アライメント、補間、およびフェーズアラインされたデータフレームでヒートマップ比較を実行します。
   plot_heatmap_comparison(list_of_dfs, list_for_legend, ジェネリスト, タイトル = str_title)
   1. 比較する実験の アラインされたデータ フレームのリストをlist_of_dfsに置き換えます。
   2. 各データ フレームのタイトルのリストを、list_for_legendのデータ フレームのリストと同じ順序で置き換えます。
   3. genelist用にプロットする遺伝子名のリスト(データフレームのインデックスに含める必要があります)を置き換えます。
   4. オプションの文字列タイトルを str_title に置き換えます。
      注:リストの最初のデータフレームは、ヒートマップ内の遺伝子の順序付けに使用されるデータフレームです。遺伝子は、そのデータフレームの最初の期間の最大値によって順序付けられ、同じ順序がリスト内の後続のデータフレームに使用されます。

結果

上記のプロトコルと 図1 のワークフローで説明したステップを5つの細胞周期同期時系列実験に適用し、異なる同期法(交配フェロモンと遠心水簸¹⁸)とシーケンシングプラットフォーム(RNAシーケンシング[RNA-seq]とマイクロアレイ)の反復間、および実験条件全体の2つの代表的な比較を示しました。 S. cerevisiaeを用いて複数の実験を行い、各実験につ...

ディスカッション

本論文では、同期した細胞集団に関する時系列実験のデータをより正確かつ定量的に評価する方法を提示する。この方法は、出芽データやフローサイトメトリーDNA含量データなどの入力細胞周期相データを使用するベイズ推論モデルであるCLOCCSから学習したパラメータを利用して、各実験をパラメータ化します^14,15。CLOCCSは、入力された細胞周期フ...

資料

Name	Company	Catalog Number	Comments
2x PBS			For Fixative Solution. Described in Leman 2014.
4% formaldehyde			For Fixative Solution.
100% Ethanol			For flow cytometry fixation. Described in Haase 2002.
CLOCCS			https://gitlab.com/haase-lab-group/cloccs_alignment.git
Flow Cytometer			For flow cytometry protocol.
Git			https://git-scm.com/
Java 19			https://www.oracle.com/java/technologies/downloads/#java19
Microscope			For counting cells and buds.
Miniconda			https://docs.conda.io/en/latest/
Protease solution			For flow cytometry protocol. Described in Haase 2002.
RNAse A solution			For flow cytometry protocol. Described in Haase 2002.
SYTOX Green Nucleic Acid Stain	Invitrogen	S7020	For flow cytometry staining. Described in Haase 2002.
Tris			pH 7.5