固有のダイナミクスビジュアライザーは、研究者にとっていくつかの推論方法の操作とその結果の理解を容易にし、機能的なネットワークモデルの迅速な生成を可能にします。固有のダイナミクスビジュアライザーの主な利点は、下流ステップのパラメータと入力ファイルの内容を通知するための中間結果を視覚化して探索することです。固有のダイナミクスビジュアライザーは、いくつかの推論ツールからの結果の調査と理解を容易にします。
ただし、各ツールのドキュメントを参照して、パラメーターの選択が結果にどのように影響するかをよりよく理解することをお勧めします。ノード検索ステップをパラメーター化する新しい IDP 構成ファイルで、個々の行にデータ・ファイル equal、アノテーション・ファイル equal、出力ファイル equal、number process equal、および IDVconnection を true に入力します。データ ファイルの等号の後に、それぞれの時系列ファイルのパスと名前を、名前の後にコンマを付けて入力します。
[注釈ファイル] に、注釈ファイルのパスと名前を入力します。出力ファイルの場合は、結果フォルダーのパスと名前を入力します。また、[プロセス数] に、IDP が使用するプロセスの数を入力します。
メイン引数の後の同じテキスト・ファイルで、DLxJTK 引数が個々の行に等しい期間と等しい期間を角括弧で囲んで表示された順序で入力します。期間の場合、1 つの時系列データセットが使用されている場合は、等号の後に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、前と同じように期間の長さの各セットを入力しますが、各セットを角かっこで囲み、セット間にコンマを配置します。
DLxJTK カットオフの場合、等号の後に、JTK-CYCLE による De Lichtenburg によって出力される遺伝子リストファイルに保持する遺伝子の最大数を指定する整数を入力します。次に、ターミナルで適切なファイル名を指定して示されたコマンドを実行して、作成された構成ファイルを使用して IDP を実行します。ターミナルで、固有のダイナミクスビジュアライザーという名前のディレクトリに移動し、指定されたコマンドを入力します。
次に、Web ブラウザーで、表示されている URL を入力します。次に、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。遺伝子リストテーブルを拡張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ランク付けされた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。
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して、その遺伝子発現プロファイルと折れ線グラフを表示します。複数の遺伝子を追加することができます。次に、遺伝子リストのダウンロードボタンをクリックして、エッジ検出ステップに必要なファイル形式に遺伝子リストをダウンロードします。
編集可能な遺伝子注釈テーブルで、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。最後に、[注釈ファイルのダウンロード]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注釈ファイルをダウンロードします。
エッジ検出ステップをパラメータ化する新しいIDP構成ファイルにおいて、遺伝子リストファイルに対して、等号の後に生成された遺伝子リストファイルへのパスおよび名前を入力する。エッジスコア列にPLDまたはノルム損失を入力して、LEM py出力のどのデータフレーム列を使用してエッジをフィルタリングするかを指定します。次に、リストのエッジスコアしきい値または数値エッジのいずれかを選択し、もう一方を削除します。
エッジ スコアのしきい値を選択した場合は、0 ~ 1 の数値を入力します。リストの num エッジが選択されている場合は、使用可能なエッジの数以下の値を入力します。次に、シードのしきい値または数値エッジのいずれかを選択し、もう一方を削除します。
シードしきい値を選択した場合は、0 から 1 までの数値を入力します。シードの num エッジが選択されている場合は、使用可能なエッジの数以下の値を入力します。次に、前述のように、作成した構成ファイルを使用して IDP を実行します。
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を選択または選択解除し、シードネットワークにエッジを追加または削除します。次に、DSGRN ネットワーク仕様のダウンロード ボタンをクリックして、DSGRN ネットワーク仕様形式でシード ネットワークをダウンロードします。エッジテーブルから対応するチェックボックスをクリックして、ネットワーク検索に使用するエッジリストファイルに含めるエッジを選択した後、ノードとエッジリストのダウンロードをクリックして、ネットワーク検索での使用に必要な形式でノードリストとエッジリストファイルをダウンロードします。
ネットワーク検索ステップをパラメーター化する新しい IDP 構成ファイルで、シード・ネット・ファイル、エッジ・リスト・ファイル、およびノード・リスト・ファイルについて、シード・ネットワーク・ファイル、およびエッジ・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。範囲演算の場合は、等号の後にコンマで区切られた 2 つの数値を入力します。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。
num 個のネイバーの場合は、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。また、最大パラメータには、ネットワークに許可する DSGRN パラメータの最大数を表す数値を入力します。[ノードの追加、エッジの追加、ノードの削除、エッジの削除] で、等号の後に 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。次に、前述のように、作成した構成ファイルを使用して IDP を実行します。エッジ有病率テーブルを生成するには、次の 2 つのオプションを使用してネットワークを選択します。
オプション1では、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します。オプション 2 の場合は、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。入力境界を選択または入力した後、[選択したネットワークからエッジの有病率を取得] ボタンをクリックします。
次に、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、選択範囲から単一のネットワークを表示します。次に、「DSGRN ネットワーク仕様のダウンロード」をクリックして、DSGRN ネットワーク仕様フォーマットでディスプレイ・ネットワークをダウンロードします。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。
次に、[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性散布図を作成します。ネットワークまたはネットワークのセットを選択するには、散布図をクリックしてドラッグします。含めるネットワークの周りにボックスを描画して、エッジ有病率テーブルを生成し、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。
ダウンロードテーブルをクリックして、エッジ有病率テーブルをダウンロードします。次に、前述のように DSGRN ネットワーク仕様のダウンロードをクリックして、類似性分析用のディスプレイ・ネットワークをダウンロードします。このプロトコルを、酵母細胞周期のコア発振器遺伝子調節ネットワークに適用した。
ここでは、ステップ間で IDV を使用せずに IDP のすべてのステップを連続して実行した結果を示します。この完全にパラメーター化された IDP の実行により、ノードとエッジの検出の結果が生成されました。しかし、ネットワーク検索では、モデル許容可能なネットワークは検出されませんでした。
次いで、既知の酵母細胞周期調節因子のセットをサッカロミセスゲノムデータベースから選択し、追跡された酵母から遺伝子間の既知の調節関係を抽出した。遺伝子調節ネットワークモデル内の残りの遺伝子を見つけるために遺伝子リストテーブルを拡張し、同じモデルに見つからなかった遺伝子を除去するために遺伝子の選択を解除した。新しい遺伝子リストとアノテーションファイルを使用してエッジ検出ステップ用に新しいIDP設定ファイルがパラメータ化され、結果がIDVにロードされました。
実験的証拠のないエッジはシードネットワークから除去された。実験的証拠によって十分に支持されたシードネットワークを作成した後、ネットワーク発見ステップで37のモデル許容可能なネットワークが発見され、そのうち24は安定して振動することができる。これら24のネットワークのうち、最もパフォーマンスが高かったのは、安定して振動するモデルパラメータの50%でデータを一致させた2つのネットワークでした。
ネットワーク生成中にエッジを削除する機能を追加すると、612のネットワークが見つかり、これらのネットワークの67%が安定して振動する能力を持つことがわかりました。興味深いことに、安定した振動ダイナミクスを持つ82のネットワークは、データに見られるようなダイナミクスを生成することができませんでした。また、411のネットワークのうち、124のネットワークがデータに堅牢な一致を示しました。
生物学的に実現可能なパラメータ空間はDSGRNには知られていないが、ノードおよびエッジ探索に生物学的情報を組み込むことは、ネットワーク所見をすべてのネットワークの空間内の生物学的に合理的な領域に制限するのに役立つ。エッジ発見ステップからのパラメータを用いてネットワークのODEモデリングを行い、インシリコでネットワークの機能性をさらにテストすることができる。
