S. Campione과 S. Haase는 국립 과학 재단 (DMS-1839288)과 국립 보건원 (5R01GM126555)의 자금 지원을 받았습니다. 또한 저자는 원고에 대한 의견과 프로토콜 베타 테스트에 대해 Huarui Zhou(Duke University)에게 감사를 표합니다. 또한 Java 코드에 도움을 준 Francis Motta(Florida Atlantic University)와 Joshua Robinson에게도 감사드립니다.

교차 실험 비교를 위한 동기화된 시계열 데이터 정렬Alignment of synchronized time-series data for cross-experiments

<ol>
	<li>Tyers, M., Tokiwa, G., Futcher, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Comparison+of+the+Saccharomyces+cerevisiae+G1+cyclins:+Cln3+may+be+an+upstream+activator+of+Cln1,+Cln2+and+other+cyclins.">Comparison of the Saccharomyces cerevisiae G1 cyclins: Cln3 may be an upstream activator of Cln1, Cln2 and other cyclins.</a> EMBO Journal. 12 (5), 1955-1968 (1993).</li><li>Schwob, E., Nasmyth, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=CLB5+and+CLB6,+a+new+pair+of+B+cyclins+involved+in+DNA+replication+in+Saccharomyces+cerevisiae.">CLB5 and CLB6, a new pair of B cyclins involved in DNA replication in Saccharomyces cerevisiae.</a> Genes and Development. 7, 1160-1175 (1993).</li><li>Polymenis, M., Schmidt, E. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Coupling+of+cell+division+to+cell+growth+by+translational+control+of+the+G1+cyclin+CLN3+in+yeast.">Coupling of cell division to cell growth by translational control of the G1 cyclin CLN3 in yeast.</a> Genes and Development. 11 (19), 2522-2531 (1997).</li><li>Spellman, P. 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=Comprehensive+identification+of+cell+cycle-regulated+genes+of+the+yeast+Saccharomyces+cerevisiae+by+microarray+hybridization.">Comprehensive identification of cell cycle-regulated genes of the yeast Saccharomyces cerevisiae by microarray hybridization.</a> Molecular Biology of the Cell. 9 (12), 3273-3297 (1998).</li><li>Cho, R. J., 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=A+genome-wide+transcriptional+analysis+of+the+mitotic+cell+cycle.">A genome-wide transcriptional analysis of the mitotic cell cycle.</a> Molecular Cell. 2 (1), 65-73 (1998).</li><li>Bar-Joseph, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyzing+time+series+gene+expression+data.">Analyzing time series gene expression data.</a> Bioinformatics. 20 (16), 2493-2503 (2004).</li><li>Pramila, T., Wu, W., Miles, S., Noble, W. S., Breeden, L. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Forkhead+transcription+factor+Hcm1+regulates+chromosome+segregation+genes+and+fills+the+S-phase+gap+in+the+transcriptional+circuitry+of+the+cell+cycle.">The Forkhead transcription factor Hcm1 regulates chromosome segregation genes and fills the S-phase gap in the transcriptional circuitry of the cell cycle.</a> Genes and Development. 20 (16), 2266-2278 (2006).</li><li>Orlando, D. 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=Global+control+of+cell-cycle+transcription+by+coupled+CDK+and+network+oscillators.">Global control of cell-cycle transcription by coupled CDK and network oscillators.</a> Nature. 453 (7197), 944-947 (2008).</li><li>Nash, R., Tokiwa, G., Anand, S., Erickson, K., Futcher, A. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+WHI1++gene+of+Saccharomyces+cerevisiae+tethers+cell+division+to+cell+size+and+is+a+cyclin+homolog.">The WHI1+ gene of Saccharomyces cerevisiae tethers cell division to cell size and is a cyclin homolog.</a> EMBO Journal. 7 (13), 4335-4346 (1988).</li><li>Basco, R. D., Segal, M. D., Reed, S. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Negative+regulation+of+G1+and+G2+by+S-phase+cyclins+of+Saccharomyces+cerevisiae.">Negative regulation of G1 and G2 by S-phase cyclins of Saccharomyces cerevisiae.</a> Molecular and Cellular Biology. 15 (9), 5030-5042 (1995).</li><li>Mayhew, M. B., Robinson, J. W., Jung, B., Haase, S. B., Hartemink, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+generalized+model+for+multi-marker+analysis+of+cell+cycle+progression+in+synchrony+experiments.">A generalized model for multi-marker analysis of cell cycle progression in synchrony experiments.</a> Bioinformatics. 27 (13), 295-303 (2011).</li><li>Qu, Y., 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=Cell+cycle+inhibitor+Whi5+records+environmental+information+to+coordinate+growth+and+division+in+yeast.">Cell cycle inhibitor Whi5 records environmental information to coordinate growth and division in yeast.</a> Cell Reports. 29 (4), 987-994 (2019).</li><li>Di Talia, S., Skotheim, J. M., Bean, J. M., Siggia, E. D., Cross, F. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effects+of+molecular+noise+and+size+control+on+variability+in+the+budding+yeast+cell+cycle.">The effects of molecular noise and size control on variability in the budding yeast cell cycle.</a> Nature. 448 (7156), 947-951 (2007).</li><li>Orlando, D. 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=A+probabilistic+model+for+cell+cycle+distributions+in+synchrony+experiments.">A probabilistic model for cell cycle distributions in synchrony experiments.</a> Cell Cycle. 6 (4), 478-488 (2007).</li><li>Orlando, D. A., Iversen, E. S., Hartemink, A. J., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+branching+process+model+for+flow+cytometry+and+budding+index+measurements+in+cell+synchrony+experiments.">A branching process model for flow cytometry and budding index measurements in cell synchrony experiments.</a> Annals of Applied Statistics. 3 (4), 1521-1541 (2009).</li><li>Duan, F., Zhang, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Correcting+the+loss+of+cell-cycle+synchrony+in+clustering+analysis+of+microarray+data+using+weights.">Correcting the loss of cell-cycle synchrony in clustering analysis of microarray data using weights.</a> Bioinformatics. 20 (11), 1766-1771 (2004).</li><li>Darzynkiewicz, Z., Halicka, H. D., Zhao, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cell+synchronization+by+inhibitors+of+DNA+replication+induces+replication+stress+and+DNA+damage+response:+analysis+by+flow+cytometry.">Cell synchronization by inhibitors of DNA replication induces replication stress and DNA damage response: analysis by flow cytometry.</a> Methods in Molecular Biology. 761, 85-96 (2011).</li><li>Leman, A. R., Bristow, S. L., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analyzing+transcription+dynamics+during+the+budding+yeast+cell+cycle.">Analyzing transcription dynamics during the budding yeast cell cycle.</a> Methods in Molecular Biology. 1170, 295-312 (2014).</li><li>Rosebrock, A. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Synchronization+and+arrest+of+the+budding+yeast+cell+cycle+using+chemical+and+genetic+methods.">Synchronization and arrest of the budding yeast cell cycle using chemical and genetic methods.</a> Cold Spring Harbor Protocols. 2017 (1), (2017).</li><li>Haase, S. B., Reed, S. I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Improved+flow+cytometric+analysis+of+the+budding+yeast+cell+cycle.">Improved flow cytometric analysis of the budding yeast cell cycle.</a> Cell Cycle. 1 (2), 132-136 (2002).</li><li>Kelliher, C. M., Leman, A. R., Sierra, C. S., Haase, S. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Investigating+conservation+of+the+cell-cycle-regulated+transcriptional+program+in+the+fungal+pathogen,+Cryptococcus+neoformans.">Investigating conservation of the cell-cycle-regulated transcriptional program in the fungal pathogen, Cryptococcus neoformans.</a> PLoS Genetics. 12 (12), e1006453 (2016).</li><li>Kelliher, C. 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=Layers+of+regulation+of+cell-cycle+gene+expression+in+the+budding+yeast+Saccharomyces+cerevisiae.">Layers of regulation of cell-cycle gene expression in the budding yeast Saccharomyces cerevisiae.</a> Molecular Biology of the Cell. 29 (22), 2644-2655 (2018).</li><li>Hughes, M. E., Hogenesch, J. B., Kornacker, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=JTK_CYCLE:+An+efficient+nonparametric+algorithm+for+detecting+rhythmic+components+in+genome-scale+data+sets.">JTK_CYCLE: An efficient nonparametric algorithm for detecting rhythmic components in genome-scale data sets.</a> Journal of Biological Rhythms. 25 (5), 372-380 (2010).</li><li>Deckard, A., Anafi, R. C., Hogenesch, J. B., Haase, S. B., Harer, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Design+and+analysis+of+large-scale+biological+rhythm+studies:+A+comparison+of+algorithms+for+detecting+periodic+signals+in+biological+data.">Design and analysis of large-scale biological rhythm studies: A comparison of algorithms for detecting periodic signals in biological data.</a> Bioinformatics. 29 (24), 3174-3180 (2013).</li><li>Smith, L. 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=An+intrinsic+oscillator+drives+the+blood+stage+cycle+of+the+malaria+parasite+Plasmodium+falciparum.">An intrinsic oscillator drives the blood stage cycle of the malaria parasite Plasmodium falciparum.</a> Science. 368 (6492), 754-759 (2020).</li></ol>

저자는 공개할 이해 상충이 없습니다.

이 논문은 동기화된 세포 집단에 대한 시계열 실험의 데이터를 보다 정확하고 정량적으로 평가하는 방법을 제시합니다. 이 방법은 각 실험을 파라미터화하기 위해 신진 데이터 및 유세포 분석 DNA 함량 데이터와 같은 입력 세포 주기 단계 데이터를 사용하는 베이지안 추론 모델인 CLOCCS에서 학습된 매개변수를 활용합니다(14,15). CLOCCS는 입력 세포 주기 단...

세포주기가 진행됨에 따라 동기화된 세포 집단에 대한 시계열 측정은 세포주기 진행을 제어하는 메커니즘을 조사하기 위한 표준 방법입니다 1,2,3,4,5,6,7,8 . 동시성/릴리스 시계열 실험을 비교하는 기능은 이러한 동적 프로세스를 이해하는 데 매우 중요합니다. 결과를 확증하기 위해 반복 실험을 사용하면 결론의 재현성에 대한 신뢰도를 높일 수 있습니다. 또한 환경 조건, 돌연변이 간, 심지어 종 간의 비교를 통해 세포주기 조절에 대한 많은 새로운 통찰력을 발견 할 수 있습니다. 그러나 동시성으로부터의 회복 및 세포 주기 진행 속도의 실험 간 가변성은 복제물 간 또는 변경된 세포 주기 타이밍이 있는 실험 간에 시점 간 비교를 수행하는 능력을 손상시킵니다. 이러한 문제로 인해, 반복실험은 종종 전체 시계열(예: Spellman et al.4)에 포함되지 않습니다. 전체 시계열의 반복실험이 수집되면 데이터를 집계하여 분석할 수 없고 단일 반복이 분석에 사용되며 다른 반복실험은 종종 보충 수치로 강등됩니다(예: Orlando et al.8). 또한, 상이한 회복 또는 세포주기 진행 특성을 가진 실험 간의 비교는 어렵다. 관심 있는 사건과 세포 주기 랜드마크(예: 새싹 출현, S상 진입 또는 아나페이즈 시작) 사이의 더 작은 간격을 측정하면 이러한 랜드마크 이벤트를 추적하는 경우 오류를 줄이는 데 도움이 될 수 있습니다 1,2,3,9,10,11,12. 그러나 미묘하지만 중요한 차이는 이러한 임시 방법을 사용하여 감지되지 않거나 가려질 수 있습니다. 마지막으로, 단일 세포 분석은 동기화나 정렬에 의존하지 않고 세포 주기 진행을 분석할 수 있지만13, 단일 세포 연구에서 대규모 측정은 어렵고 비용이 많이 들 수 있습니다.
이러한 어려움을 극복하기 위해 우리는 동기화된 집단14,15에 대한 시계열 측정 분석을 돕기 위해 CLOCCS(Characterizing Loss of Cell Cycle Synchrony) 모델을 개발했습니다. CLOCCS는 동기화된 세포가 동기화에서 해제되고 세포 주기를 통해 진행될 때 세포 주기 단계 전반에 걸쳐 동기화된 세포의 분포를 설명하는 유연한 수학적 모델입니다. 분지 과정 프레임워크를 통해 모델은 S. cerevisiae에서 관찰된 바와 같이 분열 후 모녀 세포의 비대칭 특성을 설명할 수 있으며 S. pombe와 같이 핵분열로 분열하는 유기체에 여전히 유용합니다. 이 모델은 다양한 측정 유형 세트에서 입력을 받아 셀 주기 단계를 지정할 수 있습니다. 그것은 시간 경과에 따른 발아 세포의 백분율 측정을 포함하는 발아 세포주기 단계 데이터를 수집 할 수 있으며, 발아되지 않은 G1 단계14,15 외부의 세포 수를 추정 할 수 있습니다. 이 모델은 또한 DNA 함량을 측정하는 유세포 분석 데이터를 수집할 수 있으므로 G1에서 S로, S에서 G2로, M에서 G1로 획기적인 전이를 평가할 수 있습니다15. 형광 형태학적 마커는 또한 세포 주기 단계를 식별하는 데 사용할 수 있습니다. 미오신 고리, 핵 및 방추극체(SPB)의 형광 표지는 세포 주기 단계를 결정하는 데 사용할 수 있으며 이들은 CLOCCS 모델11에 통합되었습니다. 그러나 이러한 측정은 이 프로토콜에서 설명되지 않습니다. 또한, septation index는 S. pombe14의 모델링 데이터를 위한 입력으로 사용되었습니다. 따라서 이 모델은 다양한 유기체의 세포 주기 분석에 사용할 수 있으며 추가로 확장할 수 있습니다.
CLOCCS는 입력 데이터에서 여러 매개변수(예: 신진 비율, DNA 함량)의 전체 베이지안 추론을 허용하는 매개변수 모델입니다. 이러한 매개변수에는 동기화로부터의 회복 시간, 세포 주기 기간의 길이(모녀 세포에 대해 별도로 추정됨) 및 각 시점에서 세포의 평균 세포 주기 위치가 포함됩니다. 이러한 매개변수는 모집단에서 평균 세포의 행동을 나타내므로 연구자는 각 시점을 생명선 지점으로 표현된 세포 주기 위치에 매핑할 수 있습니다. 라이프라인 포인트로의 변환은 CLOCCS 매개변수 lambda(λ) 및 mu0(μ0)14,15에 따라 달라집니다. 파라미터 λ는 모세포의 평균 세포 주기 주기에 상응한다. 그러나, 모녀 지연(14,15)으로 인해, 이것은 모녀 세포 모두를 포함하는 전체 집단의 평균 세포주기 기간이 아니다. CLOCCS는 모녀 지연에 해당하는 매개변수 델타(δ)를 추가로 추론하므로 전체 집단의 평균 세포 주기 기간을 계산할 수 있습니다. 마지막으로, 각 실험은 셀 주기 동기화에서 해제된 후에 시작되기 때문에 동기화 방법에서 복구하는 데 필요한 시간은 CLOCCS 매개 변수μ 0으로 표시됩니다. CLOCCS는 입력 셀 사이클 위상 데이터에 모델을 피팅한 다음 랜덤 워크 마르코프 체인 몬테카를로 알고리즘14,15를 사용하여 이러한 매개변수를 추론합니다. 여러 실험을 공통 세포 주기 수명 주기 시간 척도에 매핑함으로써 회복 시간 또는 세포 주기 기간이 동일하지 않은 복제 또는 실험 간에 직접적인 단계별 비교를 수행할 수 있습니다 8,14,15.
동기화된 모집단이 시계열14,15,16,17 동안 어느 정도 동기화성을 잃기 때문에 동기화 손실률의 변동성은 실험 전반에 걸친 정량적 비교를 방해할 수도 있습니다. CLOCCS는 모집단의 위치와 분포의 분산을 식별하여 동시성 손실률의 차이를 설명합니다. 이 강력한 도구는 실험 전반에 걸쳐 구체적이고 상세한 비교를 가능하게 하여 복제물 간뿐만 아니라 환경 조건, 돌연변이 및 심지어 세포 주기 타이밍이 크게 다른 종 간에도 관련 비교를 직접 수행할 수 있는 기능을 제공합니다14,15.
이 논문에서는 CLOCCS를 사용하여 동기/릴리스 시계열 실험의 데이터를 피팅하여 매개변수를 추정하고, 데이터를 공통 라이프라인 척도에 매핑한 다음, 반복 또는 실험 간에 관련 비교를 수행하는 방법을 설명합니다. 라이프라인 정렬을 통해 이러한 실험에서 직접 상별 비교가 가능하므로 복제물의 집계 및 비교가 가능하며 회복 타이밍 및 세포 주기 기간이 다른 실험 간에 보다 관련성 높은 비교를 수행할 수 있습니다.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>2x PBS</td>
			<td></td>
			<td></td>
			<td>For Fixative Solution. Described in Leman 2014.</td>
		</tr>
		<tr>
			<td>4% formaldehyde</td>
			<td></td>
			<td></td>
			<td>For Fixative Solution.</td>
		</tr>
		<tr>
			<td>100% Ethanol</td>
			<td></td>
			<td></td>
			<td>For flow cytometry fixation. Described in Haase 2002.</td>
		</tr>
		<tr>
			<td>CLOCCS</td>
			<td></td>
			<td></td>
			<td>https://gitlab.com/haase-lab-group/cloccs_alignment.git</td>
		</tr>
		<tr>
			<td>Flow Cytometer</td>
			<td></td>
			<td></td>
			<td>For flow cytometry protocol.</td>
		</tr>
		<tr>
			<td>Git</td>
			<td></td>
			<td></td>
			<td>https://git-scm.com/</td>
		</tr>
		<tr>
			<td>Java 19</td>
			<td></td>
			<td></td>
			<td>https://www.oracle.com/java/technologies/downloads/#java19</td>
		</tr>
		<tr>
			<td>Microscope</td>
			<td></td>
			<td></td>
			<td>For counting cells and buds.</td>
		</tr>
		<tr>
			<td>Miniconda</td>
			<td></td>
			<td></td>
			<td>https://docs.conda.io/en/latest/</td>
		</tr>
		<tr>
			<td>Protease solution</td>
			<td></td>
			<td></td>
			<td>For flow cytometry protocol. Described in Haase 2002.</td>
		</tr>
		<tr>
			<td>RNAse A solution</td>
			<td></td>
			<td></td>
			<td>For flow cytometry protocol. Described in Haase 2002.</td>
		</tr>
		<tr>
			<td>SYTOX Green Nucleic Acid Stain</td>
			<td>Invitrogen</td>
			<td>S7020</td>
			<td>For flow cytometry staining. Described in Haase 2002.</td>
		</tr>
		<tr>
			<td>Tris</td>
			<td></td>
			<td></td>
			<td>pH 7.5</td>
		</tr>
	</tbody>
</table>

alignment of synchronized time-series data using the characterizing loss of cell cycle synchrony model for cross-experiment comparisons

세포 주기를 조사하는 것은 종종 세포가 세포 주기를 통과할 때 시계열로 다양한 매개변수를 측정하기 위해 세포 집단을 동기화하는 데 달려 있습니다. 그러나 유사한 조건에서도 반복 실험은 동기화에서 회복하고 세포 주기를 통과하는 데 필요한 시간의 차이를 나타내므로 각 시점에서 직접적인 비교가 불가능합니다. 실험 전반에 걸쳐 동적 측정을 비교하는 문제는 돌연변이 집단 또는 동기 회복 시간 및/또는 세포 주기 기간에 영향을 미치는 대체 성장 조건에서 악화됩니다. 
우리는 이전에 세포의 동기 집단이 동기화에서 방출되고 세포 주기를 통해 진행되는 방식을 모니터링하는 CLOCCS(Characterizing Loss of Cell Cycle Synchrony)라는 파라메트릭 수학적 모델을 발표했습니다. 그런 다음 모델에서 학습된 매개 변수를 사용하여 동기화된 시계열 실험의 실험 시점을 정규화된 시간 척도(라이프라인 포인트)로 변환할 수 있습니다. lifeline scale은 실험 시작부터 경과 시간을 분 단위로 나타내는 대신 동기에서 세포 주기 진입까지의 진행을 나타내며 그 다음에는 세포 주기의 단계를 거칩니다. 라이프라인 포인트는 동기화된 모집단 내의 평균 세포 위상에 해당하기 때문에 이 정규화된 시간 척도를 통해 다양한 기간과 회복 시간을 가진 실험을 포함하여 실험 간에 직접 비교할 수 있습니다. 또한, 이 모델은 서로 다른 종(예: Saccharomyces cerevisiae 및 Schizosaccharomyces pombe) 간의 세포 주기 실험을 정렬하는 데 사용되어 세포 주기 측정을 직접 비교할 수 있어 진화적 유사점과 차이점을 밝힐 수 있습니다.

Time-series measurements made on synchronized populations of cells as they progress through the cell cycle is a standard method for investigating the mechanisms that control cell-cycle progression1,2,3,4,5,6,7,8. The ability to make comparisons across synchrony/release time-series experiments is vital to our understanding of these dynamic processes. The use of replicate experiments to corroborate findings can increase the confidence in the reproducibility of the conclusions. Furthermore, comparisons between environmental conditions, across mutants, and even between species can uncover many new insights into cell-cycle regulation. However, interexperimental variability in the recovery from synchrony and in the speed of cell-cycle progression impairs the ability to make time-point-to-time-point comparisons across replicates or between experiments with altered cell-cycle timing. Due to these challenges, replicates are often not included for the full time series (e.g., Spellman et al.4). When replicates for the entire time series are gathered, the data cannot be analyzed in aggregate, but rather a single replicate is used for analysis, and other replicates are often relegated to supplemental figures (e.g., Orlando et al.8). Furthermore, comparisons between experiments with different recovery or cell-cycle progression characteristics are difficult. The measurements of smaller intervals between an event of interest and a cell-cycle landmark (e.g., bud emergence, S-phase entry, or anaphase onset) can help reduce errors if these landmark events are tracked1,2,3,9,10,11,12. However, subtle but important differences may remain undetected or obscured using these ad hoc methods. Finally, single-cell analyses allow for analyzing cell-cycle progression without relying on synchronization or alignment13, though large-scale measurements in single-cell studies can be challenging and costly.
To overcome these difficulties, we developed the Characterizing Loss of Cell Cycle Synchrony (CLOCCS) model to aid the analysis of time-series measurements made on synchronized populations14,15. CLOCCS is a flexible mathematical model that describes the distribution of synchronized cells across cell-cycle phases as they are released from synchrony and progress through the cell cycle. The branching process framework enables the model to account for the asymmetric qualities of mother and daughter cells after division, as observed in S. cerevisiae, while still being useful for organisms that divide by fission, such as S. pombe. The model can take inputs from a diverse set of measurement types to specify the cell-cycle phase. It can ingest budding cell-cycle phase data, which includes measurements of the percent budded cells over time, allowing for the estimation of the number of cells outside of the unbudded G1 phase14,15. The model can also ingest flow cytometric data that measures the DNA content, thus enabling the assessment of landmark transitions from G1 to S, S to G2, and M to G115. Fluorescent morphological markers can also be used to identify the cell-cycle phase. The fluorescent labeling of myosin rings, nuclei, and spindle pole bodies (SPBs) can be used to determine the cell-cycle phase, and these were incorporated into the CLOCCS model11; however, these measurements will not be described in this protocol. Additionally, the septation index was used as an input for modeling data from S. pombe14. Thus, the model can be used for cell-cycle analyses in a variety of organisms and can be further expanded.
CLOCCS is a parametric model that allows for the full Bayesian inference of multiple parameters from the input data (e.g., budding percentage, DNA content). These parameters include the recovery time from synchrony, the length of the cell-cycle period (estimated separately for mother and daughter cells), and the average cell-cycle position of the cells at each time point. These parameters represent the behavior of the average cell in the population, enabling the researcher to map each time point to a cell-cycle position expressed as a lifeline point. The conversion to lifeline points depends on the CLOCCS parameters lambda (&#955;) and mu0 (&#181;0)14,15. The parameter &#955; corresponds to the average cell-cycle period of the mother cells. However, due to the mother-daughter delay14,15, this is not the average cell-cycle period of the full population that includes both the mother and daughter cells. CLOCCS additionally infers the parameter delta (&#948;), which corresponds to the mother-daughter delay and, thus, allows for the calculation of the average cell-cycle period of the full population. Finally, because each experiment begins after release from cell-cycle synchronization, the time required to recover from the synchronization method is represented by the CLOCCS parameter &#181;0. CLOCCS fits a model to the input cell-cycle phase data and then infers these parameters using a random walk Markov chain Monte Carlo algorithm14,15. By mapping multiple experiments to a common cell-cycle lifeline time scale, direct phase-specific comparisons can be made between replicates or experiments where the recovery time or cell-cycle periods are not identical8,14,15.
As synchronized populations lose synchrony at some rate over the course of the time series14,15,16,17, variability in the rate of synchrony loss can also impede quantitative comparisons across experiments. By identifying the location of populations and the variance in their distributions, CLOCCS accounts for differences in rates of synchrony loss. This powerful tool allows for specific and detailed comparisons across experiments, thus providing the ability to directly make relevant comparisons not only between replicates but also between environmental conditions, mutants, and even species that have dramatically different cell-cycle timing14,15.
This paper describes a method using CLOCCS to estimate parameters by fitting data from synchrony/release time-series experiments, map the data to a common lifeline scale, and then make relevant comparisons between replicates or experiments. Lifeline alignment allows for direct phase-specific comparisons across these experiments, which allows for the aggregation and comparison of replicates and for making more relevant comparisons across experiments with different recovery timings and cell-cycle periods.

저자 스포트라이트: Alignment of Synchronized Time-Series Data Using the Characterizing Loss of Cell Cycle Synchrony Model for Cross-Experiment Comparisons (교차 실험 비교를 위한 세포주기 동기화 손실 특성화 모델을 사용한 동기화된 시계열 데이터 정렬

교차 실험 비교를 위한 세포 주기 동기화 모델의 특성화 손실을 사용한 동기화된 시계열 데이터의 정렬

위의 프로토콜과 그림 1 의 워크플로우에 설명된 단계를 5개의 세포 주기 동기화 시계열 실험에 적용하여 서로 다른 동기화 방법(짝짓기 페로몬 및 원심 용출18)을 사용한 복제물과 염기서열 분석 플랫폼(RNA 시퀀싱[RNA-seq] 및 마이크로어레이) 간의 두 가지 대표적인 비교를 입증했습니다. S. cerevisiae를 사용하여 여러 실험을 수행하고, 각 실험에 대해 ?...

Watch this Scientific Journal Video about Alignment of Synchronized Time-Series Data Using the Characterizing Loss of Cell Cycle Synchrony Model for Cross-Experiment Comparisons at JoVE.com

동기화된 시계열 실험 분석의 한 가지 과제는 실험이 종종 동기 및 세포 주기 기간으로부터의 회복 기간이 다르다는 것입니다. 따라서 서로 다른 실험의 측정값을 집계하여 분석하거나 쉽게 비교할 수 없습니다. 여기에서는 단계별 비교가 가능하도록 실험을 정렬하는 방법을 설명합니다.

Investigating the cell cycle often depends on synchronizing cell populations to measure various parameters in a time series as the cells traverse the cell ...

시계열 실험 분석의 주요 과제는 동기 및 세포주기 기간으로부터의 회복 기간이 종종 다르다는 것입니다. 따라서 서로 다른 실험의 측정값을 정렬 없이 집합적으로 쉽게 비교하거나 분석할 수 없습니다. 시계 라이프라인 정렬은 실험 간의 단계별 및 생물학적으로 관련된 비교와 이전에는 어렵거나 불가능했던 여러 반복 실험을 집계하는 방법입니다.이전에는 획기적인 사건을 추적하여 단계별 및 생물학적으로 관련된 비교가 이루어졌습니다. 그러나 이러한 임시 방법을 사용하면 미묘하지만 중요한 차이가 감지되지 않습니다. 시계열 실험 간의 비교는 동기화 회복 시간 또는 세포 주기 기간에 영향을 미치는 돌연변이 집단 또는 성장 조건과 같이 타이밍에 상당한 차이가 있는 실험 간에 특히 어렵습니다.클럭 라이프라인 정렬을 통해 이러한 경우 위상별 비교가 가능합니다. 우리는 시계를 사용하여 시계열 전사체 및 단백질체 데이터를 정렬하여 mRNA와 해당 단백질의 역학을 직접 비교할 수 있었습니다. 또한, 우리는 다양한 종에 걸친 시계열 실험을 정렬하여 세포 주기 진화 변화에 대한 중요한 통찰력을 제공합니다.

alignment-synchronized-time-series-data-using-characterizing-loss

Research

JoVE Journal

Biology

Alignment of Synchronized Time-Series Data Using the Characterizing Loss of Cell Cycle Synchrony Model for Cross-Experiment Comparisons

860 조회수.  Duke University. 시계열 실험 분석의 주요 과제는 동기 및 세포주기 기간으로부터의 회복 기간이 종종 다르다는 것입니다. 따라서 서로 다른 실험의 측정값을 정렬 없이 집합적으로 쉽게 비교하거나 분석할 수 없습니다. 시계 라이프라인 정렬은 실험 간의 단계별 및 생물학적으로 관련된 비교와 이전에는 어렵거나 불가능했던 여러 반복 실험을 집계하는 방법입니다.이전에는 획기적인 ...

비디오: 저자 스포트라이트: Alignment of Synchronized Time-Series Data Using the Characterizing Loss of Cell Cycle Synchrony Model for Cross-Experiment Comparisons (교차 실험 비교를 위한 세포주기 동기화 손실 특성화 모델을 사용한 동기화된 시계열 데이터 정렬

Investigating the cell cycle often depends on synchronizing cell populations to measure various parameters in a time series as the cells traverse the cell cycle. However, even under similar conditions, replicate experiments display differences in the time required to recover from synchrony and to traverse the cell cycle, thus preventing direct comparisons at each time point. The problem of comparing dynamic measurements across experiments is exacerbated in mutant populations or in alternative growth conditions that affect the synchrony recovery time and/or the cell-cycle period. 
We have previously published a parametric mathematical model named Characterizing Loss of Cell Cycle Synchrony (CLOCCS) that monitors how synchronous populations of cells release from synchrony and progress through the cell cycle. The learned parameters from the model can then be used to convert experimental time points from synchronized time-series experiments into a normalized time scale (lifeline points). Rather than representing the elapsed time in minutes from the start of the experiment, the lifeline scale represents the progression from synchrony to cell-cycle entry and then through the phases of the cell cycle. Since lifeline points correspond to the phase of the average cell within the synchronized population, this normalized time scale allows for direct comparisons between experiments, including those with varying periods and recovery times. Furthermore, the model has been used to align cell-cycle experiments between different species (e.g., Saccharomyces cerevisiae and Schizosaccharomyces pombe), thus enabling direct comparison of cell-cycle measurements, which may reveal evolutionary similarities and differences.

One challenge of analyzing synchronized time-series experiments is that the experiments often differ in the length of recovery from synchrony and the cell-cycle period. Thus, the measurements from different experiments cannot be analyzed in aggregate or readily compared. Here, we describe a method for aligning experiments to allow for phase-specific comparisons.