Gerando a Exibição de Regulação Transcricional de Recursos Transcriptômicos para Tarefa de Previsão e Detecção de Biomarcadores Escuros em Pequenos Conjuntos de Dados

Resumo

Aqui, apresentamos um protocolo para converter dados transcriptômicos em uma visão mqTrans, permitindo a identificação de biomarcadores escuros. Embora não expressos diferencialmente em análises transcriptômicas convencionais, esses biomarcadores exibem expressão diferencial na visão mqTrans. A abordagem serve como uma técnica complementar aos métodos tradicionais, revelando biomarcadores antes negligenciados.

Resumo

O transcriptoma representa os níveis de expressão de muitos genes em uma amostra e tem sido amplamente utilizado em pesquisas biológicas e na prática clínica. Os pesquisadores geralmente se concentraram em biomarcadores transcriptômicos com representações diferenciais entre um grupo fenotípico e um grupo controle de amostras. Este estudo apresentou uma estrutura de aprendizagem de rede de atenção gráfica multitarefa (GAT) para aprender as complexas interações intergênicas das amostras de referência. Um modelo de referência demonstrativo foi pré-treinado nas amostras saudáveis (HealthModel), que poderia ser usado diretamente para gerar a visão de regulação transcricional quantitativa baseada em modelo (mqTrans) dos transcriptomas de teste independentes. A visão mqTrans gerada dos transcriptomas foi demonstrada por tarefas de predição e detecção de biomarcadores escuros. O termo cunhado "biomarcador escuro" surgiu de sua definição de que um biomarcador escuro apresentava representação diferencial na visão mqTrans, mas nenhuma expressão diferencial em seu nível de expressão original. Um biomarcador escuro sempre foi negligenciado nos estudos tradicionais de detecção de biomarcadores devido à ausência de expressão diferencial. O código-fonte e o manual do pipeline HealthModelPipe podem ser baixados do http://www.healthinformaticslab.org/supp/resources.php.

Introdução

O transcriptoma consiste na expressão de todos os genes de uma amostra e pode ser perfilado por tecnologias de alto rendimento, como microarray e RNA-seq¹. Os níveis de expressão de um gene em um conjunto de dados são chamados de característica transcriptômica, e a representação diferencial de uma característica transcriptômica entre os grupos fenótipo e controle define esse gene como um biomarcador desse fenótipo ^2,3. Biomarcadores transcriptômicos têm sido extensivamente utilizados em investigações de diagnóstico de^doenças4, mecanismo

Protocolo

Observação : o protocolo a seguir descreve os detalhes do procedimento analítico de informática e comandos Python dos módulos principais. A Figura 2 ilustra os três passos principais com exemplos de comandos utilizados neste protocolo e remete a trabalhos publicados^{anteriormente26,38} para maiores detalhes técnicos. Faça o seguinte protocolo em uma conta de usuário normal em um sistema de computador e evite usar a conta de administrador ou root. Este é um protocolo computacional e não tem fatores biomédicos perigosos.

1. Preparar o ambiente Python<....

Discussão

A seção 2 (Use o HealthModel pré-treinado para gerar os recursos mqTrans) do protocolo é a etapa mais crítica dentro desse protocolo. Depois de preparar o ambiente de trabalho computacional na seção 1, a seção 2 gera a visualização mqTrans de um conjunto de dados transcriptômicos baseado no modelo de referência grande pré-treinado. A seção 3 é um exemplo demonstrativo da seleção dos recursos mqTrans gerados para detecções de biomarcadores e tarefas de previsão. Os usuários podem realizar outras an?.......

Materiais

Name	Company	Catalog Number	Comments
Anaconda	Anaconda	version 2020.11	Python programming platform
Computer	N/A	N/A	Any general-purpose computers satisfy the requirement
GPU card	N/A	N/A	Any general-purpose GPU cards with the CUDA computing library
pytorch	Pytorch	version 1.13.1	Software
torch-geometric	Pytorch	version 2.2.0	Software