Name: a web tool for generating high quality machine-readable biological pathways
Uploaded: 2017-02-08T12:30:00.000+00:00
Duration: 8 min 1 s
Description: Watch this Scientific Journal Video about A Web Tool for Generating High Quality Machine-readable Biological Pathways at JoVE.com

Os autores agradecem a Canadian Institutes of Health Research (CIHR) e Genoma Alberta, uma divisão da Genome Canada, para apoio financeiro.

<ol>
	<li>Michal, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=On+representation+of+metabolic+pathways.">On representation of metabolic pathways.</a> Biosystems. 47 (1-2), 1-7 (1998).</li><li>Kanehisa, M., Sato, Y., Kawashima, M., Furumichi, M., Tanabe, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=KEGG+as+a+reference+resource+for+gene+and+protein+annotation.">KEGG as a reference resource for gene and protein annotation.</a> Nucleic Acids Res. 44 (D1), D457-D462 (2016).</li><li>Karp, P., Riley, M., Paley, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+MetaCyc+Database.">The MetaCyc Database.</a> Nucleic Acids Res. 30 (1), 59-61 (2002).</li><li>Kelder, 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=WikiPathways:+building+research+communities+on+biological+pathways.">WikiPathways: building research communities on biological pathways.</a> Nucleic Acids Res. 40 (Database issue), D1301-D1307 (2011).</li><li>Croft, D., 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=The+Reactome+pathway+knowledgebase).">The Reactome pathway knowledgebase).</a> Nucleic Acids Res. 42 (Database issue), D472-D477 (2014).</li><li>Karp, P. D., 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=Pathway+Tools+version+13.0:+integrated+software+for+pathway/genome+informatics+and+systems+biology.">Pathway Tools version 13.0: integrated software for pathway/genome informatics and systems biology.</a> Brief Bioinform. 11 (1), 40-79 (2010).</li><li>Van Iersel, M. P., 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=Presenting+and+exploring+biological+pathways+with+PathVisio.">Presenting and exploring biological pathways with PathVisio.</a> BMC Bioinformatics. 9, 399 (2008).</li><li>Demir, E., 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=The+BioPAX+community+standard+for+pathway+data+sharing.">The BioPAX community standard for pathway data sharing.</a> Nat. Biotechnol. 28 (9), 935-942 (2010).</li><li>Shannon, P., 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=Cytoscape:+A+Software+Environment+for+Integrated+Models+of+Biomolecular+Interaction+Networks.">Cytoscape: A Software Environment for Integrated Models of Biomolecular Interaction Networks.</a> Genome Res. 13 (11), 2498-2504 (2003).</li><li>Salomonis, N., 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=GenMAPP+2:+new+features+and+resources+for+pathway+analysis.">GenMAPP 2: new features and resources for pathway analysis.</a> BMC Bioinformatics. 8, 217 (2007).</li><li>Elliott, B., 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=PathCase:+pathways+database+system.">PathCase: pathways database system.</a> Bioinformatics. 24 (21), 2526-2533 (2008).</li><li>Hu, Z., 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=VisANT+3.0:+new+modules+for+pathway+visualization,+editing,+prediction+and+construction.">VisANT 3.0: new modules for pathway visualization, editing, prediction and construction.</a> Nucleic Acids Res. 35 (Web Server), W625-W632 (2007).</li><li>Jewison, 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=SMPDB+2.0:+Big+Improvements+to+the+Small+Molecule+Pathway+Database.">SMPDB 2.0: Big Improvements to the Small Molecule Pathway Database.</a> Nucleic Acids Res. 42 (D1), D478-D484 (2013).</li><li>Pon, 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=Pathways+with+PathWhiz.">Pathways with PathWhiz.</a> Nucleic Acids Res. 43 (W1), W552-W559 (2015).</li><li>Sajed, 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=ECMDB+2.0:+A+richer+resource+for+understanding+the+biochemistry+of+E.+coli.">ECMDB 2.0: A richer resource for understanding the biochemistry of E. coli.</a> Nucleic Acids Res. 44 (D1), D495-D501 (2015).</li><li>Wishart, D., Mandal, R., Stanislaus, A., Ramirez-Gaona, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cancer+Metabolomics+and+the+Human+Metabolome+Database.">Cancer Metabolomics and the Human Metabolome Database.</a> Metabolites. 6 (1), 10 (2016).</li><li>Altschul, S. F., Gish, W., Miller, W., Myers, E. W., Lipman, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Basic+local+alignment+search+tool.">Basic local alignment search tool.</a> J. Mol. Biol. 215 (3), 403-410 (1990).</li><li>Le Novere, N., 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=The+Systems+Biology+Graphical+Notation.">The Systems Biology Graphical Notation.</a> Nat. Biotechnol. 27 (8), 735-741 (2009).</li><li>Hucka, 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=The+systems+biology+markup+language+(SBML):+a+medium+for+representation+and+exchange+of+biochemical+network+models.">The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models.</a> Bioinformatics. 19 (4), 524-531 (2003).</li></ol>

Os autores não têm nada a revelar.

O protocolo aqui descrito para a criação de uma via metabólica simples (ciclo do TCA) pode ser adaptado para criar uma grande variedade de vias, biologicamente complexas legíveis por máquina para qualquer espécie. Além disso, este protocolo também descreve como se pode replicar ou propagar vias existentes criadas por outros usuários. Construção de um caminho usando esta ferramenta requer adições repetidas passo-a-passo de reações, interações, processos de transporte, e sub-caminhos, cada um dos quais estão ligados por elementos sobrepostos. Colocando tudo isso junto permite criar diagramas via coloridos, visualmente agradável que fornecem detalhes biológica considerável e contexto biológico útil. Os passos descritos neste protocolo são relativamente simples, eo tempo que leva para construir um diagrama de percurso depende do tamanho e da complexidade da via. Com um pouco de prática, a maioria dos indivíduos pode render um diagrama de caminho de alta qualidade que consiste em cerca de 15-20 reações ou processa umd vários componentes celulares em cerca de 15 min. Um novo usuário pode levar até 30-40 min para gerar um caminho de tamanho e complexidade semelhante. O tempo necessário para gerar um caminho é aproximadamente linear com o número de reacções / processos que precisam ser processados. Criando um caminho de alta qualidade através desta ferramenta baseada na Web depende da qualidade e detalhe do material de origem (vias de livros, bancos de dados on-line, os dados experimentais, esboços desenhados à mão) e a meticulosidade da via &quot;artista&quot;. Aqueles que desejam gerar diagramas via qualidade superior devem prestar especial atenção aos pontos 1.11, 1.15 e 1.20 do protocolo, uma vez que estas seções descrevem a criação e edição de elementos de reação (reagentes / produtos, enzimas, bordas, imagens, caixas de zoom, etiquetas, e membranas). Os melhores diagramas via inteligentemente amalgamar informações de tantas representações existentes da via possível, incluindo aqueles encontrados em books, cartazes, documentos e bases de dados on-line. Outra chave para a geração de caminhos de alta qualidade é verificar cuidadosamente a exactidão das reações antes de criar uma reação (a secção 1.11 do protocolo). Tomando o tempo e esforço para garantir que os reagentes, produtos e enzimas envolvidos (muitas das quais já existem no banco de dados grande de PathWhiz) está correto para cada espécie é muito importante. Também é importante estar ciente da localização celular das reacções e para incluir componentes celulares ou subcelulares chave, a fim de proporcionar o contexto biológica correcta. Isto pode ser feito através da verificação e corroborando a reacção através de bases de dados online, como UniProt. Tendo todas as informações necessárias à mão, juntamente com um esboço, desenhado mão da via a ser criada irá reduzir significativamente os erros e o tempo total gasto em desenho ou renderização. Como seria de esperar, maiores e mais complexos caminhos levará mais tempo para render, particcularmente se os elementos e processos desejados não estiverem no banco de dados do PathWhiz. Quando se trabalha com vias maiores, é geralmente aconselhável para alternar entre o modo de gravação automática com a manual modo de economia, a fim de evitar um longo intervalo de tempo entre as acções. Quando a replicação de uma via, a quantidade de tempo que o utilizador pode esperar para o percurso a ser gerada depende do número de elementos na via. A maioria das vias pode ser replicado em cerca de 1-2 min. Quando uma via de propagação, render bem sucedida da via recém propagadas depende de quão semelhante as duas espécies são, como PathWhiz utiliza BLAST sequência de 17 pesquisa para encontrar enzimas homólogos entre espécies. percursos maiores será mais lento para se propagar porque BLAST terá de ser executado em um maior número de enzimas. A tentativa de propagar vias entre as espécies significativamente diferentes (digamos entre leveduras e humanos) resultará em caminhos que está sendo processado com um número de proteínas desconhecidas. Estes &quot;distante&quot; pvias ropagated normalmente requerem edição manual adicional. Devido à natureza altamente visual de diagramas de percurso e o detalhe que pode ser levado a um caminho, é sempre uma boa idéia para trabalhar em um computador com uma tela razoavelmente grande (&gt; 20 polegadas ou&gt; 50 cm) e uma boa conexão de internet (&gt; 5 Mbps). Se os problemas com a renderização ou refrescante tela são encontrados, o usuário pode ter que fazer uma pequena quantidade de solução de problemas. Se um grande, complexa via leva muito tempo para atualizar, o usuário pode ter que atualizar a página. Se um caminho não se propaga como se espera, o usuário pode ter que fazer alguma edição manual para garantir que todos os elementos são exibidos corretamente. Além disso, como um exemplo mais específico, se os elementos de uma reação não são exibidos, o usuário pode ter a certeza de que todos os elementos ou enzimas são devidamente selecionados e as bordas não estão escondidos. O link &quot;Ajuda&quot; no cabeçalho principal pode ser útil se for encontrado algum problema. Um tutorial édisponíveis sob a aba &quot;Tutorial&quot; e um manual do usuário está disponível na guia &quot;guias do utilizador&quot;. Ambos explicar muitas das características da ferramenta em detalhe. O Manual do Usuário pode ser usado para solucionar ou explicar potenciais limitações para um determinado recurso, tais como quando um usuário bloqueia um caminho e mais tarde pretende editá-lo. Conforme destacado através deste protocolo e através dos exemplos fornecidos nas figuras anexas, esta ferramenta oferece uma série de características únicas não encontradas em nenhum (ou a maioria) outras ferramentas de desenho via (ver Tabela 1). Primeiro, é totalmente baseado na web e completamente independente de plataforma. Em segundo lugar, ele suporta o processamento e geração de facile da biologicamente complexos diagramas coloridos,, visualmente agradável, totalmente hiperlinks via que também podem ser convertidos em formatos de leitura óptica (BioPAX, SBGN-ML 18, SBML 19, PWML 14). Em terceiro lugar, os diagramas de vias génerosted por esta ferramenta pode ser navegado, procurou, selecionados e facilmente explorada através de uma interface fácil de usar banco de dados on-line e visualização. Em quarto lugar, a ferramenta web é projetado para suportar contribuições via comunidade, permitindo &quot;crowd sourcing via&quot; que incentiva a partilha ea geração de novas vias e novos elementos da via. Vias gerados por este instrumento baseado na Internet pode ser usada para uma variedade de aplicações. Ricamente detalhados, caminhos totalmente hiperlinks podem ser facilmente integrados em bancos de dados específicos do organismo para proteômica, metabolômica ou aplicações de biologia de sistemas. percursos acessíveis pela Internet são especialmente úteis para fins de educação e de formação, como os detalhes disponíveis através de imagens baseadas na Web são frequentemente muito maior do que o que pode ser exibido através de uma imagem estática ou através de uma única página livro ou revista. Esta ferramenta baseada na Web também suporta a geração de representações da via que são mais adequados para impressão e publicação.Como resultado, muitas imagens geradas por esta ferramenta baseada na Web estão aparecendo em jornais, cartazes e apresentações de slides. Exportadores vias em formatos de arquivo de troca de dados baseados em texto (como BioPAX e SBML) permite percursos gerados usando esse servidor web para ser usado diretamente na análise computacional para biologia de sistemas ou aplicações de modelagem metabólicas. Propagação vias entre as espécies permite inferências a serem feitas sobre os processos biológicos, especialmente entre aquelas espécies que têm sido muito recentemente sequenciados. Embora nem todas as vias existentes existir atualmente no PathWhiz, seu banco de dados via pública continua a crescer, levando ao surgimento de coleções de vias novas, multidão de origem. Essas coleções não só será prontamente extensível a novas espécies, que esperamos levar a uma compreensão mais profunda da sua biologia única e bioquímica.

diagramas via biológica são como modelos para cientistas da vida. Eles são, talvez, as rotas mais conciso e informativo para descrever processos biológicos e as ligações contextuais entre genes, proteínas e metabolitos. Isso ocorre porque as imagens são muito mais eficientemente processada e frequentemente muito mais facilmente compreendida pelos seres humanos do que de texto 1. A qualidade, detalhe, e o conteúdo de diagramas de vias pode variar consideravelmente. Essas diferenças muitas vezes dependem da finalidade da via e as habilidades do artista percurso. Caminhos criados para fins educacionais, tais como gráficos de parede ou livros são muitas vezes criados por artistas profissionais. Como resultado, estes diagramas via são muito mais agradável visualmente e oferecem detalhes consideravelmente mais biológica com descrições completas de estruturas de metabolito, componentes subcelulares, estruturas de células, tecidos e órgãos. Estas representações &quot;manual&quot; muitas vezes incluem notas detalhadas ecomentários. Por outro lado, os diagramas das vias projetadas para aplicações de internet, muitas vezes tem que sacrificar a arte e riqueza visual em favor de máquinas legível diagramas &quot;fiação&quot; simplificados. Esses diagramas de estrutura de arame são mais facilmente e com hiperlinks mapeados na imagem. Diagramas via simplificados são a base para tais bancos de dados via on-line populares como KEGG 2, metacyc 3, WikiPathways 4 e 5 Reactome. O surgimento de bases de dados da via de computador compatível, também conduziu ao aparecimento de ferramentas de desenho por computador via compatível. Em outras palavras, a pessoa não tem que ser um artista profissional ou um programador profissional para gerar diagramas das vias utilizáveis. Por exemplo, as ferramentas de Caminho de BioCyc 6 e software PathVisio de Wikipathway 7 permitem ao usuário gerar livremente e compartilhar percursos de leitura óptica em BioPAX 8 and / ou formato HTML. Além disso, há uma série de outros pacotes de freeware stand-alone, bem como pacotes comerciais que suportam a geração de várias vias legível por máquina, fio-frame, como Cytoscape 9, GenMAPP 10, PathCase 11 e visant 12. A simplificação dos diagramas via internet em grande parte, cresceu a partir das limitações históricas encontradas em muitos navegadores da web e ferramentas de renderização baseadas na web. No entanto, avanços significativos em tecnologias web têm sido feitos nos últimos anos. Isto sugere que pode ser possível para gerar diagramas interativos, internet compatível via que são tão colorido, tão esteticamente agradáveis ​​e tão biologicamente completos como aqueles encontrados nos livros didáticos. Esse trabalho levou ao desenvolvimento de PathWhiz. PathWhiz foi implementado usando uma Ruby on Rails (http://rubyonrails.org, versão 4.2.0) web framework incorporando um banco de dados MySQL relacional (https://www.mysql.com, versão 5.1.50) para gerir todos os dados da via, incluindo relações entre entidades, referências externas, descrições, especificações de visualização e estruturas químicas. O cliente web front-end é controlada por Ruby on Rails combinados com Backbone.js (http://backbonejs.org, versão 1.0.0) como o framework web front-end para o editor. Originalmente desenvolvido para a curadoria da-somente humano pequena molécula Caminho de Dados (SMPDB) 13, PathWhiz 14 já foi estendido para suportar geração caminho para muitos outros organismos e para funcionar como uma imagem Caminho geral e base de conhecimento. Em particular, esta ferramenta de web permite a criação de toda a gama de vias bioquímicas / biológicos incluindo metabólica, a interacção de proteínas, sinalização molecular, fisiológico, e as vias de droga / doença. Esta ferramenta de desenho via diferente da maioria dos outrosferramentas de geração de caminho de três maneiras principais: 1) é um servidor web, em vez de, um pacote de software instalável stand-alone; 2) que suporta a geração e fácil visualização interactiva de compostos químicos, proteínas, ácidos nucleicos, membranas celulares, estruturas subcelulares, tecidos e órgãos; e 3) que permite aos usuários para emprestar facilmente, construir ou melhorar em cima do trabalho de outros usuários, permitindo assim &quot;crowdsourced&quot; geração via. Como um servidor web, ele tem várias vantagens sobre download, ferramentas de software específicos da plataforma. Em particular, é compatível com qualquer plataforma, sistema operacional e navegador moderno. Além disso, ele não requer que o usuário se registre para começar a criar um caminho (embora os usuários podem criar livremente uma &quot;conta privada&quot;, a fim de acompanhar e controlar a acessibilidade das vias que criam). Talvez o aspecto mais atraente da presente ferramenta é a quantidade de detalhe biológicos e bioquímicos que podem ser facilmente adicionadas emqualquer via através de uma paleta de imagens pré-renderizados e uma extensa base de dados de proteínas e dados bioquímicos. Isso permite que ambos os &quot;não-artistas&quot; e &quot;não-programadores&quot; para criar facilmente vias coloridas, esteticamente agradável e ricamente detalhados que são na web compatível e totalmente legível por máquina. Uma comparação mais pormenorizada entre PathWhiz e outras ferramentas de desenho via é fornecida na Tabela 1. Um número de bancos de dados de ciências da vida popular, já usou essa ferramenta de desenho via para criar específicos de banco de dados, on-line, diagramas via interativos. Por exemplo, o banco de dados Escherichia coli Metaboloma (ECMDB) 15 recentemente atualizou sua biblioteca percurso com mais de 1.650 percursos desenhados com a ferramenta baseada na web. Cada caminho no ECMDB é agora apresentado como um mapa ricamente colorido, totalmente hiperligada imagem com metabolitos e estrutura da proteína descrições detalhadas, assim como uma simplificado preto e branco KEGG-like diagrama fio. Esta actualização via de grande escala levou à descoberta de diversos metabolitos intermediários que não tinha sido previamente incluída em outras bases de dados de Escherichia coli metabólicas. Outras bases de dados, tais como a base de dados Metaboloma Humana (HMDB) 15, não só dependem de vias PathWhiz que mostrem e descrevem processos metabólicos e de sinalização, mas também para descrever as alterações metabólicas envolvidas em doenças tais como o cancro. HMDB inclui atualmente 101 vias metabólicas, 376 vias de luta contra a droga, 233 percursos associados à doença e 16 vias de sinalização, todos gerados através desta ferramenta web. O protocolo que se segue descreve detalhadamente como PathWhiz pode ser usado para criar facilmente, replicar e propagar vias bioquímicas para uma variedade de propósitos e aplicações.

<table><tbody><tr><td>Computer with colour screen</td><td>N/A</td><td>N/A</td><td>&amp;nbsp;&gt;20 inches or &gt;50 cm</td></tr><tr><td>Internet connection&amp;nbsp;</td><td>N/A</td><td>N/A</td><td>&gt;5 mbps</td></tr><tr><td>Modern web browser&amp;nbsp;</td><td>N/A</td><td>N/A</td><td>Google Chrome (v. 31 and above), Internet Explorer (v. 9 and above), Safari (v. 7 and above), Opera (v. 15 and above) and Firefox (v. 23 and above)</td></tr></tbody></table>

a web tool for generating high quality machine-readable biological pathways

PathWhiz é um servidor web construído para facilitar a criação de diagramas coloridos e interativos, visualmente agradável via que são ricos em informação biológica. As vias gerados por esta aplicação on-line são legíveis por máquina e totalmente compatível com praticamente todos os navegadores web e sistemas operacionais de computador. Ele usa uma interface de desenho especialmente desenvolvido, web-enabled via que permite a selecção e colocação de diferentes combinações de entidades biológicas e bioquímicas pré-desenhadas para descrever reações, interações, processos de transporte e eventos de ligação. Esta paleta de entidades consiste em compostos químicos, proteínas, ácidos nucleicos, membranas celulares, estruturas subcelulares, tecidos e órgãos. Todos os elementos visuais em que pode ser interativamente ajustada e personalizada. Além disso, porque esta ferramenta é um servidor web, todas as vias e elementos da via são acessíveis ao público. Este tipo de via &quot;crowdsourcing&quot; significa que PathWhizjá contém uma grande e rapidamente crescente coleção de percursos previamente elaborados e elementos da via. Aqui nós descrevemos um protocolo para a criação rápida e fácil de novas vias ea alteração das vias existentes. Para facilitar ainda mais a edição via e criação, a ferramenta contém funções de replicação e propagação. A função de replicação permite vias existentes para serem usados ​​como modelos para criar ou editar novos caminhos. A função de propagação permite tirar uma via existente e automaticamente propagá-la entre espécies diferentes. Pathways criados com esta ferramenta pode ser &quot;re-denominados&quot; em formatos diferentes (KEGG-like ou livro-texto like), colorida com diferentes origens, exportados para BioPAX, SBGN-ML, SBML ou PWML formatos de troca de dados, e baixadas como PNG ou SVG imagens. Os caminhos podem ser facilmente incorporado em bases de dados online, integrados em apresentações, cartazes ou publicações, ou utilizados exclusivamente para visualização on-line e exploração. esta protocol foi aplicado com sucesso para gerar mais de 2.000 diagramas da via, que agora são encontrados em muitos bancos de dados on-line incluindo HMDB, drugbank, SMPDB e ECMDB.

Watch this Scientific Journal Video about A Web Tool for Generating High Quality Machine-readable Biological Pathways at JoVE.com

A Web Tool for Generating High Quality Machine-readable Biological Pathways

PathWhiz é uma ferramenta de desenho abrangente, via on-line para gerar caminhos bioquímicos e biológicos. Ele usa bases de dados acessíveis ao público e facilmente paletas expansíveis que consistem em componentes pré-desenhados via. Este protocolo descreve como construir facilmente novos caminhos, replicar e editar percursos existentes, e propagar percursos previamente elaborados a diferentes organismos.

A ferramenta Web para caminhos biológicos que gera alta qualidade de leitura mecânica

PathWhiz is a web server built to facilitate the creation of colorful, interactive, visually pleasing pathway diagrams that are rich in biological ...

a-web-tool-for-generating-high-quality-machine-readable-biological

Research

JoVE Journal

Biology

17.4K visualizações.  University of Alberta.  PathWhiz é uma ferramenta de desenho abrangente, via on-line para gerar caminhos bioquímicos e biológicos. Ele usa bases de dados acessíveis ao público e facilmente paletas expansíveis que consistem em componentes pré-desenhados via. Este protocolo descreve como construir facilmente novos caminhos, replicar e editar percursos existentes, e propagar percursos previamente elaborados a diferentes organismos. 

Vídeo: A Web Tool for Generating High Quality Machine-readable Biological Pathways

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved (Non-model) Organisms

This workflow allows novice researchers to leverage advanced computational resources such as cloud computing to carry out pairwise comparative transcriptomics. It also serves as a primer for biologists to develop data scientist computational skills, e.g. executing bash commands, visualization and management of large data sets. All command line code and further explanations of each command or step can be found on the wiki (<a href="https://wiki.cyverse.org/wiki/x/dgGtAQ">https://wiki.cyverse.org/wiki/x/dgGtAQ</a>). The Discovery Environment and Atmosphere platforms are connected together through the CyVerse Data Store. As such, once the initial raw sequencing data has been uploaded there is no more need to transfer large data files over an Internet connection, minimizing the amount of time needed to conduct analyses. This protocol is designed to analyze only two experimental treatments or conditions. Differential gene expression analysis is conducted through pairwise comparisons, and will not be suitable to test multiple factors. This workflow is also designed to be manual rather than automated. Each step must be executed and investigated by the user, yielding a better understanding of data and analytical outputs, and therefore better results for the user. Once complete, this protocol will yield de novo assembled transcriptome(s) for underserved (non-model) organisms without the need to map to previously assembled reference genomes (which are usually not available in underserved organism). These de novo transcriptomes are further used in pairwise differential gene expression analysis to investigate genes differing between two experimental conditions. Differentially expressed genes are then functionally annotated to understand the genetic response organisms have to experimental conditions. In total, the data derived from this protocol is used to test hypotheses about biological responses of underserved organisms.

Leveraging CyVerse Resources for De Novo Comparative Transcriptomics of Underserved Non-model Organisms

This protocol outlines a comparative de novo transcriptome assembly and annotation workflow for novice bioinformaticians. The workflow is available for free entirely through CyVerse and connected by the Data Store. Command line and graphical user interfaces are used, but all code needed is available to copy and paste.

Aproveitando os Recursos CyVerse para<em&gt; De Novo</em&gt; Transcriptômica Comparativa de Organismos Não Servidos (não Modelos)

This workflow allows novice researchers to leverage advanced computational resources such as cloud computing to carry out pairwise comparative ...

Genética

Sample Preparation and Analysis of RNASeq-based Gene Expression Data from Zebrafish

The analysis of global gene expression changes is a valuable tool for identifying novel pathways underlying observed phenotypes. The zebrafish is an excellent model for rapid assessment of whole transcriptome from whole animal or individual cell populations due to the ease of isolation of RNA from large numbers of animals. Here a protocol for global gene expression analysis in zebrafish embryos using RNA sequencing (RNASeq) is presented. We describe preparation of RNA from whole embryos or from cell populations obtained using cell sorting in transgenic animals. We also describe an approach for analysis of RNASeq data to identify enriched pathways and Gene Ontology (GO) terms in global gene expression data sets. Finally, we provide a protocol for validation of gene expression changes using quantitative reverse transcriptase PCR (qRT-PCR). These protocols can be used for comparative analysis of control and experimental sets of zebrafish to identify novel gene expression changes, and provide molecular insight into phenotypes of interest.

This protocol presents an approach for whole transcriptome analysis from zebrafish embryos, larvae, or sorted cells. We include isolation of RNA, pathway analysis of RNASeq data, and qRT-PCR-based validation of gene expression changes.

Preparação da amostra e análise de dados da expressão do Gene RNASeq-baseado de Zebrafish

The analysis of global gene expression changes is a valuable tool for identifying novel pathways underlying observed phenotypes. The zebrafish is an ...

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker detection algorithms generate one biomarker subset with the optimized performance measurement for a given dataset. However, a recent study demonstrated the existence of multiple biomarker subsets with similarly effective or even identical classification performances. This protocol presents a simple and straightforward methodology for detecting biomarker subsets with binary classification performances, better than a user-defined cutoff. The protocol consists of data preparation and loading, baseline information summarization, parameter tuning, biomarker screening, result visualization and interpretation, biomarker gene annotations, and result and visualization exportation at publication quality. The proposed biomarker screening strategy is intuitive and demonstrates a general rule for developing biomarker detection algorithms. A user-friendly graphical user interface (GUI) was developed using the programming language Python, allowing biomedical researchers to have direct access to their results. The source code and manual of kSolutionVis can be downloaded from http://www.healthinformaticslab.org/supp/resources.php.

Existing algorithms generate one solution for a biomarker detection dataset. This protocol demonstrates the existence of multiple similarly effective solutions and presents a user-friendly software to help biomedical researchers investigate their datasets for the proposed challenge. Computer scientists may also provide this feature in their biomarker detection algorithms.

Selecionando vários subconjuntos de biomarcador com Performances de classificação binária eficaz da mesma forma

Biomarker detection is one of the more important biomedical questions for high-throughput &#39;omics&#39; researchers, and almost all existing biomarker ...

Pesquisa do câncer

Navigating MARRVEL, a Web-Based Tool that Integrates Human Genomics and Model Organism Genetics Information

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is pathogenic, one must query many databases to determine whether the gene of interest is linked to a genetic disease, whether the specific variant has been reported before, and what functional data is available in model organism databases that may provide clues about the gene&#8217;s function in human. MARRVEL (Model organism Aggregated Resources for Rare Variant ExpLoration) is a one-stop data collection tool for human genes and variants and their orthologous genes in seven model organisms including in mouse, rat, zebrafish, fruit fly, nematode worm, fission yeast, and budding yeast. In this Protocol, we provide an overview of what MARRVEL can be used for and discuss how different datasets can be used to assess whether a variant of unknown significance (VUS) in a known disease-causing gene or a variant in a gene of uncertain significance (GUS) may be pathogenic. This protocol will guide a user through searching multiple human databases simultaneously starting with a human gene with or without a variant of interest. We also discuss how to utilize data from OMIM, ExAC/gnomAD, ClinVar, Geno2MP, DGV and DECHIPHER. Moreover, we illustrate how to interpret a list of ortholog candidate genes, expression patterns, and GO terms in model organisms associated with each human gene. Furthermore, we discuss the value protein structural domain annotations provided and explain how to use the multiple species protein alignment feature to assess whether a variant of interest affects an evolutionarily conserved domain or amino acid. Finally, we will discuss three different use-cases of this website. MARRVEL is an easily accessible open access website designed for both clinical and basic researchers and serves as a starting point to design experiments for functional studies.

Here, we present a protocol to access and analyze many human and model organism databases efficiently. This protocol demonstrates the use of MARRVEL to analyze candidate disease-causing variants identified from next-generation sequencing efforts.

Navegando no MARRVEL, uma ferramenta Web que integra informações da genômica humana e genética de organismos modelo

Through whole-exome/genome sequencing, human geneticists identify rare variants that segregate with disease phenotypes. To assess if a specific variant is ...

A Pathway Association Study Tool for GWAS Analyses of Metabolic Pathway Information

Recently, a new implementation of a previously described method for interpreting genome-wide association study (GWAS) data using metabolic pathway analysis has been developed and released. The Pathway Association Study Tool (PAST) was developed to address concerns with user-friendliness and slow-running analyses. This new user-friendly tool has been released on Bioconductor and Github. In testing, PAST ran analyses in less than one hour that previously required twenty-four or more hours. In this article, we present the protocol for using either the Shiny application or the R console to run PAST.

By running the Pathway Association Study Tool (PAST), either through the Shiny application or through the R console, researchers can gain a deeper understanding of the biological meaning of their genome-wide association study (GWAS) results by investigating the metabolic pathways involved.

Uma ferramenta de estudo da Associação de Caminhos para análises gwas de informações de via metabólica

Recently, a new implementation of a previously described method for interpreting genome-wide association study (GWAS) data using metabolic pathway ...

<meta charset="utf8"></head><body>Pipeline de linguagem única amigável para iniciantes para análise de dados CUT&RUN

Introductory Analysis and Validation of CUT&#38;RUN Sequencing Data

The CUT&amp;RUN technique facilitates detection of protein-DNA interactions across the genome. Typical applications of CUT&amp;RUN include profiling changes in histone tail modifications or mapping transcription factor chromatin occupancy. Widespread adoption of CUT&amp;RUN is driven, in part, by technical advantages over conventional ChIP-seq that include lower cell input requirements, lower sequencing depth requirements, and increased sensitivity with reduced background signal due to a lack of cross-linking agents that otherwise mask antibody epitopes. Widespread adoption of CUT&amp;RUN has also been achieved through the generous sharing of reagents by the Henikoff lab and the development of commercial kits to accelerate adoption for beginners. As technical adoption of CUT&amp;RUN increases, CUT&amp;RUN sequencing analysis and validation become critical bottlenecks that must be surmounted to enable complete adoption by predominantly wet lab teams. CUT&amp;RUN analysis typically begins with quality control checks on raw sequencing reads to assess sequencing depth, read quality, and potential biases. Reads are then aligned to a reference genome sequence assembly, and several bioinformatics tools are subsequently employed to annotate genomic regions of protein enrichment, confirm data interpretability, and draw biological conclusions. Although multiple in silico analysis pipelines have been developed to support CUT&amp;RUN data analysis, their complex multi-module structure and usage of multiple programming languages render the platforms difficult for bioinformatics beginners who may lack familiarity with multiple programming languages but wish to understand the CUT&amp;RUN analysis procedure and customize their analysis pipelines. Here, we provide a single-language step-by-step CUT&amp;RUN analysis pipeline protocol designed for users with any level of bioinformatics experience. This protocol includes completing critical quality checks to validate that the sequencing data is suitable for biological interpretation. We expect that following the introductory protocol provided in this article combined with downstream peak annotation will allow users to draw biological insights from their own CUT&amp;RUN datasets.

<meta charset="utf8"></head><body>Autor em destaque: Investigando o papel da desregulação repetitiva do DNA na iniciação do câncer e na resistência à imunoterapia

This protocol guides bioinformatics beginners through an introductory CUT&amp;RUN analysis pipeline that enables users to complete an initial analysis and validation of CUT&amp;RUN sequencing data. Completing the analysis steps described here, combined with downstream peak annotation, will allow users to draw mechanistic insights into chromatin regulation.

Análise Introdutória e Validação de Dados de Sequenciação CUT&#38;RUN

The CUT&amp;RUN technique facilitates detection of protein-DNA interactions across the genome. Typical applications of CUT&amp;RUN include profiling ...

Pipeline for Analyzing Microarray Data in Esophageal Cancer Research

Development of Compendium for Esophageal Squamous Cell Carcinoma

Esophageal cancer (EC) ranks as the 8th most aggressive malignancy, and its treatment remains challenging due to the lack of biomarkers facilitating early detection. EC manifests in two major histological forms - adenocarcinoma (EAD) and squamous cell carcinoma (ESCC) - both exhibiting variations in incidence across geographically distinct populations. High-throughput technologies are transforming the understanding of diseases, including cancer. A significant challenge for the scientific community is dealing with scattered data in the literature. To address this, a simple pipeline is proposed for the analysis of publicly available microarray datasets and the collection of differentially regulated molecules between cancer and normal conditions. The pipeline can serve as a standard approach for differential gene expression analysis, identifying genes differentially expressed between cancer and normal tissues or among different cancer subtypes. The pipeline involves several steps, including Data preprocessing (involving quality control and normalization of raw gene expression data to remove technical variations between samples), Differential expression analysis (identifying genes differentially expressed between two or more groups of samples using statistical tests such as t-tests, ANOVA, or linear models), Functional analysis (using bioinformatics tools to identify enriched biological pathways and functions in differentially expressed genes), and Validation (involving validation using independent datasets or experimental methods such as qPCR or immunohistochemistry). Using this pipeline, a collection of differentially expressed molecules (DEMs) can be generated for any type of cancer, including esophageal cancer. This compendium can be utilized to identify potential biomarkers and drug targets for cancer and enhance understanding of the molecular mechanisms underlying the disease. Additionally, population-specific screening of esophageal cancer using this pipeline will help identify specific drug targets for distinct populations, leading to personalized treatments for the disease.

This protocol describes a useful tool for identifying significant molecular changes in cancer and leads to the development of new diagnostic and therapeutic approaches for esophageal squamous cell carcinoma.

Esophageal cancer (EC) ranks as the 8th most aggressive malignancy, and its treatment remains challenging due to the lack of biomarkers facilitating early ...

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

The rapidly increasing and vast quantities of biomedical reports, each containing numerous entities and rich information, represent a rich resource for biomedical text-mining applications. These tools enable investigators to integrate, conceptualize, and translate these discoveries to uncover new insights into disease pathology and therapeutics. In this protocol, we present CaseOLAP LIFT, a new computational pipeline to investigate cellular components and their disease associations by extracting user-selected information from text datasets (e.g., biomedical literature). The software identifies sub-cellular proteins and their functional partners within disease-relevant documents. Additional disease-relevant documents are identified via the software's label imputation method. To contextualize the resulting protein-disease associations and to integrate information from multiple relevant biomedical resources, a knowledge graph is automatically constructed for further analyses. We present one use case with a corpus of ~34 million text documents downloaded online to provide an example of elucidating the role of mitochondrial proteins in distinct cardiovascular disease phenotypes using this method. Furthermore, a deep learning model was applied to the resulting knowledge graph to predict previously unreported relationships between proteins and disease, resulting in 1,583 associations with predicted probabilities &gt;0.90 and with an area under the receiver operating characteristic curve (AUROC) of 0.91 on the test set. This software features a highly customizable and automated workflow, with a broad scope of raw data available for analysis; therefore, using this method, protein-disease associations can be identified with enhanced reliability within a text corpus.

A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports

A computational protocol, CaseOLAP LIFT, and a use case are presented for investigating mitochondrial proteins and their associations with cardiovascular disease as described in biomedical reports. This protocol can be easily adapted to study user-selected cellular components and diseases.

Uma Abordagem de Gráfico de Conhecimento para Elucidar o Papel das Vias Organelares na Doença via Relatórios Biomédicos

The rapidly increasing and vast quantities of biomedical reports, each containing numerous entities and rich information, represent a rich resource for ...

A ferramenta Web para caminhos biológicos que gera alta qualidade de leitura mecânica

Resumo

Explore mais vídeos

Capítulos neste vídeo

Aproveitando os Recursos CyVerse para

Preparação da amostra e análise de dados da expressão do Gene RNASeq-baseado de Zebrafish

Selecionando vários subconjuntos de biomarcador com Performances de classificação binária eficaz da mesma forma

Navegando no MARRVEL, uma ferramenta Web que integra informações da genômica humana e genética de organismos modelo

Uma ferramenta de estudo da Associação de Caminhos para análises gwas de informações de via metabólica

Análise Introdutória e Validação de Dados de Sequenciação CUT&RUN

Análise Introdutória e Validação de Dados de Sequenciação CUT&RUN

Análise Introdutória e Validação de Dados de Sequenciação CUT&RUN

Development of Compendium for Esophageal Squamous Cell Carcinoma

Uma Abordagem de Gráfico de Conhecimento para Elucidar o Papel das Vias Organelares na Doença via Relatórios Biomédicos