Визуализатор присущей динамики, интерактивное приложение для оценки и визуализации выходных данных из конвейера вывода генной регуляторной сети

Резюме

Визуализатор Inherent Dynamics — это интерактивный пакет визуализации, который подключается к инструменту вывода регуляторной сети генов для расширенной, оптимизированной генерации функциональных сетевых моделей. Визуализатор может использоваться для принятия более обоснованных решений по параметризации инструмента вывода, тем самым повышая уверенность в полученных моделях.

Аннотация

Разработка моделей генных регуляторных сетей является серьезной проблемой в системной биологии. Для решения этой проблемы было разработано несколько вычислительных инструментов и конвейеров, в том числе недавно разработанный конвейер Inherent Dynamics. Конвейер внутренней динамики состоит из нескольких ранее опубликованных инструментов, которые работают синергетически и связаны линейным образом, где выходные данные одного инструмента затем используются в качестве входных данных для следующего инструмента. Как и в случае с большинством вычислительных методов, каждый шаг конвейера Inherent Dynamics требует, чтобы пользователь делал выбор параметров, которые не имеют точного биологического определения. Этот выбор может существенно повлиять на модели генных регуляторных сетей, полученные в результате анализа. По этой причине способность визуализировать и исследовать последствия выбора различных параметров на каждом этапе может помочь повысить уверенность в выборе и результатах. Визуализатор Inherent Dynamics — это комплексный пакет визуализации, который упрощает процесс оценки выбора параметров с помощью интерактивного интерфейса в веб-браузере. Пользователь может отдельно изучить выходные данные каждого шага конвейера, внести интуитивно понятные изменения на основе визуальной информации и воспользоваться автоматическим созданием необходимых входных файлов для конвейера Inherent Dynamics. Визуализатор Inherent Dynamics обеспечивает беспрецедентный уровень доступа к очень сложному инструменту для обнаружения генных регуляторных сетей из транскриптомных данных временных рядов.

Введение

Многие важные биологические процессы, такие как дифференцировка клеток и реакция окружающей среды, управляются наборами генов, которые взаимодействуют друг с другом в генной регуляторной сети (GRN). Эти GRN производят транскрипционную динамику, необходимую для активации и поддержания фенотипа, который они контролируют, поэтому идентификация компонентов и топологической структуры GRN является ключом к пониманию многих биологических процессов и функций. GRN может быть смоделирован как набор взаимодействующих генов и/или генных продуктов, описанных сетью, узлами которой являются гены, а края которой описывают направление и форму взаимодействия (например, активация/подавление транскрипции, посттрансляционная модификация и т.д.). ¹. Затем взаимодействия могут быть выражены в виде параметризованных математических моделей, описывающих влияние регулирующего гена на выработку его цели (целей) ^2,3,4. Вывод модели GRN требует как вывода структуры сети взаимодействия, так и оценки базовых параметров взаимодействия. Были разработаны различные методы вычислительного вывода, которые принимают данные экспрессии генов временных рядов и выводят модели ^GRN5. Недавно был разработан новый метод вывода GRN, называемый Inherent Dynamics Pipeline (IDP), который использует данные экспрессии генов временных рядов для получения моделей GRN с мечеными регуляторно-целевыми взаимодействиями, которые способны производить динамику, соответствующую наблюдаемой динамике в данных экспрессии ^генов6. IDP представляет собой набор инструментов, линейно связанных в конвейер и может быть разбит на три этапа: шаг Node Finding, который ранжирует гены на основе характеристик экспрессии генов, известных или подозреваемых в связи с функцией ^GRN7,8, шаг Edge Finding, который ранжирует попарные регуляторные ^{отношения8, 9}, и этап обнаружения сети, на котором получены модели GRN, способные производить наблюдаемую динамику10,11,12,13,14,15.

Как и большинство вычислительных методов, IDP требует набора заданных пользователем аргументов, которые определяют, как анализируются входные данные, и разные наборы аргументов могут давать разные результаты для одних и тех же данных. Например, несколько методов, включая IDP, содержат аргументы, которые применяют некоторое пороговое значение к данным, и увеличение/уменьшение этого порога между последовательными прогонами конкретного метода может привести к неодинаковым результатам между прогонами (см. Примечание 10: Методы сетевого вывода ⁵). Понимание того, как каждый аргумент может повлиять на анализ и последующие результаты, важно для достижения высокой уверенности в результатах. В отличие от большинства методов вывода GRN, IDP состоит из нескольких вычислительных инструментов, каждый из которых имеет свой собственный набор аргументов, которые пользователь должен указать, и каждый из которых имеет свои собственные результаты. В то время как IDP предоставляет обширную документацию о том, как параметризовать каждый инструмент, взаимозависимость каждого инструмента от результатов предыдущего шага затрудняет параметризацию всего конвейера без промежуточного анализа. Например, аргументы в шагах Edge и Network Finding, вероятно, будут основаны на предыдущих биологических знаниях, и поэтому будут зависеть от набора данных и / или организма. Для опрашивания промежуточных результатов потребуется базовое понимание программирования, а также глубокое понимание всех файлов результатов и их содержимого от ВПЛ.

Визуализатор внутренней динамики (IDV) — это интерактивный пакет визуализации, который запускается в окне браузера пользователя и предоставляет пользователям IDP возможность оценить влияние их выбора аргументов на результаты любого шага в IDP. IDV перемещается по сложной структуре каталогов, созданной IDP, и собирает необходимые данные для каждого шага и представляет данные в виде интуитивно понятных и интерактивных рисунков и таблиц для изучения пользователем. После изучения этих интерактивных дисплеев пользователь может создавать новые данные из шага IDP, которые могут быть основаны на более обоснованных решениях. Затем эти новые данные могут быть немедленно использованы на следующем соответствующем этапе ВПЛ. Кроме того, изучение данных может помочь определить, следует ли повторно запускать шаг IDP с скорректированными параметрами. IDV может улучшить использование IDP, а также сделать использование IDP более интуитивно понятным и доступным, что было продемонстрировано исследованием основного осциллятора GRN дрожжевого клеточного цикла. Следующий протокол включает результаты IDP от полностью параметризованного запуска IDP по сравнению с подходом, который включает IDV после выполнения каждого шага IDP, т. е. Node, Edge и Network Finding.

Access restricted. Please log in or start a trial to view this content.

протокол

1. Установите IDP и IDV

ПРИМЕЧАНИЕ: В этом разделе предполагается, что docker, conda, pip и git уже установлены (Таблица материалов).

1. В терминале введите команду: git clone https://gitlab.com/biochron/inherent_dynamics_pipeline.git.
2. Следуйте инструкциям по установке в файле README IDP.
3. В терминале введите команду: git clone https://gitlab.com/bertfordley/inherent_dynamics_visualizer.git.
   ПРИМЕЧАНИЕ: Клонирование IDV должно происходить за пределами каталога верхнего уровня IDP.
4. Следуйте инструкциям по установке в файле README IDV.

2. Поиск узла

1. Создайте новый файл конфигурации IDP, который параметризует шаг «Поиск узла».
   ПРИМЕЧАНИЕ: Все кавычки в следующих шагах не должны быть набраны. Кавычки используются здесь только в качестве разделителя между текстом протокола и тем, что должно быть напечатано.
   1. Добавьте основные аргументы IDP в файл конфигурации.
   2. Откройте новый текстовый файл в текстовом редакторе и введите "data_file =", "annotation_file =", "output_dir =", "num_proc =" и "IDVconnection = True" в отдельных строках.
   3. Для знака "data_file" после знака равенства введите путь к соответствующему файлу временных рядов и введите запятую после имени. Разделите все данные запятой, если используется более одного набора данных временных рядов. См. Дополнительный файл 1 и Дополнительный файл 2 для примера файлов экспрессии генов временных рядов.
   4. Введите путь и имя файла аннотации для "annotation_file" после знака равенства. Пример файла аннотации см. в дополнительном файле 3 .
   5. В поле "output_file" после знака равенства введите путь и имя папки, в которой будут сохранены результаты.
   6. После знака равенства для "num_proc" введите количество процессов, которые должен использовать IDP.
   7. Добавьте аргументы "Поиск узла" в файл конфигурации.
   8. В том же текстовом файле, что и на шаге 2.1.1, введите в указанном порядке "[dlxjtk_arguments]", "точки =" и "dlxjtk_cutoff =" на отдельных строках. Поместите их после основных аргументов.
   9. Для параметра "периоды" после знака равенства, если используется набор данных одноразовых рядов, введите каждую длину периода, разделенную запятыми. Для нескольких наборов данных временных рядов введите каждый набор длин периодов, как и раньше, но заключите квадратные скобки вокруг каждого набора и поставьте запятую между множествами.
   10. После знака равенства для "dlxjtk_cutoff" введите целое число, указывающее максимальное число генов, сохраняемых в gene_list_file вывода де Лихтенберга по JTK_CYCLE (DLxJTK) (Таблица 1).
       ПРИМЕЧАНИЕ: Настоятельно рекомендуется ознакомиться с разделами dlxjtk_arguments в файле README для МВУ, чтобы лучше понять каждый аргумент. Пример файла конфигурации с указанными аргументами Node Finding см. в дополнительном файле 4 .
2. В терминале перейдите в каталог IDP с именем inherent_dynamics_pipeline.
3. В терминале введите команду: conda activate dat2net
4. Запустите IDP с помощью файла конфигурации, созданного на шаге 2.1, выполнив эту команду в терминале, где < имя файла конфигурации> — это имя файла: python src/dat2net.py < имя файла конфигурации>
5. В терминале перейдите в каталог с именем inherent_dynamics_visualizer и введите команду: . /viz_results.sh
   ПРИМЕЧАНИЕ: укажу на каталог, используемый в качестве выходного каталога для IDP.
6. В веб-браузере введите http://localhost:8050/ в качестве URL-адреса.
7. Теперь, когда IDV открыт в браузере, перейдите на вкладку «Поиск узла» и выберите интересующую вас папку поиска узла из раскрывающегося меню.
8. Вручную создайте новый список генов из таблицы списка генов в IDV, который будет использоваться для последующих шагов IDP.
   1. Чтобы расширить или сократить таблицу списка генов, нажмите на стрелки вверх или вниз или вручную введите целое число от 1 до 50 в поле рядом с экспрессией генов, ранжированных DLxJTK. Наверх:.
   2. В таблице списка генов нажмите на поле рядом с геном, чтобы просмотреть его профиль экспрессии генов в линейном графике. Может быть добавлено несколько генов.
   3. При необходимости укажите количество контейнеров одинакового размера для вычисления и упорядочивания генов по временному интервалу, содержащему их пиковую экспрессию, введя целое число в поле ввода над таблицей списка генов с меткой Входное целое число, чтобы разделить первый цикл на bins:.
      ПРИМЕЧАНИЕ: Этот параметр специфичен для колебательной динамики и может быть неприменим к другим типам динамики.
   4. Выберите параметр просмотра тепловой карты, щелкнув опцию в разделе «Упорядочить гены по: максимальный экспрессию первого цикла » (таблица 1), которая упорядочивает гены на основе времени пика экспрессии генов в первом цикле.
      ПРИМЕЧАНИЕ: DLxJTK Rank упорядочивает гены на основе ранжирования периодичности из алгоритма DLxJTK IDP.
   5. Нажмите кнопку Загрузить список генов , чтобы загрузить список генов в формат файла, необходимый для шага Edge Finding. Пример файла списка генов см. в дополнительном файле 5 .
9. В редактируемой таблице аннотаций генов пометьте ген как мишень, регулятор или и то, и другое в файле аннотации для шага Edge Finding в новом запуске Edge Finding. Если ген является регулятором, пометьте ген как активатор, репрессор или и то, и другое.
   1. Чтобы пометить ген как активатор, нажмите на клетку в столбце tf_act и измените значение на 1. Чтобы пометить ген как репрессор, измените значение в столбце tf_rep на 1. Гену будет разрешено действовать как активатор и репрессор на шаге Edge Finding, установив значения как в столбцах tf_act, так и в столбцах tf_rep равными 1.
   2. Чтобы пометить ген как мишень, нажмите на ячейку в целевом столбце и измените значение на 1.
10. Нажмите кнопку Загрузить примечание. Файл , чтобы загрузить файл аннотации в формат файла, необходимый для шага Edge Finding.

3. Поиск края

1. Создайте новый файл конфигурации IDP, который параметризует шаг edge Finding.
   1. Добавьте основные аргументы IDP в файл конфигурации. Откройте новый текстовый файл в текстовом редакторе и повторите шаг 2.1.1.
   2. Добавьте аргументы Edge Finding в файл конфигурации.
   3. В том же текстовом файле, что и на шаге 3.1.1, введите в указанном порядке "[lempy_arguments]", "gene_list_file =", "[netgen_arguments]", "edge_score_column =", "edge_score_thresho =", "num_edges_for_list =", "seed_threshold =" и "num_edges_for_seed =" на отдельных строках. Они должны идти ниже основных аргументов.
   4. Для знака "gene_list_file" после знака равенства введите путь и имя файла списка генов, сгенерированного на шаге 2.8.5.
   5. В поле "edge_score_column" после знака "равный" введите "pld" или "norm_loss", чтобы указать, какой столбец фрейма данных из выходных данных lempy используется для фильтрации краев.
   6. Выберите «edge_score_threshold» или «num_edges_for_list» и удалите другой. Если выбран параметр «edge_score_threshold», введите число от 0 до 1. Это число будет использоваться для фильтрации краев на основе столбца, указанного на шаге 3.1.5.
      1. Если выбран параметр «num_edges_for_list», введите значение, равное или меньшее числа возможных ребер. Это число будет использоваться для фильтрации ребер на основе их ранжирования в столбце, указанном на шаге 3.1.5. Оставшиеся края будут использоваться для построения сетей в Network Finding.
   7. Выберите «seed_threshold» или «num_edges_for_seed» и удалите другой. Если был выбран параметр «seed_threshold», введите число от 0 до 1. Это число будет использоваться для фильтрации краев на основе столбца, указанного на шаге 3.1.5.
      1. Если был выбран параметр «num_edges_for_seed», введите значение, равное или меньшее числа возможных ребер. Это число будет использоваться для фильтрации ребер на основе их ранжирования в столбце, указанном на шаге 3.1.5. Оставшиеся края будут использоваться для построения начальной сети (таблица 1), используемой в поиске сети.
         ПРИМЕЧАНИЕ: Настоятельно рекомендуется ознакомиться с разделами lempy_arguments и netgen_arguments в файле README для ВПЛ, чтобы лучше понять каждый аргумент. Пример файла конфигурации с указанными аргументами поиска Edge см. в дополнительном файле 7 .
2. Повторите шаги 2.2 и 2.3.
3. Запустите IDP с помощью файла конфигурации, созданного на шаге 3.1, выполнив эту команду в терминале, где < имя файла конфигурации> — это имя файла: python src/dat2net.py < имя файла конфигурации>
4. Если IDV все еще работает, остановите его, нажав Control C в окне терминала, чтобы остановить программу. Повторите шаги 2.5 и 2.6.
5. Открыв IDV в браузере, перейдите на вкладку «Поиск края» и выберите интересующую папку поиска края из раскрывающегося меню.
   ПРИМЕЧАНИЕ: Если в Edge Finding используется несколько наборов данных, обязательно выберите последний набор данных, который использовался в анализе локального пограничного компьютера (LEM) (таблица 1). При выборе границ для начальной сети или пограничного списка на основе результатов LEM важно просмотреть данные последних временных рядов, перечисленные в файле конфигурации, поскольку эти выходные данные включают все предыдущие файлы данных в свой вывод о нормативных отношениях между узлами.
6. Чтобы расширить или сократить таблицу краев, вручную введите целое число в поле ввода в разделе Число ребер:.
7. При необходимости фильтруйте края по параметрам LEM ODE. Щелкните и перетащите указатель, чтобы переместить либо левую, либо правую сторону ползунка каждого параметра, чтобы удалить края из краевой таблицы, которые имеют параметры за пределами новых допустимых границ параметров.
8. При необходимости создайте новую начальную сеть, если требуется создать сеть, отличную от той, которая предлагается МВУ. Пример начального сетевого файла см. в дополнительном файле 8 .
   1. Выберите Из Seed , чтобы выбрать начальную сеть, или Из выбора из раскрывающегося меню в разделе Сеть:.
   2. Отмените выделение/выделение краев из таблицы краев, установив соответствующие флажки рядом с каждым краем, чтобы удалить/добавить края из начальной сети.
9. Нажмите кнопку Загрузить DSGRN NetSpec , чтобы загрузить начальную сеть в формате спецификации сети Динамические сигнатуры, генерируемые регулирующими сетями (DSGRN) (Таблица 1).
10. Выберите дополнительные узлы и края для использования на шаге Поиск сети.
    1. Выберите края из краевой таблицы, установив соответствующие флажки для включения в файл списка краев, используемый в поиске сети.
    2. Щелкните Загрузить списки узлов и границ , чтобы загрузить файлы списка узлов и пограничного списка в формате, необходимом для их использования в поиске сети. Примеры файлов списка границ и узлов соответственно см. в дополнительном файле 9 и дополнительном файле 10 .
       ПРИМЕЧАНИЕ: Список узлов должен содержать все узлы в файле пограничного списка, поэтому IDV автоматически создает файл списка узлов на основе выбранных краев. Для просмотра краев в edge Finding доступны два варианта. Параметр Сводная таблица LEM представляет края в виде ранжированного списка из 25 лучших ребер. Таблица Top-Line LEM представляет края в сцепленном списке трех лучших ранжированных ребер для каждого возможного регулятора. Количество ребер, просматриваемых для каждого параметра, может быть скорректировано пользователем, изменив число в поле ввода Количество ребер .

4. Поиск сети

1. Создайте новый файл конфигурации IDP, который параметризует шаг поиска сети.
   1. Добавьте основные аргументы IDP в файл конфигурации. Откройте новый текстовый файл в текстовом редакторе и повторите шаг 2.1.1.
   2. Добавьте аргументы поиска сети в файл конфигурации.
   3. В том же текстовом файле, что и на шаге 4.1.1, введите в указанном порядке "[netper_arguments]", "edge_list_file =", "node_list_file =", "seed_net_file =", "range_operations =", "numneighbors =", "maxparams =", "[[вероятности]]", "addNode =", "addEdge =", "removeNode =" и "removeEdge =" в отдельных строках под основными аргументами.
   4. Для "seed_net_file", "edge_list_file" и "node_list_file" после знака равенства введите путь и имя начального сетевого файла, а также файлов списка краев и узлов, созданных на шагах 3.9 и 3.10.2.
   5. После знака равенства вместо "range_operations" введите два числа, разделенные запятой. Первое и второе числа — это минимальное и максимальное количество добавлений или удалений узлов или ребер на сеть, произведенных соответственно.
   6. Для "numneighbors" после знака равенства введите число, представляющее количество сетей, которые нужно найти в поиске сети.
   7. Для параметра "maxparams" после знака равенства введите число, представляющее максимальное число параметров DSGRN для сети.
   8. Введите значения от 0 до 1 для каждого из этих аргументов: "addNode", "addEdge", "removeNode" и "removeEdge", после знака равенства. Числа должны быть равны 1.
      ПРИМЕЧАНИЕ: Настоятельно рекомендуется ознакомиться с разделами netper_arguments и netquery_arguments в файле README для ВПЛ, чтобы лучше понять каждый аргумент. Примеры файла конфигурации с указанными аргументами «Поиск сети» см. в дополнительном файле 11 и дополнительном файле 12.
2. Повторите шаги 2.2 и 2.3.
3. Запустите IDP с помощью файла конфигурации, созданного на шаге 4.1, выполнив эту команду в терминале, где < имя файла конфигурации> — это имя файла: python src/dat2net.py < имя файла конфигурации>
4. Если IDV все еще работает, остановите его, нажав Control C в окне терминала, чтобы остановить программу. Повторите шаги 2.5 и 2.6.
5. Открыв IDV в браузере, перейдите на вкладку «Поиск сети» и выберите интересующую вас папку поиска сети.
6. Выберите сеть или набор сетей, чтобы создать таблицу распространенности границ (таблица 1) и просмотреть сети вместе с соответствующими результатами запроса.
   1. Для выбора сетей доступны два варианта: Вариант 1 - Ввод нижней и верхней границ результатов запроса путем ввода минимальных и максимальных значений во входные поля, соответствующие оси x и y графика. Вариант 2 - Щелкните и перетащите указатель мыши на точечную диаграмму, чтобы нарисовать поле вокруг сетей, которые будут включены. После ввода границ выделения или ввода нажмите кнопку Получить распространенность edge из выбранных сетей .
      ПРИМЕЧАНИЕ: Если было указано более одного запроса DSGRN, используйте переключатели, помеченные типом запроса, для переключения между результатами каждого запроса. То же самое относится, если было указано более одного эпсилона (уровень шума).
7. Щелкните стрелки под краевой таблицей распространенности, чтобы перейти на следующую страницу таблицы. Нажмите Загрузить таблицу , чтобы загрузить таблицу распространенности периферии.
8. Введите целое число во входное поле Сетевой индекс, чтобы отобразить одну сеть из выбора, сделанного на шаге 4.6. Нажмите загрузить DSGRN NetSpec , чтобы загрузить отображаемую сеть в формате спецификации сети DSGRN.
9. Поиск сетей по сходству с заданным мотивом или интересующей сетью.
   1. Используйте флажки, соответствующие каждому краю, чтобы выбрать края, которые будут включены в сеть или мотив, используемый для анализа сходства. Нажмите кнопку Отправить , чтобы создать точечную диаграмму сходства для выбранного мотива или сети.
      ПРИМЕЧАНИЕ: Используйте стрелки в списке краев для сортировки по алфавиту, а стрелки под таблицей для перехода на следующую страницу таблицы.
   2. Щелкните и перетащите указатель мыши на точечную диаграмму, чтобы нарисовать поле вокруг сетей, которые должны быть включены, чтобы выбрать сеть или набор сетей, чтобы создать таблицу распространенности границ и просмотреть сети вместе с соответствующими результатами запроса.
      ПРИМЕЧАНИЕ: Если было указано более одного запроса DSGRN, используйте переключатели, помеченные типом запроса, для переключения между результатами каждого запроса. То же самое относится, если было указано более одного эпсилона (уровень шума).
   3. Повторите шаги 4.7 и 4.8, чтобы загрузить таблицу распространенности границ и отображаемую сеть для анализа сходства соответственно.

Access restricted. Please log in or start a trial to view this content.

Результаты

Этапы, описанные текстуально выше и графически на рисунке 1, были применены к основному колеблющемуся GRN дрожжевого клеточного цикла, чтобы увидеть, возможно ли обнаружить функциональные модели GRN, которые способны производить динамику, наблюдаемую в данных экспрессии ?...

Access restricted. Please log in or start a trial to view this content.

Обсуждение

Вывод GRN является важной проблемой в системной биологии. IDP генерирует модельные GRN из данных экспрессии генов с использованием последовательности инструментов, которые используют данные все более сложными способами. Каждый шаг требует принятия решений о том, как обрабатывать данные и...

Access restricted. Please log in or start a trial to view this content.

Материалы

Name	Company	Catalog Number	Comments
Docker			https://docs.docker.com/get-docker/
Git			https://git-scm.com/
Inherent Dynamics Pipeline			https://gitlab.com/biochron/inherent_dynamics_pipeline
Inherent Dynamics Visualizer			https://gitlab.com/bertfordley/inherent_dynamics_visualizer
Miniconda			https://docs.conda.io/en/latest/miniconda.html
Pip			https://pip.pypa.io/en/stable/