JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Kantitatif proteomik veriler için ağ analizini gerçekleştirmek ve görselleştirmek için bir sistem biyolojisi aracı JUMPn'ı, veri ön işleme, birlikte ekspresyon kümeleme, yol zenginleştirme ve protein-protein etkileşim ağı analizi dahil olmak üzere ayrıntılı bir protokolle sunuyoruz.

Özet

Kütle spektrometrisi tabanlı proteomik teknolojilerdeki son gelişmelerle birlikte, yüzlerce proteomun derin profillenmesi giderek daha mümkün hale gelmiştir. Bununla birlikte, bu tür değerli veri kümelerinden biyolojik içgörüler elde etmek zordur. Burada, sistem biyolojisi tabanlı bir yazılım olan JUMPn'i ve proteomu örnekler ve modüllerle (örneğin, protein kompleksleri) birbirine bağlı protein-protein etkileşimi (PPI) ağları arasında protein birlikte ekspresyon kümeleri halinde düzenlemek için ilişkili protokolünü tanıtıyoruz. R/Shiny platformunu kullanan JUMPn yazılımı, entegre veri görselleştirme ve kullanıcı dostu bir arayüzle birlikte ifade kümeleme, yol zenginleştirme ve PPI modül algılama analizini kolaylaştırır. Protokolün ana adımları arasında JUMPn yazılımının kurulumu, farklı şekilde eksprese edilen proteinlerin veya (dis) düzenlenmiş proteomun tanımı, anlamlı birlikte ekspresyon kümelerinin ve PPI modüllerinin belirlenmesi ve sonuç görselleştirme yer almaktadır. Protokol, izobarik etiketleme tabanlı proteom profili kullanılarak gösterilirken, JUMPn genellikle çok çeşitli nicel veri kümelerine (örneğin, etiketsiz proteomikler) uygulanabilir. JUMPn yazılımı ve protokolü böylece kantitatif proteomikte biyolojik yorumlamayı kolaylaştırmak için güçlü bir araç sağlar.

Giriş

Kütle spektrometrisine dayalı av tüfeği proteomikleri, karmaşık numunelerin proteom çeşitliliğini analiz etmek için anahtar yaklaşım haline gelmiştir1. Kütle spektrometrisi enstrümantasyonu2,3, kromatografi4,5, iyon hareketliliği tespiti6, edinme yöntemleri (veriden bağımsız7 ve veriye bağımlı edinme8), niceleme yaklaşımları (çok katlı izobarik peptid etiketleme yöntemi, örneğin, TMT9,10 ve etiketsiz niceleme11,12) ve veri analizi stratejileri / yazılım geliştirme 13,14,15,16,17,18, tüm proteomun nicelleştirilmesi (örneğin, 10.000'den fazla protein) artık rutin 19,20,21'dir. Bununla birlikte, bu kadar derin nicel veri kümelerinden mekanik içgörülerin nasıl elde edileceği halazorlayıcıdır 22. Bu veri kümelerini araştırmaya yönelik ilk girişimler, ağırlıklı olarak, her bir bileşeni (proteini) bağımsız olarak ele alarak, verilerin bireysel öğelerinin ek açıklamasına dayanıyordu. Bununla birlikte, biyolojik sistemler ve davranışları yalnızca bireysel bileşenlerin incelenmesiyle açıklanamaz23. Bu nedenle, niceliklendirilmiş biyomolekülleri etkileşim ağları bağlamına yerleştiren bir sistem yaklaşımı, karmaşık sistemlerin ve embriyogenez, immün yanıt ve insan hastalıklarının patogenezi gibi ilişkili süreçlerin anlaşılması için gereklidir24.

Ağ tabanlı sistem biyolojisi, büyük ölçekli nicel proteomik verileri25,26,27,28,29,30,31,32,33 analiz etmek için güçlü bir paradigma olarak ortaya çıkmıştır. Kavramsal olarak, memeli hücreleri gibi karmaşık sistemler, tüm sistemin katmanlar halinde temsil edildiği hiyerarşik bir ağ 34,35 olarak modellenebilir: ilk önce her biri daha sonra daha küçük alt sistemler tarafından yinelemeli olarak modellenen bir dizi büyük bileşen tarafından. Teknik olarak, proteom dinamiklerinin yapısı, birlikte eksprese edilen protein kümelerinin birbirine bağlı ağları (çünkü birlikte eksprese edilen genler / proteinler genellikle benzer biyolojik işlevleri veya düzenleme mekanizmalarını paylaşır36) ve fiziksel olarak etkileşime giren PPI modülleri37 tarafından sunulabilir. Yakın tarihli bir örnek25 olarak, T hücresi aktivasyonu sırasında tüm proteom ve fosfoproteomun zamansal profillerini oluşturduk ve T hücresi sessizlik çıkışına aracılık eden fonksiyonel modülleri tanımlamak için PPI'larla bütünleştirici ko-ekspresyon ağları kullandık. Biyoenerjetik ile ilgili çoklu modüller vurgulandı ve deneysel olarak doğrulandı (örneğin, mitoribozom ve karmaşık IV modülleri25 ve bir karbonlu modül38). Başka bir örnek26'da, Alzheimer hastalığının patogenezini incelemek için yaklaşımımızı daha da genişlettik ve hastalık progresyonu ile ilişkili protein modüllerini ve moleküllerini başarıyla önceliklendirdik. Daha da önemlisi, tarafsız keşiflerimizin çoğu, bağımsız hasta kohortları 26,29 ve / veya hastalık faresi modelleri26 tarafından doğrulanmıştır. Bu örnekler, moleküler mekanizmaları kantitatif proteomik ve diğer omik entegrasyonlarla incelemek için sistem biyolojisi yaklaşımının gücünü göstermiştir.

Burada, ağ tabanlı sistem biyolojisi yaklaşımlarını kullanarak nicel proteomik verileri araştıran aerodinamik bir yazılım olan JUMPn'i tanıtıyoruz. JUMPn, kurulan JUMP proteomik yazılım paketi 13,14,39'un aşağı akış bileşeni olarak hizmet eder ve sistem biyolojisi yaklaşımını kullanarak bireysel protein niceliklerinden biyolojik olarak anlamlı yollara ve protein modüllerine kadar olan boşluğu doldurmayı amaçlar. Diferansiyel olarak eksprese edilen (veya en değişken) proteinlerin nicelleştirme matrisini girdi olarak alarak, JUMPn, proteomu, aşırı temsil (veya zenginleştirme) analizi ile halka açık yol veritabanlarıyla daha fazla açıklama eklenen, numuneler ve yoğun olarak bağlanmış PPI modülleri (örneğin, protein kompleksleri) arasında birlikte eksprese edilen protein kümelerinin katmanlı bir hiyerarşisi halinde düzenlemeyi amaçlamaktadır (Şekil 1). JUMPn, kullanıcı dostu bir arayüz için R/Shiny platform40 ile geliştirilmiştir ve üç ana işlevsel modülü entegre eder: ortak ifade kümeleme analizi, yol zenginleştirme analizi ve PPI ağ analizi (Şekil 1). Her analizden sonra, sonuçlar otomatik olarak görselleştirilir ve R/shiny widget işlevleri aracılığıyla ayarlanabilir ve Microsoft Excel formatında yayın tabloları olarak kolayca indirilebilir. Aşağıdaki protokolde, nicel tüm proteom verilerini örnek olarak kullanıyoruz ve JUMPn yazılımının kurulumu, farklı şekilde ifade edilen proteinlerin tanımı veya (dis) düzenlenmiş proteom, ortak ekspresyon ağı analizi ve PPI modül analizi, sonuç görselleştirme ve yorumlama ve sorun giderme dahil olmak üzere JUMPn kullanmanın ana adımlarını açıklıyoruz. JUMPn yazılımı GitHub41'de ücretsiz olarak kullanılabilir.

Protokol

NOT: Bu protokolde, JUMPn'in kullanımı, TMT izobarik etiket reaktifi27 tarafından ölçülen B hücresi farklılaşması sırasında tüm proteom profillemesinin yayınlanmış bir veri kümesi kullanılarak gösterilmiştir.

1. JUMPn yazılımının kurulumu

NOT: JUMPn yazılımını kurmak için iki seçenek sunulmaktadır: (i) kişisel kullanım için yerel bir bilgisayara kurulum; ve (ii) JUMPn'in birden fazla kullanıcı için uzak bir Shiny Server'da konuşlandırılması. Yerel kurulum için, Internet erişimi ve ≥4 Gb RAM'e sahip bir kişisel bilgisayar, küçük bir örneklem boyutuna (n < 30) sahip bir veri kümesi için JUMPn analizini çalıştırmak için yeterlidir; büyük kohort analizi için daha büyük RAM (örneğin, 16 Gb) gereklidir (örneğin, n = 200 örnek).

  1. Yazılımı yerel bir bilgisayara yükleyin. Yüklemeden sonra, web tarayıcısının JUMPn'i başlatmasına izin verin ve analizin yerel bilgisayarda çalışmasına izin verin.
    1. Anaconda42 veya miniconda43'ü çevrimiçi talimatları izleyerek yükleyin.
    2. JUMPn kaynak kodu41'i indirin. İndirilen dosyayı açmak için çift tıklayın JUMPn_v_1.0.0.zip; JUMPn_v_1.0.0 adlı yeni bir klasör oluşturulur.
    3. Komut satırı terminalini açın. Windows'ta Anaconda İstemi'ni kullanın. MacOS'ta yerleşik Terminal uygulamasını kullanın.
    4. JUMPn Conda ortamını oluşturma: JUMPn_v_1.0.0 klasörünün mutlak yolunu alın (örneğin, /path/to/JUMPn_v_1.0.0). Boş bir Conda ortamı oluşturmak ve etkinleştirmek için terminalde aşağıdaki komutları yazın
      conda create -p /path/to/JUMPn_v_1.0.0/JUMPn -y
      conda activate /path/to/JUMPn_v_1.0.0/JUMPn
    5. JUMPn bağımlılıklarını yükleme: R'yi yükleyin (terminalde conda install -c conda-forge r=4.0.0 -y yazın), geçerli dizini JUMPn_v_1.0.0 klasörüne değiştirin (terminalde cd path/to/JUMPn_v_1.0.0 yazın) ve bağımlılık paketlerini yükleyin (terminalde Rscript bootstrap yazın. R)
    6. Web tarayıcısında JUMPn'i başlat: Geçerli dizini yürütme klasörüne değiştirin (terminalde cd yürütme yazın) ve JUMPn'i başlatın (terminalde R -e "shiny::runApp()")
    7. Yukarıdakiler yürütüldükten sonra, terminal ekranı http://127.0.0.1:XXXX adresinde Dinleme olarak görünecektir (burada XXXX 4 rastgele sayıyı gösterir). http://127.0.0.1:XXXX adresini kopyalayıp JUMPn karşılama sayfasının görüneceği web tarayıcısına yapıştırın (Şekil 2).
  2. Shiny Server'da dağıtım. Shiny Server'a örnek olarak ticari shinyapps.io sunucusu veya kurumsal olarak desteklenen herhangi bir Shiny Server verilebilir.
    1. RStudio'yu44 talimatını izleyerek indirin ve yükleyin.
    2. Shiny Server için dağıtım izni alın. shinyapps.io sunucusu için,45 yönergesini izleyerek kullanıcı hesabını ayarlayın. Kurumsal Shiny sunucusu için, izin istemek üzere sunucu yöneticisine başvurun.
    3. JUMPn kaynak kodu41'i yerel makineye indirin; kurulum gerekli değildir. Sunucudan birini açın. R veya ui. RStudio'daki R dosyalarını tıklatın ve RStudio IDE'nin sağ üst köşesindeki Sunucuya Yayımla açılır menüsünü tıklatın.
    4. Hesapta Yayınla panelinde, sunucu adresini yazın. Yayınla düğmesine basın. Başarılı dağıtım, RStudio'dan uygulamanın dağıtıldığı RShiny sunucusuna otomatik yönlendirme ile doğrulanır.

2. Örnek bir veri kümesi kullanarak demo çalıştırma

NOT: JUMPn, yayımlanmış B hücresi proteomik veri kümesini kullanarak bir demo çalıştırması sunar. Demo çalışması, farklı şekilde ifade edilen proteinlerin niceleme matrisini girdi olarak alan ve sırayla birlikte ifade kümelemesi, yol zenginleştirme ve PPI ağ analizi gerçekleştiren kolaylaştırılmış bir iş akışını gösterir.

  1. JUMPn ana sayfasında (Şekil 2), JUMPn analizini başlatmak için Analizi Başlat düğmesine tıklayın.
  2. Analizi Başlat sayfasının sol alt köşesinde (Şekil 3), Demo B Hücresi Proteomik Veri Yükle düğmesine tıklayın; veri yüklemenin başarısını bildiren bir iletişim kutusu görüntülenir.
  3. Sayfanın sağ alt köşesinde, varsayılan parametreleri kullanarak demo çalışmasını başlatmak için JUMPn Analizi Gönder düğmesine tıklayın; analizin seyrini gösteren bir ilerleme çubuğu görünecektir. İlerleme çubuğu tamamlanana kadar bekleyin (3 dakika bekleniyor).
  4. Demo çalıştırma tamamlandığında, başarılı çalıştırma iletisini ve sonuç klasörünün mutlak yolunu içeren bir iletişim kutusu görünecektir. Devam etmek için Sonuçlara Devam Et'e tıklayın.
  5. Web sayfası önce kullanıcıyı WGCNA'nın ortak ifade kümesi sonuçlarına yönlendirir. Devam etmek için iletişim penceresinde Sonuçları Görüntüle'ye tıklayın.
  6. Sonuç Sayfası 1: WGCNA Çıktısı sayfasının solundaki protein birlikte ifade kalıplarını bulun. İki şekil biçimi arasında gezinmek için İfade Biçimini Seç açılır kutusunu tıklatın:
    1. Eğilimler grafiğini görüntülemek için Eğilimler'i seçin, her satır örnekler arasında ayrı ayrı protein bolluğunu temsil eder. Her çizginin rengi, ifade deseninin eş-ifade kümesi konsensüsüne (yani, WGCNA algoritması tarafından tanımlanan "özgen") ne kadar yakın olduğunu temsil eder.
    2. Her örnek için birlikte ifade desenlerini boxplot formatında görüntülemek üzere Boxplot'u seçin.
  7. WGCNA çıktı sayfasının sağındaki yol/ontoloji zenginleştirme ısı haritasını görüntüleyin. Her küme için en yüksek oranda zenginleştirilmiş yollar, Benjamini-Hochberg ayarlı p değerini yansıtan renk yoğunluğu ile bir ısı haritasında birlikte görüntülenir.
  8. Tek tek proteinlerin ifade modelini görüntülemek için web sayfasını aşağı kaydırın.
    1. Açılan kutuyu kullanın Her kümedeki proteinleri görüntülemek için Ortak İfade Kümesini seçin (varsayılan değer Küme 1'dir). Tabloda, tablonun altındaki çubuk grafiğin protein bolluğunu yansıtacak şekilde otomatik olarak güncelleneceği belirli bir protein seçin.
    2. Belirli bir protein için tablonun sağ tarafındaki Arama kutusunu kullanarak belirli protein adlarını arayın.
  9. ÜFE sonuçlarını görüntülemek için, üstteki Sonuç Sayfası 2: ÜFE Çıktısı'na tıklayın.
  10. Belirli bir birlikte ifade kümesinin sonuçlarını görüntülemek için Ortak İfade Kümesini Seç'i tıklatın (varsayılan değer küme 1'dir). Bu sayfadaki tüm şekil panellerinin ekranları yeni seçilen küme için güncellenecektir.
  11. Sol şekil panelinde seçilen ortak ifade kümesi için PPI ağlarını görüntüleyin:
    1. Ağ içindeki tek tek PPI modüllerini vurgulamak için Gruba Göre Seç açılan kutusunu tıklatın. Ağ düzenini değiştirmek için Ağ Düzeni Biçimi Seç açılır kutusuna tıklayın (varsayılan değer Fruchterman Reingold'a aittir).
    2. 2.11.3-2.11.5 adımlarını gerçekleştirmek için fareyi ve izleme dörtgenini kullanın.
    3. PPI ağını gerektiği gibi yakınlaştırın veya uzaklaştırın. Ağdaki her düğümün gen adları, yeterince yakınlaştırıldığında gösterilecektir.
    4. Yakınlaştırıldığında, belirli bir proteini seçip tıklayarak o proteini ve ağ komşularını vurgulayın.
    5. Düzendeki konumunu değiştirmek için ağdaki belirli bir düğümü (protein) sürükleyin; böylece ağ düzeni kullanıcı tarafından yeniden düzenlenebilir.
  12. PPI sonuç sayfasının sağ panelinde, ÜFE sonuçlarının yorumlanmasına yardımcı olan ortak ifade kümesi düzeyindeki bilgileri görüntüleyin:
    1. Seçili kümenin birlikte ifade desenini varsayılan olarak boxplot olarak görüntüleyin.
    2. Daha fazla bilgi için İfade Biçimini Seç açılır kutusunu tıklatın veya 2.12.3-2.12.5 adımlarında belirtildiği gibi görüntülenir.
    3. Birlikte ifade deseninin eğilim grafiğini göstermek için Eğilimler'i seçin.
    4. Birlikte ifade kümesi için önemli ölçüde zenginleştirilmiş yolları göstermek üzere Yol Bargrafiği'ni seçin.
    5. Daire çizimi biçiminde ortak ifade kümesi için önemli ölçüde zenginleştirilmiş yolları göstermek üzere Yol Dairesi Grafiği'ni seçin.
  13. Tek tek PPI modülü düzeyindeki sonuçları görüntülemek için Sonuç Sayfası 2: PPI Çıktısı web sayfasını aşağı kaydırın. Görüntülenmek üzere belirli bir PPI modülü seçmek için Modülü Seç açılan kutusuna tıklayın (Küme1: Modül 1 varsayılan olarak gösterilir).
  14. Sol paneldeki PPI modülünü görüntüleyin. Ağ görüntüsünü değiştirmek için 2.11.2-2.11.5 adımlarını izleyin.
  15. Yol/ontoloji zenginleştirme sonuçlarını sağ panelde görüntüleyin. Daha fazla bilgi ve görüntüler için Yol Ek Açıklama Stilini Seç açılır kutusuna tıklayın:
    1. Seçilen PPI modülü için önemli ölçüde zenginleştirilmiş yolları göstermek üzere Barplot'u seçin.
    2. Seçilen PPI modülü için önemli ölçüde zenginleştirilmiş yolları daire grafiği biçiminde göstermek için Daire Grafiği'ni seçin.
    3. Önemli ölçüde zenginleştirilmiş yolları ve seçilen PPI modülünden ilişkili gen adlarını göstermek için Isı Haritası'nı seçin.
    4. Yolakların adı/ontoloji terimleri, gen adları ve Fisher'ın tam testine göre P-değeri dahil olmak üzere ayrıntılı yol zenginleştirme sonuçlarını göstermek için Tablo'yu seçin.
  16. Yayın tablosunu elektronik tablo biçiminde görüntüleme: mutlak yolu izleyin (her iki sonuç sayfasının en üstünde yazdırılır) ve ComprehensiveSummaryTables.xlsx adlı yayın elektronik tablosu tablosunu bulun.

3. Giriş dosyasının hazırlanması ve JUMPn'a yüklenmesi

NOT: JUMPn, diferansiyel olarak eksprese edilen proteinlerin (denetimli yöntem) veya en değişken proteinlerin (denetimsiz yöntem) niceleme matrisini girdi olarak alır. Projenin amacı, çoklu koşullarda (örneğin, farklı hastalık grupları veya biyolojik sürecin zaman serisi analizi) değişen proteinleri anlamaksa, DE analizini gerçekleştirmek için denetimli yöntem tercih edilir; aksi takdirde, keşif amacıyla en değişken proteinleri seçmek için denetimsiz bir yaklaşım kullanılabilir.

  1. Her proteini satır olarak ve her numuneyi sütunlar halinde içeren protein niceleme tablosunu oluşturun. Bunu, modern kütle spektrometrisi tabanlı proteomik yazılım paketi (örneğin, JUMP paketi13,14,39, Proteome Discoverer, Maxquant 15,46) aracılığıyla gerçekleştirin.
  2. Proteom değişkenini tanımlayın.
    1. Diferansiyel olarak eksprese edilen (DE) proteinleri tanımlamak için proteomik yazılım paketi tarafından sağlanan istatistiksel analiz sonuçlarını kullanın (örneğin, ayarlanmış p-değeri 0.05 <).
    2. Alternatif olarak, kullanıcılar DE veya çoğu değişken proteini tanımlamak için örnek R kodu47'yi izleyebilirler.
  3. Tanımlanan proteom değişkenini kullanarak giriş dosyasını biçimlendirin.
    NOT: Gerekli giriş dosyası biçimi (Şekil 4) bir başlık satırı içerir; sütunlar protein katılımını (veya herhangi bir benzersiz kimliği), GN (resmi gen sembollerini), protein tanımını (veya kullanıcı tarafından sağlanan herhangi bir bilgiyi), ardından bireysel örneklerin protein niceliğini içerir.
    1. Adım 3.1'de belirtilen sütunların sırasını izleyin, ancak üstbilginin sütun adları kullanıcı için esnektir.
    2. TMT (veya benzeri) niceliklendirilmiş proteom için, giriş niceleme değerleri olarak özetlenmiş TMT raporlayıcı yoğunluğunu kullanın. Etiketsiz veriler için, normalleştirilmiş spektral sayımlar (örneğin, NSAF48) veya yoğunluğa dayalı yöntem (örneğin, Maxquant46 tarafından bildirilen LFQ yoğunluğu veya iBAQ protein yoğunluğu) kullanın.
    3. JUMPn analizi için eksik değerlere izin verilir. Bunları nicelik matrisinde NA olarak etiketlediğinizden emin olun. Bununla birlikte, numunelerin sadece% 50'sinden fazlasında niceliklendirme ile proteinlerin kullanılması önerilir.
    4. Elde edilen giriş dosyasını .txt, .xlsx veya .csv biçiminde kaydedin (üçü de JUMPn tarafından desteklenir).
  4. Giriş dosyasını yükle:
    1. Tarayıcı düğmesine tıklayın ve giriş dosyasını seçin (Şekil 3, sol panel); dosya biçimi (xlsx, csv ve txt desteklenir) otomatik olarak algılanır.
    2. Giriş dosyası yoğunluğa benzer niceleme değerleri (örneğin, JUMP paketi39 tarafından oluşturulanlar) veya oran benzeri (örneğin, Proteome Discoverer'dan) içeriyorsa, Log2-Verilerin Dönüştürülmesini Yürüt seçeneği için Evet'i seçin; aksi takdirde, veriler zaten günlüğe dönüştürülmüş olabilir, bu nedenle bu seçenek için Hayır'ı seçin.

4. Birlikte ifade kümeleme analizi

NOT:25,26,27 grubumuz ve diğerleri 28,29,31, WGCNA 49'un kantitatif proteomiklerin ko-ekspresyon kümeleme analizi için etkili bir yöntem olduğunu kanıtlamıştır. JUMPn, WGCNA analizi 25,50 için 3 adımlı bir prosedürü izler: (i) topolojik örtüşme matrisine (TOM; genler/proteinler arasındaki nicelleştirme benzerlikleri ile belirlenir) dayalı dinamik ağaç kesimi51 ile ko-ekspresyon gen/protein kümelerinin ilk tanımı; (ii) fazlalığı azaltmak için benzer kümelerin birleştirilmesi (özgen benzerliklerinin dendrogramına dayanarak); ve (iii) minimum Pearson korelasyon kesintisini aşan her kümeye genlerin/proteinlerin nihai olarak atanması.

  1. WGCNA parametrelerini yapılandırın (Şekil 3, orta panel). Aşağıdaki üç parametre sırasıyla üç adımı kontrol eder:
    1. En düşük küme boyutunu 30 olarak ayarlayın. Bu parametre, TOM tabanlı hibrit dinamik ağaç kesiminin ilk adımında (i) her bir birlikte ekspresyon kümesi için gereken minimum protein sayısını tanımlar. Değer ne kadar büyük olursa, algoritma tarafından döndürülen küme sayısı da o kadar küçük olur.
    2. En düşük küme mesafesini 0,2 olarak ayarlayın. Bu değerin artırılması (örneğin, 0,2-0,3'ten), adım (ii) sırasında daha fazla küme birleşmesine neden olabilir ve böylece daha az sayıda küme oluşmasına neden olabilir.
    3. Minimum kME'yi 0,7 olarak ayarlayın. Proteinler, adım (ii)'de tanımlanan en korelasyonlu kümeye atanacak, ancak yalnızca bu eşiği geçen Pearson korelasyonuna sahip proteinler korunacaktır. Bu adımda başarısız olan proteinler herhangi bir kümeye atanmayacaktır (nihai rapordaki başarısız proteinler için 'NA' kümesi).
  2. Analizi başlatın. Ortak ifade kümeleme analizini göndermenin iki yolu vardır:
    1. WGCNA'nın kapsamlı analizini ve ardından PPI ağ analizini başlatmak için sağ alt köşedeki JUMPn Analizini Gönder düğmesine tıklayın.
    2. Alternatif olarak, yalnızca WGCNA adımını yürütmeyi seçin (özellikle parametre ayarlama amacıyla; bkz. adımlar 4.2.3-4.2.4):
    3. Analizi Başlat sayfasının altındaki Gelişmiş Parametreler düğmesine tıklayın; yeni bir parametre penceresi açılacaktır. Alt widget'ta Analiz Modu'nu seçin, Yalnızca WGCNA'yı seçin, ardından devam etmek için Kapat'a tıklayın.
    4. Analizi Başlat sayfasında, JUMPn Analizi Gönder düğmesine tıklayın.
    5. Yukarıdaki her iki durumda da, analiz gönderildikten sonra bir ilerleme çubuğu görünecektir.
      NOT: Çözümleme tamamlandıktan sonra (genellikle Yalnızca WGCNA çözümlemesi için < 1 dakika ve
  3. WGCNA sonuçlarını adım 2.4-2.8'de gösterildiği gibi inceleyin (Şekil 5). Dosya co_exp_clusters_3colums.txt mutlak yolunun, her proteinin küme üyeliğini kaydetmek ve bunu Yalnızca PPI çözümlemesi için girdi olarak kullanmak üzere Sonuç Sayfası: WGCNA Çıktısı'nın en üstünde vurgulandığını unutmayın.
  4. Sorun giderme. Aşağıdaki üç yaygın durum tartışılmıştır. Parametreler aşağıda açıklandığı gibi güncellendikten sonra, yeni WGCNA sonuçları oluşturmak için 4.2.2-4.2.4 adımlarını izleyin.
    1. Verilerden önemli bir birlikte ifade kalıbı bekleniyorsa ancak algoritma tarafından kaçırılıyorsa, 4.4.2-4.4.4 arasındaki adımları izleyin.
    2. Eksik bir küme özellikle küçük ko-ekspresyon kümeleri için, yani bu kalıbı sergileyen sınırlı sayıda (örneğin, <30) protein için olasıdır. Yeniden analizden önce, protein niceleme matrisinin giriş dosyasını yeniden inceleyin ve bu önemli birlikte ekspresyon modeline uyan birkaç pozitif kontrol proteini bulun.
    3. Küçük kümeleri kurtarmak için, Minimum Küme Boyutu'nu azaltın (örneğin, 10; 10'dan küçük küme boyutu sağlam olmayabilir, bu nedenle önerilmez) ve Minimum Küme Mesafesi'ni azaltın (örneğin, 0.1; burada 0 olarak ayarlanmasına da izin verilir, bu da otomatik küme birleştirmenin atlanacağı anlamına gelir).
    4. Güncelleştirilmiş parametrelerle birlikte ifade kümeleme adımını yürüttükten sonra, önce kümenin Ortak İfade Desen Grafikleri'nden kurtarılıp kurtarılmadığını kontrol edin, ardından Ayrıntılı Protein Niceliği'nden protein katılımlarını arayarak pozitif denetimleri denetleyin (aramadan önce sol taraftaki açılır pencere öğesinden uygun ortak ifade kümesini seçtiğinizden emin olun).
      NOT: Kurtarma için birden çok parametre ayarlama ve yeniden çalıştırma yinelemesi gerekebilir.
    5. Herhangi bir kümeye atanamayan çok fazla protein varsa, 4.4.6-4.4.7 adımlarını izleyin.
      NOT: Genellikle, proteinlerin küçük bir yüzdesi (tipik olarak <% 10) herhangi bir kümeye atanmayabilir, çünkü bunlar veri kümesinin ortak ifade kalıplarından hiçbirini takip etmeyen aykırı proteinler olabilir. Bununla birlikte, bu yüzde önemliyse (örneğin, >%30), göz ardı edilemeyecek ek birlikte ifade kalıpları olduğunu göstermektedir.
    6. 'Yeni' ortak ifade kümeleri algılayarak bu durumu hafifletmek için hem Minimum Küme Boyutu hem de Minimum Küme Mesafesi parametrelerini azaltın.
    7. Ek olarak, bu 'NA kümesi' proteinlerini küçültmek için Minimal Pearson Korelasyonu (kME) parametresini azaltın.
      NOT: Bu parametrenin ayarlanması yeni kümeler oluşturmaz, bunun yerine daha düşük eşikte daha önce başarısız olan proteinleri kabul ederek 'mevcut' kümelerin boyutunu artırır; Bununla birlikte, bu aynı zamanda her kümenin heterojenliğini de artıracaktır, çünkü artık daha gürültülü proteinlere izin verilmektedir.
    8. İki kümenin çok küçük bir desen farkı vardır; 4.4.9-4.4.11 adımlarını izleyerek bunları tek bir kümede birleştirin.
    9. Sorunu çözmek için Minimum Küme Mesafesi parametresini artırın.
    10. Ancak, bazı durumlarda, algoritma istenen deseni asla döndürmeyebilir; böyle bir anda, birleştirmek için dosya co_exp_clusters_3colums.txt (adım 4.3'ten itibaren dosya) küme üyeliğini el ile ayarlayın veya düzenleyin.
    11. Sonradan düzenlenen dosyayı aşağı akış PPI ağ analizi için girdi olarak alın. El ile düzenleme durumunda, küme atama ölçütlerini gerekçelendirin ve el ile düzenleme yordamını kaydedin.

5. Protein-protein etkileşim ağı analizi

NOT: Birlikte ifade kümelerini PPI ağına üst üste bindirilerek, her bir ortak ifade kümesi daha küçük PPI modülleri halinde katmanlaştırılır. Analiz, her bir eş-ekspresyon kümesi için gerçekleştirilir ve iki aşamadan oluşur: ilk aşamada, JUMPn, proteinleri ortak ekspresyon kümesinden PPI ağına üst üste bindirir ve tüm bağlı bileşenleri bulur (yani, bağlı düğümlerin / proteinlerin çoklu kümeleri; örnek olarak, bkz. Şekil 6A); daha sonra, topolojik örtüşme matrisi (TOM) yöntemi52 kullanılarak bağlı her bileşen için topluluklar veya modüller (yoğun olarak bağlı düğümlerden) yinelemeli olarak algılanacaktır.

  1. PPI ağ analizi için parametreleri yapılandırın (Şekil 3, sağ panel).
    1. Minimum PPI modül boyutunu 2 olarak ayarlayın. Bu parametre, ilk aşama analizinden bağlantısı kesilmiş bileşenlerin minimum boyutunu tanımlar. Belirtilen parametreden daha küçük herhangi bir bileşen nihai sonuçlardan kaldırılacaktır.
    2. Maksimum PPI modül boyutunu 40 olarak ayarlayın. Bu eşiği geçen büyük, bağlantısı kesilmiş bileşenler ikinci aşama TOM tabanlı analize tabi tutulacaktır. İkinci aşama analizi, her büyük bileşeni daha küçük modüllere ayıracaktır: her modül muhtemelen bir bütün olarak orijinal bileşenden daha yoğun bir şekilde bağlanmış proteinler içerir.
  2. Analizi başlatın. PPI ağ analizini göndermenin iki yolu vardır:
    1. Varsayılan olarak WGCNA analizini takiben PPI analizini otomatik olarak gerçekleştirmek için JUMPn Analizi Gönder düğmesine basın.
    2. Alternatif olarak, özelleştirilmiş ortak ifade kümesi sonuçlarını karşıya yükleyin ve 5.2.3-5.2.5 adımlarını izleyerek Yalnızca PPI analizi gerçekleştirin.
    3. Giriş dosyasını, dosya co_exp_clusters_3colums.txt biçimini izleyerek hazırlayın (bkz. alt bölüm 4.4).
    4. Analizi Başlat sayfasının altındaki Gelişmiş Parametreler düğmesine tıklayın; yeni bir parametre penceresi açılacaktır. 'Yalnızca PPI' Analizi için Ortak İfade Kümesi Sonucunu Yükle üst oturumunda, adım 5.2.3 tarafından hazırlanan giriş dosyasını yüklemek için Tarayıcı'ya tıklayın.
    5. Alt widget'ta, Analiz Modunu Seçin, yalnızca PPI'yı seçin, ardından devam etmek için Kapat'a tıklayın. Analizi Başlat sayfasında, JUMPn Analizi Gönder düğmesine tıklayın.
  3. Analiz tamamlandıktan sonra (tipik olarak <3 dakika), ÜFE sonuçlarını adım 2.10-2.15'te gösterildiği gibi inceleyin (Şekil 6).
  4. İsteğe bağlı gelişmiş adım) Parametreleri ayarlayarak PPI modülerleştirmesini ayarlayın:
    1. PPI sonuçlarına daha fazla protein eklenmesine izin vermek için Maksimum Modül Boyutu parametresini artırın. 5.4.2-5.4.3 adımlarını izleyerek belgelenmemiş etkileşimleri kapsayacak şekilde özelleştirilmiş PPI ağı yükleyin.
    2. Analizi Başlat sayfasının altındaki Gelişmiş Parametreler düğmesine tıklayın; yeni bir parametre penceresi açılacaktır. , C onnection ve biçiminde üç sütun içeren özelleştirilmiş PPI dosyasını hazırlayın; Burada her proteinin resmi gen isimleri ile sunulmaktadır.
    3. PPI Veritabanı Yükle'de, özelleştirilmiş PPI dosyasını yüklemek için Gözat düğmesine tıklayın.

6. Yol zenginleştirme analizi

NOT: Hem birlikte ifade kümelerinin hem de içindeki PPI modüllerinin JUMPn türevi hiyerarşik yapıları, Fisher'ın tam testi kullanılarak aşırı temsil edilen yollarla otomatik olarak ek açıklama eklenir. Kullanılan yolak/topoloji veritabanları arasında Gen Ontolojisi (GO), KEGG, Hallmark ve Reaktom bulunur. Kullanıcılar, analiz için özelleştirilmiş veritabanlarını yüklemek için gelişmiş seçenekleri kullanabilir (örneğin, insan olmayan türlerden gelen verilerin analiz edilmesi durumunda).

  1. Varsayılan olarak, yol zenginleştirme analizi, birlikte ifade kümelemesi ve PPI ağ analizi ile otomatik olarak başlatılır.
  2. Yol zenginleştirme sonuçlarını görüntüleyin:
    1. Sonuç sayfalarında farklı biçimleri görselleştirmek için 2.7, 2.12 ve 2.15 adımlarını izleyin. ComprehensiveSummaryTables.xlsx dosyasındaki elektronik tablo yayınlama tablosundaki ayrıntılı sonuçları görüntüleyin (adım 2.16).
  3. (İsteğe bağlı gelişmiş adım) Yol zenginleştirme analizi için özelleştirilmiş veritabanı yükleyin:
    1. Tipik olarak bir türün tüm genlerinin resmi gen adlarını içeren gen arka plan dosyasını hazırlayın.
    2. Ontoloji kitaplığı dosyasını 6.3.3-6.3.4 adımlarını izleyerek hazırlayın.
    3. Ontoloji kütüphanesi dosyalarını EnrichR53 ve MSigDB54 dahil olmak üzere genel web sitelerinden indirin. Örneğin, ontolojiyi EnrichR web sitesi55'ten Drosophila'dan indirin.
    4. İndirilen dosyayı gerekli biçim için iki sütunla düzenleyin: ilk sütun olarak yol adı ve ardından ikinci sütun olarak resmi gen sembolleri ("/") olarak ayrılmış). Ayrıntılı dosya biçimi, JUMPn R parlak yazılımının Yardım sayfasında açıklanmıştır.
      NOT: JUMPn GitHub sitesi56'da gen arka planı ve ontoloji kitaplığının örnek dosyalarını (örnek olarak Drosophila kullanarak) bulun.
    5. Analizi Başlat sayfasının altındaki Gelişmiş Parametreler düğmesine tıklayın; yeni bir parametre penceresi açılacaktır.
    6. Yol Zenginleştirme Analizi için Arka Plan Dosyası Yükle öğesini bulun ve adım 6.3.1'de hazırlanan arka plan dosyasını yüklemek için Tarayıcı'ya tıklayın. Ardından oturumda, Yol Zenginleştirme Analizi için Kullanılacak Arka Plan'ı seçin, Kullanıcı Tarafından Sağlanan Arka Plan'a tıklayın.
    7. Yol Zenginleştirme Analizi için Ontoloji Kitaplığı Dosyası Yükle öğesini bulun ve 6.3.2-6.3.4 adımlarında hazırlanan ontoloji kitaplığı dosyasını yüklemek için Tarayıcı'ya tıklayın. Ardından, oturumda, Yol Zenginleştirme Analizi için Veritabanlarını Seçin, .xlsx Biçiminde Kullanıcı Tarafından Sağlanan Veritabanı'na tıklayın.
  4. Özelleştirilmiş veritabanını kullanarak analizi başlatmak için sağ alt köşedeki JUMPn Analizini Gönder düğmesine tıklayın.

7. Büyük örneklem boyutuna sahip veri kümesinin analizi

NOT: JUMPn, büyük örneklem boyutuna sahip veri kümesinin analizini destekler (test edilen en fazla 200 örnek). Büyük bir örnek boyutunun görselleştirilmesini kolaylaştırmak için, birlikte ifade kümeleme sonuçlarının görüntülenmesini kolaylaştırmak üzere örnek grubu belirten ek bir dosya ("meta dosya" olarak adlandırılır) gerekir.

  1. Meta dosyası hazırlayın ve yükleyin.
    1. 7.1.2-7.1.3 adımlarını izleyerek her örnek için grup bilgilerini (ör. kontrol ve hastalık grupları) belirten meta dosyayı hazırlayın.
    2. Meta dosyanın en az iki sütun içerdiğinden emin olun: sütun 1, sütun adlarıyla aynı örnek adları ve protein niceleme matrisi dosyasındaki sırayı içermelidir (adım 3.3'te hazırlandığı gibi); Sütun 2'den itibaren, kullanıcı tarafından tanımlanan herhangi bir sayıda özellik için grup ataması için kullanılacaktır. Sütun sayısı esnektir.
    3. Meta dosyasının ilk satırının her sütun için sütun adlarını içerdiğinden emin olun; İkinci satırdan itibaren, grupların veya diğer özelliklerin (örneğin, cinsiyet, yaş, tedavi vb.) bireysel örnek bilgileri listelenmelidir.
    4. Meta dosyasını, Analizi Başlat sayfasının altındaki Gelişmiş Parametreler düğmesine tıklayarak yükleyin; yeni bir parametre penceresi açılacaktır. Adım 7.1.5'e geçin
    5. Meta Dosya Yükle öğesini bulun ve arka plan dosyasını yüklemek için Tarayıcı'ya tıklayın. Beklenmeyen biçim veya eşleşmeyen örnek adları JUMPn tarafından algılanırsa, meta dosyanın daha fazla biçimlendirilmesi için bir hata iletisi açılır (adım 7.1.1-7.1.3).
  2. Birlikte ifade kümeleme analizi için parametreleri ayarlayın: Minimum Pearson Korelasyonu'nu 0,2 olarak ayarlayın. Bu parametrenin daha büyük örneklem büyüklüğü nedeniyle gevşetilmesi gerekir.
  3. Analizi göndermek için sağ alt köşedeki JUMPn Analizini Gönder düğmesine tıklayın.
  4. Analiz sonuçlarını görüntüleme: Birlikte ifade küme desenlerini görüntülemek dışında tüm veri çıktıları aynıdır.
    1. Sonuç Sayfası 1: WGCNA Çıktısı sayfasında, ortak ifade kümelerini, kullanıcı tanımlı örnek grupları veya unsurları tarafından katmanlandırılmış örneklerle kutu grafikleri olarak görselleştirin. Grafikteki her nokta, WGCNA algoritması tarafından hesaplanan özgeni (yani, kümenin konsensüs düzenini) temsil eder.
    2. Kullanıcı örnekleri gruplandırmak için birden fazla özellik (ör. yaş, cinsiyet, tedavi vb.) sağlamışsa, örnekleri gruplandırmak üzere başka bir özellik seçmek için İfade Biçimini Seç açılır kutusuna tıklayın.

Sonuçlar

JUMPn performansını optimize etmek ve değerlendirmek için yayınlanmış derin proteomik veri kümelerimiz 25,26,27,30 (Şekil 5 ve Şekil 6) ve veri simülasyonları 57'yi (Tablo 1) kullandık. WGCNA aracılığıyla ko-ekspresyon protein kümeleme analizi için, numuneler arasında önemli...

Tartışmalar

Burada, derin kantitatif proteomik veriler 25,26,27,30,64 kullanarak moleküler mekanizmaların diseksiyonu için birden fazla projede uygulanan JUMPn yazılımımızı ve protokolünü tanıttık. JUMPn yazılımı ve protokolü, ortak ekspresyon ağı analizi için DE proteinlerinin dikkate alınması, kapsamlı ve yüksek kaliteli PPI ağının bir derleme...

Açıklamalar

Yazarların açıklayacak hiçbir şeyleri yoktur.

Teşekkürler

Finansman desteği Ulusal Sağlık Enstitüleri (NIH) (R01AG047928, R01AG053987, RF1AG064909, RF1AG068581 ve U54NS110435) ve ALSAC (Amerikan Lübnanlı Suriye İlişkili Yardım Kuruluşları) tarafından sağlanmıştır. MS analizi, kısmen NIH Kanser Merkezi Destek Hibesi (P30CA021765) tarafından desteklenen St. Jude Çocuk Araştırma Hastanesi Proteomik ve Metabolomik Merkezi'nde gerçekleştirildi. İçerik yalnızca yazarların sorumluluğundadır ve Ulusal Sağlık Enstitüleri'nin resmi görüşlerini temsil etmek zorunda değildir.

Malzemeler

NameCompanyCatalog NumberComments
MacBook Pro with a 2.3 GHz Quad-Core Processor running OS 10.15.7.Apple Inc.MacBook Pro 13''Hardware used for software development and testing
AnocondaAnaconda, Inc.version 4.9.2https://docs.anaconda.com/anaconda/install/
minicondaAnaconda, Inc.version 4.9.2https://docs.conda.io/en/latest/miniconda.html
RStudioRStudio Public-benefit corporationversion 4.0.3https://www.rstudio.com/products/rstudio/download/
Shiny ServerRStudio Public-benefit corporationhttps://shiny.rstudio.com/articles/shinyapps.html

Referanslar

  1. Aebersold, R., Mann, M. Mass-spectrometric exploration of proteome structure and function. Nature. 537, 347-355 (2016).
  2. Senko, M. W., et al. Novel parallelized quadrupole/linear ion trap/orbitrap tribrid mass spectrometer improving proteome coverage and peptide identification rates. Analytical Chemistry. 85, 11710-11714 (2013).
  3. Eliuk, S., Makarov, A. Evolution of orbitrap mass spectrometry instrumentation. Annual Review of Analytical Chemistry. 8, 61-80 (2015).
  4. Wang, H., et al. Systematic optimization of long gradient chromatography mass spectrometry for deep analysis of brain proteome. Journal of Proteome Research. 14, 829-838 (2015).
  5. Blue, L. E. Recent advances in capillary ultrahigh pressure liquid chromatography. Journal of Chromatography A. 1523, 17-39 (2017).
  6. Meier, F., et al. Online parallel accumulation-serial fragmentation (PASEF) with a novel trapped ion mobility mass spectrometer. Molecular & Cellular Proteomics. 17, 2534-2545 (2018).
  7. Ludwig, C., et al. Data-independent acquisition-based SWATH-MS for quantitative proteomics: a tutorial. Molecular Systems Biology. 14 (8), 8126 (2018).
  8. Zhang, Y. Y., Fonslow, B. R., Shan, B., Baek, M. C., Yates, J. R. Protein analysis by shotgun/bottom-up proteomics. Chemical Reviews. 113, 2343-2394 (2013).
  9. Wang, Z., et al. 27-Plex tandem mass tag mass spectrometry for profiling brain proteome in Alzheimer's disease. Analytical Chemistry. 92, 7162-7170 (2020).
  10. Li, J. M., et al. TMTpro reagents: a set of isobaric labeling mass tags enables simultaneous proteome-wide measurements across 16 samples. Nature Methods. 17 (4), 399-404 (2020).
  11. Collins, B. C., et al. Multi-laboratory assessment of reproducibility, qualitative and quantitative performance of SWATH-mass spectrometry. Nature Communications. 8 (1), 291 (2017).
  12. Navarro, P., et al. A multicenter study benchmarks software tools for label-free proteome quantification. Nature Biotechnology. 34, 1130 (2016).
  13. Wang, X. S., et al. A tag-based database search tool for peptide identification with high sensitivity and accuracy. Molecular & Cellular Proteomics. 13, 3663-3673 (2014).
  14. Li, Y. X., et al. JUMPg: An integrative proteogenomics pipeline identifying unannotated proteins in human brain and cancer cells. Journal of Proteome Research. 15, 2309-2320 (2016).
  15. Cox, J., Mann, M. MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification. Nature Biotechnology. 26, 1367-1372 (2008).
  16. Kong, A. T., Leprevost, F. V., Avtonomov, D. M., Mellacheruvu, D., Nesvizhskii, A. I. MSFragger: ultrafast and comprehensive peptide identification in mass spectrometry-based proteomics. Nature Methods. 14, 513 (2017).
  17. Chi, H., et al. Comprehensive identification of peptides in tandem mass spectra using an efficient open search engine. Nature Biotechnology. 36, 1059 (2018).
  18. Demichev, V., Messner, C. B., Vernardis, S. I., Lilley, K. S., Ralser, M. DIA-NN neural networks and interference correction enable deep proteome coverage in high throughput. Nature Methods. 17, 41 (2020).
  19. High, A. A., et al. Deep proteome profiling by isobaric labeling, extensive liquid chromatography, mass spectrometry, and software-assisted quantification. Journal of Visualized Experiments: JoVE. (129), e56474 (2017).
  20. Wang, Z., et al. High-throughput and deep-proteome profiling by 16-plex tandem mass tag labeling coupled with two-dimensional chromatography and mass spectrometry. Journal of Visualized Experiments: JoVE. (162), e61684 (2020).
  21. Meier, F., Geyer, P. E., Winter, S. V., Cox, J., Mann, M. BoxCar acquisition method enables single-shot proteomics at a depth of 10,000 proteins in 100 minutes. Nature Methods. 15, 440 (2018).
  22. Sinitcyn, P., Rudolph, J. D., Cox, J. Computational methods for understanding mass spectrometry-based shotgun proteomics data. Annual Review of Biomedical Data Science. 1, 207-234 (2018).
  23. Ideker, T., Galitski, T., Hood, L. A new approach to decoding life: Systems biology. Annual Review of Genomics and Human Genetics. 2, 343-372 (2001).
  24. Barabasi, A. L., Oltvai, Z. N. Network biology: understanding the cell's functional organization. Nature Reviews Genetics. 5, 101-113 (2004).
  25. Tan, H., et al. Integrative proteomics and phosphoproteomics profiling reveals dynamic signaling networks and bioenergetics pathways underlying T cell activation. Immunity. 46, 488-503 (2017).
  26. Bai, B., et al. Deep multilayer brain proteomics identifies molecular networks in alzheimer's disease progression. Neuron. 105, 975-991 (2020).
  27. Zeng, H., et al. Discrete roles and bifurcation of PTEN signaling and mTORC1-mediated anabolic metabolism underlie IL-7-driven B lymphopoiesis. Science Advances. 4, 5701 (2018).
  28. Seyfried, N. T., et al. A multi-network approach identifies protein-specific co-expression in asymptomatic and symptomatic Alzheimer's disease. Cell Systems. 4, 60-72 (2017).
  29. Johnson, E. C. B., et al. Large-scale proteomic analysis of Alzheimer's disease brain and cerebrospinal fluid reveals early changes in energy metabolism associated with microglia and astrocyte activation. Nature Medicine. 26, 769-780 (2020).
  30. Stewart, E., et al. Identification of therapeutic targets in rhabdomyosarcoma through integrated genomic, epigenomic, and proteomic analyses. Cancer Cell. 34, 411-426 (2018).
  31. Rudolph, J. D., Cox, J. A network module for the perseus software for computational proteomics facilitates proteome interaction graph analysis. Journal of Proteome Research. 18, 2052-2064 (2019).
  32. Zhang, B., et al. Proteogenomic characterization of human colon and rectal cancer. Nature. 513, 382 (2014).
  33. Petralia, F., et al. Integrated proteogenomic characterization across major histological types of pediatric brain cancer. Cell. 183, 1962 (2020).
  34. Dutkowski, J., et al. A gene ontology inferred from molecular networks. Nature Biotechnology. 31, 38 (2013).
  35. Yu, M. K., et al. Translation of genotype to phenotype by a hierarchy of cell subsystems. Cell Systems. 2, 77-88 (2016).
  36. Jansen, R., Greenbaum, D., Gerstein, M. Relating whole-genome expression data with protein-protein interactions. Genome Research. 12, 37-46 (2002).
  37. Huttlin, E. L., et al. Architecture of the human interactome defines protein communities and disease networks. Nature. 545, 505-509 (2017).
  38. Ron-Harel, N., et al. Mitochondrial biogenesis and proteome remodeling promote one-carbon metabolism for T cell activation. Cell Metabolism. 24, 104-117 (2016).
  39. Niu, M. M., et al. Extensive peptide fractionation and y(1) ion-based interference detection method for enabling accurate quantification by isobaric labeling and mass spectrometry. Analytical Chemistry. 89, 2956-2963 (2017).
  40. Chang, W. shiny: Web Application Framework for. Nature Protocols. 11, 2301-2319 (2021).
  41. . JUMPn Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0 (2021)
  42. . Anaconda Available from: https://docs.anaconda.com/anaconda/install/ (2021)
  43. . miniconda Available from: https://docs.conda.io/en/latest/miniconda.html (2021)
  44. . RStudio Available from: https://www.rstudio.com/products/rstudio/download/ (2021)
  45. . Shiny Server Available from: https://shiny.rstudio.com/articles/shinyapps.html (2021)
  46. Tyanova, S., Temu, T., Cox, J. The MaxQuant computational platform for mass spectrometry-based shotgun proteomics. Nature Protocol. 11, 2301-2319 (2016).
  47. . R code Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0/tree/main/JUMPn_preprocessing (2021)
  48. Florens, L., et al. Analyzing chromatin remodeling complexes using shotgun proteomics and normalized spectral abundance factors. Methods. 40, 303-311 (2006).
  49. Zhang, B., Horvath, S. A general framework for weighted gene co-expression network analysis. Statistical Applications in Genetics and Molecular Biology. 4, (2005).
  50. Voineagu, I., et al. Transcriptomic analysis of autistic brain reveals convergent molecular pathology. Nature. 474, 380 (2011).
  51. Langfelder, P., Zhang, B., Horvath, S. Defining clusters from a hierarchical cluster tree: the Dynamic Tree Cut package for R. Bioinformatics. 24, 719-720 (2008).
  52. Ravasz, E., Somera, A. L., Mongru, D. A., Oltvai, Z. N., Barabasi, A. L. Hierarchical organization of modularity in metabolic networks. Science. 297, 1551-1555 (2002).
  53. Kuleshov, M. V., et al. Enrichr: a comprehensive gene set enrichment analysis web server 2016 update. Nucleic Acids Research. 44, 90-97 (2016).
  54. Liberzon, A., et al. Molecular signatures database (MSigDB) 3.0. Bioinformatics. 27, 1739-1740 (2011).
  55. . FlyEn rich r Available from: https://maayanlab.cloud/FlyEnrichr/#stats (2021)
  56. . JUMPn GitHub Available from: https://github.com/VanderwallDavid/JUMPn_1.0.0/tree/main/resources/example_fly (2021)
  57. Langfelder, P., Horvath, S. Eigengene networks for studying the relationships between co-expression modules. BMC Systems Biology. 1, 54 (2007).
  58. Benjamini, Y., Hochberg, Y. Controlling the false discovery rate - a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B. 57, 289-300 (1995).
  59. Szklarczyk, D., et al. STRING v10: protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Research. 43, 447-452 (2015).
  60. Szklarczyk, D., et al. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Research. 47, 607-613 (2019).
  61. Huttlin, E. L., et al. The BioPlex network: A systematic exploration of the human interactome. Cell. 162, 425-440 (2015).
  62. Huttlin, E. L., et al. Dual proteome-scale networks reveal cell-specific remodeling of the human interactome. Cell. 184, 3022-3040 (2021).
  63. Li, T., et al. A scored human protein-protein interaction network to catalyze genomic interpretation. Nature Methods. 14, 61-64 (2017).
  64. Wang, H., et al. Deep multiomics profiling of brain tumors identifies signaling networks downstream of cancer driver genes. Nature Communications. 10, 3718 (2019).
  65. Gerstein, M. B., et al. Architecture of the human regulatory network derived from ENCODE data. Nature. 489, 91-100 (2012).
  66. Yu, J., Peng, J., Chi, H. Systems immunology: Integrating multi-omics data to infer regulatory networks and hidden drivers of immunity. Current Opinion in Systems Biology. 15, 19-29 (2019).
  67. Califano, A., Alvarez, M. J. The recurrent architecture of tumour initiation, progression and drug sensitivity. Nature Reviews Cancer. 17, 116-130 (2017).
  68. Hein, M. Y., et al. A human interactome in three quantitative dimensions organized by stoichiometries and abundances. Cell. 163, 712-723 (2015).
  69. Liang, Z., Xu, M., Teng, M. K., Niu, L. W. Comparison of protein interaction networks reveals species conservation and divergence. BMC Bioinformatics. 7, 457 (2006).
  70. Shou, C., et al. Measuring the evolutionary rewiring of biological networks. PLOS Computational Biology. 7, 1001050 (2011).
  71. Zhou, Y., et al. Metascape provides a biologist-oriented resource for the analysis of systems-level datasets. Nature Communications. 10, 1523 (2019).
  72. Cline, M. S., et al. Integration of biological networks and gene expression data using Cytoscape. Nature Protocols. 2, 2366-2382 (2007).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

BiyokimyaSay 176

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır