Spanish Version

Descripción general de los principales módulos
de análisis de GenePattern
21-Septiembre-2010
1.
Introducción
GenePattern es una poderosa plataforma para análisis genómico que provee acceso a más de 125 herramientas para el análisis de expresión génica,
de SNPs, proteómica y en general de trabajos de procesamiento de datos. A
través de una interface Web, se tiene fácil acceso a las herramientas y se permite la cración de pipelines que hacen posible la investigación reproducible
in silico.
Los pipelines de GenePattern permiten capturar, automatizar y compartir
las complejas series de pasos requeridos para el análisis de datos genómicos,
proporcionando una forma de crear y distribuir una completa metodología
de análisis computacional en un sólo script ejecutable. Dichos pipelines capturan métodos de análisis computacional, modulos y/u otros pipelines y sus
parámetros de forma que se pueden encadenar métodos al utilizarse como
entrada y salida unos de otros.
Cómo los pipelines son facilmente importados y exportados desde GenePattern, se pueden compartir con los colegas que quieran reproducir los
resultados o usarlos para documentar publicaciones.
1
2.
2.1.
Casos de aplicación
GenePattern en el centro de colaboración de Harvard para genética y genómica
El GIGPAD (Gateway for integrated Genomics-Proteomics Applications
an Data) es una plataforma de software que permite a los investigadores
y clínicos en el HPCGG (Harvard-Partners Center for Genetics and Genomics)compartir datos y resultados de análisis sin comprometer la confidencialidad del paciente. GIGPAD se basa en GenePattern para proveer la red de
trabajo computacional para los laborarios del HPCGG. Según Eugene Clark,
arquitecto del GIGPAD, el uso de GenePattern permite disociar la bioinformática desde la infraestructura de aplicación principal, proporcionando así a
los profesionales de las ciencias biológicas y de la salud una mejor manera de
inovar sin ser restingido por prácticas formales de desarrollo de software. En
general, la integración GIGPAD-GenePattern centraliza el acceso a la información, reduce el tiempo de procesamiento y simplifica el mantenimiento.
2.2.
GenePattern usado para enseñar modelación atómica en el MIT
El profesor Markus Buehler del departamento de ingeniería civil y ambiental del MIT usa complejos algoritmos para estudiar como la estructura
molecular de un material está relacionada con la respuesta de estructuras a
gran escala. Para enseñar a sus estudiantes estos aspectos, los detalles técnicos de implicados al operar en una estación de trabajo impiden enfocarse
con la debida atención en el fundamento del método númerico. Sin embargo,
trabajando con Ivica Ceraj un software desarrollado en el MIT, es posible
crear una interface entre GenePattern y el código que Buehler usa en su
propia investigación. Esta combinación es una herramienta simple pero muy
precisa para el modelado necesario, de manera que los estudiantes pueden
desarrollarse mejor y adoptar métodos para sus propias aplicaciones.
2
3.
Análisis genómico en GenePattern
3.1.
Análisis de expresión génica
GenePattern provee soporte para amplias categorias del análisis de expresión génica:
Análisis diferencial.
Predicción de clases (supervisado)
Descubrimiento de clases (no supervisado)
Análisis de mecanismos (pathways)
Además, soporta muchos tipos de conversiones de datos, tales como filtrado y normalización, los cuales son prerrequisitos estandar para el análisis
de datos genómicos.
3.1.1.
Análisis diferencial
El análisis diferencial (o también conocido como marker selection), es la
busqueda de genes que están diferencialmente expresados en distintos fenotipos. GenePattern puede evaluar la expresión diferencial usando el signalto-noise ratio o el estadístico t y provee del siguiente soporte para el análisis
diferencial:
Comparative Marker Selection: Clasifica los genes basandose en el
valor de el estadístico que está siendo usado para evaluar la expresión
diferencial y usa un test de permutaciones para computar la significancia (p-value nominal) de la posición asignada a cada gen. El análisis se
ajusta a múltiples hipótesis nulas e incluye FDR (False discovery rate)
y FEWER (family-wise error rate). Se pueden controlar la clasificación
de genes basada en el estadístico más apropiado para los datos.
Class Neighbors: Ayuda a identificar los genes en los que el patrón
de expresión está fuertemente correlacionado.
Heat Map viewer: Muestra los valores de expresión diferencial por
medio de un mapa de calor. Donde la expresión más grande es mostrada
en rojo y la menor en azul, los valores intermedios son una combinación
de ambos.
3
Los módulos correspondientes a este análisis se resumen en la siguiente
tabla:
Módulos de expresión diferencial
ClassNeighbors, selecciona los genes que más se asemejan a un perfil.
ComparativeMarkerSelection, calcula los valores de significancia de
las features usando varias métricas. Incluye FDR(BH), Q-Value, maxT,
FWER, Feature-Specific P-Value, and Bonferroni.
COPA, Perform Cancer Outlier Profile Analysis.
ExtractComparativeMarkerResults, crea un conjunto de datos y
una lista de características a partir de los resultados de ComparativeMarkerSelection.
GeneNeighbors, selecciona los genes que más se asemejan a un perfil
contínuo (por ejemplo: otro gene).
GSEA, Gene Set Enrichment Analysis.
SelectFeaturesColumns, toma un pedazo de columna a partir de un
archivo .res, .gct, .snp, .cn, .loh, .odf, o .cls.
SelectFeaturesRows, genera un archivo .res, .gct, .snp, .cn, .loh, or
.odf que contiene sólo características especificadas.
3.1.2.
Predicción de clases
La predicción de clases es la busqueda de una firma de expresión génica
que prediga conjuntos de clases. La metodología clásica consiste en comenzar con dos conjuntos de datos, uno de orientación y uno de prueba. Utiliza
el conjunto de orientación para construir un clasificador basado en método
elegido y el conjunto de prueba para probar el clasificador.
GenePattern proporciona el siguiente soporte para predicción de clases:
Diversos métodos de clasificación, incluyendo arboles de clasificación
y regresión (CART), K-nearest neighbors (KNN), redes neurales probabilísticas (PNN), voto ponderado y máquinas de soporte vectorial
(SVM).
4
Un algoritmo de leave-one-out cross-validation para cada método de
clasificación. Para conjuntos pequeños, en lugar de crear conjuntos de
orientación y de prueba, por medio del cross-validation se divide un
conjunto de datos en n pliegues. Para cada pliegue, el análisis orienta
n − 1 pliegues y prueba el restante. Después, iterativamente orienta
y prueba todos los pliegues. El análisis combina los resultados para
determinar el clasificador.
Una herramienta para dividir un único conjunto de datos, en varios
conjuntos de datos de orientación y prueba que no se superponen.
Los módulos correspondientes a este análisis se resumen en la siguiente
tabla:
Módulos de predicción de clases
BlastTrainTest, predicción de similaridad de secuencia usando BLAST.
BlastXValidation, cross-validation de la predicción de similaridad de
secuencia usando BLAST.
CART, árbol de regresión y clasificación.
CARTXValidation, cross-validation del árbol de regresión y clasificación.
KNN, clasificación K-nearest neighbors.
KNNXValidation, clasificación KNN con leave-one-out crossvalidation.
ModEcocTrainTest, Modified error correcting output code prediction.
ModEcocXValidation, Modified error correcting output code crossvalidation prediction.
NearestTemplatePrediction, predicción del vecino más cercano basada en la lista de genes marcados.
PNN, Redes neurales probabilísticas
PNNXValidationOptimization, PNN Leave-One-Out CrossValidation Optimization.
SVM, clasifica muestras usando Máquinas de Soporte Vectorial.
WeightedVoting, votación ponderada.
WeightedVotingXValidation, Leave-One-Out Cross-Validation de
votación ponderada.
5
3.1.3.
Descubrimiento de clases
El descubrimiento de clases es la busqueda de taxonomía desconocida
biológicamente relevante identificada por la firma de expresión génica o un
conjunto biológicamente relevante de genes coexpresados. La metodología
clásica se basa en clusters validados a tráves de las anotaciones de genes,
análisis de enriquecimiento (aquellos clusters enriquecidos con genes provenientes de categorias, mecanismos o procesos importantes funcionalmente) o
resultados replicados en otros conjuntos de datos. GenePattern proporciona
el siguiente soporte para predicción de clases:
Diversos métodos tradicionales de clustering, inlcuyendo clustering de
consenso, jerárquico y mapas auto organizantes (SOM).
Herramientas de validación para recuperar anotaciones y dividir un
único conjunto de datos en varios conjuntos de datos de orientación y
prueba que no se superponen.
Otros métodos de clustering poco tradicionales como Non-negative matrix factorization (NMF) y Principal components analysis (PCA).
Los módulos correspondientes a este análisis se resumen en la siguiente
tabla:
Módulos de descubrimiento de clases
ConsensusClustering, Resampling-based clustering method.
HierarchicalClustering.MATLAB, clustering jerárquico.
HierarchicalClustering, clustering jerárquico.
KMeansClustering, módulo que desarrolla el algoritmo de clustering
K-Means Clustering.
NMFConsensus, Non-negative Matrix Factorization (NMF) Consensus
Clustering.
SOMClustering, algoritmo de mapas auto organizantes.
SubMapBrowser, inspecciona todos los posibles mapeos de subclase.
SubMap, mapea subclases entre dos conjuntos de datos.
6
3.1.4.
Análisis de mecanismos
El análisis de mecanismos (pathway analysis) es la busqueda de genes
diferencialmente expresados en distintos fenotipos. GenePattern proporciona
el siguiente soporte para este análisis:
KScore computa un estadístico de rango no paramétrico que representa
la distribución posicional de un conjunto de genes en el tope de una lista
ordenada. Se puede usar este análisis para examinar el enriquecimiento
de un conjunto de genes en el tope de una lista ordenada. El KSscore
es alto cuando los genes en el conjunto de estos aparecen cerca del tope
de la lista ordenada.
GSEA (análisis de enriquecimiento de conjuntos de genes) determina si
un conjunto de genes definido a priori muestra diferencia significativa
y éstas concuerdan entre dos estados biológicos.
Herramientas para la recuperación de anotaciones que ayuden al entendimiento conjuntos de genes y los resultados del enriquecimiento de
estos.
3.1.5.
Formato de datos
Los módulos de GenePattern están diseñados para fácil acceso. Todos los
módulos leen y escriben información usando formatos de archivo estándares
de GenePattern, los cuales son archivos de texto delimitados por tabulador o
comas. Además, proporciona soporte para la conversión de datos incluso para hacer conversiones a y desde documentos MAGE-ML. También es posible
añadir convertidores como nuevos módulos.
El servidor de GenePattern tiene enlaces a su librería para los ambientes de programación Java, MATLAB y R, los cuales permiten desarrollar
aplicaciones para leer y escribir todos los formatos de archivo estándares de
GenePattern.
7
3.2.
Proteómica
Para el análisis de datos de proteómica, GenePattern proporciona el siguiente soporte.
3.2.1.
AuDIT
Multiple reaction monitoring-mass spectrometry (MRM-MS) de peptidos
con stable isotope-labeled internal standards (SIS), es un ensayo cuantitativo
para medir proteínas en complejas mátrices biológicas. Estos ensayos pueden
ser muy precisos y cuantitativos pero la frecuencia de ocurrencia de interferencia requiere que la información de MRM-MS sea manualmente revisada
por un experto. El módulo AuDIT implementa un algoritmo que de manera automática identifica transiciones imprecisas de información basada en la
presencia de una señal de interferencia entre muestras replicadas. Además,
reduce el tiempo de manejo subjetivo de información, mejora la precisión
global de análisis de datos y se implementa fácilmente en el flujo de trabajo
de análisis de datos estándar.
3.2.2.
ESP Predictor
Desarrollo de ensayos dirigidos basados en MS para detectar y cuantificar
cambios en los niveles de proteína. Requiere la identificación de los péptidos a
utilizar como sustitutos cuantitativos de cada proteína candidato. La mayor
firma de predicción de péptidos (módulo ESPPredictor) ofrece un medio de
predicción para tales firmas de péptidos desde una sola secuencia.
3.2.3.
PEPPeR (LC-MS)
Para el análisis de datos de LC-MS, GenePattern proporciona soporte
para algoritmos definidos por PEPPeR, una plataforma para reconocimiento
de patrones de proteómica experimental:
Landmark matching es un método para propagar péptidos identificados
a través del tiempo, en features LC-MS de masa exacta y por tanto, es
una forma de maximizar el total de péptidos identidicados a partir de
métodos de adquisición dispares.
El empalmamiento de picos intenta agrupar features similares (o picos)
a través de corridas de muestras LC-MS múltiples, ésto incorporando
8
m/z y variación de retención de tiempo (RT). Aunque el empalmar
picos puede ser llevado a cabo en cualquier tipo de datos LC-MS, es
típicamente desarrollado después del Landmark matching.
Materiales suplementarios para las módulos de PEPPeR que incluyen
una guía de inicio rápidos para GenePattern PEPPeR, ejemplos de
aplicación y utilidades para facilitar el procesamiento de datos.
3.2.4.
ProteoArray (LC-MS)
Para una serie de experimentos LC-MS en formato mzXML, el módulo
ProteoArray para el análisis de datos de LC-MS ofrece soporte para detectar
y alinear features a tráves de corridas.
3.2.5.
SELDI/MALDI
Para el análisis de información SELDI/MALDI GenePattern ofrece el
siguiente soporte:
Calidad de valoración del espectro de entrada como una función del
área sobre el espectro y el área sobre el espectro después de remover el
componente ruidoso de la señal.
Detección de pico usando filtros de convolución digital, los cuales aplican suavizamiento, corrección de fondo y mejoran de los filtros de pico
para el espectro antes de identificar la locaciones finales de los picos.
Comparación de espectro que filtra el ruido proveniente de dos espectros y después compara el espectro usando una función de correlación
cruzada.
Un pipeline proteómico que provee un procesamiento automático de
información SELDI/MALDI. Además, para la calidad de valoración
y la detección de picos, el pipeline incorpora una gama de métodos
de normalización y algoritmos sofisticados de alineación de picos para
su empalmamiento a tráves de multiples muestras; empezando con el
espectro desde un conjunto de muestras, las salidas del pipeline de
picos empalmados como features y las intensidades normalizadas de
estos picos para cada muestra. Muchos aspectos de este pipeline son
totalmente personalizables.
9
Integración con otros módulos de análisis de GenePattern. Representando los picos como features, la detección del pico y los módulos de
pipelines proteómicos crean salidas similares a aquellas usadas como entrada de los módilos que soportan el análisis de expresión génica, tales
como clustering, clasificación y selección diferencial, que están basados en reconocimiento de patrones y son aplicables al análisis tanto de
proteómica como de análisis de expresión génica.
3.2.6.
Formato de datos
Los módulos de proteómica están diseñados para fácil acceso.
Todos los módulos de proteómica len y escriben información usando
mzXML o archivos csv con valores separados por comas. Generalmente
los archivos mzXML tienden a ser usados para datos de LC-MS y los
archivos csv para datos de SELDI/MALDI.
GenePattern proporciona soporte para la conversión a y desde archivos
mzXML. Además, permite la creación de convertidores como módulos.
Los módulos correspondientes a este soporte se resumen en la siguiente
tabla:
10
Módulos de análisis de proteómica
AreaChange, calcula la fracción de área sobre el espectro que es atribuible a la señal (área después de remover el ruido / área original).
AuDIT, detección automática de transiciones inexactas e imprecisas en
espectrometría de masas MRM.
CompareSpectra, compara dos espectros para determinar su similaridad.
ESPPredictor, determina cuales péptidos trípticos generarán la señal
más alta en ESI-MS.
LandmarkMatch, un método proteómico para propagar péptidos identificados a través de múltiples corridas MS.
LocatePeaks, ubica picos detectados en un espectro.
mzXMLToCsv, convierte un archivo mzXML a un archivo zip o csv.
PeakMatch, desarrolla el empalme de picos en datos LC-MS.
Peaks, determina picos en el espectro usando una serie de filtros digitales.
PlotPeaks, grafica los picos.
ProteoArrays, módulo de procesamiento de datos proteómicos LC-MS.
ProteomicsAnalysis, corre el análisis proteómico en el conjunto de
espectro de entrada.
3.3.
Análisis de SNPs
Para el análisis de datos de microarreglos de nucleotidos de un sólo poliformismo (SNPs) de alta densidad, de alteraciones de número de copias (amplificaciones y deleciones) y detección de perdida de heterocigocidad (LOH),
GenePattern proporciona el siguiente soporte:
Escalamiento de los datos para normalizar los niveles de intensidad
entre los microarreglos.
Modelado de intensidad de sonda para determinar el valor el respectivo
decada SNP basado en los niveles de intensidad de las sondas en cada
conjunto de éstas.
11
Cálculo del número de copias (CN) de un SNP blanco. Dicho cálculo
divide el valor de intensidad del SNP blanco sobre el valor de intensidad
del SNP normal. Inlcuso es llamado normalización CN o normalización
con respecto a los normales.
Suavizamiento basado en el paquete GLAD (Gain and Loss Analysis
of DNA), el cual detecta la región en el patrón genómico y asigna un
status (normal, ganado o perdido) para cada región cromosomal.
Análisis adicional para soportar la detección y vizualización de LOH y
alteraciones de CN.
Los módulos correspondientes a este soporte se resumen en la siguiente
tabla:
Módulos de análisis de SNPs
CBS, segmenta información del número de copias de ADN en regiones
con estimaciones del mismo número de copias, usando segmentación circular binaria (CBS).
CopyNumberDivideByNormals, determina el número de copias de
una SNP blanco.
GISTIC, identificación genómica de blancos significativos en Cancer.
GISTICPreprocess, prepara archivos de SNP para GISTIC.
GLAD, análisis de ganancias y perdidas de ADN.
LOHPaired, computa LOH para muestras pareadas.
SNPFileCreator, procesa datos a nivel de sonda de SNP Affymetrix
en valores de expresión.
SNPFileSorter, ordena un archivo .snp por cromosoma y locación.
SNPMultipleSampleAnalysis, determina regiones de aberraciones de
número de copias concordantes.
XChromosomeCorrect, corrige los SNPs del cromosoma X para muestras de hombres.
12
3.4.
Pre-procesamiento y conversión de datos
El análisis de datos genómicos requiere trabajar con grandes cantidades
de datos ruidosos en una gran variedad de formatos, donde los genes identificadores pueden variar de acuerdo a las plataformas. Para soportar el análisis
genómico de GenePattern proporciona lo siguiente para un trabajo simple
con los diferentes tipos de datos.
Para la exportación, importación y conversión de datos, GenePattern es
capaz de recibir datos provenientes de una amplia gama de plataformas
y formatos. Incluye MAGE-ML, mzXML y el Gene Expression Omnibus (GEO); convierte archivos CEL Affymetrix en archivos de GenePattern y estos mismos en archivos con formato MAGE-ML. También
convierte line-endings al formato requerido por el sistema operativo
utilizado.
Para la normalización, filtración e imputación de valores el módulo
preprocessDataset provee muchas opciones de pre-procesamiento, tales
como diferentes métodos de normalización, determinación de umbrales
y variación de filtración. Si el conjunto de datos de expresión contiene
valores perdidos es posible imputarlos.
Para la conversión de identificadores de genes y recuperación de anotaciones GenePattern permite convertir los indentificadores de genes
usados por un microarreglo a los de otro. Proporciona acceso a anotaciones de genes a través de GeneCruiser, el cual usa identificadores de
sonda (gene) Affymetrix.
Para trabajar con conjuntos de datos se tienen herramientas para extraer nombres de renglones y columnas (gene y muestra), transponer
y extraer renglones y columnas de datos, y reordenar muestras basadas en fenotipos o dividir un conjunto de datos en dos conjuntos no
superpuestos.
Los módulos correspondientes a este soporte se resumen en la siguiente
tabla:
13
Módulos de pre-procesamiento y conversión de datos
Arff2Gct, convierte un archivo .arff en una pareja de archivos de GenePattern .gct/ .cls.
CollapseDataset, contrae todos los valores del conjunto de sondas de
un gene en un sólo vector de valores.
ComBat, Batch Correction (corrección de lotes).
CombineOdf, combina dos archivos de resultados de predicción en un
sólo, archivo ponderado multi etiquetado (multi-label).
ConvertLineEndings, convierte line-endings al formato del sistema
operativo huesped.
ConvertToMAGEML, convierte un archivo de conjunto de datos gct,
res, u odf en un archivo MAGE-ML.
ConvertToMAGETAB, módulo para exportar datos desde GenePattern en formato MAGE-TAB.
DownloadURL, descarga un archivo desde una URL.
ExpressionFileCreator, crea un archivo RES o GCT desde un conjunto de archivos CEL Affymetrix.
ExtractColumnNames, lista los descriptores de muestra desde un archivo .res, .gct u .odf.
ExtractRowNames, extrae los nombres de renglones de archivos archivo .res, .gct u .odf.
Gct2Arff, convierte una pareja de archivos .gct / cls en un archivo .arff.
GenePatternDocumentExtractor, extrae los pipelines de GenePattern y otra información inscrustada desde documentos de Word 2007.
GEOImporter, importa datos desde Gene Expression Omnibus (GEO).
Hu68kHu35kAtoU95,
convierte
una
lista
de
sondas
Hu6800/Hu35KsubA Affymetrix a el correspondiente U95Av2 Affymetrix.
14
IlluminaConcatenator, concatena los conjuntos de sondas normalizados Illumina en un sólo archivo GCT.
IlluminaNormalizer, normaliza las lecturas de illumina.
IlluminaScanExtractor, extrae los valores de intensidad de las lecturas
de illumina.
MapChipFeaturesGeneral, mapea los genes (features) de un conjunto
de datos.
MergeColumns, une los conjuntos de datos por columna.
MergeRows, une los conjuntos de datos por renglón.
MultiplotPreprocess, crea información derivada de un conjunto de
datos de expresión para usarse en módulo de vizualización multi-gráfico.
PreprocessDataset, desarrolla muchas opciones de preprocesamiento
en un archivo res, gct o de conjunto de datos de entrada.
ProteinDatasetCreation, extrae features de una archivo .FASTA de
proteńas para usar los algoritmos estandar de predicción.
ReorderByClass, reordena las muestras en un conjunto de datos de
expresión y clasifica el archivo por clases.
SplitDatasetTrainTest, divide un conjunto de datos (y archivos cls)
en un número de subconjuntos de orientación y prueba.
TransposeDataset, transpone un conjunto de datos .res, .gct u odf.
UniquifyLabels, hace etiquetas únicas de renglones y columnas.
Referencias
[1] Reich M, Liefeld T, Gould J, Lerner J, Tamayo P, Mesirov JP GenePattern 2.0 Nature Genetics 38 no. 5 (2006): pp500-501. Disponible en:
http://www.broadinstitute.org/cancer/software/genepattern/index.html
15