Меню
Школа Анализа Данных Проекта AGCT
Серия лекций по созданию и анализу биологических сетей, построенных на омиксных данных. Особое внимание уделяется транскриптомным данным и особенностям их подготовки.
Мы предлагаем курс лекций с несколькими практическими заданиями, который охватывает наиболее важные методы, используемые нашей командой в анализе омиксных данных для фундаментального изучения процесса старения.
В проекте AgingNets мы изучаем старение различных организмов как динамику сложной сетевой системы, точнее, как динамику генно-регуляторной сети. Мы рассматриваем генную сеть как набор степеней свободы, которые взаимодействуют сложным образом. Во-первых, это взаимодействие нелинейно, а во-вторых, оно определяется структурой сети.
Объект, с которым мы работаем - это генная сеть, представленная матрицей смежности. Мы вычисляем матрицы смежности, соответствующие различным состояниям организма, по транскриптомным данным. Этот шаг чрезвычайно сложен и требует аккуратной обработки данных экспрессий генов, выбора методов нормализации и выбора алгоритма, который будет генерировать сеть. Также, очень важно понимать особенности метода секвенирования, который был использован, и способ обработки сырых данных.
В ходе исследования сетей мы получаем наборы генов, которые играют важную роль в структурных изменениях и обеспечивают особые динамические свойства. Чтобы биологически интерпретировать такие группы генов, мы пересекаем их с известными базами данных.
В наших лекциях мы стремимся подробно объяснить перечисленные процедуры.
Целью курса является:
Начиная с 4 января, каждую среду в 20:00, будут проходить онлайн-лекции.
Ссылки в зум будут появляться в телеграм-группе.
В проекте AgingNets мы изучаем старение различных организмов как динамику сложной сетевой системы, точнее, как динамику генно-регуляторной сети. Мы рассматриваем генную сеть как набор степеней свободы, которые взаимодействуют сложным образом. Во-первых, это взаимодействие нелинейно, а во-вторых, оно определяется структурой сети.
Объект, с которым мы работаем - это генная сеть, представленная матрицей смежности. Мы вычисляем матрицы смежности, соответствующие различным состояниям организма, по транскриптомным данным. Этот шаг чрезвычайно сложен и требует аккуратной обработки данных экспрессий генов, выбора методов нормализации и выбора алгоритма, который будет генерировать сеть. Также, очень важно понимать особенности метода секвенирования, который был использован, и способ обработки сырых данных.
В ходе исследования сетей мы получаем наборы генов, которые играют важную роль в структурных изменениях и обеспечивают особые динамические свойства. Чтобы биологически интерпретировать такие группы генов, мы пересекаем их с известными базами данных.
В наших лекциях мы стремимся подробно объяснить перечисленные процедуры.
Целью курса является:
- Обучение биоинформатиков и программистов современным методам и алгоритмам, включая некоторые нейросетевые алгоритмы, для изучения старения
- Поиск коллабораций для развития нашего открытого исследования изменений генных сетей в процессе старения
- Демонстрация сложности анализа данных в старении и необходимости больших биологических продольных данных
Начиная с 4 января, каждую среду в 20:00, будут проходить онлайн-лекции.
Ссылки в зум будут появляться в телеграм-группе.
Мы прочтем бесплатный курс лекций по следующим темам:
Определение геномной сети. Понятие регуляторов - энхансер, сайленсер, транскрипционный фактор. Примеры регуляции и мотивов - цинковый палец, лейциновая застежка (кратко). Подсети метаболической сети.
RNA-seq, WGS и экзомы. Основы секвенирования. Понятие экспрессии гена, численное выражение экспрессии (как определяется), FPKM, TPKM. Дифференциальная экспрессия, аннотация генома и транскриптома.
Метиллирование и метилом, генные часы, хроматин и его роль. Примеры, mTOR или воспалительный процесс.
Математические основы анализа графов. Определение графа, обхода графа, коммьюнити на графе. Мотивы на графах (scale-free графы, случайные графы). Отличие метаболической сети от всех остальных с точки зрения топологии
Алгоритмы-1. Поиск коммьюнити на графе. Алгоритмы кластеризации узлов графа (без ML).
Алгоритмы-2. Вычисление насыщения (enrichment), статистические критерии, GSEA, enrichR.
Базы данных. KEGG, GO, WikiPathway - чем отличаются, чем схожи, для чего нужны.
Алгоритмы-3. Новые методы построения сетей - GENIE3, pathfindR, GRNBoost2. ML-подход к кластеризации и аннотации
Канцерогенез. Отличия раковых клеток от здоровых, гликолиз, механизм апоптоза, восстановление теломеров. Метаболическая сеть апоптоза и её возможные повреждения, как пример.
Старение и его проявление в метаболизме. Возможные примеры воздействия различных гипотез клеточного старения на метаболическую сеть.
Лекция 1
Определение геномной сети. Понятие регуляторов - энхансер, сайленсер, транскрипционный фактор. Примеры регуляции и мотивов - цинковый палец, лейциновая застежка (кратко). Подсети метаболической сети.
Лекция 2:
Основы секвенирования. RNA-seq, WGS и экзомы. Понятие экспрессии гена, численное выражение экспрессии (как определяется), FPKM, TPKM. Дифференциальная экспрессия, аннотация генома и транскриптома.
Лекция 3:
Метиллирование и метилом, генные часы, хроматин и его роль. Примеры, mTOR или воспалительный процесс.
Лекция 4:
Математические основы анализа графов. Определение графа, обхода графа, коммьюнити на графе. Мотивы на графах (scale-free графы, случайные графы). Отличие метаболической сети от всех остальных с точки зрения топологии
Лекция 5:
Алгоритмы-1. Поиск коммьюнити на графе. Алгоритмы кластеризации узлов графа (без ML
Лекция 6:
Алгоритмы-2. Вычисление насыщения (enrichment), статистические критерии, GSEA, enrichR
Лекция 7:
Базы данных. KEGG, GO, WikiPathway - чем отличаются, чем схожи, для чего нужны
Лекция 8:
Алгоритмы-3. Новые методы построения сетей - GENIE3, pathfindR, GRNBoost2. ML-подход к кластеризации и аннотации
Лекция 9: Канцерогенез
Отличия раковых клеток от здоровых, гликолиз, механизм апоптоза, восстановление теломеров. Метаболическая сеть апоптоза и её возможные повреждения, как пример.
Лекция 10: Старение и его проявление в метаболизме
Возможные примеры воздействия различных гипотез клеточного старения на метаболическую сеть.
Задачи по Физике
Среди обилия методов кластеризации, существует метод спектрального кластеринга (spectral clustering). Исходя из того что мы знаем сейчас спектральный кластеринг (и/или его вариации, к примеру c non-bactracking operator) — это один из наиболее адекватных способов кластеризации (см. к примеру сравнение тут, как это в общих чертах работает можно почерпнуть отсюда). В этом суждении естественно есть personal bias, который возник у меня из-за того, что в моем кругу общения люди спектральный кластеринг сильно любят. Эта любовь обоснована некоторым набором теорем, которые делают спектральный кластеринг наиболее оправданным, так сказать. В целом написано довольно много обзоров, туториалов и т.д.
Не смотря на это обилие туториалов и статей, имеется проблема следующего рода. Первым шагом в спектральном кластеринге является нахождение спектра (собственных значений+векторов) матрицы Кирхгофа. Эта простая задача: миллиард методов реализовано, с ними все хорошо. Спектральный кластеринг основан на идее, что информация о кластерах в сети/графе сидит в изолированных собственных значениях. Под этим понимается следующее: спектр матрицы содержит "колбаску" непрерывных собственных значений и некоторое конечное число изолированных (дискретных) собственных значений.
Насколько нам известно, отделение дискретной части спектра от непрерывной — это некоторое "рукомахание". По всей видимости, не придумано ничего лучше чем "отсечение" дискретной части путем анализа квантилей набора расстояний между собственными значениями (в непрерывной части спектра расстояния между собственными значениями очень малы в сравнении с изолированным куском).
Вопрос: существует ли более строгий способ отделения изолированных собственных значений в спектре от непрерывной его части, чем "рукомахание", основанное на квантилях? Если его не существует, то можно ли его сформулировать? По всей видимости, в качестве отправной точки можно стартовать со stochastic block model.
Не смотря на это обилие туториалов и статей, имеется проблема следующего рода. Первым шагом в спектральном кластеринге является нахождение спектра (собственных значений+векторов) матрицы Кирхгофа. Эта простая задача: миллиард методов реализовано, с ними все хорошо. Спектральный кластеринг основан на идее, что информация о кластерах в сети/графе сидит в изолированных собственных значениях. Под этим понимается следующее: спектр матрицы содержит "колбаску" непрерывных собственных значений и некоторое конечное число изолированных (дискретных) собственных значений.
Насколько нам известно, отделение дискретной части спектра от непрерывной — это некоторое "рукомахание". По всей видимости, не придумано ничего лучше чем "отсечение" дискретной части путем анализа квантилей набора расстояний между собственными значениями (в непрерывной части спектра расстояния между собственными значениями очень малы в сравнении с изолированным куском).
Вопрос: существует ли более строгий способ отделения изолированных собственных значений в спектре от непрерывной его части, чем "рукомахание", основанное на квантилях? Если его не существует, то можно ли его сформулировать? По всей видимости, в качестве отправной точки можно стартовать со stochastic block model.
В истории со spectral clustering есть еще один вопрос (кажется, что это мини-вопрос). Он состоит в следующем. Обычно с наличием кластеров связаны изолированные "низкоэнергетические" собственные значения (с.з.), т.е. те, которые лежат в начале спектра. Однако мы наблюдаем (глаза вроде все еще видят) что имеются изолированные с.з. в конце спектра, т.е. "высокоэнергетические". Насколько нам известно, такие с.з. указывают на наличие симметрий в кластерах, к примеру некоторой "дольности". Хочется убедиться в верности этого суждения и установить все-таки природу таких с.з.
https://scikit-learn.org/0.18/auto_examples/cluster/plot_cluster_comparison.html
https://arxiv.org/abs/0711.0189
она же матрица Лапласа, она же лапласиан, см. определение (https://en.wikipedia.org/wiki/Laplacian_matrix)
cм. картинку во вложении в качестве более-менее наглядного примера
Задачи по Созданию сетей
Для построения сетей, датасет нужно разбить на возрастные бины. Оценка оптимальной ширины бина возрастов при вычислении метаболической/генной сети очень важна, поскольку, чем больше сетей мы получим, тем лучше, но при этом нужно получить качественные сети. Вполне вероятно, что сетка бинов будет неравномерной и для какого-то диапазона возрастов бин будет шире, для каких-то - уже. Необходимо подобрать правильный алгоритм feature selection и на его основе уже сделать выбор.
Задача сравнения топологий различных метаболических/генных сетей. Здесь вполне возможно как использование классических методов таких как индекс Жаккарда, так и использование различных алгоритмов graph embedding, которые отображают графы в евклидово пространство. Близкие точки должны соответствовать близким по топологии графам.
Определение критически важных путей и дополнительных путей на графе. Необходимо определить, какие пути критически важны для существования клетки, а какие - способны отмирать со временем или видоизменяться, заменяя одни ребра и ноды на другие.
История с разбиением датасета на возрастные бины продолжается. Какое количество образцов необходимо для получения устойчивой сети? Необходимо определить минимальный размер бина как для варианта построения сети по корреляциям, так и для разнообразных статистические алгоритмов, такие как GENIE3 или GRNBoost.
Моделирование развития сети на достаточно длинных временных траекториях. Необходимо промоделировать обмен сигналами между различными узлами сети, внося, при этом, определенный шум.
Форма для ввода и отправки решения
https://arxiv.org/pdf/2010.16019.pdf
Литература
- GENIE3. R модуль для определения статистической значимости взаимодействия между парами генов. Использует метод in silico нокаута генов - где сначала один ген удаляется из выборки, а потом, с помощью алгоритма random forest, значения этого гена восстанавливаются на основе оставшихся.
- WCGNA. "Швейцарский нож" для работы с генными сетями. Пакет содержит в своем составе быстрые методы для вычисления корреляций, построение сетей на основе этих корреляций, топологические методы для сравнения сетей и много другое.
- PathfindR. Один из самых эффективных методов анализа обогащения групп генов, учитывающий белковые взаимодействия.
- Небольшая книга по алгоритмам поиска коммьюнити в графах.
По старению и сетевому подходу:
- Обзор, посвященный связи спласинга и старения. Разбирается насколько и как именно с течением времени меняются изоформы белков.
- В этом обзоре обсуждается изменения транскрипции, которые происходят с возрастом, включая возрастные изменения в сплайсинге, lncRNAs и circRNAs. Кроме того, рассматривается влияние возможной экспрессии повторов.
По ML и метаболическим сетям:
- GNE - Нейросетевой алгоритм для агрегации различных представлений генов и их экспрессии и их отображение в пространство эмбеддингов. Может быть полезно при сравнении различных моделей метаболических сетей между собой.
- Нейросетевой метод для выделение основных генов, что может быть полезно для сокращения метаболической сети и выделения критичной для нее подсети.
Другое, приложимое к нашим задачам:
- NeuralODE. Моделирование нейросетями динамических систем, задаваемых дифференциальными уравнениями.