Biological Networks, Biological pathway analysis (학기 2019-1)

Biological Networks 생물계의 다양한 네트워크

1.  Protein-protein Interaction (PPI) Networks
2. Gene regulatory networks
3. Co-expression networks
4. Metabolic networks
5. Signaling networks
6. .....

1.  Protein-protein Interaction (PPI) Networks

• 단백질 간의 다양한 interaction을 나타낸 네트워크
• 유전자-단백질이 1:1 대응하므로 주로 유전자 발현량을 PPI 네트워크에 대입하는 경우가 많음
• STRING 데이터베이스가 많이 쓰임 --> 유전자(단백질 이름이나 아미노산 서열 등으로 검색하여 해당 단백질과 상호작용을 하는 네트워크를 보여줌)
• STRING 데이터베이스의 Actions 목록

Actions	Description
reaction	화학반응
expression	발현 조절
activation	활성화
post-translational modifications	번역 후 변형
binding	물리적으로 서로 연결
catalysis	촉매 작용

• string-db.org/

STRING: functional protein association networks

PPI 예시

2. Gene Regulatory Networks(GRN)

• Gene regulation: 유전자 발현 조절
• GRN - 유전자 발현 조절을 하는 regulator와 유전자 간의 네트워크
• Regulator로는 주로 전사인자(transcription factor)와 microRNA를 다룸
  
  (전사인자: activator or repressor / microRNA: repressor)
  
• 전사인자란?
  
  - DNA 서열에 붙어서 transcription을 조절하는 단백질
  
  - RNA polymerase의 결합을 촉진(activator)하거나 방해(repressor)함
  
  - 인간의 경우 약 1600여개 (~2600여개)
  
  
• TF-TG(transcription factor - target gene) 네트워크
• microRNA란?
  
  - 단백질을 만들어내지 않는 non-coding RNA로, 길이가 짧음(약 22개 염기)
  
  - 인간의 경우 약 2천여개가 알려짐
  
  - RNA interference(RNAi, RNA 간섭)을 통해 타겟 유전자 발현 억제
  
  - 헤어핀 구조를 띔
  
  
• TRANSFAC, TRUST, HTRI-db 등: 어떤 TF 가 어떤 유전자의 DNA에 binding하는지 실험 및 예측한 결과를 모은 데이터베이스
• www.grnpedia.org/trrust/

TRRUST - Transcriptional Regulatory Relationships Unraveled by Sentence-based Text mining

GRN 예시

3. Co-expression Networks

• 유전자 발현량의 correlation을 통해 만들어지는 네트워크

co-expression network 예시

---

Biological Pathway

1. Biological pathway 생물학적 패스웨이

• 세포 내 분자들 사이의 일련의 상호작용
• 새로운 분자 생성, 신호 전달 등 특정한 역할을 수행하는 상호작용들을 정리한 것
• KEGG나 REACTOME 등의 데이터베이스
• www.genome.jp/kegg/

KEGG: Kyoto Encyclopedia of Genes and Genomes

reactome.org/

Home - Reactome Pathway Database

kegg pathway

2. Metabolic pathway

• 효소에 의해 촉진된 일련의 화학반응들
• 기질(substrate) -> 효소와 결합 -> 생성물(product)
• 한 효소에 의해 만들어진 생성물은 또 다른 효소의 기질이 됨
• 예: TCA cycle in REACTOME and KEGG

3. Signaling pathway

• 세포막의 수용체에서 자극을 감지하여 세포 내에 그 신호가 전달되는 과정
• Stress/disease 상태에서 중요한 역할
• 예: TGF-beta signaling pathway in REACTOME and KEGG

---

Biological pathway and network

• Biological pathway
  
  - Gene regulatory network와 protein-protein interaction network를 합친 전체 네트워크에서 특정한 기능을 수행하는 일부분
  
  - Biological pathway를 GRN이나 PIN으로 변형하고 싶으면 단순화 필요(protein complex 및 그 외 단백질이 아닌 분자 제거 등)
• Gene Ontology
  
  - 같은 기능을 수행하거나 하나의 세포 구조를 이루는 유전자 그룹(GO term) 정리
  
  - 세 가지 class가 있고 각각의 class 안에 GO term들 정의되어 있음

Class
Molecular function	gene product 기능 묘사, 다른 분자 개체와의 직접적인 물리적 상호작용, 수행작용
Cellular component	세포 구조, 단백질 복합체 등, 본자기능 수행 시 분자가 사용하는 세포 구조와 구획 등의 상대적 위치
Biological process	gene product 상호작용 묘사, 결과나 종료 형태, biological pathway와 유사

      - GO term 간 hierarchy 존재

Gene Ontology Resource

---

Pathway analysis 

• DEG(다르게 발현된 유전자)들이 어떤 생물학적 패스웨이에 속하는지 확인
• 어떤 패스웨이에 DEG가 특히 더 많은 비율로 포함되어 있는지 알고자 함

 

1. 두 조건의 유전자 발현 데이터로 limma test
   
   
2. Limma test 결과 DEG의 목록과 발현량(혹은 fold change) 으로 패스웨이 분석
   
   - 패스웨이 데이터베이스 정보 필요,, 2000여개 패스웨이 별 유전자 목록과 네트워크
   
   - Limma: Bioconductor에서 제공하는 R package, Gene expression Data를 분석하는 데 널리 활용되는 대표적인
    
     도구, 차별 발현 유전자를 찾는 데 탁월한 검정력을 보여주며 적은 수의 표본에 대해서도 효과적임
   
   
3. 패스웨이 분석 결과
   
   - 각 패스웨이에 대해서 DEG의 비율이 높은지(ORA) + 전부 up인지 혹은 전부 down인지 DEG들의 발현 패턴 판단
   (GSEA)해 p-value 계산
   
   - Over-representation analysis(ORA)
   - Gene set enrichment analysis(GSEA)
   
   
4. ORA

     - 각 패스웨이에 대해서 DEG의 비율이 높은지 비율을 이용한 통계적 테스트

     - 어떤 패스웨이에 DEG가 특히 더 많은 비율로 포함되어 있는지 알고자 함

     - Hypergeometric distribution정의를 활용: 전체 n개에 대해 특정 type의 개수가 k개로 알려져 있을 때 그 중 n 개를 뽑았을 때 해당 type의 개수가 k개가 나올 확률

     - Pathway의 p-value: hypergeometric distribution에서 현재 k보다 더 극단적인 경우인 확률들의 합

 

   5. GSEA(gene set enrichment analysis)

     - 각 패스웨이에 속한 유전자의 fold change, 혹은 t값을 이용, 유전자들의 fold change가 한쪽 방향(양수 or 음수)으로 일관성이 있으며 fold change의 절대값이 높은지 확인

     

     - GSEA에서의 gene set = 각 패스웨이의 유전자 집합

 

     - 두 실험 조건의 유전자 발현량을 비교한 결과 필요(fold change 또는 t값)

 

     - 약물 투여 후와 투여 전을 비교한 Fold change = log2(약물 투여 후 유전자 발현량 / 약물 투여 전 유전자 발현량)

 

     - Fold change가 양수인 경우: 약물 투여 후 유전자 발현량 > 투여 전 ↔ 음수인 경우:  약물 투여 후 유전자 발현량 < 투여 전

 

     - 특정 패스웨이가 약물투여와 연관이 없다면 패스웨이 유전자는 경향성 없이 흩어져서 분포, 반대로 연관 있으면 한쪽으로 쏠려서 분포

 

     - P-value: ES를 random한 유전자 순서로 k번 계산했을 때, 원래 ES보다 더 높게 계산된 비율 (ES: entrichment score)

 

---

2019-1 바이오데이터전산기초및실습 과제 Pathway analysis 

BINGO 시각화결과