Network-based intergration strategy to leverage dedicated analysis with public knowledge

De omics revolutie heeft naast vele voordelen ook een aantal nieuwe uitdagingen met zich meegebracht voor het bestuderen van fenotypes. Hoge doorvoer omics  technologieen zoals “next-generation sequencing” en microarrays hebben ertoe geleid dat er een enorme hoeveelheid experimentele data per experiment gegenereerd wordt. Het bestuderen van zulke data is geen triviale opdracht, dit door enerzijds de omvang van de data sets en anderzijds de ruis die in de data aanwezig is door de analyze technologieen. Bijkomend is door de altijd toenemende biologische kennis, het van belang alle nieuwe kennis te gebruiken wanneer experimentele resultaten geanalyzeerd worden.

Biologische netwerken zijn een praktische voorstelling van deze biologische kennis. Interactie netwerken kunnen gezien worden als een kaart van de biologische “pathways” en moleculaire mechanismen die geactiveerd worden in een organisme onder specifieke experimentele condities. De interactie netwerken zijn een ideale representatie voor het interpreteren van hoge doorvoer data en bijkomend kunnen deze netwerken gebruikt worden door algorithmen om de onderliggende moleculaire mechanismen die een specifiek fenotype veroorzaken af te leiden.

Interactie netwerken werden in de context van deze thesis gebruikt om data van genetische screenings te analyzeren en te visualizeren. Om een beter overzicht te krijgen van de biologische processen die een rol spelen in koloniemorfologie in Saccharomyces cerevisiae werd een interactienetwerk voor dit organisme geconstrueerd uit publiek beschikbare data en werden de resultaten van een genetische screening op dit netwerk gevisualizeerd. Aan de hand van deze resultaten werden de moleculaire mechanismen betrokken in koloniemorfologie geidentificeerd en biologisch afgetoetst.

Het grootste deel van deze thesis gaat over de ontwikkeling en toepassing van het PheNetic raamwerk voor subnetwerk inferentie. Subnetwerk inferentie is het computationeel reconstrueren van moleculaire mechanismen voor een geobserveerd fenotype aan de hand van interactienetwerken. Gebruikmakende van hoge doorvoer omics data “redeneren” deze methodes over mogelijke moleculaire mechanismen die een fenotype veroorzaken.

In een eerste toepassing worden de voordelen van het gebruik van subnetwerk inferentie methoden en PheNetic in het specifiek aangetoond. Gebruikmakend van differentiele expressiedata van knock-out experimenten, geassocieerd met zuurresistentie in Escherichia coli, werden de moleculaire mechanismen afgeleid die  zuurresistentie induceren. Deze mechanismen werden gevalideerd met gegevens in de literatuur. Uit de resultaten blijkt dat subnetwerk inferentie methoden duidelijk meer inzicht geven in de moleculaire mechanismen die zuurresistentie induceren, vergeleken met naieve ranking van differentiele expressie data.

Een tweede toepassing is de interpretatie van differentiele expressie data aan de hand van een verbeterde versie van PheNetic. Specifiek laat deze toepassing toe om aan de ene hand het regulatorisch programma, dat het geobserveerde patroon van differentiele expressie induceert, te herconstrueren en aan de andere hand de geactiveerde metabole “pathways” en proteine complexen te identificeren. Een web server werd gemaakt om een praktisch bruikbare methode voor het interpreteren van dit type data aan te bieden. Deze webserver is beschikbaar op at http://bioinformatics.intec.ugent.be/phenetic/ en laat naast de inferentie van de subnetwerken ook een makkelijke visualizatie en biologische interpretatie van deze subnetwerken toe.

Een derde toepassing is het identificeren van de “driver” mutaties in experimentele evolutie experimenten. Experimentele evolutie experimenten induceren een natuurlijke selectie in een populatie van organismen door een externe stress op te leggen zoals de aanwezigheid van een toxische stof, een beperking van de nutrienten, ... . Dit type van experimenten laat toe om na te gaan wat de genetische basis is van een toename in fitness in een bepaalde omgeving. Door te kijken naar de genetische data, die de mutaties identificeren in een fittere stam, en de differentiele expressie tussen de oorspronkelijke en geevolueerde stam kunnen de moleculaire mechanismen die aanleiding geven tot de verbeterde fitness worden geidentificeerd. Door de connectiviteit van de verschillende mutaties met deze moleculaire mechanismen te bepalen, kunnen de “driver” mutaties, die verantwoordelijk zijn voor de toegenomen fitness, worden geidentificeerd. Deze methode werd toegepast op data van verschillende evolutie experimenten in E. coli en was in staat de “driver” mutaties van andere mutaties te scheiden.