Algorithmic Approaches for the construc3on of gene - - PowerPoint PPT Presentation

Juan ¡A. ¡Bo*a ¡ Ins-tute ¡of ¡Neurology, ¡University ¡College ¡London, ¡UK ¡ Facultad ¡de ¡Informá-ca, ¡Universidad ¡de ¡Murcia, ¡Spain ¡

Algorithmic ¡Approaches ¡for ¡the ¡construc3on ¡of ¡gene ¡co-­‑expression ¡ networks ¡from ¡control ¡brain ¡3ssue ¡samples ¡mRNA ¡ ¡ ¡ ¡

RNA-­‑seq ¡Substan-a ¡nigra ¡and ¡Putamen ¡brain ¡co-­‑expression ¡networks ¡on ¡the ¡UKBEC ¡project ¡to ¡ study ¡Parkinson’s ¡Disease ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

2 ¡

The ¡central ¡dogma ¡of ¡ biology ¡

source ¡Wikipedia ¡

We ¡use ¡pre-­‑mRNA ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

3 ¡

Chapter ¡I. ¡The ¡dataset ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

4 ¡

Braineacv2, ¡RNA-­‑seq ¡based, ¡focused ¡

• n ¡Parkinson’s ¡Disease ¡

l Affects 1% to 2% of the population older than 65 years l Symptons: resting tremor, bradykinesia, rigidity and impairment in ability

to initiate and sustain movements

l The hallmark of this disease is the progressive loss of dopaminergic

neurons, mainly in the substantia nigra

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

5 ¡

Chapter ¡II. ¡The ¡computa-onal ¡model ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

6 ¡

Network ¡analysis: ¡aprioris-c ¡versus ¡ free ¡approaches ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

7 ¡

Are ¡networks ¡something ¡more ¡than ¡a ¡ fancy ¡graph ¡and ¡nice ¡plots? ¡

Yes ¡they ¡are!! ¡

• Can ¡be ¡used ¡to ¡iden-fy ¡the ¡ac-ve ¡

pathways ¡in ¡specific ¡samples ¡(cases ¡vs. ¡ controls) ¡

• Describe ¡subsystems ¡(i.e. ¡cell ¡types) ¡ ¡
• Iden-fy ¡candidate ¡genes ¡(GBA) ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

8 ¡

To ¡create ¡networks ¡we ¡need ¡to ¡ es-mate ¡links ¡between ¡genes ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

9 ¡

From ¡gene ¡expression ¡to ¡ ¡ gene ¡co-­‑expression ¡networks ¡

TREM2 ¡forms ¡a ¡receptor ¡signaling ¡complex ¡with ¡ TYROBP, ¡which ¡triggers ¡the ¡ac-va-on ¡of ¡immune ¡ responses ¡ in ¡ macrophages ¡ and ¡ dendri-c ¡ cells, ¡ and ¡ the ¡ func-onal ¡ polymorphism ¡ of ¡ TREM2 ¡ is ¡ r e p o r t e d ¡ t o ¡ b e ¡ a s s o c i a t e d ¡ w i t h ¡ neurodegenera-ve ¡disorders ¡such ¡as ¡Alzheimer’s ¡ disease ¡(AD). ¡ ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

10 ¡

From ¡gene ¡expression ¡to ¡ ¡ gene ¡co-­‑expression ¡networks ¡

TREM2 ¡forms ¡a ¡receptor ¡signaling ¡complex ¡with ¡ TYROBP, ¡which ¡triggers ¡the ¡ac-va-on ¡of ¡immune ¡ responses ¡ in ¡ macrophages ¡ and ¡ dendri-c ¡ cells, ¡ and ¡ the ¡ func-onal ¡ polymorphism ¡ of ¡ TREM2 ¡ is ¡ r e p o r t e d ¡ t o ¡ b e ¡ a s s o c i a t e d ¡ w i t h ¡ neurodegenera-ve ¡disorders ¡such ¡as ¡Alzheimer’s ¡ disease ¡(AD). ¡ ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

11 ¡

From ¡gene ¡expression ¡to ¡ ¡ gene ¡co-­‑expression ¡networks ¡

TREM2 ¡forms ¡a ¡receptor ¡signaling ¡complex ¡with ¡ TYROBP, ¡which ¡triggers ¡the ¡ac-va-on ¡of ¡immune ¡ responses ¡ in ¡ macrophages ¡ and ¡ dendri-c ¡ cells, ¡ and ¡ the ¡ func-onal ¡ polymorphism ¡ of ¡ TREM2 ¡ is ¡ r e p o r t e d ¡ t o ¡ b e ¡ a s s o c i a t e d ¡ w i t h ¡ neurodegenera-ve ¡disorders ¡such ¡as ¡Alzheimer’s ¡ disease ¡(AD). ¡ ¡

TYROBP ¡ TREM2 ¡

0.76 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

12 ¡

From ¡gene ¡expression ¡to ¡ ¡ gene ¡co-­‑expression ¡networks ¡

TREM2 ¡forms ¡a ¡receptor ¡signaling ¡complex ¡with ¡ TYROBP, ¡which ¡triggers ¡the ¡ac-va-on ¡of ¡immune ¡ responses ¡ in ¡ macrophages ¡ and ¡ dendri-c ¡ cells, ¡ and ¡ the ¡ func-onal ¡ polymorphism ¡ of ¡ TREM2 ¡ is ¡ r e p o r t e d ¡ t o ¡ b e ¡ a s s o c i a t e d ¡ w i t h ¡ neurodegenera-ve ¡disorders ¡such ¡as ¡Alzheimer’s ¡ disease ¡(AD). ¡ ¡

TYROBP ¡ TREM2 ¡

0.76 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

13 ¡

But ¡before ¡reaching ¡that ¡

• Scale ¡free ¡topology ¡assump-on ¡

– The ¡degree ¡distribu-on ¡p(k) ¡of ¡a ¡network ¡follows ¡ a ¡power ¡law ¡so ¡p(k) ¡~ ¡k-­‑ϒ ¡ – Evidence ¡supports ¡this ¡for ¡many ¡organisms ¡(ϒ ¡is ¡

• approx. ¡2.2) ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

14 ¡

But ¡before ¡reaching ¡that ¡(& ¡2) ¡

• Modularity ¡assump-on ¡

– Varia-on ¡coefficient ¡of ¡organisms, ¡Ci ¡=︎ ¡2n/ki(ki ¡– ¡1) ¡ with ¡n ¡number ¡of ¡direct ¡links ¡connec-ng ¡the ¡ki ¡

nearest ¡neighbours ¡of ¡i-­‑th ¡node, ¡suggests ¡strong ¡

modular ¡organiza-on ¡ – Evidence ¡suggests ¡the ¡coefficient ¡of ¡varia-on ¡is ¡ higher ¡than ¡expected ¡in ¡SFT ¡networks ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

15 ¡

But ¡before ¡reaching ¡that ¡(& ¡3) ¡

• Hierarchies ¡solve ¡this ¡apparent ¡dilemma ¡

¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

16 ¡

Chapter ¡III. ¡The ¡problem ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

17 ¡

Our ¡main ¡focus: ¡Parkison's ¡Disease ¡

l Affects 1% to 2% of the population older than 65 years l Symptons: resting tremor, bradykinesia, rigidity and impairment in ability

to initiate and sustain movements

l The hallmark of this disease is the progressive loss of dopaminergic

neurons, mainly in the substantia nigra excitatory inhibitory

Brain regions most typically affected by adult-onset disease

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

18 ¡

Step 1: RPKM exonic gene quantification and CQN normalization Step 2: RPKM-CQN > 0.2 & missingness < 70% Step 3: Data correcting for Sex, Age and 7/8 Peer axes Step 4: WGCNA “signed” network construction Step 5: k-Means optimization of module partitions Step 6: Network assessment Step 7: Within tissue and between tissues subsystem characterization 33670 Ensembl genes

• Approx. 19K genes, two

datasets Two corrected datasets SNIG and PUTM networks And gene modules assignment Modified gene modules assignment for SNIG and PUTM Quality metrics for networks and Gene partitions Functional characterization, correlation with traits, gene function prediction

Steps on the pipeline Outcomes

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

19 ¡

Co-expression analysis methodology

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

20 ¡

A ¡measure ¡of ¡similarity ¡between ¡genes, ¡values ¡in ¡[0,1] ¡ From ¡similarity ¡to ¡adjacency, ¡hard ¡thresholding ¡ From ¡similarity ¡to ¡adjacency, ¡sou ¡thresholding ¡ From ¡adjacency ¡to ¡TOM ¡values ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

21 ¡

From ¡TOM ¡values ¡to ¡clusters ¡by ¡1-­‑TOM ¡as ¡a ¡distance ¡ complete ¡linkage ¡hierarchical ¡approach ¡for ¡clustering ¡ ¡ summarisa-on ¡based ¡on ¡eigenvalue ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

22 ¡

l Hierarchical clustering's results are highly variable

depending on linkage (max/complete, min/single, average linkages)

l Module membership (MM) of g is the correlation of g and

the 1st PC of gene expression (module eigengene)

l This doesn't necessarily mean all genes are in the best

module according to MM

l Previous approaches based on reassigning some/all genes l k-means algorithm helps finding a better partition in which

genes are (hopefully) assigned to a module in a more natural way

Why do we need an optimization process for WGCNA

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

23 ¡

A ¡k-­‑means ¡heuris-c ¡ How ¡does ¡it ¡work? ¡ ¡ ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

24 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

25 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

26 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

27 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

28 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

29 ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

30 ¡

Outline ¡of ¡the ¡op-miza-on ¡

Accepted ¡in ¡BCM ¡Systems ¡Biology ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

31 ¡

Chapter ¡IV. ¡The ¡results ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

32 ¡

What we get from the optimization

• More ¡accurate ¡par--on ¡construc-on ¡
• Bever ¡func-on ¡annota-on ¡for ¡modules ¡
• Bever ¡cell ¡markers ¡enrichment ¡
• More ¡preserved ¡modules ¡across ¡similar ¡-ssues ¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

33 ¡

How to assess the accuracy of a co-expression network

cluster driven validation

data driven validation by replication Are the gene groups good according to a given index

same tissue

similar tissue same network model

• diff. network

model

Biology: Does my module make sense?

functional characterization

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

34 ¡

How to assess the accuracy of a co-expression network

cluster driven validation

data driven validation by replication Are the gene groups good according to a given index

same tissue

similar tissue same network model

• diff. network

model

Biology: Does my module make sense?

functional characterization

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

35 ¡

Replication in GTEx GNAT networks for Substantia Nigra

lightgreen midnightblue cyan tan turquoise grey60 lightyellow green pink blue magenta purple yellow red black lightcyan brown salmon greenyellow

Mantel fold SNIG GTEx coexpression within

0.0 0.5 1.0 1.5 2.0 2.5 3.0 *** 340 *** 412 *** 449 *** 385 *** 574 ** 295 *** 250 *** 427 *** 457 *** 783 *** 505 *** 417 *** 579 *** 521 244 * 410 260 88 372 red purple magenta turquoise blue yellow lightyellow cyan lightcyan tan green grey60 midnightblue lightgreen pink brown greenyellow black salmon

Mantel fold SNIG microarray binary between

0.0 0.5 1.0 1.5 2.0 *** 701 *** 624 *** 760 *** 837 *** 1070 *** 837 *** 365 *** 624 *** 653 *** 460 *** 658 477 475 417 743 406 579 402 149 03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

36 ¡

Replication in GTEx GNAT networks for Putamen

lightcyan grey60 yellow salmon greenyellow pink green black tan brown purple magenta turquoise lightgreen midnightblue blue cyan

Mantel fold PUTM GTEx coexpression within

0.0 0.5 1.0 1.5 2.0 2.5 3.0 *** 429 *** 275 * 72 *** 372 *** 268 *** 444 *** 486 *** 484 *** 541 *** 611 *** 574 *** 617 *** 546 *** 440 *** 461 ** 386 *** 759 greenyellow salmon lightcyan brown green pink grey60 cyan tan magenta black lightgreen purple turquoise midnightblue blue yellow

Mantel fold PUTM GTEx binary between

0.0 0.5 1.0 1.5 2.0 2.5 *** 268 *** 372 *** 429 *** 611 *** 486 *** 444 *** 275 *** 759 *** 541 *** 617 *** 484 *** 440 *** 574 *** 546 *** 461 *** 386 72 03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

37 ¡

How to assess the accuracy of a co-expression network

cluster driven validation

data driven validation by replication Are the gene groups good according to a given index

same tissue

similar tissue same network model

• diff. network

model

Biology: Does my module make sense?

functional characterization

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

38 ¡

Asignment ¡of ¡biological ¡func3on ¡to ¡modules ¡ ¡ with ¡gProfiler ¡

• Based ¡on ¡GO ¡(BP, ¡MF, ¡CC) ¡and ¡gProfileR ¡
• Fisher's ¡exact ¡test ¡and ¡Bonferroni ¡corrected ¡p-­‑values ¡
• What ¡should ¡we ¡expect? ¡
• Normal ¡cell ¡processes ¡like ¡respira-on, ¡cell ¡development, ¡immune ¡

func-on ¡

• But ¡also ¡brain ¡related ¡terms ¡(hopefully ¡movement ¡disorders, ¡

signalling) ¡in ¡some ¡of ¡the ¡modules ¡

• What ¡should ¡we ¡consider ¡when ¡looking ¡for ¡enrichment? ¡
• GO ¡is ¡not ¡a ¡closed ¡world ¡ontology ¡
• Something ¡not ¡found ¡doesn't ¡imply ¡it ¡doesn't ¡exist ¡
• Genes ¡can ¡play ¡new ¡roles ¡
• Groups ¡of ¡genes ¡can ¡have ¡new ¡func-ons ¡
• It ¡is ¡possible ¡to ¡find ¡modules ¡with ¡no ¡GO ¡and ¡s-ll ¡be ¡valid ¡ ¡

¡

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

39 ¡

Significant similarities in practically all modules

This is a tabular View of significant agreements (Fisher's Exact test)

• n genes between

modules from the two tissues

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

40 ¡

Subsystems

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

41 ¡

Subsystems cell type & function

Neuron cells, Synapse/NADH Microglia cells, Immune system Nucleus, transcription Neuron, astrocytes & microglia cell types Response to stimulus Endothelial cell type, Cell division Oligodendrocytes cell type, synapse & ion transport Mitochondrion Cytosolic rybosome Ubiqutin

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

42 ¡

Lessons learned

l The default WGCNA can be improved to get more

coherent gene groups

l Network analysis reveals l cell specific subsystems in putamen and substantia

nigra

l Interesting differences between the two tissues at the

subsystem level Ongoing work

l Models to explain the differences between subsystems l Function prediction for non coding species and intergenic

regions

03/04/17 ¡

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

43 ¡

Acknowledgements

University College London Jana Vandrovcova Sebastian Guelfi Karishma D'sha John Hardy Mar Matarin Daniah Trabzuni King's College London Mike Weale Mina Ryten Paola Forabosco Adai Ramasamy

Conferencias ¡de ¡Inves-gación ¡para ¡Posgrado, ¡Fac. ¡Informátca, ¡UCM ¡

44 ¡