BioTrendFinder - an interactive web tool for exploring functional drivers in gene- and protein-level bulk omics data

De auteurs presenteren BioTrendFinder, een interactieve webtool die bulk-omics-data integreert met functionele netwerken en ontologieën om via een unieke rangschikkingsstrategie significante moleculaire trendlijnen en functionele modules te identificeren, waardoor de prioritering van kandidaat-doelen voor downstream-validatie wordt vergemakkelijkt.

De kern

BioTrendFinder: De 'Google Maps' voor je genen en eiwitten

Stel je voor dat je een enorme berg met miljoenen losse puzzelstukken hebt. Deze puzzelstukken zijn allemaal genen of eiwitten uit je lichaam. Normaal gesproken kijken wetenschappers naar deze berg en proberen ze te vinden welke stukken in groepjes passen (bijvoorbeeld: "deze stukken horen bij diabetes" en "die stukken bij een gezonde maag"). Dit is handig, maar het is alsof je alleen naar de randen van de puzzel kijkt en de grote plaatjes mist die in het midden liggen.

BioTrendFinder is een nieuw digitaal gereedschap (een website) dat deze puzzel op een heel slimme manier bekijkt. In plaats van alleen naar groepjes te kijken, laat het tooltje je zien hoe de puzzelstukken zich bewegen en veranderen terwijl je door de berg loopt.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De 'Trendlijn' (Het spoor van de verandering)

Stel je voor dat je een lange rechte weg hebt met daarop alle monsters van je onderzoek. Normaal gesproken vergelijk je alleen "links" (ziek) met "rechts" (gezond).
BioTrendFinder doet iets anders: het laat je een lijn trekken over die weg. Nu kun je kijken naar elk individueel puzzelstuk (een gen of eiwit) en zien: Hoe gedraagt dit stuk zich terwijl ik van links naar rechts loop?

• Wordt het stuk steeds groter? (Een stijgende lijn).
• Wordt het steeds kleiner? (Een dalende lijn).
• Blijft het hetzelfde?

Dit noemen ze een trendlijn. Het is alsof je een video maakt in plaats van een foto. Je ziet niet alleen wat er is, maar hoe het verandert.

2. De 'Detective' (Het vinden van de daders)

In de oude manier van werken, zoeken wetenschappers vaak naar de "daders" (de genen die ziekte veroorzaken) door te kijken naar welke groep het grootst is. Maar soms zijn de echte daders kleine groepjes die zich heel subtiel gedragen.

BioTrendFinder werkt als een slimme detective die zegt: "Kijk eens naar die 50 puzzelstukken die allemaal langzaam omhoog gaan terwijl we van 'ziek' naar 'gezond' lopen. Die lijken wel een team te vormen!"
Het tooltje groepeert deze stukken en zegt: "Deze stukken werken samen en zijn waarschijnlijk de sleutel tot het probleem."

3. De 'Sociale Kaart' (Hoe ze met elkaar praten)

Genen en eiwitten werken zelden alleen; ze praten met elkaar. BioTrendFinder pakt deze groepen en plakt ze op een interactieve sociale kaart (een netwerk).

• Stel je voor: Je ziet een groep mensen die allemaal met elkaar praten. BioTrendFinder laat zien wie de "leiders" zijn in die groep (degenen die met de meeste anderen praten) en welke groepen het belangrijkst zijn voor de ziekte.
• Het koppelt dit aan een enorme database van kennis (zoals een super-encyclopedie) om te zeggen: "Oh, deze groep praat allemaal over 'ontsteking' of 'vetopslag'. Dat is dus wat er misgaat!"

4. Waarom is dit zo cool? (De 'Nieuwe Hoek')

Vroeger was het alsof je een kamer alleen van voren bekeek. Je zag wat er voor je stond, maar je miste de hoeken.
BioTrendFinder laat je de kamer rondlopen. Je kunt zelf beslissen: "Ik wil kijken naar de verandering van 'zwaarlijvig' naar 'slank'." Of: "Ik wil kijken naar de verandering van 'koud' naar 'warm'."
Door deze nieuwe hoek te kiezen, zie je patronen die je met de oude methoden nooit had gezien. Het helpt wetenschappers om de echte oorzaken van ziektes sneller te vinden en betere medicijnen te ontwikkelen.

Samenvattend

BioTrendFinder is als een interactieve GPS voor biologie.

• Oude methode: Een statische kaart waar je alleen de bestemming ziet.
• BioTrendFinder: Een live navigatiesysteem dat je laat zien hoe het verkeer (de genen) stroomt, waar de files zitten, en welke route je het beste kunt nemen om van ziekte naar gezondheid te komen.

Het helpt onderzoekers om uit de chaos van miljoenen data-punten de echte, belangrijke verhalen te halen, zodat ze sneller kunnen ontdekken welke medicijnen werken en welke niet.

Technische samenvatting

Titel: BioTrendFinder – een interactief webtool voor het verkennen van functionele drijvers in bulk-omics data op gen- en proteïne-niveau

1. Het Probleem

De analyse van bulk-omics data (zoals RNA-seq en proteomics) is essentieel voor biologische ontdekkingen. Standaard werkstromen omvatten doorgaans vier stappen:

1. Dimensiereductie (bijv. PCA, UMAP).
2. Statistische vergelijkingen tussen groepen.
3. Functionele verrijking (enrichment) analyse.
4. Mapping van moleculen naar biologische netwerken.

De beperking: Deze stappen worden vaak onafhankelijk van elkaar uitgevoerd. Dit leidt tot een gefragmenteerde interpretatie waarbij de integratie van data ontbreekt. Hierdoor is het moeilijk om specifieke functionele drijvers (drivers) en kandidaat-doelen efficiënt te identificeren die misschien over het hoofd worden gezien in traditionele, groepsgewijze vergelijkingen. Er is behoefte aan een tool die deze stappen integreert en alternatieve analytische perspectieven biedt.

2. Methodologie

BioTrendFinder is een interactief webtool (gebouwd in R/Shiny met Python-ondersteuning) dat een unieke sample-ranking strategie toepast in plaats van alleen traditionele groepsgemiddelden.

Kernconcepten en Werkstroom:

• Sample-ranking: Gebruikers selecteren een as in een dimensiereductieplot (bijv. PCA) of definiëren een handmatige rangschikking van samples. Dit creëert een continue volgorde van samples.
• Trendlijnen (Trendlines): Voor elk molecuul wordt een trendlijn gegenereerd die het expressiepatroon volgt langs deze gerangschikte samples.
• Set-definitie: Trendlijnen worden gegroepeerd in sets op basis van hun helling (slope) en correlatie (Spearman):
  • Set 1: Significant stijgende trendlijnen.
  • Set 2: Significant dalende trendlijnen.
• Statistische filtering: De tool gebruikt de Welch-test om verschillen tussen eindsegmenten van de trendlijnen te testen. Er worden p-waarden, log2-fold changes en een specifieke "pi-score" berekend. Outliers kunnen worden verwijderd om de sets te verfijnen.
• Functionele Integratie:
  • PPI Netwerken: Moleculen uit de geselecteerde sets worden gemapped naar het STRING (v12) Protein-Protein Interaction netwerk.
  • Ontologieën: Er wordt verrijking uitgevoerd met 11 bio-ontologieën (o.a. Gene Ontology, KEGG, Reactome, UniProt Keywords, Disease associations).
  • Netwerkvverrijking: Significante termen uit de ontologieën worden gebruikt om extra randen (edges) toe te voegen aan het PPI-netwerk, waardoor functionele connecties worden versterkt.
• Functionele Modules: De uiteindelijke output is een gerangschikte lijst van moleculen binnen een functioneel module. De rangschikking wordt bepaald door een FM_score (Functional Module score), die een combinatie is van:
  • Netwerkmetrics (Degree centrality, Edge weight fraction, Node importance).
  • Expressiepatronen (Spearman correlatie, helling).
  • Statistische significantie (p-waarden, FDR).

Technische specificaties:

• Platform: R (Shiny) en Python (NetworkX, Pandas).
• Data: Ondersteunt bulk RNA-seq, proteomics en peptidomics.
• Filters: Automatische filtering van Ensembl ID-versies, mapping naar STRING IDs en verwijdering van NA-waarden.

3. Belangrijkste Bijdragen

• Integratie van perspectieven: BioTrendFinder combineert dimensiereductie, trendanalyse, statistiek en functionele netwerkanalyse in één interactieve workflow.
• Alternatieve analysestrategie: Het stelt onderzoekers in staat om vragen te stellen die niet gebaseerd zijn op vaste groepsgrenzen, maar op continue biologische gradiënten (bijv. een ziekteprogressie of een behandelingstijdlijn).
• Prioritering van targets: Door moleculen te rangschikken op basis van hun positie in een functioneel netwerk én hun expressietrend, wordt de zoekruimte voor downstream validatie effectief ingeperkt.
• Interactieve visualisatie: De tool biedt dynamische netwerkvisualisaties (VisNetwork) en plots die het mogelijk maken om direct te interageren met de data (bijv. het selecteren van specifieke community's of trendlijnen).

4. Resultaten en Validatie

De auteurs demonstreren de tool met twee casestudies:

1. Exploratieve analyse van proteomics secretome (Adipositas):

   • Data: Geconditioneerd medium van bruin (BAT) en wit (WAT) adipocyten, behandeld met norepinefrine (NE) of niet.
   • Vindst: BioTrendFinder identificeerde twee sets: een stijgende set (Set 1) en een dalende set (Set 2).
   • Resultaat: De dalende set (Set 2) bevatte bekende adipokines (zoals AZGP1, TF) die geassocieerd zijn met basale homeostase en bescherming tegen obesitas. De stijgende set (Set 1) bevatte intracellulaire eiwitten (zoals HSP90AA1, NAMPT) die wijzen op stress en hermodellering.
   • Inzicht: De tool onthulde een patroon van overgang van een klassiek secretieprofiel naar een stress-geassocieerd profiel dat in de oorspronkelijke analyse was gemist.

2. Extraheren van obesitas-verminderende factoren (RNA-seq):

   • Data: Subcutaan vetweefsel van mensen met metabolisch ongezonde obesiteit (MUO), metabolisch gezonde obesiteit (MHO) en metabolisch gezonde mager (MHL).
   • Vindst: Een handmatige ranking van MUO -> MHO -> MHL.
   • Resultaat: De tool identificeerde genen die specifiek stijgen in de gezonde richting (MHL), waaronder SPX (onderdrukt eetlust) en AZGP1. Dalende genen omvatten GAL en CHIT1, geassocieerd met obesitas en ontsteking.
   • Conclusie: De tool kon potentieel therapeutische targets identificeren die specifiek geassocieerd zijn met het verbeteren van het metabole profiel.

Vergelijken van de studies: Beide studies identificeerden AZGP1 en MFAP5, maar met tegenovergestelde trends afhankelijk van het biologische context (transcriptie vs. secretie), wat de complexiteit van regulatie benadrukt.

5. Betekenis en Conclusie

BioTrendFinder biedt een krachtig alternatief voor traditionele differentieel-expressie analyse. Door te focussen op trendlijnen in plaats van statische groepen, kan de tool:

• Subtiele, continue biologische patronen detecteren die door groepsgemiddelden worden gemaskeerd.
• Functionele connecties direct koppelen aan expressiepatronen.
• Een lijst van prioritaire kandidaat-doelen genereren die zowel statistisch significant als functioneel relevant zijn binnen een netwerkcontext.

De tool is beschikbaar als een gratis webapplicatie en is ontworpen om zowel hypothesegedreven als exploratief onderzoek te ondersteunen, waardoor het een waardevolle aanvulling is op de huidige bio-informatica toolkit voor bulk-omics data.