PUB - Publikationen an der Universität Bielefeld

In modern molecular biology, the quantification of proteins, RNA, and DNA is a standard procedure. Resulting in the generation of large data, researchers need appropriate tools for interpretation. A common method for interpreting gene expression data is pathway enrichment analysis. The heterogeneous pharmacological medical biochemical network (PharMeBINet) is a Neo4j database in combination with a website for browsing and analysis available at [link:https://pharmebi.net*https://pharmebi.net]. Here we present a new analysis module for the website developed in JavaScript that applies enrichment analyses to gene expression data. The analysis has two methods for enrichment: Fisher’s exact test and modified Fisher’s exact test. The modified test considers the order of the gene expression data. Additionally, Bonferroni-correction, Dunn-Šidák correction, Holm-Bonferroni method, and Benjamin-Hochberg method are implemented to reduce the false positive pathways. The analysis was tested with the gene expression data of the first cluster described by the analysis of Shin et al. The result of Fisher’s exact test with corrected p-values (p<0.01) was 68 pathways. In contrast, the result of the modified Fisher’s exact test was 104 different pathways. The pathway with the best p-value is “Generation of second messenger molecules”. The results are presented in multiple forms. The first is a table ordered by p-values. Secondly, a bar plot with the log10(p-value) for all pathways provides a general impression of the resulting pathways. Thirdly, a combination of heat map and bar plot for all pathway gene combinations shows an overview of how the genes are connected to the relevant pathways and with the p-values beside it. Further, the input data was analyzed. The results are presented as a pie chart and bar plot. The pie chart shows how many of the input genes have a connection to pathways and how many do not. The bar plot displays the number of enriched pathways the genes appear in. The resulting pathways are well-fitting results for the gene expression data. This analysis module returns similar results compared to other enrichment tools.

---

In der modernen molekularen Biologie ist die Quantifizierung von Proteinen, RNA und DNA ein Standardverfahren. Für die daraus resultierenden großen Datenmengen benötigen Forscher geeignete Instrumente für die weiterführende Interpretation. Ein üblicher Ansatz zur Reduzierung einer großen Genliste mit zugehörigen Expressionsdaten ist die sogenannte Enrichment Analyse. Das Heterogeneous Pharmacological Medical Biochemical Network (PharMeBINet) ist eine Neo4j-Datenbank in Kombination mit einer Website zur Betrachtung und Analyse der Datenbank und unter [link:https://pharmabi.net*https://pharmabi.net] verfügbar. Hier präsentieren wir ein neues Analysemodul für die Website, welches Enrichment-Analysen auf Genexpressionsdaten anwenden kann und mit JavaScript programmiert wurde. Um signifikante Pathways zu berechnen, werden der exakte Test nach Fisher und eine modifizierte Variante des Tests verwendet. Der modifizierte Test berücksichtigt die Reihenfolge der Genexpressionsdaten. Außerdem werden die Bonferroni-Korrektur, Dunn-Šidák-Korrektur, Holm-Bonferroni-Methode und die Benjamini-Hochberg-Methode verwendet, um die Anzahl falsch positiver Pathways zu reduzieren. Als Beispiel für einen Anwendungsfall wurden die Genexpressionsdaten des Clusters 1, der Analyse von Shin et al., für die Enrichment-Analyse verwendet. Infolgedessen werden 68 verschiedenen Pathways für den exakten Fisher-Test sowie 104 für den modifizierten Test mit dem angepassten p-Wert (p<0,01) gefunden. Der Pathway mit dem besten p-Wert ist „Generation of second messenger molecules“. Die Ergebnisse werden als Tabelle sortiert nach p-Wert dargestellt. Zweitens vermittelt ein Balkendiagramm mit dem log10(p-Wert) für alle Pathways einen allgemeinen Eindruck der resultierenden Pathways. Drittens gibt eine Heat-Map für alle Pathway-Genkombinationen einen Überblick darüber, wie die Gene mit den relevanten Pathways verbunden sind. Außerdem wird eine Analyse der Eingabedaten in einem Kreisdiagramm und einem Balkendiagramm angezeigt. Das Kreisdiagramm zeigt, wie viele der Input-Gene eine Verbindung zu Pathways haben oder nicht. Das Balkendiagramm zeigt die Anzahl der relevanten Pathways, in denen die Gene erscheinen. Die resultierenden Pathways passen gut zu den eingegebenen Genen. Auch im Vergleich zu anderen Enrichment-Tools haben sie ähnliche Ergebnisse.