1概述

转录网络是可视化复杂生物系统的重要工具，这些系统涉及大量基因和多种调控因子。在之前的研究中，我们实现了研制R/Bioconductor包重建转录调控网络(Fletcher et al. 2013)．这个包重构了调控因子，由一个调控因子和它的靶基因组成。一个规则可以进一步用于调查，例如，其表达与生存概率的关联。

RTNsurvival方法生成的规则的集成工具研制转录调节网络重建中使用的同一组样本的生存信息包。存在两个主要的生存分析管道:Cox比例风险方法用于建模规则作为生存时间的预测因子(图1)，以及显示基于调节活性的队列分层的Kaplan-Meier分析(图2)．对于给定的规则，使用双尾GSEA方法来估计每个单独样本的规则活性(差异富集分数- dES)(Castro et al. 2016)，然后使用所有样本的dES分布来评估队列的生存统计数据。这些图可以根据用户的规格进行微调。

2快速启动

library(RTN) data(stni, package="RTN")

Summary <- tni。Get (stni, what = "summary")

库(RTNsurvival)数据(survival.data)

rtns <- tni2tnsPreprocess(stni, survivalData = survival. rtns <- tni2tnsPreprocess)data, time = 1, event = 2, endpoint = 120, keycovar = c("Grade"，"Age"))

rtns <- tnsGSEA2(rtns)

rtns <- tnsCox(rtns) tnsPlotCox(rtns)

机< - tnsKM(机,部分= 2)tnsPlotKM(机,海军学校规则=“FOXM1”,鲜明=列表(c(“ER +”,“呃——”),c(“公关+”、“公关”),c (G1, G2,“G3”),“HT”))

3.单个样本的2尾GSEA图

单个样品的差异富集分析可以用tnsPlotGSEA2函数。这将生成一个双尾GSEA图，用于一个规则的正靶和负靶的差异表达(图3)．这一步花费的时间稍长一些，因为GSEA是针对选定的规则重新计算的，并且因为tnsPlotGSEA2是用于研制函数tna.plot.gsea2，生成GSEA图。

tnsPlotGSEA2(rtns， "MB-5115"， regs = "FOXM1")

图3- MB-5116样本的双尾GSEA图。这表明FOXM1调控因子的阳性靶点正富集，而阴性靶点负富集。

4所有样本的调节活性图

通过绘制带有所有评估样本和规则的热图，可以获得规则活动的概述。首先，我们需要从TNS对象获得dES值的矩阵。然后，我们可以绘制热图使用pheatmap函数从pheatmap包中。在本例中，我们还说明了如何从生存数据中合并样本特征。

library(pheatmap) mentscores <- tnsGet(rtns， "regulonActivity") survival。data <- tnsGet(rtns， "幸存者数据")annotation_col <-幸存者。data[，c("ER+"， "ER-")] pheatmap(t(mentscores $dif)， annotation_col = annotation_col, show_colnames = FALSE, annotation_legend = FALSE)

图4-调节单个肿瘤样本的活性。这张热图显示了两个规则集群。PGR和MYB调控在ER-样品中被抑制，在ER+样品中被激活。另一方面，PTTG1、E2F2和FOXM1调控在ER-样本中被激活，在ER+样本中被抑制。

5会话信息

## R版本4.2.0 RC (2022-04-21 r82226) ##平台:x86_64-pc-linux-gnu(64位)##运行在Ubuntu 20.04.4 LTS ## ##矩阵产品:默认## BLAS: /home/biocbuild/bbs-3.16-bioc/R/lib/libRblas。/home/biocbuild/bbs-3.16-bioc/R/lib/libRlapack。所以## ## locale: ## [1] LC_CTYPE=en_US。UTF-8 LC_NUMERIC= c# # [3] LC_TIME=en_GB LC_COLLATE= c# # [5] LC_MONETARY=en_US。utf - 8 LC_MESSAGES = en_US。UTF-8 ## [7] LC_PAPER=en_US。UTF-8 LC_NAME= c# # [9] LC_ADDRESS=C lc_phone = c# # [11] LC_MEASUREMENT=en_US。UTF-8 LC_IDENTIFICATION=C ## ##附加的基础包:## [1]stats graphics grDevices utils datasets methods基础## ##其他附加包:## [1]RTNsurvival_1.21.0 RTNduals_1.21.0 RTN_2.21.0 BiocStyle_2.25.0 ## ##通过命名空间加载(且未附加):[3] matrixstats_1.0 -0 RColorBrewer_1.1-3 ## [5] GenomeInfoDb_1.33.0 tools_1.2.2 ## [9] R6_2.5.1 KernSmooth_2.23-20 ## [11] DBI_1.1.2 BiocGenerics_0.43.0 ## [13] colorspace_2.0-3 gridextra2.3 ## [15] tidyselect_1.1.2 compiler_4.2.0 ## [17] cli_3.3.0 Biobase_2.57.0 ## bbbdelayedarray_0.23.0 bookdown_0.26 ## [21] sass_0.4.1 scales_1.2.0 ## [23] proxy_0.4-26 string_1 .4.0 ## [25] digest_0.6.29 mixtools_1.2.0 ## [27]rmarkdown_2.14 XVector_0.37.0 # # [29] pkgconfig_2.0.3 htmltools_0.5.2 # # [31] MatrixGenerics_1.9.0 highr_0.9 # # [33] fastmap_1.1.0 dunn.test_1.3.5 # # [35] limma_3.53.0 pwr_1.3-0 # # [37] rlang_1.0.2 jquerylib_0.1.4 # # [39] generics_0.1.2 jsonlite_1.8.0 # # [41] viper_1.31.0 dplyr_1.0.8 # # [43] car_3.0-12 rcurl_1.98 - 1.6 # # [45] magrittr_2.0.3 GenomeInfoDbData_1.2.8 # # [47] Matrix_1.4-1 Rcpp_1.0.8.3 # # [49] munsell_0.5.0 S4Vectors_0.35.0 # # [51] fansi_1.0.3 abind_1.4-5 # # [53] lifecycle_1.0.1minet_3.55.0 ## [55] stringi_1.7.6 yaml_2.3.5 ## [57] carData_3.0-5 MASS_7.3-57 ## [59] SummarizedExperiment_1.27.0 zlibbioc_1.43.0 ## [61] grid_4.2.0 parallel_2.0 ## [63] crayon_1.5.1 egg_0.4.5 ## [67] magtic_2.7.3 knitr_1.38 ## [69] pillar_1.7.0 igraph_1.3.1 ## [71] GenomicRanges_1.49.0 stats4_4.2.0 ## [73] glue_1.6.2 evaluate_0.15 ## [75] data.table_1.14.2 BiocManager_1.30.17 ## [79] purrr_0.3.4 kernlab_0.9-30 ## [81]assertthat_0.2.1 ggplot2_3.3.5 ## [83] xfun_0.30 e1071_1.7 . 9 ## [85] RedeR_2.1.0 class_7.3-20 ## [87] survivval_3 . 3.3-1 tibble_3.1.6 ## [89] snow_0.4-4 pheatmap_1.0.12 ## [91] IRanges_2.31.0 ellipsis_0.3.2