使用基于本体的表型注释将人类疾病与动物模型联系起来

表型剖面的比较分析

我们加载了所有注释和源本体(表4)到单个OBD实例中[28]简言之，这是一个信息系统，允许使用多个本体构建复杂的描述，并对这些描述和使用它们的注释进行逻辑推理。OBD还具有分析功能，支持基于相似实体的共享属性（如表型特征）对相似实体（如基因、等位基因和基因型）进行比较。比较步骤需要推理步骤。

OBD为用于注释基因、等位基因或基因型的每个术语或EQ描述指定IC分数。IC分数是一种衡量术语或描述信息量的方法，它基于本体中带有术语和深度的注释的频率。因此，IC分数将根据注释的背景集而变化。OBD使用推理机计算IC分数，这样注释“向上传播图形”，因此更通用的术语得到更低的IC分数。例如，图2显示了斑马鱼解剖（ZFA）本体中的节点，每个节点都有一个IC分数。本体中更深层次的术语更具区别性和信息性（例如ZFA：肠上皮得分较高，IC=12.4）。，ZFA：解剖结构，IC=2.72)，因为所有肠上皮表型也是解剖结构表型。OBD以与其他术语相同的方式处理表型EQ描述，并且以相同的方式为这些节点分配IC分数。与术语一样，推理器可以计算注释频率，以便更通用的EQ描述，例如ZFA：颅软骨+PATO：位置IC分数低于更具体、使用频率更低的描述，因此信息更丰富，例如ZFA：角透明软骨+PATO：腹侧错位(图3).

OBD可以利用每个节点的IC得分计算任意两对注释或表型轮廓之间的各种相似性度量。我们使用OBD中计算的三个基于IC的度量来执行本文的分析：基于信息含量的相似性（simIC）、公共子消费者的信息含量（ICCS）和最大信息含量对（maxIC）。我们的分析中还包括了一个非基于IC的度量，即Jaccard相似系数（simJ）。这些指标详见[28]和[18]和在材料和方法第节。图4显示了这些不同的指标是如何从一组被比较的基因型中产生的，以及表型谱是如何被提升到等位基因和基因以在这些水平上进行比较的例子。simIC度量使用推理器量化两个表型轮廓之间的相似性，以确定基于包含层次结构共享的EQ表型描述。如果两个表型图谱非常相似，我们预计它们的图谱会更快收敛，并共享非常特定的表型描述（即IC分数较高）；相反，不同的特征只会共享一些非常普遍的共同表型描述（即IC分数较低）。每个包含情商的情商也有一个IC，共同产生的情商集的平均值提供了ICCS分数。在这组包含两个表型特征的情商中，一个具有最高的IC，是所有配对中的最大IC。simJ度量不使用IC，而是基于层次结构的所有公共节点与非公共节点的计数之比。

在单独的窗口中打开

图4

表型图谱比较和表型提升。

注释到一个基因型的多个情商描述包含一个表型特征，并且可以使用包含逻辑对这些特征进行比较。标记为基因型的表型会传播到其等位基因，然后再传播到用向上箭头表示的基因。分析相同类型的任意两个节点之间的相似性，例如基因A-vs-B、等位基因A3-vs-B1、基因型A1/A1-vs-A3/A3或A3/A3-vs-B1/B1。基因型显示为圆形方框，等位基因显示为圆形，基因显示为方形。基因型A1/A1的表型图谱以紫色详细显示，基因型A3/A3以蓝色详细显示，B1/B1以红色详细显示。A1/A1-vs-A3/A3和基因A-vs-B之间的常见包含表型以白色方框列出。原始表型描述与其共同包含的表型描述之间的箭头表示。一些个体表型描述可以有两个常见的亚类。对于每个表型描述（EQ），显示计算的IC。在比较两个项目时，确定了四个分数：maxIC，普通包含EQ的最大IC分数，可能是直接表型（A1/A1-vs-A3/A3）或推断表型（基因a-vs-gene B），用红色圈起来；平均ICCS，所有常见的包含IC得分的平均值；simIC，相似度得分，用于计算EQ描述（包括包含描述）的IC值总和与总集合（并集）IC值总和的比率；simJ，使用Jaccard算法计算的非基于IC的相似性得分，该算法是所有公共节点数与非公共节点数的比率。这些分数也用于等位基因A3-vs-B1和A3/A3-vs-B1/B1之间的比较，尽管没有显示完整的情况。

我们可以直接比较同一类型的任何两个项目，例如两个基因型、两个等位基因或两个基因，方法是将携带特定等位基因的基因型的注释提升到等位基因本身或受影响的基因。图4说明了两种表型在基因型和基因水平上的比较，以及在这些不同水平上的相似性度量的计算。这两个配置文件共有四个共同的子类；一些注释有一个不同基因型的单一共同亚群；其他则映射到两个不同的常见消费群体。在这个例子中，基因型A1/A1和A3/A3对ZFA：角透明软骨+PATO：腹侧定位错误IC=12.5，因此是常见的包含注释之一，在本例中，也是得分最高的常见包含注释或maxIC。详见图3,ZFA：角透明软骨+PATO：腹侧定位错误和ZFA：咽弓软骨+PATO：定位错误表型共享共同的父代ZFA：颅软骨+PATO：定位错误因此，包含基因型A1/A1和A3/A3的常见表型包括这两种亲本情商描述。A1/A1和A3/A3的表型分别提升为等位基因A1和A3，进而提升为基因A。在本例中，当在基因水平进行比较时，得分最高的常见亚群（具有maxIC的表型）为GO：神经嵴细胞迁移+PATO：持续时间。解剖学术语注释的常见子集合位于更通用的节点，因为它们在本体中的收敛点(图2和​和3三).

等位基因变异的表型比较

评估EQ注释和表型比较方法效果的第一个测试是根据表型描述正确识别同一基因的等位基因。我们使用OBD中的四个评分指标（simIC、ICCS、simJ和maxIC）比较了11个OMIM基因中每一个注释的所有成对等位基因组合的表型特征。我们的假设是，同一基因（即基因内）的等位基因之间的相似度得分将显著高于这些等位基因之一和其他基因（即遗传间）的等位数之间的相似性得分。我们的这部分分析只包括单基因表型谱；不包括双基因型（例如，OMIM:600725.0011/OMIM:603073在SHH公司和邮政编码2).

图5总结了结果，表明基因内等位基因变体无一例外地在表型上更相似(第页<0.0001（双尾）t吨-测试），而不是使用四个指标中的任何一个对其他基因。检查遗传变异之间相似性的另一种方法是使用每个等位基因查询所有其他等位基因，以确定哪个其他等位蛋白最相似。在分析中的所有118个等位基因中，所有基因在同一基因中都具有最相似的表型基因型。总之，这些结果支持我们的假设，即基于情商的表型描述捕获了同一基因的等位基因之间的相似性，并且这些基于本体论的相似性度量在检索相关等位基因和量化其表型相似性方面是有效的。

在单独的窗口中打开

图5

基因间和基因内表型谱的相似性度量分析。

四个面板中的每一个都显示了四个相似性测量值中的一个，将注释的11个OMIM基因中的每个基因的相同基因（内部，黑色）的等位基因得分与所有其他基因的等位蛋白得分（内部，灰色）进行比较。右侧图形的灰色部分显示了每个相似性度量的所有11个OMIM基因比较的平均值。指标包括（如中所述图4)：（A）模拟IC、（B）模拟J、（C）ICCS和（D）最大IC。对于每个指标，相似度值都显著较高(第页<0.0001），用于基因内比较和基因间比较。使用双尾学生的t吨-测试，用于每个基因的所有四个指标的成对比较（内部与内部）。误差线是平均值的标准误差。

表型查询法检索通路基因

信号通路的成员经常表现出类似的突变表型，因此我们预测，基于某个通路成员突变引起的表型的查询将检索该通路的其他已知成员。我们在特征鲜明的刺猬咬牙路径上测试了这一假设，该路径调节动物的模式和中线发育[29]ZFIN有超过2900个基因，其突变表型用EQ方法注释[13]包括ZFIN中确定的64个已知刺猬途径成员中的20个[30]实体术语通常来自斑马鱼特有的解剖本体论以及GO，质量术语来自PATO。来自ZFIN的注释（总共17494条，5157条唯一描述）与源本体一起加载(表4).

我们向OBD查询了与斑马鱼突变表型相似的突变表型基因什哈基因（ZDB-gene-980526-166）。图6根据KEGG的斑马鱼刺猬信号通路图说明了这些结果[31]根据目前的知识，添加了一些额外的基因[30].表5列出了刺猬通路的成员，以及与之显著相似的其他表型什哈，按照他们的simIC排名的顺序，以及他们的排名和四个指标的得分。simIC评分最相似的11个基因中有6个是刺猬信号通路的成员，其中7个由simJ评分，5个由ICCS评分，前8个由maxIC评分的基因中有3个（许多基因并列第九位，参见表S1). 这组最相似的基因什哈共包含23个基因，其中11个为已知通路成员。假设超几何分布，在2908个基因中随机检索前23个基因中20个突变路径成员中的11个的概率非常低(第页<E-19）。三个已知的通路成员，bmp2b型,hhip（hhip）、和腐乳，未被确定为前10名中最相似的。腐乳与simIC相比，这2908个基因中排名最低的是628个（参见表S1其他指标）。为了进一步测试相似性算法，我们进行了反向查询，以确定是否有任何刺猬路径成员与腐乳。最相似的途径成员腐乳是hhip（hhip）（simIC排名第3）。

在单独的窗口中打开

图6

类似斑马鱼突变表型的相似性搜索什哈检索许多已知的通路成员。

根据KEGG的图表[31]，双灰线代表质膜，虚线代表核膜。显示了所有已知的shha通路成员；那些记录了变异情商注释的是黄色的。在前23个最相似的基因中检索到的路径成员用红色方框表示。ZFIN中的已知通路成员以其当前命名法显示，但不包括那些没有信息的命名法，这些命名法与其KEGG参考基因家族命名法一起列出，并大写。斑马鱼（Fu）中尚未识别的KEGG参考通路成员变灰。

有趣的是发现具有高度相似表型的额外斑马鱼突变体（例如，拉玛1,佛法,非关税壁垒、和文件)，但它们尚未与刺猬路径联系起来，要么因为它们尚未绘制地图，要么尚未在该角色中进行测试。这些结果表明，可以使用EQ方法和OBD中可用的相似算法来识别同一物种中已知的和潜在的新路径成员。

相似性度量

我们使用三个基于IC的指标来比较表型特征：simIC、ICCS和一对的maxIC。我们的分析中还包括了一个基于非IC的指标，即雅卡德指数（simJ）[18]在这些指标中，ICCS尚未在之前的研究中进行评估。据我们所知，这是首次尝试使用这些指标中的任何一个来使用复合情商描述来评分相似度。

所有度量都与推理器一起工作，因此描述不一定要精确匹配才能被视为相似。simJ度量通过计算所有包含描述的并集上的通用包含描述总数来奖励更具体的匹配。这意味着simJ在本体结构中可能存在偏见。如果我们将GO与FMA进行比较，我们可以看到这一点，具有可比特异性的术语通常位于FMA的更深处是a由于在FMA中使用高级抽象术语而形成的层次结构。基于IC的度量试图通过将重要性与术语用法相关联来克服本体结构中的偏差。诸如“器官”之类的高级术语被频繁使用（回想一下，我们使用推理器来计算间接注释），而诸如“透镜”之类的更具体的术语被使用的频率较低。透镜表型的这种匹配被认为比器官表型的匹配更重要。这种方法的一个危险是，注释集可能有偏差，因此得分低于预期。

我们预计基于IC的指标在进行种间比较时会表现得更好，因为我们在UBERON上有一个相当好的注释样本分布。仍然存在一些偏差，斑马鱼非常适合某些类型的研究，而老鼠适合其他类型的研究。文献和注释将反映这些差异。例如，许多斑马鱼注释是针对早期发育过程和结构的，因为该模型非常适合发育研究。在比较不同物种的基因表达或功能时，这是一个普遍存在的问题。然而，在种间比较的背景下，评估基于IC的指标与simJ相比要困难得多。如果我们假设直系学导致相似的表型，我们可以在表6评估指标。虽然这项研究的结果表明，衍生的基于IC的指标maxIC和ICCS可以克服一些这些偏见（更多的直系图返回为最相似的基因），但我们的11个人类基因的数据集并没有构成足够大的样本来统计比较不同的指标。未来，我们的目标是创建一套“金标准”的基因型-表型注释，将文献或实验偏见降至最低，并由不同的馆长独立注释，以消除委托和遗漏的错误。这将允许对这些相似性度量的敏感性和特异性进行统计测试。然而，我们的结果最终证明，人们可以使用基于个体学的度量来比较生物体的表型，以找到具有生物学意义的结果。此外，重要的是使用多种指标来分析和排序基因之间的总体相似性。

注释用基因/记录的选择

OMIM中的人类基因首先由具有已知和描述的突变同源物的人进行排序达尼奥雷里奥和黑腹果蝇然后对OMIM中的等位基因进行最详细的描述。我们从OMIM记录中选择了以下11个基因进行注释：ATP2A1型(108730),EPB41型(130500),外景2(608210),眼睛A1(601653),二月份(177000),第2页(167409),SHH公司(600725),SOX9标准(608160),SOX10标准(602229),TNNT2公司（191045），以及TTN公司(188840).眼睛A1,PAX2,SOX9标准,SOX10标准、和TTN公司由三位独立策展人选择进行记录，以测试注释的一致性（将在其他地方发表）。当OMIM基因记录引用疾病记录时，注释者将尽可能多地捕获有关该疾病的一般表型信息。

注释软件和存储

我们编写以本体名称为前缀的本体术语；本文开头提供了缩写。我们使用ZFA：肠道代替采埃孚航空：0000112为了清晰起见。实际的可计算解析表单将使用数字ID。

所有OMIM注释均使用Phenote创建[24]软件，使用“人工”配置。这包括以下本体：CL、CHEBI、FMA、GO和EDHAA用于实体选择，PATO用于质量选择。所有注释均按照OMIM记录中所列原始出版物的PubMed标识符（PMID）指定的出处进行记录。在注释期间，每日更新本体论，并在分析之前对过时术语的注释进行核对。本文分析的注释和参考本体可以在稳定的URL中找到：http://obo.svn.sourceforge.net/viewvc/obo/phenotype-commons/annotations/OMIM/archive/2009/.

其他注释源

从MGI检索其他表型注释以进行跨物种比较[33]、ZFIN[13]、GAD[63]，NCBI基因[64]和同系物[65]2008年9月。分析中使用的本体从海外建筑运营管理局铸造库下载[66]2008年8月：BP-XP-UBERON（2008年12月）、ChEBI、CL、DO、DO-XP-FMA、EDHAA、FMA、GO-BP、GO-CC、GO-MF、MA、MP-XP、PATO、SO、UBERON、ZFA和ZFS。为了将跨物种注释链接到特定物种的解剖本体（ssAO），我们创建了一个“Uber-ontology”UBERON，以填补通用解剖参考本体（CARO）之间的空白[67]和ssAO。UBERON的第一个版本是通过对齐现有的ssAO和解剖参考本体自动生成的，然后部分手动管理。引用的本体包括：FMA、MA、EHDAA、ZFA、TAO、NIF、GAID、CL、XAO、MAT、FBbt、AAO、BILA、WBbt和CARO。有关更多详细信息，请参阅[17]和[16]。所有本体都加载到OBD中，以及中列出的源注释表4.

推理

推理是在注释、本体和本体映射的组合集上执行的。我们使用OBD RuleBasedReasoner计算传递关系的闭包，并计算EQ描述之间的推断包含关系[28].

分析

使用OBD系统进行表型分析[28]它实现了许多相似性度量，如下所述。所有的相似性度量都是基于推理图的，并且注释被传播到包容层次。

大多数这些指标使用术语或EQ表型的IC（方程式1）（统称为描述），这是该描述被用于注释基因、等位基因或基因型（统称特征）的概率的负对数。

其中描述的概率是用该描述注释的特征数与数据库中特征总数的比值（方程式2）：

在这里不能_描述表示进行推理后，描述适用的特征数量。这意味着非常一般的描述，例如“解剖结构的形态学”，包含了许多更具体的描述，适用于更多的特征，因此IC较低。

最大IC

最大IC是通过获取一对特征共享的所有描述并找到IC最高的描述来获得的。这可能是一个精确的匹配，也可能是推理者推断的包含描述。maxIC分数的一个特征是，它可以隐藏不在maxIC集合中的注释的贡献。该分数等于Resnick相似性的“最大”变体，如[18].

ICCS系统

该度量试图将一个特征中直接注释的每个描述与另一个特征中直接注释的描述相匹配。每个直接注释的描述d日_我与所有描述进行比较d’₁,d’₂，…在正在比较的其他功能中。找到了最具体（得分最高）的共同包含描述，其中唯一的一组称为共同包含描述。ICCS是这个独特集合中所有常见用户的平均IC。

该测量值如所示图4中间的三联画显示了常见的消费者。ICCS度量如所述[28]据我们所知，之前没有描述过。它可以被视为平均和最大Resnick度量的组合，如[18].

模拟集成电路

给定两个表型特征，例如两个基因或两个基因型的表型特征，或由两个管理者注释同一基因型生成的两个特征，我们可以计算（a）共同持有的表型EQ描述（交集）和（b）的IC得分之和表型EQ描述的组合总集合（联合）。查看这两个总和（共享的总和与总体的总和）的比率，我们可以获得两个表型特征相似程度的度量，完全相同的表型得分为1。simIC度量如（方程式3）所示。

在这里一^第页表示可应用于的总描述集第页，包括包含说明。例如，给定两种基因型，第页和q个simIC是通过将所有公共描述的IC之和除以并集中所有描述之和得到的。这里，描述包括配置文件中使用的实际描述，以及推理器确定的所有包含描述。此度量惩罚具有不同注释的节点。

simJ（模拟J）

我们使用了一个额外的相似性度量simJ，它没有使用IC度量。两个概要文件之间的simJ是公共描述数量与两个概要中描述数量之间的比率。这也称为“雅卡指数”或“雅卡相似系数”[18]simJ（方程式4）是标准化simTO的变体：

我们感谢Yvonne Bradford、Amy Singer和Erik Segerdell的注释工作；Robert Bruggner对OBD系统的贡献；以及Favor博士、van Heyningen博士、Collinson博士、Singh博士和Dahm博士第6页突变图像。我们感谢美国遗传学会允许Pax6突变小鼠图像的复制[67]。我们也非常感谢匿名评审员的宝贵意见。