Reproducible Biological Networks for Personalized Oncology

Abstract

Die ständig wachsende Menge an Daten in den Biowissenschaften hat die Ära der wirklich personalisierten Medizin eingeleitet. Eine Medizin, in der Behandlungen auf den einzelnen Patienten zugeschnitten sind und therapeutische Entscheidungen auf datengestützten Krankheitsprofilen beruhen. Biologische Netzwerke ermöglichen die computergestützte Verarbeitung der Beziehungen und Eigenschaften zellulärer Prozesse. Sie helfen dabei, neue Eigenschaften und nachgelagerte Wirkungen von Mutationen und pharmazeutischen Eingriffen gleichermaßen aufzuklären. Netzwerkdarstellungen, die therapeutische Entscheidungen unterstützen, müssen in arbeitsintensiven Vorbereitungsphasen manuell zusammengestellt werden, bevor sie von Experten auf dem Gebiet diskutiert werden können. Biologische Netzwerke, die in wissenschaftlichen Veröffentlichungen genutzt oder präsentiert werden, sind häufig weder maschinenlesbar noch ist ihre Herkunft eindeutig ersichtlich. Dies erschwert die Reproduzierbarkeit der Ergebnisse und verhindert ihre effektive Weiterverwendung.

Hier stellen wir SBML4j vor, eine serviceorientierte Anwendung, die anpassbare biologische Netzwerke bereitstellt. Sie lässt sich durch die vorhandene REST-basierte Schnittstelle und die intuitive Python-Bibliothek leicht in bestehende klinische Softwareprozesse integrieren. Wir demonstrieren dies anhand der Integration von SBML4j mit einer Annotationspipeline für klinische Varianten in ein webbasiertes Frontend. Dieses ermöglicht die visuelle Untersuchung von Varianten in ihrer genetischen Nachbarschaft. SBML4j erstellt Netzwerk-Mappings aus standardisierten und kuratierten systembiologischen Modellen und Pathways. Ein umfassender Provenance-Report für jedes von SBML4j bereitgestellte Netzwerk gewährleistet die Reproduzierbarkeit. Diese Provenance kann sogar nachverfolgt werden, wenn externe Anwendungen die von SBML4j bereitgestellten Netzwerke nutzen oder wenn extern erstellte Netzwerke als Derivate bestehender Netzwerke in SBML4j hochgeladen werden.

Damit liefert SBML4j reproduzierbares biologisches Netzwerkwissen für Ansätze der personalisierten Medizin. Gleichzeitig ermöglicht es Forschungsgruppen, detaillierte Herkunftsinformationen und maschinenlesbare Darstellungen biologischer Netzwerke bereitzustellen. Als Open-Source-Projekt mit einer nicht restriktiven Lizenz wird SBML4j von einer aktiven Forschungsgemeinschaft weiterentwickelt und kann die Zukunft der personalisierten Medizin mitgestalten.

An ever increasing amount of data in the life sciences sparked the era of truly personalized medicine. A medicine, where treatments are tailored to individual patients and therapeutic decisions are based on data driven disease profiles. Biological networks enable the computational processing of the relationships and properties of the cellular processes. They help to elucidate emerging properties and downstream effects of mutations and pharmaceutical interventions alike. Network representations of the cellular processes that aid therapeutic decisions have to be manually assembled in labor-intensive preparation phases, before they can be discussed by the experts in the field. In research, most publications that do report biological networks as part of their methodology or results, fail to adequately disclose the provenance of their networks. By not providing machine-readable representations of the processes they discuss, reproducibility of the findings is hampered.

Here, we present SBML4j, a service-oriented application that provides customizable biological networks through annotation, filtering and various graph-algorithmic computations. It is easily integrated into existing clinical tool chains through the provided RESTful interface and the intuitive Python library. We demonstrate this with the integration of SBML4j with a clinical variant annotation pipeline and a web-based frontend for visual exploration of variants in their genetic neighborhood. SBML4j creates network mappings from standardized and curated systems biology models and pathways. By using well-defined biological qualifiers and ontologies, the provenance of the networks and their biological entities is clearly defined. A comprehensive provenance report for any network provided by SBML4j ensures reproducibility. This provenance can even be tracked when external applications consume networks that are provided by SBML4j or when externally created networks are uploaded to SBML4j as derivatives of existing networks.

With this, SBML4j delivers reproducible biological-network knowledge to personalized medicine approaches. At the same time it enables research groups to provide detailed provenance information and machine-readable representations of biological networks. As an open-source project with a non-restrictive license, SBML4j will be further developed by an active research community and can help to shape the future of personalized medicine.