Explorando la Demencia Frontotemporal mediante Biología de Sistemas

Este repositorio contiene el código y recursos asociados al análisis presentado en el estudio:
"Explorando la Demencia Frontotemporal mediante Biología de Sistemas: Un Enfoque Integrado"

Autores:

• Mario Pascual González
• Ainhoa Nerea Santana Bastante
• Carmen Rodríguez González
• Gonzalo Mesas Aranda
• Ainhoa Pérez González.

---

Configuración del Entorno

Las pruebas fueron realizadas en:

• Sistema Operativo: Ubuntu 22.04.5 LTS
• Kernel: Linux 6.8.0-49-generic
• Procesador: 13th Gen Intel i7-13700KF (24) @ 5.300GHz
• GPU: NVIDIA GeForce RTX 3060
• Arquitectura: x86_64

Ejecución Completa del Pipeline

• Primera ejecución: 2024-11-22 11:40:01
• Última Ejecución: 2024-12-09 16:21:53

---

Instalación y Ejecución del Pipeline

Forma Principal: Ejecución Usando Docker Hub

La forma más sencilla y recomendada es ejecutar el pipeline utilizando la imagen preconstruida de Docker en Docker Hub. El script launch.sh se encargará de descargar y ejecutar la imagen.

1. Clonado del Repositorio
   Clonar el repositorio usando git:

   git clone https://github.com/MarioPasc/project_template
   cd project_template

2. Ejecución del Pipeline
   Lanzar el pipeline completo ejecutando:

   ./code/launch.sh

   Este script:

   • Descarga la imagen preconstruida desde Docker Hub: mariopasc/biosist_ftd:latest.
   • Ejecuta el pipeline dentro de un contenedor Docker.
   • Monta las carpetas locales results/ y code/data/ para almacenar los resultados.

---

Formas Alternativas

Si se prefiere no usar la imagen preconstruida de Docker Hub, puedes optar por las siguientes alternativas:

1. Construir la Imagen Docker Localmente

Si quieres construir la imagen tú mismo a partir del Dockerfile, sigue estos pasos:

1. Construir la Imagen
   Ejecutar el siguiente comando en la raíz del proyecto:

   docker build -t biosist_ftd:latest .

2. Ejecución del Pipeline con la Imagen Local
   Utilizar el script launch.sh, que ahora ejecutará la imagen localmente construida:

   ./code/launch.sh

---

2. Ejecución Manual sin Docker (No recomendado)

Si no se puede usar Docker, también se pueden instalar las dependencias y ejecutar el pipeline directamente en su máquina local:

1. Instalación de Dependencias
   Ejecutar el script setup.sh para instalar todas las dependencias de Python localmente:

   ./code/setup.sh

2. Ejecución del Pipeline
   Lanzar el pipeline ejecutando execute.sh:

   ./code/execute.sh

Caution

Es muy probable que la generación del PDF no funcione con esta vía de ejecución, ya que esa parte del flujo ha sido programada ad hoc para Docker

---

Forma	Comando	Requisitos
Principal (Docker Hub)	./code/launch.sh	Docker instalado
Alternativa 1 (Docker Local)	docker build -t biosist_ftd . ./code/launch.sh	Docker instalado
Alternativa 2 (Ejecución Local)	./code/setup.sh ./code/execute.sh	Python instalado (>=3.10), Latex local (figuras), sin Docker

Flujo de Trabajo Interno

1. launch.sh: Ejecuta Docker y monta las carpetas necesarias.
2. execute.sh (dentro del contenedor): Se encarga de ejecutar el pipeline completo, incluyendo:
   • Descarga de datos de HPO.
   • Construcción y análisis de la red PPI.
   • Optimización bayesiana (si se habilita).
   • Generación de resultados y figuras.

---

Parámetros de Ejecución

En el script execute.sh, se encuentran las siguientes variables:

Variable	Valor por Defecto	Descripción
OPTIMIZE	true	Controla si se realiza la optimización bayesiana de hiperparámetros. Si está en true, se retomará desde el último intento si existen archivos .db en results/.
TRIALS	100	Define el número de intentos del algoritmo de optimización bayesiana. Se recomienda 80-100 iteraciones para replicar los resultados del estudio original.

Caution

Si se quiere modificar cualquiera de estas variables, se deben especificar en la llamada a launch.sh, ya que Docker se encargará de pasarlas a execute.sh:

OPTIMIZE=true TRIALS=100 ./code/launch.sh

Caution

Si se fija OPTIMIZE=false, entonces se debe renombrar la carpeta original_results a results, para que tome los resultados guardados ahí. Esto se puede hacer fácilmente con:

mv ./original_results ./results

Important

Si results/ está vacío y OPTIMIZE=true, el ajuste se iniciará desde cero. Si los archivos .db existen, se reanudará el ajuste.

Note

Se estima 1 minuto por intento para cada algoritmo de clustering (Leiden y Louvain). Este tiempo puede estar relacionado con la configuración de hardware, pero sobre todo depende del estado de la API.

---

Estructura del Proyecto

La estructura del proyecto está organizada de la siguiente manera:

📂 project_template/
    ├── 📂 code/                                              # Código fuente principal
    │   ├── 📂 clustering/                                    # Scripts de clustering
    │   ├── 📂 functional_analysis/                           # Scripts de análisis funcional
    │   ├── 📂 network/                                       # Scripts de construcción y análisis de redes
    │   ├── 📂 utils/                                         # Utilidades y funciones auxiliares
    │   ├── setup.sh*                                         # Script para instalación de dependencias
    │   ├── launch.sh*                                        # Ejecución de la imagen Docker
    │   └── execute.sh*                                       # Script principal para ejecutar el pipeline
    │
    ├── 📂 report/                                            # Documentación y reportes del estudio
    │   ├── ...                   
    │   └── report.pdf                                        # Artículo original del proyecto
    │
    ├── 📂 results/                                           # Resultados de las ejecuciones
    │      ├── clustering_results.json                        # Resultados de clustering
    │      ├── functional_analysis_leiden_max_enrichment.csv  # Resultados de enriquecimiento funcional sin filtrar
    │      ├── functional_analysis_leiden_max_modularity.csv  # Resultados de enriquecimiento funcional sin filtrar
    │      ├── filtered_results_leiden_max_enrichment.csv     # Resultados de enriquecimiento funcional filtrados
    │      ├── filtered_results_leiden_max_modularity.csv     # Resultados de enriquecimiento funcional filtrados
    │      ├── leiden_optimization.db                         # Resultados de optimización Leiden
    │      ├── multilevel_optimization.db                     # Resultados de optimización Louvain
    │      ├── networkAnalysisMetrics.tex                     # Métricas de análisis de la red
    │      ├── results_leiden.csv                             # Resultados de optimización Leiden (formato csv)
    │      ├── results_multilevel.csv                         # Resultados de optimización Louvain (formato csv)
    │      └── 📂 plots/                                      # Gráficos generados
    │              ├── 📂 clustering/                         # Visualización de clustering
    │              ├── 📂 functional_analysis/                # Gráficos de análisis funcional
    │              ├── 📂 network/                            # Gráficos de redes
    │              └── 📂 optimization/                       # Gráficos de optimización
    │
    ├── Dockerfile                                            # Dockerfile con la configuración del entorno Docker
    └── README.md                                             # Documentación principal del proyecto

---

Resultados

Los resultados incluyen:

1. Clustering Funcional: Generado con algoritmos Leiden y Louvain.
2. Análisis Funcional: Rutas biológicas enriquecidas, incluyendo archivos filtered_results optimizados.
3. Optimización Bayesiana: Bases de datos .db con resultados de hiperparámetros ajustados.
4. Visualización: Gráficos detallados en la carpeta results/plots/.

Contacto

Se deja como contacto al alumno coordinador del proyecto, Mario Pascual González:
📧 [email protected]