مقالة منهجية

استخدام قوائم الجينات البشرية المعبر عنها تفاضليا لإجراء تحليل إثراء المسار النهائي وتحديد أولويات الهدف

DOI:

10.3791/68732

⸱

أكتوبر 3, 2025

 ,  ,  ,  ,  ,  , 
1Department of Microbiology and Molecular Biology, Brigham Young University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يصف العمل الحالي بروتوكولا لتشغيل خوارزمية Pathway2Targets ، وهو برنامج نصي R يتنبأ بالأهداف العلاجية ويحدد أولوياتها بناء على ملف تعريف مسارات الإشارات داخل الخلايا التي تم إنشاؤها عن طريق مقارنة عينات الحالة مقابل السيطرة من تجربة تسلسل الحمض النووي الريبي بالجملة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحدد هذا البروتوكول خط أنابيب حسابي متعدد الخطوات لتحديد الأهداف العلاجية المحتملة من بيانات تسلسل الحمض النووي الريبي ، بما في ذلك تثبيت البرامج ذات الصلة ، والتحقق من الإعداد ، وتحليل التعبير التفاضلي باستخدام edgeR. ثم نوضح كيفية استخدام خوارزمية تحليل تأثير مسار الإشارات (SPIA) للتنبؤ بالمسارات ذات الدلالة الإحصائية. لضمان الثقة في النتائج ، نركز على المسارات المهمة (p < 0.05) لتقليل النتائج الإيجابية الخاطئة. على عكس مجموعات الجينات التقليدية ، تعكس هذه المسارات شبكات تفاعل البروتين والبروتين ، مما يوفر رؤى ميكانيكية للعمليات الخلوية مثل دورة الخلية والاستجابة المناعية والتمثيل الغذائي. ثم يتم تحليل هذه المسارات باستخدام خوارزمية Pathway2Targets ، والتي تتفاعل مع قاعدة بيانات OpenTargets.org عبر واجهة برمجة التطبيقات (API). تتضمن هذه الخوارزمية نهجا جديدا للترجيح يسجل أهدافا معروفة للأدوية ضمن المسارات المحددة ، مع توفير تقدم في الوقت الفعلي. يعتمد وقت التشغيل على تعقيد المسار وكثافة الهدف. يتكون الإخراج من ملفين مرتبين. يحتوي الملف الأول على قائمة بأهداف الأدوية المتوقعة ودرجاتها المرجحة ، بينما يتكون الملف الثاني من تفاصيل مختلفة للعلاجات المرتبطة بها. يسهل خط الأنابيب هذا معا تحديد أولويات الأهداف والعلاجات القابلة للدواء في سياق ملفات تعريف التعبير الجيني الخاصة بالمرض.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتيح تسلسل الحمض النووي الريبي بالجملة مقارنة مستويات التعبير لآلاف الجينات عبر مجموعة من خلايا الحالة مقابل مجموعة من خلايا التحكم. عادة ما يتم تصميم التجارب لتشمل عينات ثلاثية على الأقل ، وهي مكررة بيولوجية مثالية ، على الرغم من أن النسخ المكررة التقنية يمكن أن تكفي. يفسر هذا التصميم التباين البيولوجي ويقلل من تأثير العينات المتطرفة. يوفر تحليل أنماط التعبير هذه نظرة ثاقبة مفصلة لتأثير المرض محل الاهتمام على العمليات الخلوية الطبيعية ويمكن أن يمكن من التنبؤ بالعلاجات ذات الصلة.

تتضمن المعالجة المسبقة لبيانات تسلسل الحمض النووي الريبي المجمع عادة: مراقبة جودة قراءات التسلسل (للتكرارات ، محولات التسلسل ، GC٪ ، إلخ) ، وتشذيب القراءة وإزالة المحول ، وقراءة رسم الخرائط / الكمية1،2،3 ، وتحليل التعبير التفاضلي4،5،6. لحسن الحظ ، تم أتمتة مجموعة متنوعة من العمليات التحليلية لتقليل العمل اليدوي المرتبط بهذه الخطوات7 ، 8 ، 9. بعد اكتمال المعالجة المسبقة ، تتضمن التحليلات النهائية التي يتم إجراؤها بشكل شائع تحليل التمثيل المفرط الوظيفي باستخدام الأنطولوجيا الجينية ، وإثراء مسارات الإشارات ، والتباين في الربط. تلخص هذه التحليلات النهائية وتسهل تفسير نتائج التعبير التفاضلي بمستوى أعلى من الدقة من قوائم الجينات وحدها.

تم تطوير أدوات مختلفة بهدف إعادة استخدام العلاجات الحالية لنوع محدد جيدا أو نوع فرعي من المرض. يتم تحقيق ذلك من خلال تدريب الخوارزمية على أنواع بيانات omics متعددة للمرض المقصود. لسوء الحظ ، فإن مثل هذه الجهود لتحسين الخصوصية والحساسية في المرض المقصود غالبا ما تجعل استخدام الأدوات في سياقات أكثر عمومية دون المستوى الأمثل10،11. مجموعة أخرى من الأدوات قابلة للتطبيق على نطاق أوسع في الحالات التي تتطابق فيها ملفات تعريف التعبير الجيني إما مع التوقيعات الموجودة للتعبير الجيني12،13 ، أو مع التأثيرات الكمية للعلاجات الحالية14،15. ومع ذلك ، فإن هذه الأدوات الأكثر قابلية للتطبيق على نطاق أوسع غالبا ما تحقق خصوصية وحساسية أقل عبر مجموعة واسعة من الأمراض و / أو تم تدريبها على بيانات قديمة.

في المقابل ، تم تطبيق خوارزمية Pathway2Targets سابقا للتنبؤ بالأهداف العلاجية المحتملة في سرطان الغدد الليمفاوية للخلايا البائية ، والتهاب دواعم السن ، وسرطان الثدي الإيجابي للإستروجين ، وسرطان الثدي الثلاثي السلبي ، وفيروس الشيكونغونيا16،17،18،19،20،21. تظهر نتائج هذه الدراسات أن هذه الأداة قادرة على التنبؤ بأهداف قوية وذات صلة بيولوجيا. بشكل مثير للإعجاب ، تنبأت Pathway2Targets ب 392 هدفا محتملا للأدوية لسرطان الثدي الثلاثي السلبي ، من بينها 60 تم اختبارها في التجارب السريرية. بالإضافة إلى 828 دواء فرديا ل TBNC ، مع اختبار 37 دواء17. في دراسة سرطان الغدد الليمفاوية ، تنبأت هذه الخوارزمية ب 915 دواء ، 461 منها19 دواء معتمدة من إدارة الغذاء والدواء.

الهدف من العمل الحالي هو وصف بروتوكول حسابي سيمكن المزيد من الباحثين ، الذين قد يستفيدون من الوصول إلى المزيد من التعليمات الوصفية حول تشغيل البرامج على سطر الأوامر ، من الاستخدام الفعال لخوارزمية Pathway2Targets التي تم تطويرها مؤخرا (الشكل 1). يتنبأ Pathway2Targets بأهداف لحالة معينة من خلال الجمع بين بيانات التعبير التفاضلي ، وارتباطات الأمراض الجينية ، ومعلومات التجارب السريرية ، وبيانات الهدف العام22 ، ومعلومات المسار ، والمقاييس الأخرى. الأهم من ذلك ، أن هذه الخوارزمية تتضمن مخطط ترجيح فريد وقابل للتخصيص ، والذي يسمح للمستخدمين بتحديد ~ 20 مقياسا مرتبطا بالهدف يفضلون التأكيد عليها في تحليلهم ، مثل عدد ارتباطات المرض ، وعدد مسارات الإشارات ، وعدد الأدوية الفريدة ، وعدد العلاجات في كل مرحلة من مراحل التجارب السريرية ، وما إلى ذلك.23. كمثال على حالة استخدام لهذا البروتوكول ، سنقوم بإعادة تحليل مجموعة بيانات سرطان القولون والمستقيمالحالية 24.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم الحصول على بيانات تسلسل الحمض النووي الريبي المجمعة التي تم تحليلها في هذه الدراسة من قواعد البيانات المتاحة للجمهور (أرشيف NCBI للتعبير الجيني الشامل والتسلسل للقراءة الشاملة)25،26. على هذا النحو ، ضمن جامعو البيانات الأصليون الجمع الأخلاقي والمناسب لهذه العينات من الأشخاص المطلعين والموافقين.

1. تنزيل وتثبيت برنامج R

  1. قم بتثبيت R (الإصدار 4.0 أو أحدث) بالنقر فوق رابط مناسب من شبكة أرشيف R الشاملة (CRAN) https://cran.r-project.org/mirrors.html واستخدم الخيار 0-Cloud ، ثم اتبع التعليمات المناسبة لنظام تشغيل الكمبيوتر. تستغرق هذه العملية بشكل عام من 5 إلى 10 دقائق.
  2. قم بتثبيت R Studio (الإصدار 2024 أو أحدث) من https://posit.co/download/rstudio-desktop/ ، ثم اتبع التعليمات الموجودة في صفحة التنزيل. يستغرق تثبيت RStudio بشكل عام ~ 10 دقائق.
    ملاحظة: يعد تثبيت RStudio اختياريا (ولكنه موصى به بشدة)، لأنه يوفر بيئة تطوير متكاملة تبسط تنفيذ التعليمات البرمجية، وتوفر تمييز بناء الجملة، وتسهل إدارة الحزم، وتساعد المستخدمين على تصور المخرجات، وهو أمر مفيد بشكل خاص للمستخدمين الأقل دراية ب R.

2. تنزيل وتثبيت البرامج النصية R للأدوات ذات الصلة

  1. قم بتنزيل البرامج النصية R الضرورية التالية من مستودع GitHub https://github.com/bpickett/Pathway2Targets. عنوان URL هذا هو للإشارة فقط.
  2. قم بتنزيل البرامج النصية باستخدام الروابط أدناه: SPIA الإصدار 1.0 (التنزيل بالنقر فوق تنزيل الملف الخام): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (معرف الالتزام: 60fcd46) ؛ Pathway2Targetsالإصدار 3.1 (التنزيل بالنقر فوق تنزيل ملف أول): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (معرف الالتزام: 8e4c7c8)

3. قم بتنزيل مكتبات R للأدوات ذات الصلة

  1. أثناء تشغيل R (إما في RStudio أو في نافذة طرفية)، أدخل الأوامر التالية لتنزيل مكتبات R الإضافية المطلوبة اللازمة لتشغيل البرنامج وتثبيتها.
    1. ابدأ برنامج RStudio. بشكل افتراضي ، توجد لوحة وحدة التحكم في الزاوية اليسرى السفلية من RStudio. انقر في أي مكان داخل نافذة لوحة وحدة التحكم ، ويجب أن يظهر مؤشر الكتابة في الأسفل بعد رمز السهم ">".
    2. انسخ الأمر التالي والصقه في منطقة وحدة التحكم واضغط على المفتاح Enter :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      بمجرد التثبيت بنجاح ، ستظهر رسالة حالة تقول "الحزم الثنائية التي تم تنزيلها موجودة في ....".
    3. انسخ الأمر التالي والصقه في منطقة لوحة وحدة التحكم واضغط على المفتاح Enter .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      بمجرد التثبيت بنجاح ، ستظهر رسالة مماثلة تقول "الحزم الثنائية التي تم تنزيلها موجودة في ....".
      ملاحظة: تتكون المجموعة الأولى من المكتبات (الخطوة 3.1.1) من مكتبات R نموذجية، بينما تتكون المجموعة الثانية (2.1.2) من مكتبات BioConductor. على هذا النحو ، يجب إدخال الأوامر بشكل منفصل. يجب تنزيل الإصدارات المناسبة من هذه المكتبات تلقائيا استنادا إلى إصدار R المثبت على الكمبيوتر. يجب أن يستغرق كل أمر من هذه الأوامر ~ 5 دقائق لإكماله.

4. معالجة الملفات

  1. قم بتنزيل ملف إخراج التعبير التفاضلي الذي تم إنشاؤه بواسطة edgeR مسبقا (بتنسيق RDS) ، والذي تم إنشاؤه بواسطة برنامج ARMOR (أو ما شابه) ، إلى الكمبيوتر المحلي. اسم هذا الملف هو بشكل عام edgeR_dge.rds.
  2. راجع نتائج edgeR يدويا (أو تعبير تفاضلي مشابه) لبدء التفسير البيولوجي للنتائج. للقيام بذلك ، قم بالتصفية ، كحد أدنى ، قيمة p مصححة < 0.05 ، وربما القيمة المطلقة لقيمة تغيير أضعاف السجل2 > 1.5. في حالة اختبار البرنامج ، يمكن العثور على نموذج ملف edgeR_dge.rds على Zenodo هنا: https://doi.org/10.5281/zenodo.15186609
    ملاحظة: يمكن أن تبدأ مراجعة الجينات المتبقية في هذه النتائج التي تمت تصفيتها في شرح الآلية (الآليات) الجزيئية الأساسية للنمط الظاهري المرتبط بعينات الحالة (مقارنة بعينات التحكم). من المهم أن ندرك أن القدرة على تفسير قوائم الجينات بطريقة غير متحيزة أمر صعب للغاية بسبب العدد المنخفض نسبيا من رموز الجينات التي يمكن استدعاؤها بسرعة. على هذا النحو ، يعد تحليل مسار الإشارات طريقة مفيدة لتلخيص الجينات التي تمت تصفيتها بناء على كيفية تفاعلها و / أو تواصلها مع بعضها البعض في الخلية.
  3. يمكن أن تستغرق المعالجة المسبقة لبيانات تسلسل الحمض النووي الريبي المجمع في أي مكان من عدة ساعات إلى أيام من وقت الحوسبة ، اعتمادا على حجم مجموعة البيانات التي يتم تحليلها. احفظ ملف .rds هذا في مجلد التنزيلات على الكمبيوتر. لاحظ أن نوع ملف .rds هذا غير قابل للقراءة من قبل الإنسان.

5. قم بتشغيل خوارزمية إثراء مسار SPIA

  1. إذا كنت قيد التشغيل باستخدام R، فاستخدم البرنامج النصي R إما من GitHub أو ملف الترميز التكميلي 1. اكتب الأمر التالي، بافتراض أن ملف edgeR_dge.rds موجود في مجلد التنزيلات
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. إذا كان ملف edgeR_dge.rds في مجلد (أو دليل) مختلف، فاستبدل هذا الأمر بما يلي
      Rscript --vanilla SPIA_Code.Rmd
  2. إذا كنت قيد التشغيل باستخدام RStudio، فاستخدم البرنامج النصي R من GitHub أو ملف الترميز التكميلي 2.
    ملاحظة: في اللغة R، تؤدي إضافة علامة التجزئة # قبل سطر من التعليمات البرمجية إلى تعطيلها مؤقتا. تم تصميم البرامج النصية في الأصل للتشغيل في بيئة سطر الأوامر بدلا من RStudio. يعد تمكين أسطر معينة من التعليمات البرمجية أو تعطيلها أسهل طريقة لإعادة تكوين الإعداد لملفات الإدخال.
    1. افتح البرنامج النصي SPIA_Code.Rmd في R Studio بالنقر فوق خيار فتح ملف في قائمة ملف، ثم حدد اسم البرنامج النصي. في نافذة رمز R Studio افتراضيا ، يوجد هذا في اللوحة العلوية اليسرى.
    2. حدد جميع أسطر التعليمات البرمجية في الملف وانقر فوق الزر تشغيل (أو تشغيل الأسطر المحددة) ، الموجود أعلى نافذة التعليمات البرمجية وعلى يمينها. سيؤدي التشغيل الناجح إلى إنتاج ملف باسم مشابه ل
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      في دليل التنزيل. سيحتوي هذا الملف على مسارات الإشارات ذات الدلالة الإحصائية
    3. راجع الملف الذي يحتوي على النتائج ذات الدلالة الإحصائية يدويا عن طريق فتحه كجدول بيانات. يجب أن تساعد محتويات هذا الملف في تلخيص شلالات الإشارات الأساسية داخل الخلايا التي يتم تمثيلها بشكل كبير بواسطة الجينات المعبر عنها تفاضليا.
      ملاحظة: قد يستغرق إكمال حساب المسارات المهمة من ~ 30 دقيقة إلى عدة ساعات ، اعتمادا على قوة الإشارة في مجموعة البيانات التي يتم تحليلها. عند تشغيل البرنامج ، سيتم تحديث رسائل التقدم في الوقت الفعلي باستمرار في نافذة وحدة التحكم. تظهر الرسائل التي يتم تحديثها بشكل متكرر أن البرنامج يعمل بنجاح. يمكن العثور على أوصاف أكثر تفصيلا لما يحدث في هذه الخطوة في مستودع GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    4. في حالة استخدام نموذج ملف الإدخال، سيتم العثور على ملف الإخراج من هذه الخطوة في مجلد التنزيلات وسيتم تسميته
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      يعكس نمط التسمية هذا اسم ملف الإدخال والعملية التي يتم تنفيذها والإخراج. هذا يتجنب الالتباس في تحديد الملفات إذا تمت معالجة أكثر من ملف.
    5. اضبط المعلمات الأخرى كما هو موضح أدناه.
      1. المعلمات الافتراضية لخوارزمية SPIA في هذه المكتبة هي 1,000 تباديل. قم بزيادة هذا إلى 2,000 التباديل لتحسين الثقة في النتائج. اضبط عدد التباديل في السطرين 84 و 85 من هذا البرنامج النصي عن طريق تغيير البيرم = 2000 إلى العدد المطلوب من التباديل. اضبط المعلمات الأخرى كما هو موضح أدناه.
      2. اضبط نهج تصحيح القيمة p في السطرين 84 و 85 عن طريق إزالة padj.method = 'BH'. لن يؤدي ذلك إلى تصحيح قيم p ، مما قد يزيد من احتمالية حدوث نتائج إيجابية خاطئة.

6. تشغيل خوارزمية تحديد الأولويات المستهدفة Pathway2Targets على إخراج SPIA

  1. في حالة تشغيل R، استخدم البرنامج النصي R من GitHub أو ملف الترميز التكميلي 3. استخدم الأمر التالي لاستدعاء هذه الخوارزمية
    Rscript --vanilla Pathway2Targets.R
  2. إذا كنت قيد التشغيل باستخدام R Studio، فاستخدم البرنامج النصي R من GitHub أو ملف الترميز التكميلي 4. افتح البرنامج النصي Pathway2Targets.R في R Studio بالنقر فوق خيار فتح ملف في قائمة ملف، ثم تحديد اسم البرنامج النصي.
    1. في نافذة رمز RStudio (اللوحة العلوية اليمنى)، استبدل اسم الملف الموجود في السطر 22 باسم ملف نتائج SPIA، مثل (من بيانات المثال)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. حدد جميع أسطر التعليمات البرمجية في الملف وانقر فوق الزر "تشغيل " ، الموجود أعلى واتجاه الجانب الأيمن من نافذة التعليمات البرمجية. سيتم عرض رسائل حالة التقدم في الوقت الفعلي باستمرار في اللوحة اليمنى السفلية. سيؤدي التشغيل الناجح إلى إنتاج ملف يسمى (مشابه ل)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       في دليل التنزيل. يعكس نمط تسمية الملفات الإدخال والعملية والإخراج
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      هو الإدخال لمثل هذا الملف.
      ملاحظة: يمكن أن تستغرق هذه الخطوة من ساعة إلى عدة ساعات ، اعتمادا على عدد مسارات الإشارات ذات القيمة p الكبيرة ، وعدد المنتجات الجينية في تلك المسارات المهمة ، وعدد المنتجات الجينية التي تعد أهدافا دوائية معروفة.
  3. يمكن ضبط بعض المعلمات لخوارزمية Pathway2Targets. على وجه التحديد ، اضبط قيم المضاعف (الأسطر 31-38 من البرنامج النصي) لتخصيص مخطط الترجيح لكل مقياس. يمكن العثور على أوصاف أكثر تفصيلا لما يحدث في هذه الخطوة في مستودع GitHub المقابل: https://github.com/bpickett/Pathway2Targets/tree/main
    ملاحظة: كمرجع ، في المثال ، يستغرق تحديد الأدوية المحتملة من 132 مسارا ، تتكون من مئات الأهداف الفردية ، حوالي ساعتين لإكماله. بناء على هذا المقياس ، من المعقول تقدير إجمالي وقت الحوسبة.

7. فتح ملفات النتائج للأهداف والعلاجات ذات الأولوية

  1. سيتم إنشاء الملف الذي يحتوي على أهداف ذات أولوية ومقاييسها. بالنسبة لملفات الإدخال النموذجية، استخدم ملف الإخراج الموجود في مجلد التنزيلات، المسمى:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
    1. سيتم فرز هذا الملف، بشكل افتراضي، مع فرز الأهداف بترتيب تنازلي بناء على المقياس المخصص. راجع ملف الإخراج يدويا للتأكد من أن النتائج ذات صلة بيولوجيا وأن الأهداف منطقية للنمط الظاهري الذي يتم تقييمه.
  2. سيتم أيضا إنشاء الملف الذي يحتوي على العلاجات ذات الأولوية ومقاييسها. بالنسبة لملفات الإدخال النموذجية، استخدم ملف الإخراج في مجلد التنزيلات، المسمى:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-Treatments.tsv
    1. وبالمثل ، سيتم أيضا فرز ملف الإخراج هذا ، افتراضيا ، مع العلاجات للأهداف المختلفة (في الخطوة 7.1.1) مرتبة بترتيب تنازلي بناء على المقياس المرجح. راجع الملف يدويا مع معرفة أساسية كافية بالنظام البيولوجي الأساسي لتحديد ما إذا كانت التجارب الإضافية مبررة. من المتوقع أن يكون للعلاجات المتعددة نفس المقياس المرجح لأن العديد من الأهداف ستتأثر بأكثر من علاج واحد في السوق.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد الإعداد الموضح في الخطوات من 1 إلى 3 من البروتوكول ضروريا لتمكين التنفيذ اللاحق ل SPIA وخوارزمية Pathway2Targets. في نهاية كل خطوة ، سيتم إنشاء رسالة لتأكيد التثبيت الناجح للبرنامج. تتكون الخطوة 4 إما من تنزيل مجموعة موجودة من نتائج التعبير التفاضلي ، والتي يمكن أن تتضمن ملف المثال المقدم ، أو ملف موجود مختلف ، أو المعالجة المسبقة لمجموعة بيانات مخصصة لتسلسل الحمض النووي الريبي. المتطلبات الأساسية للخطوة 4 هي أن سير العمل يستخدم edgeR كخوارزمية التعبير التفاضلي، مع تخزين النتائج ككائ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتعلق الخطوات من 1 إلى 3 من البروتوكول على وجه التحديد بتثبيت برنامج R الأساسي والبرامج النصية والتبعيات لتشغيل برنامج انتقال البيانات من الخادم بنجاح. تتوفر قائمة مفصلة بمكتبات R المطلوبة (الجدول التكميلي 4). تتضمن الخطوة 4 من البروتوكول استرداد ملف بيانات R (تنسيق .rds) ، والذي يحتوي على الإخراج من تحليل التعبير التفاضلي. تتضمن البرامج الشائعة لهذه الخطوة edgeR6 و DESeq24 و limma5. لقد أنشأنا سير ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أفضل الممارسات البيئية لديها أسهم في Pythia Biosciences. ولم يتم الحصول على أي تمويل خارجي للعمل الحالي.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر مكتب أبحاث الحوسبة في جامعة بريغهام يونغ على خبرتهم ودعمهم أثناء الوصول إلى بيئة الكمبيوتر عالية الأداء في الحرم الجامعي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
سكريبت Pathway2Targets Rجامعة بريغهام يونغ (مختبر بيكيت)الإصدار 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
آر سوفتويرشبكة أرشيف R الشاملة (CRAN)الإصدار: 4.4.3https://cran.r-project.org
برنامج R Studio لسطح المكتبالافتراضالإصدار: 2024.12.1+563https://posit.co/download/rstudio-desktop/
سكريبت SPIA Rجامعة بريغهام يونغ (مختبر بيكيت)الإصدار: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Dobin, A., et al. Ultrafast universal RNA-seq aligner. Bioinformatics. 29 (1), 15-21 (2013).
  2. Kim, D., Paggi, J. M., Park, C., Bennett, C., Salzberg, S. L. Graph-based genome alignment and genotyping with hisat2 and hisat-genotype. Nat Biotechnol. 37 (8), 907-915 (2019).
  3. Patro, R., Duggal, G., Love, M. I., Irizarry, R. A., Kingsford, C. Salmon provides fast and bias-aware quantification of transcript expression. Nat Methods. 14 (4), 417-419 (2017).
  4. Love, M. I., Huber, W., Anders, S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 15 (12), 550(2014).
  5. Ritchie, M. E., et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  6. Robinson, M. D., McCarthy, D. J., Smyth, G. K. Edger: A bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics. 26 (1), 139-140 (2010).
  7. Orjuela, S., Huang, R., Hembach, K. M., Robinson, M. D., Soneson, C. Armor: An automated reproducible modular workflow for preprocessing and differential analysis of RNA-seq data. G3 (Bethesda). 9 (7), 2089-2096 (2019).
  8. Zhang, X., Jonassen, I. Rasflow: An RNA-seq analysis workflow with Snakemake. BMC Bioinformatics. 21 (1), 110(2020).
  9. Bhardwaj, V., et al. Snakepipes: Facilitating flexible, scalable, and integrative epigenomic analysis. Bioinformatics. 35 (22), 4757-4759 (2019).
  10. Chen, Y., Xu, R. Drug repurposing for glioblastoma based on molecular subtypes. J Biomed Inform. 64, 131-138 (2016).
  11. Xu, Y., Kong, J., Hu, P. Computational drug repurposing for Alzheimer's disease using risk genes from GWAS and single-cell RNA sequencing studies. Front Pharmacol. 12, 617537(2021).
  12. Subramanian, A., et al. A next-generation connectivity map: L1000 platform and the first 1,000,000 profiles. Cell. 171 (6), 1437-1452.e17 (2017).
  13. Wang, Z., Lachmann, A., Keenan, A. B., Ma'ayan, A. L1000fwd: Fireworks visualization of drug-induced transcriptomic signatures. Bioinformatics. 34 (12), 2150-2152 (2018).
  14. Chan, J., Wang, X., Turner, J. A., Baldwin, N. E., Gu, J. Breaking the paradigm: Dr insight empowers signature-free, enhanced drug repurposing. Bioinformatics. 35 (16), 2818-2826 (2019).
  15. Keenan, A. B., et al. The library of integrated network-based cellular signatures NIH program: System-level cataloging of human cells response to perturbations. Cell Syst. 6 (1), 13-24 (2018).
  16. Jackson, M., et al. Transcriptomic insights into gas6-induced placental dysfunction: Gene targets for preeclampsia therapy. Cells. 14 (4), 278(2025).
  17. Rapier-Sharman, N., et al. Secondary transcriptomic analysis of triple-negative breast cancer reveals reliable universal and subtype-specific mechanistic markers. Cancers (Basel). 16 (19), 3379(2024).
  18. Sutherland, L., Lang, J., Gonzalez-Juarbe, N., Pickett, B. E. Secondary analysis of human bulk RNA-seq dataset suggests potential mechanisms for letrozole resistance in estrogen-positive (ER+) breast cancer. Curr Issues Mol Biol. 46 (7), 7114-7133 (2024).
  19. Rapier-Sharman, N., Clancy, J., Pickett, B. E. Joint secondary transcriptomic analysis of non-Hodgkin's B-cell lymphomas predicts reliance on pathways associated with the extracellular matrix and robust diagnostic biomarkers. J Bioinform Syst Biol. 5 (4), 119-135 (2022).
  20. Moreno, C., Bybee, E., Tellez Freitas, C. M., Pickett, B. E., Weber, K. S. Meta-analysis of two human RNA-seq datasets to determine periodontitis diagnostic biomarkers and drug target candidates. Int J Mol Sci. 23 (10), (2022).
  21. Gray, M., et al. Chikungunya virus time course infection of human macrophages reveals intracellular signaling pathways relevant to repurposed therapeutics. PeerJ. 10, e13090(2022).
  22. Ochoa, D., et al. The next-generation open targets platform: Reimagined, redesigned, rebuilt. Nucleic Acids Res. 51 (D1), D1353-D1359 (2023).
  23. Dobbs Spendlove, M., et al. Pathway2targets: An open-source pathway-based approach to repurpose therapeutic drugs and prioritize human targets. PeerJ. 11, e16088(2023).
  24. Li, Q. L., et al. Genome-wide profiling in colorectal cancer identifies phf19 and tbc1d16 as oncogenic super enhancers. Nat Commun. 12 (1), 6407(2021).
  25. Clough, E., et al. Ncbi geo: Archive for gene expression and epigenomics data sets: 23-year update. Nucleic Acids Res. 52 (D1), D138-D144 (2024).
  26. Katz, K., et al. The sequence read archive: A decade more of explosive growth. Nucleic Acids Res. 50 (D1), D387-D390 (2022).
  27. Galaxy, C. The galaxy platform for accessible, reproducible and collaborative biomedical analyses: 2022 update. Nucleic Acids Res. 50 (W1), W345-W351 (2022).
  28. Tarca, A. L., et al. A novel signaling pathway impact analysis. Bioinformatics. 25 (1), 75-82 (2009).
  29. Kanehisa, M., Furumichi, M., Tanabe, M., Sato, Y., Morishima, K. Kegg: New perspectives on genomes, pathways, diseases and drugs. Nucleic Acids Res. 45 (D1), D353-D361 (2017).
  30. Gillespie, M., et al. The Reactome Pathway Knowledgebase 2022. Nucleic Acids Res. 50 (D1), D687-D692 (2022).
  31. Li, Z., et al. Construction and function analysis of the lncRNA-miRNA-mRNA competing endogenous RNA network in autoimmune hepatitis. BMC Med Genomics. 15 (1), 270(2022).
  32. Subramanian, A., et al. Gene set enrichment analysis: A knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 102 (43), 15545-15550 (2005).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Differential Gene ExpressionPathway EnrichmentTarget PrioritizationRNA SequencingSPIA AlgorithmPathway2TargetsDrug Target PredictionProtein Interaction NetworksTherapeutic Target IdentificationDisease Gene Profiles

مقالات ذات صلة