Methodenartikel

Verwendung von differentiell exprimierten Genlisten des Menschen zur Durchführung einer Downstream-Analyse der Signalweganreicherung und Zielpriorisierung

DOI:

10.3791/68732

⸱

3. Oktober 2025

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

In diesem Artikel

Zusammenfassung

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

Die vorliegende Arbeit beschreibt ein Protokoll zum Ausführen des Pathway2Targets-Algorithmus, eines R-Skripts, das therapeutische Ziele auf der Grundlage des Profils intrazellulärer Signalwege vorhersagt und priorisiert, das durch den Vergleich von Fall- und Kontrollproben aus einem Massen-RNA-Sequenzierungsexperiment generiert wurde.

Zusammenfassung

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

Dieses Protokoll skizziert eine mehrstufige rechnerische Pipeline zur Identifizierung potenzieller therapeutischer Ziele aus RNA-Sequenzierungsdaten, einschließlich der Installation relevanter Software, der Setup-Verifizierung und der differentiellen Expressionsanalyse mit edgeR. Anschließend zeigen wir, wie der Algorithmus der Signaling Pathway Impact Analysis (SPIA) verwendet werden kann, um statistisch signifikante Signalwege vorherzusagen. Um das Vertrauen in die Ergebnisse zu gewährleisten, konzentrieren wir uns auf signifikante Signalwege (p < 0,05), um falsch positive Ergebnisse zu reduzieren. Im Gegensatz zu herkömmlichen Gensätzen spiegeln diese Signalwege Protein-Protein-Interaktionsnetzwerke wider und bieten mechanistische Einblicke in zelluläre Prozesse wie den Zellzyklus, die Immunantwort und den Stoffwechsel. Diese Pfade werden dann mit dem Pathway2Targets-Algorithmus analysiert, der über eine Anwendungsprogrammierschnittstelle (API) mit der OpenTargets.org Datenbank verbunden ist. Dieser Algorithmus beinhaltet einen neuartigen Gewichtungsansatz, der bekannte Wirkstoffziele innerhalb der identifizierten Signalwege bewertet und gleichzeitig Fortschritte in Echtzeit liefert. Die Laufzeit hängt von der Komplexität des Pfads und der Zieldichte ab. Die Ausgabe besteht aus zwei geordneten Dateien. Die erste Datei enthält eine Liste der vorhergesagten Wirkstoffziele und ihrer gewichteten Scores, während die zweite aus verschiedenen Details für die zugehörigen Therapeutika besteht. Zusammen erleichtert diese Pipeline die Priorisierung von medikamentösen Zielen und Behandlungen im Kontext krankheitsspezifischer Genexpressionsprofile.

Einleitung

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

Die Massen-RNA-Sequenzierung ermöglicht den Vergleich der Expressionsniveaus für Tausende von Genen in einer Population von Fallzellen mit einer Population von Kontrollzellen. Die Experimente sind in der Regel so ausgelegt, dass sie mindestens dreifache Proben umfassen, idealerweise biologische Replikate, obwohl technische Replikate ausreichen können. Dieses Design berücksichtigt die biologische Variabilität und reduziert die Auswirkungen von Ausreißerproben. Die Analyse dieser Expressionsmuster bietet einen detaillierten Einblick in die Wirkung der interessierenden Krankheit auf normale zelluläre Prozesse und kann möglicherweise die Vorhersage relevanter Therapeutika ermöglichen.

Die Vorverarbeitung von Massen-RNA-Sequenzierungsdaten umfasst in der Regel: Qualitätskontrolle von Sequenzierungs-Reads (für Wiederholungen, Sequenzierungsadapter, GC% usw.), Read-Trimming und Adapterentfernung, Read-Mapping/Quantifizierung 1,2,3 und differentielle Expressionsanalyse 4,5,6. Glücklicherweise wurde eine Vielzahl von Analyseprozessen automatisiert, um die manuelle Arbeit im Zusammenhang mit diesen Schritten zu reduzieren 7,8,9. Nach Abschluss der Vorverarbeitung umfassen die häufig durchgeführten Downstream-Analysen die Analyse der funktionellen Überrepräsentation mit Genontologien, die Anreicherung von Signalwegen und die Variation des Spleißens. Diese nachgelagerten Analysen fassen die differentiellen Expressionsergebnisse zusammen und erleichtern die Interpretation auf einer höheren Granularitätsebene als die Genlisten allein.

Es wurden verschiedene Instrumente entwickelt, mit dem Ziel, bestehende Therapeutika für einen genau definierten Krankheitstyp oder -subtyp wiederzuverwenden. Dies wird erreicht, indem der Algorithmus mit Multiple-Omics-Datentypen für die beabsichtigte Krankheit trainiert wird. Leider machen solche Bemühungen, die Spezifität und Sensitivität bei einer beabsichtigten Krankheit zu verbessern, den Einsatz der Instrumente in allgemeineren Kontexten oft suboptimal10,11. Ein weiterer Satz von Instrumenten ist breiter anwendbar auf Fälle, in denen Genexpressionsprofile entweder mit vorhandenen Signaturen der Genexpression12,13 oder mit den quantifizierten Wirkungen aktueller Therapeutika14,15 abgeglichen werden. Diese breiter anwendbaren Instrumente erreichen jedoch oft eine verringerte Spezifität und Sensitivität für ein breites Spektrum von Krankheiten und/oder wurden mit veralteten Daten trainiert.

Im Gegensatz dazu wurde der Pathway2Targets-Algorithmus zuvor zur Vorhersage potenzieller therapeutischer Ziele bei B-Zell-Lymphomen, Parodontitis, östrogenpositivem Brustkrebs, dreifach negativem Brustkrebs und dem Chikungunya-Virus 16,17,18,19,20,21 angewendet. Die Ergebnisse dieser Studien zeigen, dass dieses Instrument in der Lage ist, robuste und biologisch relevante Ziele vorherzusagen. Beeindruckend ist, dass Pathway2Targets 392 potenzielle Angriffspunkte für dreifach negativen Brustkrebs vorhersagte, von denen 60 in klinischen Studien getestet wurden; sowie 828 einzelne Medikamente gegen TBNC, von denen 37 getestet wurden17. In der Lymphomstudie sagte dieser Algorithmus 915 Medikamente voraus, von denen 461 von der FDA zugelassen sind19.

Das Ziel der aktuellen Arbeit ist es, ein Berechnungsprotokoll zu beschreiben, das es mehr Forschern ermöglicht, den kürzlich entwickelten Pathway2Targets-Algorithmus effektiv zu nutzen, die vom Zugang zu aussagekräftigeren Anweisungen zum Ausführen von Programmen auf der Befehlszeile profitieren könnten (Abbildung 1). Pathway2Targets prognostiziert Ziele für eine bestimmte Erkrankung durch die Kombination von differentiellen Expressionsdaten, Gen-Krankheits-Assoziationen, Informationen zu klinischen Studien, öffentlichen Zieldaten22, Signalweginformationen und anderen Metriken. Wichtig ist, dass dieser Algorithmus ein einzigartiges und anpassbares Gewichtungsschema enthält, das es den Nutzern ermöglicht, die ~20 zielbezogenen Metriken zu bestimmen, die sie in ihrer Analyse bevorzugen, wie z. B. die Anzahl der Krankheitsassoziationen, die Anzahl der Signalwege, die Anzahl der einzigartigen Medikamente, die Anzahl der Therapeutika in jeder Phase klinischer Studien usw.23. Als beispielhafter Anwendungsfall für dieses Protokoll werden wir einen bestehenden Darmkrebsdatensatzerneut analysieren 24.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Die in dieser Studie analysierten Massen-RNA-Sequenzierungsdaten wurden aus öffentlich zugänglichen Datenbanken (dem NCBI Gene Expression Omnibus and Sequence Read Archive)25,26 gewonnen. Daher stellten die ursprünglichen Datensammler die ethische und angemessene Entnahme dieser Proben von informierten und einwilligenden Menschen sicher.

1. Laden Sie die R-Software herunter und installieren Sie sie

  1. Installieren Sie R (Version 4.0 oder höher), indem Sie auf einen entsprechenden Link im CRAN-https://cran.r-project.org/mirrors.html (Comprehensive R Archive Network) klicken, die Option 0-Cloud verwenden und dann den entsprechenden Anweisungen für das Betriebssystem des Computers folgen. Dieser Vorgang dauert in der Regel 5-10 Minuten.
  2. Installieren Sie R Studio (Version 2024 oder höher) von https://posit.co/download/rstudio-desktop/, und befolgen Sie dann die Anweisungen auf der Downloadseite. Die Installation von RStudio dauert in der Regel ~10 Minuten.
    HINWEIS: Die Installation von RStudio ist optional (wird aber dringend empfohlen), da es eine integrierte Entwicklungsumgebung bietet, die die Codeausführung vereinfacht, Syntaxhervorhebung bietet, die Paketverwaltung erleichtert und Benutzern hilft, Ausgaben zu visualisieren, was besonders für Benutzer von Vorteil ist, die mit R weniger vertraut sind.

2. Laden Sie R-Skripts für relevante Tools herunter und installieren Sie sie.

  1. Laden Sie die folgenden erforderlichen R-Skripts aus dem GitHub-Repository https://github.com/bpickett/Pathway2Targets herunter. Diese URL dient nur als Referenz.
  2. Laden Sie die Skripte über die folgenden Links herunter: SPIA Version 1.0 (Download durch Klicken auf Rohdatei herunterladen): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (Commit-ID: 60fcd46); Pathway2TargetsVersion 3.1 (Download durch Klicken auf Download Raw File): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (Commit-ID: 8e4c7c8)

3. Laden Sie R-Bibliotheken für relevante Tools herunter

  1. Geben Sie beim Ausführen von R (entweder in RStudio oder in einem Terminalfenster) die folgenden Befehle ein, um die erforderlichen zusätzlichen R-Bibliotheken herunterzuladen und zu installieren, die zum Ausführen der Software erforderlich sind.
    1. Starten Sie das RStudio-Programm. Standardmäßig befindet sich der Konsolenbereich in der unteren linken Ecke von RStudio. Klicken Sie auf eine beliebige Stelle im Fenster des Konsolenfensters, und unten nach dem Pfeilsymbol ">" sollte ein Eingabecursor angezeigt werden.
    2. Kopieren Sie den folgenden Befehl, fügen Sie ihn in den Konsolenbereich ein und drücken Sie die Eingabetaste :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Nach erfolgreicher Installation wird eine Statusmeldung angezeigt, die besagt: "Die heruntergeladenen Binärpakete befinden sich in ....".
    3. Kopieren Sie den folgenden Befehl, fügen Sie ihn in den Bereich des Konsolenbereichs ein und drücken Sie die Eingabetaste .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Nach erfolgreicher Installation wird eine ähnliche Meldung angezeigt, die besagt: "Die heruntergeladenen Binärpakete befinden sich in ....".
      HINWEIS: Der erste Satz von Bibliotheken (Schritt 3.1.1) besteht aus typischen R-Bibliotheken, während der zweite (2.1.2) aus BioConductor-Bibliotheken besteht. Daher müssen die Befehle separat eingegeben werden. Die entsprechenden Versionen dieser Bibliotheken sollten basierend auf der auf dem Computer installierten R-Version automatisch heruntergeladen werden. Es sollte ~5 Minuten dauern, bis jeder dieser Befehle ausgeführt wird.

4. Verarbeitung von Dateien

  1. Laden Sie die zuvor berechnete, von edgeR generierte Ausgabedatei für differenzielle Ausdrücke (im RDS-Format) herunter, die von der ARMOR-Software (oder ähnlichem) generiert wurde, auf den lokalen Computer. Der Name dieser Datei lautet in der Regel edgeR_dge.rds.
  2. Überprüfen Sie die Ergebnisse von edgeR (oder einem ähnlichen differentiellen Ausdruck) manuell, um mit der biologisch relevanten Interpretation der Ergebnisse zu beginnen. Filtern Sie dazu mindestens nach einem korrigierten p-Wert < 0,05 und möglicherweise nach dem absoluten Wert deslogarithmischen 2-fachen Änderungswerts > 1,5. Wenn Sie die Software testen, finden Sie eine Beispieldatei edgeR_dge.rds auf Zenodo hier: https://doi.org/10.5281/zenodo.15186609
    HINWEIS: Die Überprüfung der Gene, die in diesen gefilterten Ergebnissen verbleiben, kann beginnen, die zugrunde liegenden molekularen Mechanismen des Phänotyps zu erklären, der mit den Fallproben (im Vergleich zu den Kontrollproben) verbunden ist. Es ist wichtig zu erkennen, dass die Fähigkeit, Listen von Genen unvoreingenommen zu interpretieren, aufgrund der relativ geringen Anzahl von Gensymbolen, die schnell abgerufen werden können, äußerst schwierig ist. Daher ist die Analyse des Signalwegs eine nützliche Methode, um die gefilterten Gene basierend darauf zusammenzufassen, wie sie in der Zelle interagieren und/oder miteinander kommunizieren.
  3. Die Vorverarbeitung von RNA-Seq-Massendaten kann je nach Größe des zu analysierenden Datensatzes zwischen mehreren Stunden und Tagen Rechenzeit in Anspruch nehmen. Speichern Sie diese RDS-Datei im Ordner "Downloads" auf dem Computer. Beachten Sie, dass dieser .rds-Dateityp nicht für Menschen lesbar ist.

5. Führen Sie den SPIA-Algorithmus zur Anreicherung des Signalwegs aus

  1. Wenn Sie mit R ausgeführt werden, verwenden Sie das R-Skript entweder von GitHub oder aus der ergänzenden Codierungsdatei 1. Geben Sie den folgenden Befehl ein, vorausgesetzt, die Datei edgeR_dge.rds befindet sich im Ordner Downloads
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. Wenn sich die Datei edgeR_dge.rds in einem anderen Ordner (oder Verzeichnis) befindet, ersetzen Sie diesen Befehl durch den folgenden Befehl:
      Rscript --vanilla SPIA_Code.Rmd
  2. Wenn Sie mit RStudio ausgeführt werden, verwenden Sie das R-Skript von GitHub oder die ergänzende Codierungsdatei 2.
    HINWEIS: In der Sprache R wird es vorübergehend deaktiviert, wenn Sie das Hash-Tag-Symbol # vor einer Codezeile hinzufügen. Die Skripts wurden ursprünglich für die Ausführung in einer Befehlszeilenumgebung anstelle von RStudio entwickelt. Das Aktivieren oder Deaktivieren bestimmter Codezeilen ist die einfachste Möglichkeit, das Setup für die Eingabedateien neu zu konfigurieren.
    1. Öffnen Sie das Skript SPIA_Code.rmd in R Studio, indem Sie im Menü Datei auf die Option Datei öffnen klicken und dann den Skriptnamen auswählen. Im R Studio-Codefenster befindet sich dies standardmäßig im oberen linken Bereich.
    2. Wählen Sie alle Codezeilen in der Datei aus, und klicken Sie auf die Schaltfläche Ausführen (oder Ausgewählte Zeile(n) ausführen), die sich über und rechts vom Codefenster befindet. Bei einer erfolgreichen Ausführung wird eine Datei mit einem ähnlichen Namen erstellt:
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      im Download-Verzeichnis. Diese Datei enthält die statistisch signifikanten Signalwege
    3. Überprüfen Sie die Datei mit den statistisch signifikanten Ergebnissen manuell, indem Sie sie als Tabelle öffnen. Der Inhalt dieser Datei soll helfen, die zugrundeliegenden intrazellulären Signalkaskaden zusammenzufassen, die signifikant durch die differentiell exprimierten Gene repräsentiert werden.
      HINWEIS: Die Berechnung der signifikanten Signalwege kann je nach Stärke des Signals im zu analysierenden Datensatz zwischen ~30 Minuten und mehreren Stunden dauern. Wenn das Programm ausgeführt wird, werden die Fortschrittsmeldungen in Echtzeit kontinuierlich im Konsolenfenster aktualisiert. Die häufig aktualisierten Meldungen zeigen an, dass das Programm erfolgreich funktioniert. Genauere Beschreibungen, was in diesem Schritt passiert, finden Sie im GitHub-Repository: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Wenn Sie die Beispieleingabedatei verwenden, befindet sich die Ausgabedatei aus diesem Schritt im Ordner Downloads und erhält den Namen
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Dieser Benennungsstil spiegelt den Namen der Eingabedatei, den ausgeführten Prozess und die Ausgabe wider. Dies vermeidet Verwirrung bei der Identifizierung von Dateien, wenn mehr als eine Datei verarbeitet wird.
    5. Passen Sie andere Parameter wie unten beschrieben an.
      1. Die Standardparameter für den SPIA-Algorithmus in dieser Bibliothek sind 1.000 Permutationen. Erhöhen Sie diesen Wert auf 2.000 Permutationen, um das Vertrauen in die Ergebnisse zu erhöhen. Passen Sie die Anzahl der Permutationen in den Zeilen 84 und 85 dieses Skripts an, indem Sie perm = 2000 auf die gewünschte Anzahl von Permutationen ändern. Passen Sie andere Parameter wie unten beschrieben an.
      2. Passen Sie den p-Wert-Korrekturansatz in den Zeilen 84 und 85 an, indem Sie padj.method = 'BH' entfernen. Dadurch werden p-Werte nicht korrigiert, was die Wahrscheinlichkeit falsch positiver Ergebnisse erhöhen kann.

6. Ausführen des Pathway2Targets-Zielpriorisierungsalgorithmus für die SPIA-Ausgabe

  1. Wenn Sie R ausführen, verwenden Sie das R-Skript von GitHub oder Supplementary Coding File 3. Verwenden Sie den folgenden Befehl, um diesen Algorithmus aufzurufen
    Rscript --vanilla Pathway2Targets.R
  2. Wenn Sie mit R Studio ausgeführt werden, verwenden Sie das R-Skript von GitHub oder die ergänzende Codierungsdatei 4. Öffnen Sie das Skript "Pathway2Targets.R" in R Studio, indem Sie im Menü "Datei" auf die Option "Datei öffnen " klicken und dann den Skriptnamen auswählen.
    1. Ersetzen Sie im RStudio-Codefenster (oben links) den Dateinamen in Zeile 22 durch den Namen der SPIA-Ergebnisdatei, z. B. (aus den Beispieldaten)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Wählen Sie alle Codezeilen in der Datei aus, und klicken Sie auf die Schaltfläche Ausführen , die sich über und auf der rechten Seite des Codefensters befindet. Statusmeldungen zum Fortschritt in Echtzeit werden kontinuierlich im unteren rechten Bereich angezeigt. Bei einer erfolgreichen Ausführung wird eine Datei mit dem Namen (ähnlich)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       im Download-Verzeichnis. Der Benennungsstil der Dateien spiegelt die Eingabe, den Prozess und die Ausgabe wider
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      ist die Eingabe für eine solche Datei.
      HINWEIS: Dieser Schritt kann zwischen einer und mehreren Stunden dauern, abhängig von der Anzahl der Signalwege mit einem signifikanten p-Wert, der Anzahl der Genprodukte in diesen signifikanten Signalwegen und der Anzahl der Genprodukte, die bekannte Ziele für Arzneimittel sind.
  3. Einige Parameter für den Pathway2Targets-Algorithmus können angepasst werden. Passen Sie insbesondere die Multiplikatorwerte (Zeilen 31-38 des Skripts) an, um das Gewichtungsschema für jede Metrik anzupassen. Genauere Beschreibungen, was in diesem Schritt passiert, finden Sie im entsprechenden GitHub-Repository: https://github.com/bpickett/Pathway2Targets/tree/main
    HINWEIS: Zum Vergleich: In diesem Beispiel dauert die Identifizierung potenzieller Arzneimittel aus 132 Signalwegen, die aus Hunderten von einzelnen Zielen bestehen, etwa 2 Stunden. Basierend auf dieser Metrik ist es sinnvoll, die Gesamtrechenzeit zu schätzen.

7. Öffnen Sie Ergebnisdateien für priorisierte Ziele und Therapeutika

  1. Die Datei mit den priorisierten Zielen und ihren Metriken wird generiert. Verwenden Sie für die Beispieleingabedateien die Ausgabedatei im Ordner Downloads mit dem Namen:
    edgeR_dge.rds-BehandlungTumor-TreatmentNativeTissue_"Zeitstempel"_SPIA_Results.csv-RankedTargets.tsv
    1. Diese Datei wird standardmäßig sortiert, wobei die Ziele in absteigender Reihenfolge basierend auf der benutzerdefinierten gewichteten Metrik sortiert werden. Überprüfen Sie die Ausgabedatei manuell, um sicherzustellen, dass die Ergebnisse biologisch relevant sind und dass die Ziele für den zu bewertenden Phänotyp logisch sind.
  2. Die Datei mit den priorisierten Therapeutika und ihren Metriken wird ebenfalls generiert. Verwenden Sie für die Beispieleingabedateien die Ausgabedatei im Ordner Downloads mit dem Namen:
    edgeR_dge.rds-BehandlungTumor-TreatmentNativeTissue_"Zeitstempel"_SPIA_Results.csv-Behandlungen.tsv
    1. In ähnlicher Weise wird auch diese Ausgabedatei standardmäßig mit den Therapeutika für die verschiedenen Ziele (in Schritt 7.1.1) sortiert, die in absteigender Reihenfolge basierend auf der gewichteten Metrik sortiert sind. Überprüfen Sie die Datei manuell mit ausreichendem Hintergrundwissen über das zugrunde liegende biologische System, um festzustellen, ob zusätzliche Experimente gerechtfertigt sind. Es wird erwartet, dass mehrere Therapeutika die gleiche gewichtete Metrik haben können, da viele der Ziele von mehr als einem Therapeutikum auf dem Markt beeinflusst werden.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Die in den Schritten 1-3 des Protokolls beschriebene Einrichtung ist notwendig, um die nachfolgende Ausführung von SPIA und dem Pathway2Targets-Algorithmus zu ermöglichen. Am Ende jedes Schritts wird eine Meldung generiert, um die erfolgreiche Installation der Software zu bestätigen. Schritt 4 besteht entweder aus dem Herunterladen eines vorhandenen Satzes von differentiellen Expressionsergebnissen, der die bereitgestellte Beispieldatei oder eine andere vorhandene Datei enthalten kann, o...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Die Schritte 1 bis 3 des Protokolls beziehen sich speziell auf die Installation der zugrunde liegenden R-Software, Skripts und Abhängigkeiten, um die Downstreamsoftware erfolgreich auszuführen. Eine detaillierte Liste der benötigten R-Bibliotheken ist verfügbar (Ergänzende Tabelle 4). Schritt 4 des Protokolls umfasst das Abrufen einer R-Datendatei (RDS-Format), die die Ausgabe einer differenziellen Ausdrucksanalyse enthält. Gängige Software für diesen Schritt umfasst edg...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

BEP ist an Pythia Biosciences beteiligt. Für die aktuelle Arbeit wurden keine Drittmittel eingeworben.

Danksagungen

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

Wir danken dem Office of Research Computing an der Brigham Young University für seine Expertise und Unterstützung beim Zugang zur Hochleistungsrechnerumgebung des Campus.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Pathway2Targets R-SkriptBrigham Young Universität (Pickett-Labor)Version 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R SoftwareUmfassendes R-Archivnetzwerk (CRAN)Version: 4.4.3https://cran.r-project.org
R Studio Desktop-SoftwarePositVersion: 2024.12.1+563https://posit.co/download/rstudio-desktop/
SPIA R-SchriftBrigham Young Universität (Pickett-Labor)Version: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

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

Verwandte Artikel