Uso de listas de genes expresados diferencialmente en humanos para realizar análisis de enriquecimiento de vías posteriores y priorización de objetivos

La secuenciación masiva de ARN permite comparar los niveles de expresión de miles de genes en una población de células de casos frente a una población de células de control. Los experimentos generalmente están diseñados para incluir al menos muestras triplicadas, idealmente réplicas biológicas, aunque las réplicas técnicas pueden ser suficientes. Este diseño tiene en cuenta la variabilidad biológica y reduce el impacto de las muestras de valores atípicos. El análisis de estos patrones de expresión proporciona una visión detallada del efecto de la enfermedad de interés en los procesos celulares normales y puede permitir potencialmente la predicción de terapias relevantes.

El preprocesamiento de datos de secuenciación de ARN masivos generalmente incluye: control de calidad de lecturas de secuenciación (para repeticiones, adaptadores de secuenciación, GC%, etc.), recorte de lectura y extracción de adaptadores, mapeo / cuantificación de lectura ^1,2,3 y análisis de expresión diferencial ^4,5,6. Afortunadamente, se han automatizado una variedad de procesos analíticos para reducir el trabajo manual asociado con estos pasos ^7,8,9. Una vez completado el preprocesamiento, los análisis posteriores que se realizan comúnmente incluyen análisis de sobrerrepresentación funcional con ontologías genéticas, enriquecimiento de vías de señalización y variación en el empalme. Estos análisis posteriores resumen y facilitan la interpretación de los resultados de expresión diferencial a un nivel de granularidad más alto que las listas de genes por sí solas.

Se han desarrollado varias herramientas con el objetivo de reutilizar las terapias existentes para un tipo o subtipo de enfermedad bien definido. Esto se logra entrenando el algoritmo en tipos de datos ómicos múltiples para la enfermedad prevista. Desafortunadamente, tales esfuerzos para mejorar la especificidad y la sensibilidad en una enfermedad prevista a menudo hacen que el uso de las herramientas en contextos más generales no sea óptimo^10,11. Otro conjunto de herramientas es más ampliamente aplicable a los casos en que los perfiles de expresión génica coinciden con las firmas existentes de expresión génica^12,13 o con los efectos cuantificados de las terapias actuales^14,15. Sin embargo, estas herramientas de aplicación más amplia a menudo logran una especificidad y sensibilidad reducidas en una amplia gama de enfermedades y/o fueron entrenadas con datos obsoletos.

Por el contrario, el algoritmo Pathway2Targets se ha aplicado previamente para predecir posibles objetivos terapéuticos en el linfoma de células B, la periodontitis, el cáncer de mama con estrógenos positivos, el cáncer de mama triple negativo y el virus chikungunya 16,17,18,19,20,21. Los resultados de estos estudios demuestran que esta herramienta es capaz de predecir objetivos robustos y biológicamente relevantes. Impresionantemente, Pathway2Targets predijo 392 posibles objetivos farmacológicos para el cáncer de mama triple negativo, entre los cuales 60 se probaron en ensayos clínicos; así como 828 medicamentos individuales para TBNC, con 37 en pruebas¹⁷. En el estudio de linfoma, este algoritmo predijo 915 medicamentos, 461 de los cuales están aprobados por la FDA¹⁹.

El objetivo del trabajo actual es describir un protocolo computacional que permitirá a más investigadores, que pueden beneficiarse del acceso a instrucciones más descriptivas sobre la ejecución de programas en la línea de comandos, utilizar de manera efectiva el algoritmo Pathway2Targets recientemente desarrollado (Figura 1). Pathway2Targets predice objetivos para una afección determinada mediante la combinación de datos de expresión diferencial, asociaciones gen-enfermedad, información de ensayos clínicos, datos públicos de objetivos²², información de vías y otras métricas. Es importante destacar que este algoritmo incorpora un esquema de ponderación único y personalizable, que permite a los usuarios determinar las ~20 métricas relacionadas con el objetivo que prefieren enfatizar en su análisis, como el número de asociaciones de enfermedades, el número de vías de señalización, el número de fármacos únicos, el número de terapias en cada fase de los ensayos clínicos, ^etc.23. Como ejemplo de caso de uso para este protocolo, volveremos a analizar un conjunto de datos de cáncer colorrectal existente²⁴.

Los datos de secuenciación masiva de ARN analizados en este estudio se adquirieron de bases de datos disponibles públicamente (NCBI Gene Expression Omnibus and Sequence Read Archive)^25,26. Como tal, los recolectores de datos originales aseguraron la recolección ética y apropiada de estas muestras de sujetos humanos informados y con consentimiento.

1. Descargue e instale el software R

1. Instale R (versión 4.0 o posterior) haciendo clic en un vínculo adecuado de la https://cran.r-project.org/mirrors.html Comprehensive R Archive Network (CRAN) y use la opción 0-Cloud y, a continuación, siga las instrucciones adecuadas para el sistema operativo del equipo. Este proceso generalmente toma de 5 a 10 minutos.
2. Instale R Studio (versión 2024 o posterior) desde https://posit.co/download/rstudio-desktop/ y, a continuación, siga las instrucciones de la página de descarga. La instalación de RStudio generalmente toma ~ 10 minutos.
   NOTA: La instalación de RStudio es opcional (pero muy recomendable), ya que proporciona un entorno de desarrollo integrado que simplifica la ejecución del código, ofrece resaltado de sintaxis, facilita la administración de paquetes y ayuda a los usuarios a visualizar las salidas, lo que es especialmente beneficioso para los usuarios que están menos familiarizados con R.

2. Descargue e instale scripts de R para herramientas relevantes

1. Descargue los siguientes scripts de R necesarios desde el repositorio de GitHub https://github.com/bpickett/Pathway2Targets. Esta URL es solo de referencia.
2. Descargue los scripts utilizando los siguientes enlaces: SPIA versión 1.0 (descargue haciendo clic en Descargar archivo sin procesar): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (ID de confirmación: 60fcd46); Pathway2Targetsversión 3.1 (descargar haciendo clic en Descargar archivo sin procesar): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (ID de confirmación: 8e4c7c8)

3. Descargue bibliotecas de R para herramientas relevantes

1. Mientras ejecuta R (ya sea en RStudio o en una ventana de terminal), escriba los siguientes comandos para descargar e instalar las bibliotecas de R adicionales necesarias para ejecutar el software.
   1. Inicie el programa RStudio. De forma predeterminada, el panel de la consola se encuentra en la esquina inferior izquierda de RStudio. Haga clic en cualquier lugar dentro de la ventana del panel de la consola y debería aparecer un cursor de escritura en la parte inferior después del símbolo de flecha ">".
   2. Copie y pegue el siguiente comando en el área de la consola y presione la tecla Enter :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Una vez instalado correctamente, aparecerá un mensaje de estado que dice "Los paquetes binarios descargados están en ....".
   3. Copie y pegue el siguiente comando en el área del panel de la consola y presione la tecla Intro .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Una vez instalado correctamente, aparecerá un mensaje similar que dice "Los paquetes binarios descargados están en ....".
      NOTA: El primer conjunto de bibliotecas (paso 3.1.1) consta de bibliotecas R típicas, mientras que el segundo (2.1.2) consta de bibliotecas BioConductor. Como tal, los comandos deben ingresarse por separado. Las versiones adecuadas de estas bibliotecas deben descargarse automáticamente en función de la versión de R instalada en el equipo. Cada uno de estos comandos debería tardar ~5 minutos en completarse.

4. Procesamiento de archivos

1. Descargue el archivo de salida de expresión diferencial generado por edgeR previamente calculado (en formato RDS), generado por el software ARMOR (o similar), en el equipo local. El nombre de este archivo es generalmente edgeR_dge.rds.
2. Revise manualmente los resultados de edgeR (o una expresión diferencial similar) para comenzar la interpretación biológicamente relevante de los resultados. Para ello, filtre por, como mínimo, un valor p corregido < 0,05 y, potencialmente, el valor absoluto del valor de cambio de pliegue logarítmico₂ > 1,5. Si prueba el software, puede encontrar un archivo edgeR_dge.rds de muestra en Zenodo aquí: https://doi.org/10.5281/zenodo.15186609
   NOTA: La revisión de los genes que permanecen en estos resultados filtrados puede comenzar a explicar los mecanismos moleculares subyacentes del fenotipo asociado con las muestras de casos (en comparación con las muestras de control). Es importante reconocer que la capacidad de interpretar listas de genes de manera imparcial es extremadamente difícil debido al número relativamente bajo de símbolos genéticos que se pueden recordar rápidamente. Como tal, el análisis de la vía de señalización es una forma útil de resumir los genes filtrados en función de cómo interactúan y/o se comunican entre sí en la célula.
3. El preprocesamiento masivo de datos de secuenciación de ARN puede tardar desde varias horas hasta días de tiempo de computación, según el tamaño del conjunto de datos que se esté analizando. Guarde este archivo .rds en la carpeta Descargas del equipo. Tenga en cuenta que este tipo de archivo .rds no es legible por humanos.

5. Ejecute el algoritmo de enriquecimiento de la vía SPIA

1. Si se ejecuta con R, use el script de R desde GitHub o el archivo de codificación complementario 1. Escriba el siguiente comando, suponiendo que el archivo edgeR_dge.rds está en la carpeta Descargas
   Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
   1. Si el archivo edgeR_dge.rds está en una carpeta (o directorio) diferente, reemplace este comando por lo siguiente
      Rscript --vanilla SPIA_Code.Rmd
2. Si se ejecuta con RStudio, use el script de R de GitHub o el archivo de codificación complementario 2.
   NOTA: En el lenguaje R, agregar el símbolo de etiqueta # antes de una línea de código lo deshabilita temporalmente. Los scripts se diseñaron originalmente para ejecutarse en un entorno de línea de comandos en lugar de RStudio. Habilitar o deshabilitar ciertas líneas de código es la forma más fácil de volver a configurar la configuración de los archivos de entrada.
   1. Abra el script SPIA_Code.Rmd en R Studio haciendo clic en la opción Abrir archivo en el menú Archivo y, a continuación, seleccionando el nombre del script. En la ventana de código de R Studio, de forma predeterminada, se encuentra en el panel superior izquierdo.
   2. Seleccione todas las líneas de código en el archivo y haga clic en el botón Ejecutar (o Ejecutar línea(s) seleccionada(s)), que se encuentra encima y a la derecha de la ventana de código. Una ejecución correcta producirá un archivo con un nombre similar a
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
10-56-45.12767_SPIA_Results.csv
      en el directorio de descargas. Este archivo contendrá las vías de señalización estadísticamente significativas
   3. Revise el archivo con los resultados estadísticamente significativos manualmente abriéndolo como una hoja de cálculo. El contenido de este archivo debería ayudar a resumir las cascadas de señalización intracelular subyacentes que están representadas significativamente por los genes expresados diferencialmente.
      NOTA: Completar el cálculo de vías significativas puede llevar entre ~ 30 minutos y varias horas, dependiendo de la intensidad de la señal en el conjunto de datos que se está analizando. Cuando el programa se está ejecutando, los mensajes de progreso en tiempo real se actualizarán continuamente en la ventana de la consola. Los mensajes que se actualizan con frecuencia muestran que el programa está funcionando correctamente. Se pueden encontrar descripciones más detalladas de lo que ocurre en este paso en el repositorio de GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
   4. Si usa el archivo de entrada de muestra, el archivo de salida de este paso se encontrará en la carpeta Descargas y se llamará
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Este estilo de nomenclatura refleja el nombre del archivo de entrada, el proceso que se está realizando y la salida. Esto evita confusiones en la identificación de archivos si se procesa más de uno.
   5. Ajuste otros parámetros como se describe a continuación.
      1. Los parámetros predeterminados para el algoritmo SPIA en esta biblioteca son 1.000 permutaciones. Aumente esto a 2,000 permutaciones para mejorar la confianza en los resultados. Ajuste el número de permutaciones en las líneas 84 y 85 de este script cambiando la perm = 2000 al número deseado de permutaciones. Ajuste otros parámetros como se describe a continuación.
      2. Ajuste el enfoque de corrección del valor p en las líneas 84 y 85 eliminando padj.method = 'BH'. Esto no corregirá los valores p, lo que puede hacer que los resultados falsos positivos sean más probables.

6. Ejecución del algoritmo de priorización de objetivos Pathway2Targets en la salida de SPIA

1. Si ejecuta R, use el script de R de GitHub o el archivo de codificación complementario 3. Utilice el siguiente comando para invocar este algoritmo
   Rscript --vanilla Pathway2Targets.R
2. Si se ejecuta con R Studio, use el script de R de GitHub o el archivo de codificación complementario 4. Para abrir el script Pathway2Targets.R en R Studio, haga clic en la opción Abrir archivo del menú Archivo y, a continuación, seleccione el nombre del script.
   1. En la ventana de código RStudio (panel superior izquierdo), reemplace el nombre de archivo de la línea 22 por el nombre del archivo de resultados de SPIA, como (de los datos de ejemplo)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
10-56-45.12767_SPIA_Results.csv"
   2. Seleccione todas las líneas de código del archivo y haga clic en el botón Ejecutar , que se encuentra encima y hacia el lado derecho de la ventana de código. Los mensajes de estado de progreso en tiempo real se mostrarán continuamente en el panel inferior derecho. Una ejecución exitosa producirá un archivo llamado (similar a)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv" en el directorio de descargas. El estilo de nomenclatura de los archivos refleja la entrada, el proceso y la salida
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
_10-56-45.12767_SPIA_Results.csv
      es la entrada de dicho archivo.
      NOTA: Este paso puede durar de una a varias horas, dependiendo del número de vías de señalización con un valor p significativo, el número de productos génicos en esas vías significativas y el número de productos génicos que son dianas farmacológicas conocidas.
3. Se pueden ajustar algunos parámetros para el algoritmo Pathway2Targets. En concreto, ajuste los valores del multiplicador (líneas 31-38 del script) para personalizar el esquema de ponderación de cada métrica. Se pueden encontrar descripciones más detalladas de lo que ocurre en este paso en el repositorio de GitHub correspondiente: https://github.com/bpickett/Pathway2Targets/tree/main
   NOTA: Como referencia, en el ejemplo, la identificación de fármacos potenciales de 132 vías, que constan de cientos de dianas individuales, tarda aproximadamente 2 h en completarse. Con base en esta métrica, es razonable estimar el tiempo total de computación.

7. Abra archivos de resultados para objetivos y terapias priorizados

1. Se generará el archivo con los objetivos priorizados y sus métricas. Para los archivos de entrada de ejemplo, use el archivo de salida que se encuentra en la carpeta Descargas, denominado:
   edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
   1. Este archivo, de forma predeterminada, se ordenará con los destinos ordenados en orden descendente según la métrica ponderada personalizada. Revise manualmente el archivo de salida para asegurarse de que los resultados sean biológicamente relevantes y que los objetivos sean lógicos para el fenotipo que se está evaluando.
2. También se generará el archivo con las terapias priorizadas y sus métricas. Para los archivos de entrada de ejemplo, use el archivo de salida de la carpeta Descargas, denominado:
   edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-Treatments.tsv
   1. Del mismo modo, este archivo de salida también se ordenará, de forma predeterminada, con las terapias para los distintos objetivos (en el paso 7.1.1) ordenadas en orden descendente según la métrica ponderada. Revise el archivo manualmente con suficiente conocimiento previo del sistema biológico subyacente para determinar si se justifican experimentos adicionales. Se espera que múltiples terapias puedan tener la misma métrica ponderada, ya que muchos de los objetivos se verán afectados por más de una terapéutica en el mercado.

La configuración descrita en los pasos 1-3 del protocolo es necesaria para permitir la ejecución posterior de SPIA y el algoritmo Pathway2Targets. Al final de cada paso, se generará un mensaje para confirmar la instalación exitosa del software. El paso 4 consiste en descargar un conjunto existente de resultados de expresión diferencial, que podría incluir el archivo de ejemplo proporcionado, un archivo existente diferente o preprocesar un conjunto de datos de secuenciación de ARN personalizado. El requisito principal para el paso 4 es que el flujo de trabajo use edgeR como algoritmo de expresión diferencial, con los resultados almacenados como un objeto SingleCellExperiment dentro de un archivo rds.

En el paso 5 se describe la predicción de vías de señalización intracelular estadísticamente significativas utilizando el algoritmo SPIA (Archivo de codificación suplementario 1 y Archivo de codificación suplementario 2; ~ 130 líneas de código). Una vez en ejecución, este algoritmo muestra su progreso mediante un registro en tiempo real de la ruta que se está calculando (Figura 2). Esto indica que el algoritmo se está ejecutando correctamente. Aunque muchos análisis SPIA terminan en ~ 1 h, el tiempo requerido para su finalización depende del número de DEG, el número de réplicas de arranque y otros factores. La Tabla 1 muestra un subconjunto del contenido del archivo de salida SPIA (Tabla complementaria 1), que enumera las rutas que tenían un valor p asociado < 0,05. También hay una columna que cuantifica el valor p ajustado para cada vía. De forma predeterminada, este código incluye todas las rutas con un valor p no ajustado < 0,05 para expandir los resultados de destino descendentes, aunque esta configuración podría cambiarse si se desea. Cabe señalar que estas vías representan colecciones de interacciones directas proteína-proteína, que difieren de los conjuntos de genes que tradicionalmente solo incluyen productos génicos con funciones anotadas similares. Una forma de facilitar la interpretación de los resultados es revisar el resultado e identificar tendencias o patrones en los datos relacionados con el ciclo celular, la respuesta inmune, el metabolismo y otros procesos intracelulares. Se recomienda tener en cuenta solo las vías con al menos un valor p < 0,05 para minimizar los falsos positivos y mejorar la interpretación precisa. El uso de esta lista de rutas significativas como entrada para el algoritmo Pathway2Targets le permite incorporar información de ruta en el esquema de ponderación personalizable. También proporciona un mecanismo para que ese algoritmo prediga objetivos terapéuticos relevantes que pueden estar al principio de la cascada de señalización y, por lo tanto, pueden facilitar potencialmente la reducción de los signos y síntomas de la enfermedad.

A continuación, el archivo que contiene las rutas significativas (valor p < 0,05) identificadas por SPIA se pasa al algoritmo Pathway2Targets. Este script R (archivo de codificación complementario 3 y archivo de codificación complementario 4; ~ 600 líneas de código) evalúa los miembros de cada ruta significativa con respecto a la base de datos OpenTargets.org a través de una interfaz de programación de aplicaciones (API) para predecir y puntuar objetivos conocidos dentro de las rutas SPIA significativas. El proceso genera texto en tiempo real para proporcionar el estado de la vía que se está examinando (Figura 3), el objetivo potencial del fármaco que se está calificando y si alguna proteína en la vía no son objetivos conocidos. El tiempo que tarda este proceso en terminar de ejecutarse depende del número de vías SPIA significativas, el número de proteínas en cada una de esas vías y el número de proteínas que son dianas. Para el conjunto de datos de cáncer colorrectal humano (CCR) de muestra, este proceso tardó menos de 2 h en completarse.

Este algoritmo genera dos archivos, el primero contiene información sobre los objetivos predichos (Tabla 2; Tabla complementaria 2), mientras que la segunda contiene información sobre las terapias para cada objetivo (Tabla 3; Cuadro complementario 3). El archivo de destinos clasificados contiene una columna para varios atributos de cada destino con una puntuación ponderada como última columna. Del mismo modo, el archivo de tratamientos clasificados incluye métricas para cada posible terapia. El contenido de ambos archivos se ordena en orden descendente en función de la puntuación ponderada calculada para cada fila de cada uno de los archivos.

El examen de los nombres de las vías de señalización sugiere que la señalización de IL-2 e IL-20 puede desempeñar un papel mecanicista en al menos una parte de las subpoblaciones celulares. Las otras vías superficialmente parecen ser menos relevantes para la enfermedad; sin embargo, los miembros de estas vías aún pueden inferir una función mecanicista adicional. Como tal, se sugiere encarecidamente una revisión más profunda de cada vía para identificar los genes expresados diferencialmente en cada una. Aunque los archivos de resultados de objetivos y terapias se clasifican según múltiples criterios, también se recomienda un examen similar de los resultados de Pathway2Targets para garantizar la relevancia biológica. Los resultados de este análisis identificaron EGFR, que es un objetivo aprobado para el cáncer colorrectal. Los 10 principales resultados de esta lista incluyen otros objetivos potenciales que pueden ser relevantes para el cáncer colorrectal pero que no han sido aprobados para el cáncer colorrectal, incluidos TP53 (fase 1 en cáncer colorrectal); AKT1, PIK3, PPARG y CSF2 (fase 2 en cáncer colorrectal); MAPK1 (sin ensayos para el cáncer colorrectal). La lista de objetivos no aprobados que se han evaluado en otras indicaciones relacionadas con el cáncer sugiere fuertemente que el algoritmo Pathway2Targets está funcionando como se esperaba. Específicamente, su capacidad para identificar posibles dianas farmacológicas que podrían usarse para generar hipótesis y priorizar experimentos de laboratorio de validación posteriores, y potencialmente reducir los signos y síntomas para una indicación determinada, puede ser extremadamente valiosa.

Figura 1: Información general sobre la canalización computacional Pathway2Targets. El diagrama de flujo resume los pasos principales desde la instalación del software y el preprocesamiento de RNA-seq hasta el análisis de expresión diferencial, el enriquecimiento de vías y la salida de priorización de objetivos. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Panel que muestra el progreso en tiempo real, de cada vía que se está evaluando, en la pantalla que se debe esperar cuando SPIA se ejecuta correctamente. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Progreso en tiempo real que muestra el producto génico en cada vía que se evalúa cuando Pathway2Targets se ejecuta correctamente. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Las diez vías de señalización intracelular más significativas (valor p < 0,05) del archivo de entrada de cáncer colorrectal de ejemplo. GEN. SET contiene el identificador y el nombre de cada vía; SIZE representa el número de nodos en cada vía; La ECM es el número de genes expresados diferencialmente en cada vía; T.ACT representa la dirección de la vía afectada; STATUS está activado (valor positivo) o inhibido (valor negativo); PVAL es nivel de significación; SourceDB indica la base de datos de la vía KEGG o Reactome. Haga clic aquí para descargar esta tabla.

Tabla 2: Diez objetivos terapéuticos con la puntuación más alta según los resultados de las vías de señalización. Haga clic aquí para descargar esta tabla.

Tabla 3: Molécula pequeña o terapéutica biológica con la puntuación más alta para cada uno de los 10 objetivos principales. Haga clic aquí para descargar esta tabla.

Cuadro complementario 1: Lista completa de vías de señalización significativas (valor p < 0,05) detectadas por SPIA.  Haga clic aquí para descargar esta tabla.

Cuadro complementario 2: Lista completa de objetivos predichos por el algoritmo Pathway2Targets. Haga clic aquí para descargar esta tabla.

Cuadro complementario 3: Lista completa de terapias predichas por el algoritmo Pathway2Targets. Haga clic aquí para descargar esta tabla.

Cuadro complementario 4: Lista de paquetes de R y sus dependencias que deben instalarse mediante el protocolo anterior y antes de ejecutar SPIA y Pathway2Targets. Haga clic aquí para descargar esta tabla.

Archivo de codificación complementario 1: Código R necesario para ejecutar el algoritmo SPIA usando R en la línea de comandos. Haga clic aquí para descargar este archivo.

Archivo de codificación complementario 2: R necesario para ejecutar el algoritmo SPIA mediante RStudio. Haga clic aquí para descargar este archivo.

Archivo de codificación complementario 3: R necesario para ejecutar el algoritmo Pathway2Targets mediante R en la línea de comandos. Haga clic aquí para descargar este archivo.

Archivo de codificación complementario 4: R necesario para ejecutar el algoritmo Pathway2Targets mediante RStudio. Haga clic aquí para descargar este archivo.

BEP tiene acciones en Pythia Biosciences. No se obtuvo financiación externa para el trabajo actual.