Uso de listas de genes expresados diferencialmente en humanos para realizar análisis de enriquecimiento de vías posteriores y priorización de objetivos
3 de octubre de 2025
El trabajo actual describe un protocolo para ejecutar el algoritmo Pathway2Targets, un script R que predice y prioriza objetivos terapéuticos basados en el perfil de las vías de señalización intracelular generadas al comparar muestras de casos versus muestras de control de un experimento de secuenciación de ARN a granel.
El objetivo de nuestra investigación es caracterizar la respuesta transcripcional intracelular a diversas afecciones y predecir la terapéutica y los marcadores mecanicistas o diagnósticos para esas afecciones. La predicción computacional da candidatos de fármacos. La validación de los efectos de los medicamentos requiere recursos y tiempo.
Sin embargo, el método incidental solo podría mejorar con datos experimentales de alta calidad. La ventaja de este trabajo es su capacidad para identificar posibles dianas farmacológicas para su reutilización dentro de una vía de señalización en lugar de limitarse a hacer coincidir los genes expresados diferencialmente con las dianas conocidas. Para ejecutar el algoritmo de enriquecimiento de rutas SPIA, primero descargue el código en el sistema informático desde GitHub.
Abra el SPIA_Code. Script R MD en RStudio. Seleccione todas las líneas de código y, a continuación, haga clic en el botón Ejecutar o Ejecutar líneas seleccionadas para ejecutar el script.
Espere a que se complete la ejecución y compruebe que aparece un archivo csv con un nombre similar en el directorio Download. Abra el archivo como una hoja de cálculo para revisar e interpretar manualmente los resultados. Para ejecutar el algoritmo de priorización de destinos, abra Pathway2Targets.
R script en RStudio seleccionando el menú Archivo y haciendo clic en Abrir archivo, luego elija el nombre del script en el directorio. En la ventana de código RStudio, vaya a la línea 22 y reemplace el marcador de posición por el nombre real del archivo de resultados de SPIA. Seleccione todas las líneas de código y haga clic en el botón Ejecutar para ejecutar el algoritmo.
Observe los mensajes de progreso en tiempo real que aparecen en el panel inferior izquierdo de la pantalla. Una vez completado, compruebe el directorio Download para ver si hay un archivo tsv con un nombre similar, que contiene los destinos priorizados. Después de generar el archivo con los objetivos priorizados y sus métricas, ábralo en una aplicación de hoja de cálculo para revisarlo.
El algoritmo SPIA identificó 10 vías de señalización estadísticamente significativas con un valor p no ajustado inferior a 0,05. El algoritmo Pathway2Targets identificó varios objetivos predichos. Los objetivos terapéuticos previstos fueron consistentes tanto en los objetivos clasificados como en los resultados de los tratamientos clasificados, incluidos los genes conocidos relacionados con el cáncer colorrectal, como EGFR, TP53 y AKT1.
Vea la transcripción completa y acceda a miles de videos científicos
Visión general
Este estudio se centra en caracterizar la respuesta transcripcional intracelular bajo varias condiciones y tiene como objetivo predecir objetivos terapéuticos y marcadores diagnósticos. Mediante la utilización del algoritmo Pathway2Targets, la investigación identifica posibles objetivos farmacológicos para el cáncer colorrectal mediante el análisis de datos de secuenciación masiva de ARN.
Componentes clave del estudio
Área de investigación
- Predicción de objetivos para intervenciones terapéuticas
- Perfilación transcripcional de respuestas intracelulares
- Investigación del cáncer colorrectal
Fundamentos
- La necesidad de datos experimentales de alta calidad para mejorar las predicciones
- Desafíos en la validación de los efectos de los medicamentos
- Ventajas de identificar objetivos farmacológicos dentro de las vías de señalización
Métodos utilizados
- Algoritmo Pathway2Targets para la priorización de objetivos
- Datos de secuenciación masiva de ARN
- Programación en R para el análisis de datos
Resultados principales
- Identificación de vías de señalización estadísticamente significativas
- Múltiples objetivos terapéuticos predichos consistentes en todas las salidas
- Los genes clave identificados incluyen EGFR, TP53 y AKT1
Conclusiones
- El estudio demuestra un enfoque novedoso para la reutilización de medicamentos dentro de las vías de señalización
- La investigación es relevante para mejorar las estrategias terapéuticas contra el cáncer colorrectal
Preguntas frecuentes
Executive Industry Relevance
Integrating RNA-sequencing with pathway enrichment and target prioritization algorithms enables biopharma teams to systematically identify and rank druggable targets within disease-relevant signaling networks. This approach enhances predictive confidence at the target validation stage and supports risk-adjusted portfolio decisions by focusing on mechanistic context rather than isolated gene hits. The pipeline's outputs directly inform early discovery triage and downstream translational strategies.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables mechanistic de-risking by mapping differentially expressed genes to functional signaling pathways.
- Supports functional target validation through pathway-centric analysis rather than single-gene focus.
- Improves predictive confidence for target selection by integrating protein-protein interaction networks.
- Facilitates portfolio triage by ranking targets based on pathway impact and druggability scores.
Screening & Assay Development
- Prepares validated gene and pathway lists for downstream assay development workflows.
- Standardizes input for screening campaigns by providing ranked, mechanistically relevant targets.
- Enables reproducible and quantitative prioritization of candidate targets for functional assays.
- Supports scalable evaluation of compound-target interactions within prioritized pathways.
Translational & Preclinical Research
- Aligns target prioritization with disease-relevant transcriptional signatures for translational continuity.
- Facilitates biomarker discovery by linking pathway perturbations to therapeutic hypotheses.
- Supports risk-adjusted advancement decisions by integrating pathway and target-level evidence.
- Provides mechanistic context for preclinical model selection and validation.
Pipeline & Workflow Integration
This computational pipeline bridges early discovery and translational research by transforming RNA-seq data into actionable target and pathway insights.
- Discovery Biology: Enables hypothesis testing and pathway clarification through differential expression and SPIA analysis.
- Screening: Delivers ranked target lists suitable for assay development and compound screening.
- Analytics: Provides quantitative outputs and statistical thresholds (e.g., p < 0.05) for robust decision-making.
- Translational Research: Connects gene expression changes to disease-relevant pathways and therapeutic targets.
- Enterprise Reuse: Offers a reusable computational workflow adaptable to diverse disease contexts and datasets.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in target selection.
- Operational Value: Standardizes and automates pathway and target prioritization for scalable R&D workflows.
- Strategic Value: Enables informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of high-confidence targets.
Implementation Considerations
- Requires expertise in computational biology and RNA-seq data analysis.
- Depends on access to R programming environment and relevant software packages.
- Needs cross-team standardization for input data formats and interpretation of ranked outputs.
- Adaptable to various disease models but sensitive to pathway complexity and target density.
- Practical limitations include computational runtime and the need for high-quality input data.
