Utilisation de listes de gènes humains exprimés de manière différentielle pour effectuer une analyse d’enrichissement des voies en aval et la hiérarchisation des cibles
3 octobre 2025
Les travaux actuels décrivent un protocole d’exécution de l’algorithme Pathway2Targets, un script R qui prédit et hiérarchise les cibles thérapeutiques en fonction du profil des voies de signalisation intracellulaires générées en comparant des échantillons de cas et de contrôle d’une expérience de séquençage d’ARN en vrac.
L’objectif de notre recherche est de caractériser la réponse transcriptionnelle intracellulaire à diverses affections et de prédire des marqueurs thérapeutiques et mécanistes ou diagnostiques pour ces affections. La prédiction computationnelle donne des candidats de médicaments. La validation des effets des médicaments prend beaucoup de temps et de ressources.
Cependant, la méthode incidente n’a pu s’améliorer qu’avec des données expérimentales de haute qualité. L’avantage de ce travail est sa capacité à identifier des cibles médicamenteuses potentielles pour la réaffectation dans une voie de signalisation plutôt que de simplement faire correspondre des gènes exprimés différentiellement à des cibles connues. Pour exécuter l’algorithme d’enrichissement du parcours SPIA, téléchargez d’abord le code sur le système informatique à partir de GitHub.
Ouvrez le SPIA_Code. Script R MD dans RStudio. Sélectionnez toutes les lignes de code, puis cliquez sur le bouton Exécuter ou Exécuter les lignes sélectionnées pour exécuter le script.
Attendez la fin de l’exécution et vérifiez qu’un fichier csv portant le même nom apparaît dans le répertoire de téléchargement. Ouvrez le fichier sous forme de feuille de calcul pour examiner et interpréter manuellement les résultats. Pour exécuter l’algorithme de hiérarchisation des cibles, ouvrez Pathway2Targets.
Script R dans RStudio en sélectionnant le menu Fichier et en cliquant sur Ouvrir un fichier, puis en choisissant le nom du script dans le répertoire. Dans la fenêtre de code RStudio, allez à la ligne 22 et remplacez l’espace réservé par le nom réel du fichier de résultats SPIA. Sélectionnez toutes les lignes de code et cliquez sur le bouton Exécuter pour exécuter l’algorithme.
Observez les messages de progression en temps réel qui s’affichent dans le panneau inférieur gauche de l’écran. Une fois l’opération terminée, recherchez dans le répertoire de téléchargement un fichier tsv portant le même nom, qui contient les cibles prioritaires. Après avoir généré le fichier avec les cibles prioritaires et leurs mesures, ouvrez-le dans un tableur pour l’examiner.
L’algorithme SPIA a identifié 10 voies de signalisation statistiquement significatives avec une valeur p non ajustée inférieure à 0,05. L’algorithme Pathway2Targets a identifié plusieurs cibles prédites. Les cibles thérapeutiques prédites étaient cohérentes à la fois dans les cibles classées et les résultats des traitements classés, y compris les gènes connus liés au cancer colorectal, tels que EGFR, TP53 et AKT1.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cette étude se concentre sur la caractérisation de la réponse transcriptionnelle intracellulaire dans diverses conditions et vise à prédire des cibles thérapeutiques et des marqueurs diagnostiques. En utilisant l'algorithme Pathway2Targets, la recherche identifie des cibles potentielles de médicaments pour le cancer colorectal par l'analyse de données de séquençage d'ARN en masse.
Composantes clés de l'étude
Domaine de recherche
- Prédiction de cibles pour des interventions thérapeutiques
- Profilage transcriptionnel des réponses intracellulaires
- Recherche sur le cancer colorectal
Contexte
- Le besoin de données expérimentales de haute qualité pour améliorer les prédictions
- Les défis dans la validation des effets des médicaments
- L'avantage d'identifier des cibles de médicaments au sein des voies de signalisation
Méthodes utilisées
- Algorithme Pathway2Targets pour la priorisation des cibles
- Données de séquençage d'ARN en masse
- Programmation R pour l'analyse de données
Principaux résultats
- Identification de voies de signalisation statistiquement significatives
- Plusieurs cibles thérapeutiques prédites cohérentes dans les résultats
- Les gènes clés identifiés incluent EGFR, TP53, et AKT1
Conclusions
- L'étude démontre une nouvelle approche de réorientation des médicaments au sein des voies de signalisation
- La recherche est pertinente pour améliorer les stratégies thérapeutiques contre le cancer colorectal
Questions fréquemment posées
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.
