מאמר שיטה

שימוש ברשימות גנים המתבטאות באופן דיפרנציאלי אנושי לביצוע ניתוח העשרה במורד הזרם ותעדוף יעד

DOI:

10.3791/68732

⸱

3 באוקטובר 2025

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

במאמר זה

סיכום

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

העבודה הנוכחית מתארת פרוטוקול להפעלת אלגוריתם Pathway2Targets, סקריפט R המנבא ומתעדף מטרות טיפוליות על סמך פרופיל מסלולי איתות תוך-תאיים שנוצרו על ידי השוואת דגימות מקרה לעומת ביקורת מניסוי ריצוף RNA בתפזורת.

תקציר

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

פרוטוקול זה מתאר צינור חישובי רב-שלבי לזיהוי מטרות טיפוליות פוטנציאליות מנתוני ריצוף RNA, כולל התקנת תוכנה רלוונטית, אימות התקנה וניתוח ביטוי דיפרנציאלי באמצעות edgeR. לאחר מכן אנו מראים כיצד להשתמש באלגוריתם ניתוח השפעת מסלול האיתות (SPIA) כדי לחזות מסלולים מובהקים סטטיסטית. כדי להבטיח ביטחון בתוצאות, אנו מתמקדים במסלולים משמעותיים (p < 0.05) כדי להפחית תוצאות חיוביות כוזבות. בניגוד לקבוצות גנים מסורתיות, מסלולים אלה משקפים רשתות אינטראקציה בין חלבון לחלבון, ומציעים תובנות מכניסטיות לגבי תהליכים תאיים כמו מחזור התא, תגובה חיסונית וחילוף חומרים. מסלולים אלה מנותחים לאחר מכן באמצעות אלגוריתם Pathway2Targets, המתממשק עם מסד הנתונים OpenTargets.org באמצעות ממשק תכנות יישומים (API). אלגוריתם זה משלב גישת שקלול חדשה המדרגת מטרות תרופות ידועות במסלולים שזוהו, תוך מתן התקדמות בזמן אמת. זמן הריצה תלוי במורכבות המסלול ובצפיפות היעד. הפלט מורכב משני קבצים מדורגים. הקובץ הראשון מכיל רשימה של מטרות תרופות חזויות והציונים המשוקללים שלהן, ואילו השני מורכב מפרטים שונים עבור הטיפולים הנלווים. יחד, צינור זה מאפשר תעדוף של מטרות וטיפולים הניתנים לתרופות בהקשר של פרופילי ביטוי גנים ספציפיים למחלה.

מבוא

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

ריצוף RNA בתפזורת מאפשר השוואה של רמות ביטוי של אלפי גנים על פני אוכלוסייה של תאי מקרה לעומת אוכלוסייה של תאי בקרה. ניסויים מתוכננים בדרך כלל לכלול לפחות דגימות משולשות, באופן אידיאלי שכפולים ביולוגיים, אם כי שכפולים טכניים יכולים להספיק. עיצוב זה מביא בחשבון את השונות הביולוגית ומפחית את ההשפעה של דגימות חריגות. ניתוח דפוסי ביטוי אלה מספק תובנה מפורטת לגבי השפעת המחלה המעניינת על תהליכים תאיים נורמליים ויכול לאפשר חיזוי של טיפולים רלוונטיים.

עיבוד מקדים של נתוני ריצוף RNA בתפזורת כולל בדרך כלל: בקרת איכות של קריאות ריצוף (עבור חזרות, מתאמי רצף, GC% וכו'), חיתוך קריאה והסרת מתאם, מיפוי/כימות קריאה 1,2,3 וניתוח ביטוי דיפרנציאלי 4,5,6. למרבה המזל, מגוון תהליכים אנליטיים עברו אוטומציה כדי להפחית את העבודה הידנית הקשורה לשלבים אלה 7,8,9. לאחר השלמת העיבוד המקדים, ניתוחים נפוצים המבוצעים במורד הזרם כוללים ניתוח ייצוג יתר פונקציונלי עם אונטולוגיות גנים, העשרת מסלולי איתות ושונות בשחבור. ניתוחים אלה במורד הזרם מסכמים ומקלים על פירוש תוצאות הביטוי הדיפרנציאלי ברמת פירוט גבוהה יותר מאשר רשימות הגנים בלבד.

פותחו כלים שונים במטרה לייעד מחדש את הטיפולים הקיימים לסוג או תת-סוג מוגדר היטב של מחלה. זה מושג על ידי אימון האלגוריתם על סוגי נתונים מרובי אומיקס עבור המחלה המיועדת. למרבה הצער, מאמצים כאלה לשפר את הספציפיות והרגישות במחלה מיועדת הופכים לעתים קרובות את השימוש בכלים בהקשרים כלליים יותר לבלתי אופטימלי10,11. סט כלים נוסף ישים באופן רחב יותר למקרים שבהם פרופילי ביטוי גנים מותאמים לחתימות קיימות של ביטוי גנים12,13, או להשפעות הכמותית של הטיפולים הנוכחיים14,15. עם זאת, כלים ישימים אלה משיגים לעתים קרובות ספציפיות ורגישות מופחתות במגוון רחב של מחלות ו/או אומנו עם נתונים מיושנים.

לעומת זאת, אלגוריתם Pathway2Targets יושם בעבר כדי לחזות מטרות טיפוליות פוטנציאליות בלימפומה של תאי B, דלקת חניכיים, סרטן שד חיובי לאסטרוגן, סרטן שד טריפל נגטיב ונגיף צ'יקונגוניה 16,17,18,19,20,21. התוצאות ממחקרים אלה מוכיחות כי כלי זה מסוגל לחזות מטרות חזקות ורלוונטיות מבחינה ביולוגית. באופן מרשים, Pathway2Targets חזה 392 מטרות תרופתיות פוטנציאליות לסרטן שד טריפל נגטיב, מתוכם 60 נבדקו בניסויים קליניים; כמו גם 828 תרופות בודדות ל-TBNC, כאשר 37 נבדקו17. במחקר הלימפומה, אלגוריתם זה חזה 915 תרופות, מתוכן 461 מאושרות על ידי ה-FDA.

מטרת העבודה הנוכחית היא לתאר פרוטוקול חישובי שיאפשר ליותר חוקרים, שעשויים להפיק תועלת מגישה להוראות תיאוריות יותר על הרצת תוכניות בשורת הפקודה, להשתמש ביעילות באלגוריתם Pathway2Targets שפותח לאחרונה (איור 1). Pathway2Targets חוזה יעדים למצב נתון על ידי שילוב של נתוני ביטוי דיפרנציאליים, אסוציאציות של גנים-מחלות, מידע על ניסויים קליניים, נתוני יעד ציבוריים22, מידע על מסלול ומדדים אחרים. חשוב לציין, אלגוריתם זה משלב ערכת שקלול ייחודית וניתנת להתאמה אישית, המאפשרת למשתמשים לקבוע את ~20 המדדים הקשורים ליעד שהם מעדיפים להדגיש בניתוח שלהם, כגון מספר אסוציאציות למחלות, מספר מסלולי איתות, מספר תרופות ייחודיות, מספר טיפולים בכל שלב של ניסויים קליניים וכו'.23. כמקרה שימוש לדוגמה לפרוטוקול זה, ננתח מחדש מערך נתונים קיים של סרטן המעי הגס24.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

נתוני ריצוף ה-RNA שנותחו במחקר זה נרכשו ממאגרי מידע זמינים לציבור (NCBI Gene Expression Omnibus and Sequence Read Archive)25,26. ככזה, אוספי הנתונים המקוריים הבטיחו איסוף אתי ומתאים של דגימות אלה מנבדקים אנושיים מודעים ומסכימים.

1. הורדה והתקנה של תוכנת R

  1. התקן את R (גרסה 4.0 ואילך) על ידי לחיצה על קישור מתאים מרשת הארכיון המקיפה R (CRAN) https://cran.r-project.org/mirrors.html והשתמש באפשרות 0-ענן, ולאחר מכן עקוב אחר ההוראות המתאימות למערכת ההפעלה של המחשב. תהליך זה אורך בדרך כלל 5-10 דקות.
  2. התקן את R Studio (גרסה 2024 ואילך) מ-https://posit.co/download/rstudio-desktop/ ולאחר מכן בצע את ההוראות בדף ההורדה. התקנת RStudio אורכת בדרך כלל ~10 דקות.
    הערה: התקנת RStudio היא אופציונלית (אך מומלצת מאוד), מכיוון שהיא מספקת סביבת פיתוח משולבת המפשטת את ביצוע הקוד, מציעה הדגשת תחביר, מקלה על ניהול החבילות ועוזרת למשתמשים להמחיש פלטים, מה שמועיל במיוחד למשתמשים שפחות מכירים את R.

2. הורד והתקן סקריפטים R לכלים רלוונטיים

  1. הורד את סקריפטי ה-R הנחוצים הבאים ממאגר GitHub https://github.com/bpickett/Pathway2Targets. כתובת URL זו מיועדת לעיון בלבד.
  2. הורד את הסקריפטים באמצעות הקישורים הבאים: SPIA גרסה 1.0 (הורד על ידי לחיצה על הורד קובץ גולמי): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (מזהה התחייבות: 60fcd46); Pathway2Targetsversion 3.1 (הורד על ידי לחיצה על הורד קובץ גולמי): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (מזהה התחייבות: 8e4c7c8)

3. הורד ספריות R לכלים רלוונטיים

  1. בעת הפעלת R (ב-RStudio או בחלון מסוף), הזן את הפקודות הבאות כדי להוריד ולהתקין את ספריות R הנוספות הנדרשות להפעלת התוכנה.
    1. הפעל את תוכנית RStudio. כברירת מחדל, לוח המסוף ממוקם בפינה השמאלית התחתונה של RStudio. לחץ במקום כלשהו בתוך חלון לוח המסוף, וסמן הקלדה אמור להופיע בתחתית אחרי סמל החץ ">".
    2. העתק והדבק את הפקודה הבאה באזור המסוף ולחץ על מקש Enter :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      לאחר ההתקנה בהצלחה, תופיע הודעת סטטוס האומרת "החבילות הבינאריות שהורדת נמצאות ב....".
    3. העתק והדבק את הפקודה הבאה באזור לוח המסוף ולחץ על מקש Enter .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      לאחר ההתקנה בהצלחה, תופיע הודעה דומה האומרת "החבילות הבינאריות שהורדת נמצאות ב....".
      הערה: קבוצת הספריות הראשונה (שלב 3.1.1) מורכבת מספריות R טיפוסיות, ואילו השנייה (2.1.2) מורכבת מספריות BioConductor. ככזה, יש להזין את הפקודות בנפרד. הגרסאות המתאימות של ספריות אלה אמורות להוריד באופן אוטומטי בהתבסס על גרסת R המותקנת במחשב. השלמת כל אחת מהפקודות הללו אמורה להימשך ~5 דקות.

4. עיבוד קבצים

  1. הורד את קובץ הפלט של ביטוי דיפרנציאלי שנוצר על ידי edgeR שחושב בעבר (בפורמט RDS), שנוצר על ידי תוכנת ARMOR (או דומה), למחשב המקומי. שמו של קובץ זה הוא בדרך כלל edgeR_dge.rds.
  2. סקור ידנית את התוצאות של edgeR (או ביטוי דיפרנציאלי דומה) כדי להתחיל בפרשנות רלוונטית ביולוגית של התוצאות. לשם כך, סנן לפי, לכל הפחות, ערך p מתוקן < 0.05, ואולי הערך המוחלט של ערך השינוי בקיפול log2 > 1.5. אם בודקים את התוכנה, ניתן למצוא קובץ edgeR_dge.rds לדוגמה ב-Zenodo כאן: https://doi.org/10.5281/zenodo.15186609
    הערה: סקירת הגנים שנותרו בתוצאות המסוננות הללו יכולה להתחיל להסביר את המנגנונים המולקולריים הבסיסיים של הפנוטיפ הקשור לדגימות המקרה (בהשוואה לדגימות הביקורת). חשוב להכיר בכך שהיכולת לפרש רשימות של גנים בצורה בלתי משוחדת היא קשה ביותר בשל המספר הנמוך יחסית של סמלי גנים שניתן לזכור במהירות. ככזה, ניתוח מסלול איתות הוא דרך שימושית לסכם את הגנים המסוננים על סמך האופן שבו הם מתקשרים ו/או מתקשרים זה עם זה בתא.
  3. עיבוד מקדים של נתוני RNA-seq בתפזורת יכול להימשך בין מספר שעות לימים של זמן חישוב, בהתאם לגודל מערך הנתונים המנותח. שמור קובץ .rds זה בתיקיה 'הורדות' במחשב. שים לב שסוג קובץ .rds זה אינו קריא על-ידי בני אדם.

5. הפעל את אלגוריתם העשרת מסלול SPIA

  1. אם אתה פועל באמצעות R, השתמש בסקריפט R מ-GitHub או מ-Supplementary Coding File 1. הקלד את הפקודה הבאה, בהנחה שהקובץ edgeR_dge.rds נמצא בתיקיה 'הורדות'
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. אם הקובץ edgeR_dge.rds נמצא בתיקיה (או בספריה) אחרת, החלף פקודה זו בדברים הבאים
      Rscript --vanilla SPIA_Code.Rmd
  2. אם אתה פועל באמצעות RStudio, השתמש בסקריפט R מ-GitHub או ב-Supplementary Coding File 2.
    הערה: בשפה R, הוספת תג hash # סמל לפני שורת קוד משביתה אותו באופן זמני. קבצי ה- Script תוכננו במקור לפעול בסביבת שורת פקודה במקום RStudio. הפעלה או השבתה של שורות קוד מסוימות היא הדרך הקלה ביותר להגדיר מחדש את ההגדרה עבור קבצי הקלט.
    1. פתח את הסקריפט SPIA_Code.Rmd ב-R Studio על ידי לחיצה על האפשרות פתח קובץ בתפריט קובץ ולאחר מכן בחירת שם הסקריפט. בחלון קוד R Studioכברירת מחדל, זה ממוקם בחלונית השמאלית העליונה.
    2. בחר את כל שורות הקוד בקובץ ולחץ על הלחצן Run (או Run Selected Line(s)), הממוקם מעל ומימין לחלון הקוד. הפעלה מוצלחת תייצר קובץ בשם דומה ל-
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      בספריית ההורדות. קובץ זה יכיל את מסלולי האיתות המובהקים סטטיסטית
    3. סקור את הקובץ עם התוצאות המובהקות מבחינה סטטיסטית באופן ידני על-ידי פתיחתו כגיליון אלקטרוני. התוכן של קובץ זה אמור לעזור לסכם את מפלי האיתות התוך-תאיים הבסיסיים המיוצגים באופן משמעותי על ידי הגנים המתבטאים באופן דיפרנציאלי.
      הערה: השלמת החישוב של מסלולים משמעותיים עשויה להימשך בין ~30 דקות למספר שעות, תלוי בעוצמת האות במערך הנתונים המנותח. כאשר התוכנית פועלת, הודעות התקדמות בזמן אמת יתעדכנו באופן רציף בחלון המסוף. ההודעות המתעדכנות לעתים קרובות מראות שהתוכנית פועלת בהצלחה. תיאורים מפורטים יותר של מה שמתרחש בשלב זה ניתן למצוא במאגר GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    4. אם אתה משתמש בקובץ הקלט לדוגמה, קובץ הפלט משלב זה יימצא בתיקיית ההורדות וייקרא בשם
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      סגנון מתן שמות זה משקף את שם קובץ הקלט, את התהליך המתבצע ואת הפלט. פעולה זו מונעת בלבול בזיהוי קבצים אם יותר מקובץ אחד מעובד.
    5. התאם פרמטרים אחרים כמתואר להלן.
      1. פרמטרי ברירת המחדל עבור אלגוריתם SPIA בספריה זו הם 1,000 תמורות. הגדל זאת ל-2,000 תמורות כדי לשפר את הביטחון בתוצאות. התאם את מספר התמורות בשורות 84 ו-85 של סקריפט זה על ידי שינוי הסלסול = 2000 למספר התמורות הרצוי. התאם פרמטרים אחרים כמתואר להלן.
      2. התאם את גישת תיקון ערך p בשורות 84 ו-85 על ידי הסרת שיטת padj.method = 'BH'. פעולה זו לא תתקן ערכי p, מה שעלול להגדיל את הסבירות לתוצאות חיוביות כוזבות.

6. הפעלת אלגוריתם תעדוף יעד Pathway2Targets בפלט SPIA

  1. אם אתה מפעיל R, השתמש בסקריפט R מ-GitHub או בקובץ קידוד משלים 3. השתמש בפקודה הבאה כדי להפעיל אלגוריתם זה
    Rscript --vanilla Pathway2Targets.R
  2. אם אתה פועל באמצעות R Studio, השתמש בסקריפט R מ-GitHub או בקובץ קידוד משלים 4. פתח את הסקריפט Pathway2Targets.R ב-R Studio על ידי לחיצה על האפשרות Open File בתפריט File ולאחר מכן בחירת שם הסקריפט.
    1. בחלון הקוד RStudio (החלונית השמאלית העליונה), החלף את שם הקובץ בשורה 22 בשם קובץ תוצאות SPIA, כגון (מהנתונים לדוגמה)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. בחר את כל שורות הקוד בקובץ ולחץ על כפתור ההפעלה , הממוקם מעל ובצד ימין של חלון הקוד. הודעות סטטוס התקדמות בזמן אמת יוצגו באופן רציף בחלונית הימנית התחתונה. הפעלה מוצלחת תייצר קובץ בשם (דומה ל)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       בספריית ההורדות. סגנון השמות של הקבצים משקף את הקלט, התהליך והפלט
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      הוא הקלט לקובץ כזה.
      הערה: שלב זה יכול להימשך בין שעה למספר שעות, תלוי במספר מסלולי האיתות עם ערך p משמעותי, מספר תוצרי הגנים במסלולים המשמעותיים הללו ומספר תוצרי הגנים הידועים כמטרות תרופתיות.
  3. ניתן להתאים כמה פרמטרים עבור האלגוריתם Pathway2Targets. באופן ספציפי, התאם את ערכי המכפיל (שורות 31-38 של הסקריפט) כדי להתאים אישית את ערכת השקלול עבור כל מדד. תיאורים מפורטים יותר של מה שמתרחש בשלב זה ניתן למצוא במאגר GitHub המתאים: https://github.com/bpickett/Pathway2Targets/tree/main
    הערה: לעיון, בדוגמה, זיהוי תרופות פוטנציאליות מ-132 מסלולים, המורכבים ממאות מטרות בודדות, לוקח כשעתיים. בהתבסס על מדד זה, סביר להעריך את זמן המחשוב הכולל.

7. לפתוח קבצי תוצאות עבור יעדים וטיפולים מתועדפים

  1. הקובץ עם היעדים המתועדפים והמדדים שלהם ייווצר. עבור קבצי הקלט לדוגמה, השתמש בקובץ הפלט שנמצא בתיקיה הורדות, בשם:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"חותמת זמן"_SPIA_Results.csv-RankedTargets.tsv
    1. קובץ זה, כברירת מחדל, ימוין עם היעדים הממוינים בסדר יורד על סמך המדד המשוקלל בהתאמה אישית. סקור ידנית את קובץ הפלט כדי לוודא שהתוצאות רלוונטיות מבחינה ביולוגית ושהיעדים הגיוניים עבור הפנוטיפ המוערך.
  2. הקובץ עם הטיפולים המתועדפים והמדדים שלהם ייווצר גם הוא. עבור קבצי הקלט לדוגמה, השתמש בקובץ הפלט בתיקיה הורדות, בשם:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"חותמת זמן"_SPIA_Results.csv-Treatments.tsv
    1. באופן דומה, קובץ פלט זה ימוין גם, כברירת מחדל, עם הטיפולים עבור המטרות השונות (בשלב 7.1.1) הממוינים בסדר יורד על סמך המדד המשוקלל. סקור את הקובץ באופן ידני עם ידע רקע מספיק על המערכת הביולוגית הבסיסית כדי לקבוע אם ניסויים נוספים מוצדקים. צפוי כי לטיפולים מרובים עשוי להיות אותו מדד משוקלל מכיוון שרבים מהיעדים יושפעו מיותר מטיפול אחד בשוק.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

ההגדרה המתוארת בשלבים 1-3 של הפרוטוקול נחוצה כדי לאפשר ביצוע עוקב של SPIA והאלגוריתם Pathway2Targets. בסוף כל שלב תיווצר הודעה המאשרת את ההתקנה המוצלחת של התוכנה. שלב 4 מורכב מהורדת קבוצה קיימת של תוצאות ביטוי דיפרנציאלי, שיכולות לכלול את קובץ הדוגמה שסופק, קובץ קיים אחר, או עיבוד מקדים של מערך נתונים מותאם אישית של רצף RNA. הדרישה העיקרית לשלב 4 היא שזרימת העבודה תשתמש ב-edgeR כאלגוריתם הביטוי הדיפרנציאלי, כאשר התוצאות מאוחסנות כאובייקט SingleCellExperiment בתוך קובץ rds.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

שלבים 1-3 של הפרוטוקול נוגעים באופן ספציפי להתקנת תוכנת R, סקריפטים ויחסי תלות הבסיסיים כדי להפעיל בהצלחה את התוכנה במורד הזרם. רשימה מפורטת של ספריות R נדרשות זמינה (טבלה משלימה 4). שלב 4 של הפרוטוקול כולל אחזור קובץ נתוני R (פורמט .rds), המכיל את הפלט מניתוח ביטוי דיפרנציאלי. תוכנה נפוצה לשלב זה כוללת edgeR6, DESeq24 ו-limma5. בנינו את זרימת העבודה הזו כך שתהיה תואמת לפלט edgeR בפורמט rds באמצעות ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

ל-BEP יש מניות ב-Pythia Biosciences. לא הושג מימון חיצוני לעבודה הנוכחית.

תודות

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

אנו מודים למשרד מחשוב המחקר באוניברסיטת בריגהם יאנג על המומחיות והתמיכה שלהם בעת גישה לסביבת המחשב בעלת הביצועים הגבוהים בקמפוס.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סקריפט Pathway2Targets Rאוניברסיטת בריגהם יאנג (מעבדת פיקט)גרסה 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R Softwareרשת ארכיון R מקיפה (CRAN)גרסה: 4.4.3https://cran.r-project.org
תוכנת שולחן העבודה R Studioהנחהגרסה: 2024.12.1+563https://posit.co/download/rstudio-desktop/
סקריפט SPIA Rאוניברסיטת בריגהם יאנג (מעבדת פיקט)גרסה: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Differential Gene ExpressionRNA SequencingSPIA AlgorithmPathway2TargetsDrug Target PredictionProtein Interaction NetworksTherapeutic Target IdentificationDisease Gene Profiles

מאמרים קשורים