Articolo metodologico

Utilizzo di elenchi di geni umani differenzialmente espressi per eseguire l'analisi dell'arricchimento del percorso a valle e la definizione delle priorità dei bersagli

DOI:

10.3791/68732

⸱

3 ottobre 2025

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

In questo articolo

Sommario

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

Il lavoro attuale descrive un protocollo per l'esecuzione dell'algoritmo Pathway2Targets, uno script R che prevede e dà priorità ai bersagli terapeutici in base al profilo delle vie di segnalazione intracellulari generate confrontando i campioni di caso rispetto a quelli di controllo di un esperimento di sequenziamento di RNA di massa.

Abstract

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

Questo protocollo delinea una pipeline computazionale in più fasi per identificare potenziali bersagli terapeutici dai dati di sequenziamento dell'RNA, inclusa l'installazione del software pertinente, la verifica della configurazione e l'analisi dell'espressione differenziale utilizzando edgeR. Mostriamo quindi come utilizzare l'algoritmo di analisi dell'impatto del percorso di segnalazione (SPIA) per prevedere percorsi statisticamente significativi. Per garantire la fiducia nei risultati, ci concentriamo su percorsi significativi (p < 0,05) per ridurre i risultati falsi positivi. A differenza dei set di geni tradizionali, questi percorsi riflettono le reti di interazione proteina-proteina, offrendo intuizioni meccanicistiche sui processi cellulari come il ciclo cellulare, la risposta immunitaria e il metabolismo. Questi percorsi vengono quindi analizzati utilizzando l'algoritmo Pathway2Targets, che si interfaccia con il database OpenTargets.org tramite un'interfaccia di programmazione delle applicazioni (API). Questo algoritmo incorpora un nuovo approccio di ponderazione che assegna un punteggio a target farmacologici noti all'interno dei percorsi identificati, fornendo al contempo progressi in tempo reale. Il runtime dipende dalla complessità del percorso e dalla densità del target. L'output è costituito da due file classificati. Il primo file contiene un elenco di bersagli farmacologici previsti e i relativi punteggi ponderati, mentre il secondo è costituito da vari dettagli per le terapie associate. Insieme, questa pipeline facilita la definizione delle priorità dei bersagli e dei trattamenti farmacologici nel contesto dei profili di espressione genica specifici della malattia.

Introduzione

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

Il sequenziamento di massa dell'RNA consente di confrontare i livelli di espressione di migliaia di geni in una popolazione di cellule del caso rispetto a una popolazione di cellule di controllo. Gli esperimenti sono in genere progettati per includere almeno campioni triplicati, idealmente repliche biologiche, anche se le repliche tecniche possono essere sufficienti. Questo disegno tiene conto della variabilità biologica e riduce l'impatto dei campioni anomali. L'analisi di questi modelli di espressione fornisce una visione dettagliata dell'effetto della malattia di interesse sui normali processi cellulari e può potenzialmente consentire la previsione di terapie pertinenti.

La pre-elaborazione dei dati di sequenziamento dell'RNA di massa include in genere: controllo di qualità delle letture di sequenziamento (per ripetizioni, adattatori di sequenziamento, GC%, ecc.), taglio delle letture e rimozione degli adattatori, mappatura/quantificazione delle letture 1,2,3 e analisi dell'espressione differenziale 4,5,6. Fortunatamente, una varietà di processi analitici è stata automatizzata per ridurre il lavoro manuale associato a questi passaggi 7,8,9. Dopo che la pre-elaborazione è completa, le analisi a valle comunemente eseguite includono l'analisi della sovrarappresentazione funzionale con ontologie geniche, l'arricchimento delle vie di segnalazione e la variazione dello splicing. Queste analisi a valle riassumono e facilitano l'interpretazione dei risultati dell'espressione differenziale a un livello di granularità più elevato rispetto alle sole liste di geni.

Sono stati sviluppati vari strumenti con l'obiettivo di riproporre le terapie esistenti per un tipo o sottotipo di malattia ben definito. Ciò si ottiene addestrando l'algoritmo su tipi di dati multi-omici per la malattia prevista. Sfortunatamente, tali sforzi per migliorare la specificità e la sensibilità in una malattia intenzionale spesso rendono l'uso degli strumenti in contesti più generali non ottimale10,11. Un altro set di strumenti è più ampiamente applicabile ai casi in cui i profili di espressione genica sono abbinati alle firme esistenti di espressione genica12,13 o agli effetti quantificati delle attuali terapie14,15. Tuttavia, questi strumenti più ampiamente applicabili spesso raggiungono una specificità e una sensibilità ridotte in un'ampia gamma di malattie e/o sono stati addestrati con dati obsoleti.

Al contrario, l'algoritmo Pathway2Targets è stato precedentemente applicato per prevedere potenziali bersagli terapeutici nel linfoma a cellule B, nella parodontite, nel carcinoma mammario estrogeno-positivo, nel carcinoma mammario triplo negativo e nel virus chikungunya 16,17,18,19,20,21. I risultati di questi studi dimostrano che questo strumento è in grado di prevedere bersagli robusti e biologicamente rilevanti. Sorprendentemente, Pathway2Targets ha previsto 392 potenziali bersagli farmacologici per il carcinoma mammario triplo negativo, tra cui 60 sono stati testati in studi clinici; oltre a 828 singoli farmaci per TBNC, di cui 37 testati17. Nello studio sul linfoma, questo algoritmo ha previsto 915 farmaci, 461 dei qualisono approvati dalla FDA.

Lo scopo del presente lavoro è quello di descrivere un protocollo computazionale che consentirà a un maggior numero di ricercatori, che potrebbero trarre vantaggio dall'accesso a istruzioni più descrittive sull'esecuzione di programmi sulla riga di comando, di utilizzare efficacemente l'algoritmo Pathway2Targets recentemente sviluppato (Figura 1). Pathway2Targets prevede i bersagli per una determinata condizione combinando dati di espressione differenziale, associazioni gene-malattia, informazioni sugli studi clinici, dati target pubblici22, informazioni sul percorso e altre metriche. È importante sottolineare che questo algoritmo incorpora uno schema di ponderazione unico e personalizzabile, che consente agli utenti di determinare le ~20 metriche relative al target che preferiscono enfatizzare nella loro analisi, come il numero di associazioni di malattie, il numero di vie di segnalazione, il numero di farmaci unici, il numero di terapie in ogni fase degli studi clinici, ecc.23. Come esempio di caso d'uso per questo protocollo, analizzeremo nuovamente un set di dati esistente sul cancro del colon-retto24.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

I dati di sequenziamento dell'RNA analizzati in questo studio sono stati acquisiti da database disponibili al pubblico (NCBI Gene Expression Omnibus and Sequence Read Archive)25,26. Pertanto, i raccoglitori di dati originali hanno garantito la raccolta etica e appropriata di questi campioni da soggetti umani informati e consenzienti.

1. Scarica e installa il software R

  1. Installare R (versione 4.0 o successiva) facendo clic su un collegamento appropriato dal https://cran.r-project.org/mirrors.html Comprehensive R Archive Network (CRAN) e utilizzare l'opzione 0-Cloud, quindi seguire le istruzioni appropriate per il sistema operativo del computer. Questo processo richiede generalmente 5-10 minuti.
  2. Installa R Studio (versione 2024 o successiva) da https://posit.co/download/rstudio-desktop/, quindi segui le istruzioni nella pagina di download. L'installazione di RStudio richiede generalmente ~10 minuti.
    NOTA: l'installazione di RStudio è facoltativa (ma consigliata), in quanto fornisce un ambiente di sviluppo integrato che semplifica l'esecuzione del codice, offre l'evidenziazione della sintassi, facilita la gestione dei pacchetti e aiuta gli utenti a visualizzare gli output, il che è particolarmente vantaggioso per gli utenti che hanno meno familiarità con R.

2. Scaricare e installare gli script R per gli strumenti pertinenti

  1. Scaricare gli script R necessari seguenti dal repository GitHub https://github.com/bpickett/Pathway2Targets. Questo URL è solo di riferimento.
  2. Scarica gli script utilizzando i seguenti link: SPIA versione 1.0 (scarica facendo clic su Scarica file raw): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (ID commit: 60fcd46); Pathway2Targetsversione 3.1 (scarica facendo clic su Scarica file non elaborato): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (ID commit: 8e4c7c8)

3. Scarica le librerie R per gli strumenti pertinenti

  1. Durante l'esecuzione di R (in RStudio o in una finestra del terminale), immettere i comandi seguenti per scaricare e installare le librerie R aggiuntive necessarie per eseguire il software.
    1. Avviare il programma RStudio. Per impostazione predefinita, il pannello della console si trova nell'angolo in basso a sinistra di RStudio. Fai clic in un punto qualsiasi all'interno della finestra del pannello della console e dovrebbe apparire un cursore di digitazione in basso dopo il simbolo della freccia ">".
    2. Copia e incolla il seguente comando nell'area della console e premi il tasto Invio :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Una volta installato correttamente, apparirà un messaggio di stato che dice "I pacchetti binari scaricati sono in ....".
    3. Copia e incolla il seguente comando nell'area del pannello della console e premi il tasto Invio .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Una volta installato correttamente, apparirà un messaggio simile che dice "I pacchetti binari scaricati sono in ....".
      NOTA: il primo set di librerie (passaggio 3.1.1) è costituito da librerie R tipiche, mentre il secondo (2.1.2) è costituito da librerie BioConductor. Pertanto, i comandi devono essere inseriti separatamente. Le versioni appropriate di queste librerie devono essere scaricate automaticamente in base alla versione R installata nel computer. Il completamento di ciascuno di questi comandi dovrebbe richiedere ~5 minuti.

4. Elaborazione dei file

  1. Scaricare il file di output dell'espressione differenziale generata da edgeR precedentemente calcolata (in formato RDS), generato dal software ARMOR (o simile), sul computer locale. Il nome di questo file è generalmente edgeR_dge.rds.
  2. Esamina manualmente i risultati di edgeR (o di un'espressione differenziale simile) per iniziare un'interpretazione biologicamente rilevante dei risultati. A tale scopo, filtrare in base a un valore p corretto < 0,05 e potenzialmente al valore assoluto del valore di variazione della riduzione log2 > 1,5. Se stai testando il software, un esempio di file edgeR_dge.rds può essere trovato su Zenodo qui: https://doi.org/10.5281/zenodo.15186609
    NOTA: La revisione dei geni che rimangono in questi risultati filtrati può iniziare a spiegare i meccanismi molecolari sottostanti del fenotipo associato ai campioni di caso (rispetto ai campioni di controllo). È importante riconoscere che la capacità di interpretare elenchi di geni in modo imparziale è estremamente difficile a causa del numero relativamente basso di simboli genetici che possono essere rapidamente richiamati. Pertanto, l'analisi della via di segnalazione è un modo utile per riassumere i geni filtrati in base a come interagiscono e/o comunicano tra loro nella cellula.
  3. La pre-elaborazione dei dati RNA-seq di massa può richiedere da diverse ore a giorni di tempo di calcolo, a seconda delle dimensioni del set di dati analizzato. Salvare questo file .rds nella cartella Download del computer. Si noti che questo tipo di file .rds non è leggibile dall'uomo.

5. Eseguire l'algoritmo di arricchimento del percorso SPIA

  1. Se si esegue usando R, usare lo script R da GitHub o dal file di codifica supplementare 1. Digita il seguente comando, supponendo che il file edgeR_dge.rds si trovi nella cartella Download
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. Se il file edgeR_dge.rds si trova in una cartella (o directory) diversa, sostituire questo comando con il seguente
      Rscript --vanilla SPIA_Code.Rmd
  2. Se si esegue usando RStudio, usare lo script R da GitHub o il file di codifica supplementare 2.
    NOTA: Nella lingua R, l'aggiunta del simbolo hash tag # prima di una riga di codice lo disabilita temporaneamente. Gli script sono stati originariamente progettati per l'esecuzione in un ambiente da riga di comando anziché in RStudio. L'abilitazione o la disabilitazione di determinate righe di codice è il modo più semplice per riconfigurare l'installazione dei file di input.
    1. Aprire lo script SPIA_Code.Rmd in R Studio facendo clic sull'opzione Apri file nel menu File, quindi selezionando il nome dello script. Nella finestra del codice di R Studioper impostazione predefinita, si trova nel pannello in alto a sinistra.
    2. Selezionare tutte le righe di codice nel file e fare clic sul pulsante Esegui (o Esegui righe selezionate), che si trova sopra e a destra della finestra del codice. Se l'esecuzione ha esito positivo, verrà generato un file denominato simile a
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      nella directory di download. Questo file conterrà le vie di segnalazione statisticamente significative
    3. Rivedi manualmente il file con i risultati statisticamente significativi aprendolo come foglio di calcolo. Il contenuto di questo file dovrebbe aiutare a riassumere le sottostanti cascate di segnalazione intracellulare che sono significativamente rappresentate dai geni differenzialmente espressi.
      NOTA: Il completamento del calcolo dei percorsi significativi può richiedere da ~30 minuti a diverse ore, a seconda della potenza del segnale nel set di dati analizzato. Quando il programma è in esecuzione, i messaggi di avanzamento in tempo reale si aggiornano continuamente nella finestra della console. I messaggi aggiornati di frequente mostrano che il programma funziona correttamente. Descrizioni più dettagliate di ciò che accade in questo passaggio sono disponibili nel repository GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Se si utilizza il file di input di esempio, il file di output di questo passaggio si troverà nella cartella Download e verrà denominato
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Questo stile di denominazione riflette il nome del file di input, il processo in esecuzione e l'output. In questo modo si evita confusione nell'identificazione dei file se ne viene elaborato più di uno.
    5. Regolare gli altri parametri come descritto di seguito.
      1. I parametri predefiniti per l'algoritmo SPIA in questa libreria sono 1.000 permutazioni. Aumentare questo valore a 2.000 permutazioni per migliorare l'affidabilità dei risultati. Regolare il numero di permutazioni nelle righe 84 e 85 di questo script modificando il perm = 2000 nel numero di permutazioni desiderato. Regolare gli altri parametri come descritto di seguito.
      2. Regolare l'approccio di correzione del valore p nelle righe 84 e 85 rimuovendo il padj.method = 'BH'. Questo non correggerà i valori p, il che potrebbe rendere più probabili risultati falsi positivi.

6. Esecuzione dell'algoritmo di prioritizzazione dei target Pathway2Targets sull'output SPIA

  1. Se si esegue R, usare lo script R da GitHub o il file di codifica supplementare 3. Utilizzare il comando seguente per richiamare questo algoritmo
    Rscript --vanilla Pathway2Targets.R
  2. Se si esegue con R Studio, usare lo script R da GitHub o il file di codifica supplementare 4. Aprire lo script Pathway2Targets.R in R Studio facendo clic sull'opzione Apri file nel menu File, quindi selezionando il nome dello script.
    1. Nella finestra del codice RStudio (pannello in alto a sinistra), sostituire il nome del file alla riga 22 con il nome del file dei risultati SPIA, ad esempio (dai dati di esempio)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Selezionare tutte le righe di codice nel file e fare clic sul pulsante Esegui , che si trova sopra e verso il lato destro della finestra del codice. I messaggi di stato dell'avanzamento in tempo reale verranno visualizzati continuamente nel pannello in basso a destra. Se l'esecuzione ha esito positivo, verrà generato un file denominato (simile a)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       nella directory di download. Lo stile di denominazione dei file riflette l'input, il processo e l'output
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      è l'input per tale file.
      NOTA: Questo passaggio può richiedere da una a diverse ore, a seconda del numero di vie di segnalazione con un valore p significativo, del numero di prodotti genici in tali percorsi significativi e del numero di prodotti genici che sono bersagli farmacologici noti.
  3. Alcuni parametri per l'algoritmo Pathway2Targets possono essere regolati. In particolare, regola i valori del moltiplicatore (righe 31-38 dello script) per personalizzare lo schema di ponderazione per ogni metrica. Descrizioni più dettagliate di ciò che accade in questo passaggio sono disponibili nel repository GitHub corrispondente: https://github.com/bpickett/Pathway2Targets/tree/main
    NOTA: Per riferimento, nell'esempio, l'identificazione di potenziali farmaci da 132 percorsi, costituiti da centinaia di bersagli individuali, richiede circa 2 ore per essere completata. Sulla base di questa metrica, è ragionevole stimare il tempo di calcolo totale.

7. Aprire i file dei risultati per gli obiettivi prioritari e le terapie

  1. Verrà generato il file con gli obiettivi prioritari e le relative metriche. Per i file di input di esempio, utilizzare il file di output che si trova nella cartella Downloads, denominato:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
    1. Per impostazione predefinita, questo file verrà ordinato con le destinazioni ordinate in ordine decrescente in base alla metrica pesata personalizzata. Esamina manualmente il file di output per assicurarti che i risultati siano biologicamente rilevanti e che i target siano logici per il fenotipo da valutare.
  2. Verrà generato anche il file con le terapie prioritarie e le relative metriche. Per i file di input di esempio, utilizzare il file di output nella cartella Download, denominato:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-Treatments.tsv
    1. Allo stesso modo, anche questo file di output verrà, per impostazione predefinita, ordinato con le terapie per i vari target (nel passaggio 7.1.1) ordinate in ordine decrescente in base alla metrica ponderata. Esamina il file manualmente con una conoscenza di base sufficiente del sistema biologico sottostante per determinare se ulteriori esperimenti sono giustificati. Si prevede che più terapie possano avere la stessa metrica ponderata poiché molti dei bersagli saranno influenzati da più di una terapia sul mercato.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

La configurazione descritta nei passaggi 1-3 del protocollo è necessaria per abilitare la successiva esecuzione di SPIA e dell'algoritmo Pathway2Targets. Al termine di ogni passaggio, verrà generato un messaggio per confermare l'avvenuta installazione del software. La fase 4 consiste nel scaricare un set esistente di risultati di espressioni differenziali, che potrebbe includere il file di esempio fornito, un file esistente diverso o la pre-elaborazione di un set di dati di sequenziament...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

I passaggi da 1 a 3 del protocollo riguardano in modo specifico l'installazione del software R sottostante, degli script e delle dipendenze per eseguire correttamente il software downstream. È disponibile un elenco dettagliato delle librerie R richieste (Tabella supplementare 4). Il passaggio 4 del protocollo prevede il recupero di un file di dati R (formato .rds), che contiene l'output di un'analisi di espressione differenziale. Il software comune per questa fase coinvo...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

BEP ha una partecipazione azionaria in Pythia Biosciences. Per l'opera in corso non sono stati acquisiti finanziamenti esterni.

Ringraziamenti

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

Ringraziamo l'Office of Research Computing della Brigham Young University per la competenza e il supporto dimostrati nell'accesso all'ambiente informatico ad alte prestazioni del campus.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Scripto R di Pathway2TargetsUniversità Brigham Young (Laboratorio Pickett)Versione 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R SoftwareRete Completa di Archivi R (CRAN)Versione: 4.4.3https://cran.r-project.org
R Studio Desktop SoftwarePostulazioneVersione: 2024.12.1+563https://posit.co/download/rstudio-desktop/
Script SPIA RUniversità Brigham Young (Laboratorio Pickett)Versione: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

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

Articoli correlati