Methodenartikel

Gebruik van humane differentieel tot expressie gebrachte genlijsten om downstream pathway verrijkingsanalyse en prioritering van doelen uit te voeren

DOI:

10.3791/68732

⸱

3 oktober 2025

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

In dit artikel

Samenvatting

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

Het huidige werk beschrijft een protocol voor het uitvoeren van het Pathway2Targets-algoritme, een R-script dat therapeutische doelen voorspelt en prioriteert op basis van het profiel van intracellulaire signaalroutes die worden gegenereerd door casus- versus controlemonsters van een bulk-RNA-sequencing-experiment te vergelijken.

Samenvatting

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

Dit protocol schetst een computationele pijplijn in meerdere stappen voor het identificeren van potentiële therapeutische doelen op basis van RNA-sequencinggegevens, inclusief installatie van relevante software, installatieverificatie en differentiële expressieanalyse met behulp van edgeR. Vervolgens laten we zien hoe het algoritme voor de signaalroute-impactanalyse (SPIA) kan worden gebruikt om statistisch significante routes te voorspellen. Om het vertrouwen in de resultaten te garanderen, richten we ons op significante trajecten (p < 0,05) om vals-positieve resultaten te verminderen. In tegenstelling tot traditionele genensets, weerspiegelen deze routes eiwit-eiwitinteractienetwerken en bieden ze mechanistische inzichten in cellulaire processen zoals de celcyclus, immuunrespons en metabolisme. Deze routes worden vervolgens geanalyseerd met behulp van het Pathway2Targets-algoritme, dat via een Application Programming Interface (API) communiceert met de OpenTargets.org-database. Dit algoritme bevat een nieuwe wegingsbenadering die bekende medicijndoelen scoort binnen de geïdentificeerde routes, terwijl de voortgang in realtime wordt weergegeven. De runtime is afhankelijk van de complexiteit van het pad en de doeldichtheid. De uitvoer bestaat uit twee gerangschikte bestanden. Het eerste bestand bevat een lijst van voorspelde medicijndoelen en hun gewogen scores, terwijl het tweede bestaat uit verschillende details voor de bijbehorende therapieën. Samen vergemakkelijkt deze pijplijn de prioritering van geneesmiddelbare doelen en behandelingen in de context van ziektespecifieke genexpressieprofielen.

Inleiding

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

Bulk RNA-sequencing maakt het mogelijk om de expressieniveaus van duizenden genen in een populatie van gevalscellen te vergelijken met een populatie van controlecellen. Experimenten zijn meestal ontworpen om ten minste drievoudige monsters te bevatten, idealiter biologische replicaten, hoewel technische replica's kunnen volstaan. Dit ontwerp houdt rekening met biologische variabiliteit en vermindert de impact van uitschieters. Analyse van deze expressiepatronen geeft gedetailleerd inzicht in het effect van de ziekte in kwestie op normale cellulaire processen en kan mogelijk de voorspelling van relevante therapieën mogelijk maken.

Voorverwerking van bulk-RNA-sequencinggegevens omvat doorgaans: kwaliteitscontrole van sequencing-lezingen (voor herhalingen, sequencing-adapters, GC%, enz.), leestrimmen en verwijderen van adapters, leesmapping/kwantitatie 1,2,3 en differentiële expressieanalyse 4,5,6. Gelukkig zijn verschillende analytische processen geautomatiseerd om het handmatige werk in verband met deze stappen te verminderen 7,8,9. Nadat de voorverwerking is voltooid, omvatten vaak uitgevoerde downstream-analyses functionele overrepresentatie-analyse met genontologieën, verrijking van signaalroutes en variatie in splitsing. Deze stroomafwaartse analyses vatten de differentiële expressieresultaten samen en vergemakkelijken de interpretatie ervan op een hoger niveau van granulariteit dan alleen de genenlijsten.

Er zijn verschillende instrumenten ontwikkeld met als doel bestaande therapieën een nieuwe bestemming te geven voor een goed gedefinieerd type of subtype van de ziekte. Dit wordt bereikt door het algoritme te trainen op meervoudige omics-gegevenstypen voor de beoogde ziekte. Helaas maken dergelijke inspanningen om de specificiteit en gevoeligheid van een beoogde ziekte te verbeteren het gebruik van de tools in meer algemene contexten vaak suboptimaal10,11. Een andere set instrumenten is breder toepasbaar op gevallen waarin genexpressieprofielen worden gekoppeld aan bestaande handtekeningen van genexpressie12,13, of aan de gekwantificeerde effecten van huidige therapieën 14,15. Deze breder toepasbare tools bereiken echter vaak een verminderde specificiteit en gevoeligheid voor een breed scala aan ziekten en/of zijn getraind met verouderde gegevens.

Daarentegen is het Pathway2Targets-algoritme eerder toegepast om potentiële therapeutische doelen te voorspellen bij B-cellymfoom, parodontitis, oestrogeen-positieve borstkanker, triple-negatieve borstkanker en chikungunya-virus 16,17,18,19,20,21. De resultaten van deze studies tonen aan dat deze tool in staat is om robuuste en biologisch relevante doelen te voorspellen. Pathway2Targets voorspelde op indrukwekkende wijze 392 potentiële doelwitten voor triple-negatieve borstkanker, waarvan er 60 werden getest in klinische onderzoeken; evenals 828 individuele geneesmiddelen voor TBNC, waarvan er 37 worden getest,17. In de lymfoomstudie voorspelde dit algoritme 915 medicijnen, waarvan er461 door de FDA zijn goedgekeurd.

Het doel van het huidige werk is om een computationeel protocol te beschrijven dat meer onderzoekers, die baat kunnen hebben bij toegang tot meer beschrijvende instructies over het uitvoeren van programma's op de opdrachtregel, in staat zal stellen om het recent ontwikkelde Pathway2Targets-algoritme effectief te gebruiken (Figuur 1). Pathway2Targets voorspelt doelen voor een bepaalde aandoening door differentiële expressiegegevens, gen-ziekteassociaties, informatie over klinische proeven, openbare doelgegevens22, route-informatie en andere statistieken te combineren. Belangrijk is dat dit algoritme een uniek en aanpasbaar wegingsschema bevat, waarmee gebruikers de ~20 doelgerelateerde statistieken kunnen bepalen die ze liever benadrukken in hun analyse, zoals het aantal ziekteassociaties, het aantal signaalroutes, het aantal unieke geneesmiddelen, het aantal therapieën in elke fase van klinische onderzoeken, enz.23. Als voorbeeld van een use case voor dit protocol zullen we een bestaande dataset voor colorectale kanker opnieuw analyseren24.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

De bulk-RNA-sequencinggegevens die in deze studie zijn geanalyseerd, zijn afkomstig uit openbaar beschikbare databases (de NCBI Gene Expression Omnibus and Sequence Read Archive)25,26. Als zodanig zorgden de oorspronkelijke gegevensverzamelaars voor de ethische en gepaste verzameling van deze monsters van geïnformeerde en instemmende menselijke proefpersonen.

1. Download en installeer R-software

  1. Installeer R (versie 4.0 of hoger) door op een geschikte link te klikken in de Comprehensive R Archive Network (CRAN) https://cran.r-project.org/mirrors.html en gebruik de optie 0-Cloud en volg vervolgens de juiste instructies voor het besturingssysteem van de computer. Dit proces duurt over het algemeen 5-10 minuten.
  2. Installeer R Studio (versie 2024 of hoger) vanuit https://posit.co/download/rstudio-desktop/ en volg de instructies op de downloadpagina. Het installeren van RStudio duurt over het algemeen ~10 minuten.
    OPMERKING: Het installeren van RStudio is optioneel (maar wordt ten zeerste aanbevolen), omdat het een geïntegreerde ontwikkelomgeving biedt die de uitvoering van code vereenvoudigt, syntaxismarkering biedt, pakketbeheer vergemakkelijkt en gebruikers helpt bij het visualiseren van uitvoer, wat vooral gunstig is voor gebruikers die minder bekend zijn met R.

2. Download en installeer R-scripts voor relevante tools

  1. Download de volgende benodigde R-scripts uit de GitHub-opslagplaats https://github.com/bpickett/Pathway2Targets. Deze URL is alleen ter referentie.
  2. Download de scripts met behulp van de onderstaande links: SPIA versie 1.0 (download door te klikken op Download Raw File): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (commit ID: 60fcd46); Pathway2Targetsversion 3.1 (download door te klikken op Download Raw File): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (commit ID: 8e4c7c8)

3. Download R-bibliotheken voor relevante tools

  1. Voer tijdens het uitvoeren van R (in RStudio of in een terminalvenster) de volgende opdrachten in om de vereiste extra R-bibliotheken te downloaden en te installeren die nodig zijn om de software uit te voeren.
    1. Start het RStudio-programma. Standaard bevindt het consolepaneel zich in de linkerbenedenhoek van RStudio. Klik ergens in het venster van het consolepaneel en er zou een typecursor onderaan moeten verschijnen na het pijlsymbool ">".
    2. Kopieer en plak de volgende opdracht in het consolegebied en druk op de Enter-toets :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Eenmaal succesvol geïnstalleerd, verschijnt er een statusbericht met de tekst "De gedownloade binaire pakketten zijn in ....".
    3. Kopieer en plak de volgende opdracht in het consolepaneel en druk op de Enter-toets .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Eenmaal succesvol geïnstalleerd, verschijnt er een soortgelijk bericht met de tekst "De gedownloade binaire pakketten zijn in ....".
      OPMERKING: De eerste set bibliotheken (stap 3.1.1) bestaat uit typische R-bibliotheken, terwijl de tweede (2.1.2) bestaat uit BioConductor-bibliotheken. Als zodanig moeten de commando's afzonderlijk worden ingevoerd. De juiste versies van deze bibliotheken moeten automatisch worden gedownload op basis van de R-versie die op de computer is geïnstalleerd. Elk van deze opdrachten duurt ~5 minuten om te voltooien.

4. Verwerking van bestanden

  1. Download het eerder berekende edgeR-gegenereerde uitvoerbestand voor differentiële expressie (in RDS-indeling), gegenereerd door ARMOR-software (of vergelijkbaar), naar de lokale computer. De naam van dit bestand is meestal edgeR_dge.rds.
  2. Bekijk handmatig de resultaten van edgeR (of een vergelijkbare differentiële expressie) om te beginnen met biologisch relevante interpretatie van de resultaten. Om dit te doen, filtert u op minimaal een gecorrigeerde p-waarde < 0,05 en mogelijk de absolute waarde van de log 2-vouwveranderingswaarde > 1,5. Als u de software test, kunt u hier een voorbeeld van een edgeR_dge.rds-bestand op Zenodo vinden: https://doi.org/10.5281/zenodo.15186609
    OPMERKING: Het bekijken van de genen die in deze gefilterde resultaten achterblijven, kan beginnen met het verklaren van de onderliggende moleculaire mechanismen van het fenotype dat geassocieerd is met de casusmonsters (vergeleken met de controlemonsters). Het is belangrijk om te erkennen dat het vermogen om lijsten met genen op een onbevooroordeelde manier te interpreteren buitengewoon moeilijk is vanwege het relatief lage aantal gensymbolen dat snel kan worden opgeroepen. Als zodanig is signaalrouteanalyse een nuttige manier om de gefilterde genen samen te vatten op basis van hoe ze in de cel met elkaar interageren en/of communiceren.
  3. Het voorverwerken van bulk-RNA-seq-gegevens kan enkele uren tot dagen rekentijd in beslag nemen, afhankelijk van de grootte van de dataset die wordt geanalyseerd. Sla dit .rds-bestand op in de map Downloads op de computer. Merk op dat dit .rds-bestandstype niet door mensen kan worden gelezen.

5. Voer het algoritme voor verrijking van de SPIA-route uit

  1. Als u R gebruikt, gebruikt u het R-script van GitHub of Supplementary Coding File 1. Typ de volgende opdracht, ervan uitgaande dat het bestand edgeR_dge.rds zich in de map Downloads bevindt
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. Als het edgeR_dge.rds-bestand zich in een andere map (of map) bevindt, vervangt u deze opdracht door het volgende
      Rscript --vanilla SPIA_Code.Rmd
  2. Als u RStudio gebruikt, gebruikt u het R-script van GitHub of Supplementary Coding File 2.
    OPMERKING: In de taal R wordt het tijdelijk uitgeschakeld door het hashtag-#-symbool toe te voegen vóór een regel code. De scripts waren oorspronkelijk ontworpen om te draaien in een opdrachtregelomgeving in plaats van RStudio. Het in- of uitschakelen van bepaalde regels code is de eenvoudigste manier om de instellingen voor de invoerbestanden opnieuw te configureren.
    1. Open het SPIA_Code.Rmd-script in R Studio door te klikken op de optie Bestand openen in het menu Bestand en selecteer vervolgens de scriptnaam. In het venster van de R Studio-code bevindt dit zich standaard in het linkerbovenpaneel.
    2. Selecteer alle regels code in het bestand en klik op de knop Uitvoeren (of Geselecteerde regel(s) uitvoeren, die zich boven en rechts van het codevenster bevindt. Bij een succesvolle uitvoering wordt een bestand geproduceerd met de naam die lijkt op
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      in de downloadmap. Dit bestand bevat de statistisch significante signaalroutes
    3. Controleer het bestand met de statistisch significante resultaten handmatig door het als een spreadsheet te openen. De inhoud van dit bestand zou moeten helpen om de onderliggende intracellulaire signaalcascades samen te vatten die significant worden vertegenwoordigd door de differentieel tot expressie gebrachte genen.
      OPMERKING: Het voltooien van de berekening van significante routes kan ~30 minuten tot enkele uren duren, afhankelijk van de sterkte van het signaal in de dataset die wordt geanalyseerd. Wanneer het programma actief is, worden real-time voortgangsberichten continu bijgewerkt in het consolevenster. De regelmatig bijgewerkte berichten laten zien dat het programma met succes werkt. Meer gedetailleerde beschrijvingen van wat er in deze stap gebeurt, zijn te vinden in de GitHub-opslagplaats: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Als u het voorbeeldinvoerbestand gebruikt, wordt het uitvoerbestand van deze stap gevonden in de map Downloads en krijgt het een naam
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Deze naamgevingsstijl weerspiegelt de naam van het invoerbestand, het proces dat wordt uitgevoerd en de uitvoer. Dit voorkomt verwarring bij het identificeren van bestanden als er meer dan één wordt verwerkt.
    5. Pas andere parameters aan zoals hieronder beschreven.
      1. De standaardparameters voor het SPIA-algoritme in deze bibliotheek zijn 1.000 permutaties. Verhoog dit tot 2.000 permutaties om het vertrouwen in de resultaten te vergroten. Pas het aantal permutaties in de regels 84 en 85 van dit script aan door de perm = 2000 te wijzigen in het gewenste aantal permutaties. Pas andere parameters aan zoals hieronder beschreven.
      2. Pas de p-waarde correctiebenadering aan in regels 84 en 85 door de padj.method = 'BH' te verwijderen. Hiermee worden de p-waarden niet gecorrigeerd, waardoor de kans op vals-positieve resultaten groter wordt.

6. Algoritme voor het prioriteren van Pathway2Targets op SPIA-uitvoer uitvoeren

  1. Als u R uitvoert, gebruikt u het R-script van GitHub of Supplementary Coding File 3. Gebruik de volgende opdracht om dit algoritme aan te roepen
    Rscript --vanilla Pathway2Targets.R
  2. Als u R Studio gebruikt, gebruikt u het R-script van GitHub of Supplementary Coding File 4. Open het script Pathway2Targets.R in R Studio door te klikken op de optie Bestand openen in het menu Bestand en selecteer vervolgens de scriptnaam.
    1. Vervang in het venster RStudio-code (paneel linksboven) de bestandsnaam op regel 22 door de bestandsnaam van de SPIA-resultaten, zoals (uit de voorbeeldgegevens)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Selecteer alle regels code in het bestand en klik op de knop Uitvoeren , die zich boven en aan de rechterkant van het codevenster bevindt. Realtime voortgangsstatusberichten worden continu weergegeven in het paneel rechtsonder. Een succesvolle uitvoering produceert een bestand met de naam (vergelijkbaar met)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       in de downloadmap. De naamgevingsstijl van de bestanden weerspiegelt de invoer, het proces en de uitvoer
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      is de invoer voor een dergelijk bestand.
      OPMERKING: Deze stap kan één tot enkele uren duren, afhankelijk van het aantal signaalroutes met een significante p-waarde, het aantal genproducten in die significante routes en het aantal genproducten waarvan bekend is dat ze het doelwit zijn van geneesmiddelen.
  3. Sommige parameters voor het Pathway2Targets-algoritme kunnen worden aangepast. Pas met name de vermenigvuldigingswaarden (regels 31-38 van het script) aan om het wegingsschema voor elke metrische waarde aan te passen. Meer gedetailleerde beschrijvingen van wat er in deze stap gebeurt, zijn te vinden in de bijbehorende GitHub-opslagplaats: https://github.com/bpickett/Pathway2Targets/tree/main
    OPMERKING: Ter referentie: in het voorbeeld duurt het identificeren van potentiële geneesmiddelen uit 132 routes, bestaande uit honderden individuele doelen, ongeveer 2 uur om te voltooien. Op basis van deze statistiek is het redelijk om de totale rekentijd te schatten.

7. Open resultatenbestanden voor geprioriteerde doelen en therapieën

  1. Het bestand met geprioriteerde doelen en hun metrische gegevens wordt gegenereerd. Gebruik voor de voorbeeldinvoerbestanden het uitvoerbestand in de map Downloads, met de naam:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
    1. Dit bestand wordt standaard gesorteerd met de doelen gesorteerd in aflopende volgorde op basis van de op maat gewogen metriek. Controleer het uitvoerbestand handmatig om er zeker van te zijn dat de resultaten biologisch relevant zijn en dat de doelen logisch zijn voor het fenotype dat wordt geëvalueerd.
  2. Het bestand met geprioriteerde therapieën en hun statistieken zal ook worden gegenereerd. Gebruik voor de voorbeeldinvoerbestanden het uitvoerbestand in de map Downloads, met de naam:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-Treatments.tsv
    1. Op dezelfde manier wordt dit uitvoerbestand standaard ook gesorteerd met de therapieën voor de verschillende doelen (in stap 7.1.1) gesorteerd in aflopende volgorde op basis van de gewogen metriek. Bekijk het dossier handmatig met voldoende achtergrondkennis van het onderliggende biologische systeem om te bepalen of aanvullende experimenten gerechtvaardigd zijn. Verwacht wordt dat meerdere therapieën dezelfde gewogen metriek kunnen hebben, aangezien veel van de doelen zullen worden beïnvloed door meer dan één therapeutisch middel op de markt.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De instelling die in stap 1-3 van het protocol wordt beschreven, is nodig om de daaropvolgende uitvoering van SPIA en het Pathway2Targets-algoritme mogelijk te maken. Aan het einde van elke stap wordt een bericht gegenereerd om de succesvolle installatie van de software te bevestigen. Stap 4 bestaat uit het downloaden van een bestaande set resultaten van differentiële expressies, die het meegeleverde voorbeeldbestand of een ander bestaand bestand kan bevatten, of het voorbewerken van een...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Stappen 1-3 van het protocol hebben specifiek betrekking op het installeren van de onderliggende R-software, scripts en afhankelijkheden om de downstream-software met succes uit te voeren. Er is een gedetailleerde lijst van vereiste R-bibliotheken beschikbaar (aanvullende tabel 4). Stap 4 van het protocol omvat het ophalen van een R-gegevensbestand (.rds-formaat), dat de uitvoer van een differentiële expressieanalyse bevat. Veelgebruikte software voor deze stap is edgeR<...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

BEP heeft aandelen in Pythia Biosciences. Voor het huidige werk werd geen externe financiering verworven.

Dankbetuigingen

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

We danken het Office of Research Computing van de Brigham Young University voor hun expertise en ondersteuning bij de toegang tot de krachtige computeromgeving op de campus.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Pathway2Targets R scriptBrigham Young University (Pickett Lab)Versie 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R SoftwareComprehensive R Archive Network (CRAN)Versie: 4.4.3https://cran.r-project.org
R Studio Desktop SoftwarepositVersie: 2024.12.1+563https://posit.co/download/rstudio-desktop/
SPIA R scriptBrigham Young University (Pickett Lab)Versie: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

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

Gerelateerde artikelen