Gebruik van humane differentieel tot expressie gebrachte genlijsten om downstream pathway verrijkingsanalyse en prioritering van doelen uit te voeren
3 oktober 2025
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.
Het doel van ons onderzoek is om de intracellulaire transcriptionele respons op verschillende aandoeningen te karakteriseren en om therapieën en mechanistische of diagnostische markers voor die aandoeningen te voorspellen. Computationele voorspelling geeft kandidaten van medicijnen. Het valideren van de effecten van medicijnen is arbeids- en tijdrovend.
De incidentele methode kon echter alleen verbeteren met experimentele gegevens van hoge kwaliteit. Het voordeel van dit werk is het vermogen om potentiële medicijndoelen te identificeren voor hergebruik binnen een signaalroute in plaats van alleen differentieel tot expressie gebrachte genen te matchen met bekende doelen. Om het SPIA Pathway Enrichment-algoritme uit te voeren, downloadt u eerst de code op het computersysteem van GitHub.
Open de SPIA_Code. R MD-script in RStudio. Selecteer alle coderegels en klik vervolgens op de knop Uitvoeren of Geselecteerde regels uitvoeren om het script uit te voeren.
Wacht tot de uitvoering is voltooid en controleer of een csv-bestand met dezelfde naam wordt weergegeven in de map Downloaden. Open het bestand als een spreadsheet om de resultaten handmatig te controleren en te interpreteren. Als u het algoritme voor doelprioritering wilt uitvoeren, opent u de Pathway2Targets.
R-script in RStudio door het menu Bestand te selecteren en op Bestand openen te klikken en vervolgens de scriptnaam uit de map te kiezen. Ga in het RStudio-codevenster naar regel 22 en vervang de tijdelijke aanduiding door de werkelijke bestandsnaam van de SPIA-resultaten. Selecteer alle regels code en klik op de knop Uitvoeren om het algoritme uit te voeren.
Bekijk real-time voortgangsberichten die linksonder in het scherm verschijnen. Controleer na voltooiing de map Downloaden op een tsv-bestand met dezelfde naam, dat de geprioriteerde doelen bevat. Nadat u het bestand met geprioriteerde doelen en hun metrische gegevens hebt gegenereerd, opent u het in een spreadsheettoepassing om te bekijken.
Het SPIA-algoritme identificeerde 10 statistisch significante signaalroutes met een niet-gecorrigeerde p-waarde van minder dan 0,05. Het algoritme van Pathway2Targets identificeerde meerdere voorspelde doelen. De voorspelde therapeutische doelen waren consistent voor zowel de gerangschikte doelen als de gerangschikte behandelingsoutputs, inclusief bekende colorectale kankergerelateerde genen, zoals EGFR, TP53 en AKT1.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie richt zich op het karakteriseren van de intracellulaire transcriptierespons onder verschillende omstandigheden en heeft tot doel therapeutische doelen en diagnostische markers te voorspellen. Door gebruik te maken van het Pathway2Targets-algoritme, identificeert het onderzoek potentiële geneesmiddeldoelen voor colorectale kanker door bulk RNA-sequencing-gegevensanalyse.
Belangrijkste studiecomponenten
Onderzoeksgebied
- Doelwitvoorspelling voor therapeutische interventies
- Transcriptioneel profilering van intracellulaire reacties
- Onderzoek naar colorectale kanker
Achtergrond
- De behoefte aan hoogwaardige experimentele gegevens om voorspellingen te verbeteren
- Uitdagingen bij het valideren van geneesmiddeleffecten
- Voordeel van het identificeren van geneesmiddeldoelen binnen signaalroutes
Gebruikte methoden
- Pathway2Targets-algoritme voor doelwitprioritering
- Bulk RNA-sequencing-gegevens
- R-programmering voor gegevensanalyse
Belangrijkste resultaten
- Identificatie van statistisch significante signaalroutes
- Meerdere voorspelde therapeutische doelen consistent over de uitvoer
- Belangrijke genen die zijn geïdentificeerd zijn EGFR, TP53 en AKT1
Conclusies
- De studie toont een nieuwe aanpak van geneesmiddelhergebruik binnen signaalroutes
- Onderzoek is relevant voor het verbeteren van therapeutische strategieën tegen colorectale kanker
Veelgestelde vragen
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.
