Artykuł metodologiczny

Wykorzystanie list genów wyrażanych różnicowo ekspresyjnie u człowieka do analizy wzbogacania szlaków w dalszej części i priorytetyzacji celów

DOI:

10.3791/68732

⸱

3 października 2025

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

W tym artykule

Podsumowanie

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

Obecne prace opisują protokół uruchamiania algorytmu Pathway2Targetes, skryptu R, który przewiduje i priorytetowo nadaje cele terapeutyczne na podstawie profilu szlaków sygnalizacji wewnątrzkomórkowej generowanej przez porównanie próbek przypadków i kontrolnych z eksperymentu sekwencjonowania RNA w masowym składzie.

Streszczenie

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

Protokół ten określa wieloetapowy proces obliczeniowy do identyfikacji potencjalnych celów terapeutycznych na podstawie danych sekwencjonowania RNA, w tym instalację odpowiedniego oprogramowania, weryfikację konfiguracji oraz analizę różnicowej ekspresji przy użyciu edgeR. Następnie pokazujemy, jak wykorzystać algorytm analizy wpływu szlaków sygnalizacyjnych (SPIA) do przewidywania statystycznie istotnych szlaków. Aby zapewnić pewność co do wyników, skupiamy się na istotnych szlakach (s. < 0,05), aby zmniejszyć liczbę fałszywie pozytywnych wyników. W przeciwieństwie do tradycyjnych zestawów genów, te szlaki odzwierciedlają sieci interakcji białko-białko, oferując mechanistyczne wglądy w procesy komórkowe, takie jak cykl komórkowy, odpowiedź immunologiczna i metabolizm. Te ścieżki są następnie analizowane za pomocą algorytmu Pathway2Targetes, który łączy się z bazą danych OpenTargets.org za pośrednictwem interfejsu programowania aplikacji (API). Algorytm ten wykorzystuje nowatorskie podejście ważenia, które ocenia znane cele leków w wyznaczonych szlakach, zapewniając postęp w czasie rzeczywistym. Czas działania zależy od złożoności ścieżki i gęstości docelowej. Wyjście składa się z dwóch szeregowanych plików. Pierwszy plik zawiera listę przewidywanych celów lekowych i ich ważonych ocen, natomiast drugi zawiera różne szczegóły dotyczące powiązanych terapii. Razem ten proces ułatwia priorytetyzację celów i terapii nadających się do lekowania w kontekście profili ekspresji genów specyficznych dla choroby.

Wprowadzenie

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

Sekwencjonowanie RNA w całości umożliwia porównanie poziomów ekspresji tysięcy genów w populacji komórek przypadków z populacją komórek kontrolnych. Eksperymenty zazwyczaj są projektowane tak, aby obejmować co najmniej potrójne próbki, najlepiej biologiczne replikacje, choć wystarczające mogą być i repliki techniczne. Ten projekt uwzględnia zmienność biologiczną i zmniejsza wpływ próbek odstawczych. Analiza tych wzorców ekspresji dostarcza szczegółowych informacji o wpływie choroby na prawidłowe procesy komórkowe i może potencjalnie umożliwić przewidywanie odpowiednich terapii.

Wstępne przetwarzanie masowych danych sekwencjonowania RNA zazwyczaj obejmuje: kontrolę jakości odczytów sekwencjonowania (dla powtórzeń, adapterów sekwencjonowania, GC% itp.), przycinanie odczytu i usuwanie adapterów, mapowanie/kwantitację odczytu 1,2,3 oraz analizę wyrażeń różniczkowych 4,5,6. Na szczęście zautomatyzowano różne procesy analityczne, aby ograniczyć pracę manualną związaną z tymi krokami 7,8,9. Po zakończeniu wstępnego przetwarzania najczęściej wykonywane analizy obejmują analizę nadreprezentacji funkcjonalnej za pomocą ontologii genów, wzbogacenie szlaków sygnalizacyjnych oraz zmienność w splicingu. Te analizy poniżej poziomu procesu podsumowują i ułatwiają interpretację wyników różnicowej ekspresji na wyższym poziomie szczegółowości niż same listy genów.

Opracowano różne narzędzia mające na celu ponowne wykorzystanie istniejących terapii dla dobrze zdefiniowanego typu lub podtypu choroby. Osiąga się to poprzez trenowanie algorytmu na wielu typach danych omiki dla zamierzonej choroby. Niestety, takie wysiłki na rzecz poprawy swoistości i wrażliwości w zamierzonej chorobie często sprawiają, że stosowanie tych narzędzi w bardziej ogólnych kontekstach jest nieoptymalne. Inny zestaw narzędzi jest szerzej stosowany w przypadkach, gdy profile ekspresji genów są dopasowane do istniejących sygnatur ekspresji genów12,13 lub do ilościowych efektów obecnych terapii14,15. Jednak te bardziej uniwersalne narzędzia często osiągają zmniejszoną swoistość i wrażliwość na szeroki zakres chorób i/lub były trenowane na przestarzałych danych.

Dla porównania, algorytm Pathway2Targets był wcześniej stosowany do przewidywania potencjalnych celów terapeutycznych w chłoniaku limfocytów B, zapaleniu przyzębia, raku piersi z dodatnim estrogenem, raku piersi o potrójnym ujemnym wyniku oraz wirusie chikungunya 16,17,18,19,20,21 . Wyniki tych badań pokazują, że to narzędzie jest w stanie przewidywać solidne i biologicznie istotne cele. Co imponujące, Pathway2Targets przewidział 392 potencjalne cele lekowe dla raka piersi z potrójnym ujemnym testem, z czego 60 zostało przebadanych w badaniach klinicznych; a także 828 indywidualnych leków TBNC, z czego 37 zostało przetestowanych17. W badaniu chłoniaka algorytm ten przewidział 915 leków, z czego461 jest zatwierdzonych przez FDA.

Celem obecnych prac jest opisanie protokołu obliczeniowego, który umożliwi większej liczbie badaczy, korzystającym z bardziej opisowych instrukcji dotyczących uruchamiania programów w wierszu poleceń, skuteczne korzystanie z niedawno opracowanego algorytmu Pathway2Targets (Rysunek 1). Pathway2Targets przewiduje cele dla danego schorzenia, łącząc dane o różnicy ekspresji, powiązania gen-choroba, informacje z badań klinicznych, publiczne dane docelowe22, informacje o szlakach oraz inne metryki. Co ważne, algorytm ten zawiera unikalny i konfigurowalny schemat ważenia, który pozwala użytkownikom określić ~20 wskaźników związanych z celem, które preferują w swojej analizie, takich jak liczba skojarzeń z chorobą, liczba szlaków sygnalizacji, liczba unikalnych leków, liczba terapii w każdej fazie badań klinicznych itd.23. Jako przykład zastosowania tego protokołu ponownie przeanalizujemy istniejący zbiór danych o raku jelita grubego24.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Dane dotyczące sekwencjonowania RNA analizowane w tym badaniu pochodzą z publicznie dostępnych baz danych (NCBI Gene Expression Omnibus and Sequence Read Archive)25,26. W związku z tym pierwotni zbieracze danych zapewnili etyczne i właściwe pobranie tych próbek od świadomych i wyrażających zgodę ludzi.

1. Pobierz i zainstaluj oprogramowanie R

  1. Zainstaluj R (wersja 4.0 lub nowsza), klikając odpowiedni link w https://cran.r-project.org/mirrors.html Comprehensive R Archive Network (CRAN) i użyj opcji 0-Cloud, a następnie postępuj zgodnie z odpowiednimi instrukcjami dotyczącymi systemu operacyjnego komputera. Ten proces zazwyczaj trwa 5-10 minut.
  2. Zainstaluj R Studio (wersja 2024 lub nowsza) z https://posit.co/download/rstudio-desktop/, a następnie postępuj zgodnie z instrukcjami na stronie pobierania. Instalacja RStudio zazwyczaj zajmuje ~10 minut.
    UWAGA: Instalacja RStudio jest opcjonalna (ale zdecydowanie zalecana), ponieważ zapewnia zintegrowane środowisko programistyczne, które upraszcza wykonywanie kodu, oferuje podświetlanie składni, ułatwia zarządzanie pakietami oraz pomaga użytkownikom wizualizować wyniki, co jest szczególnie korzystne dla osób mniej zaznajomionych z R.

2. Pobierz i zainstaluj skrypty R odpowiednich narzędzi

  1. Pobierz następujące niezbędne skrypty R z repozytorium GitHub https://github.com/bpickett/Pathway2Targets. Ten adres URL służy wyłącznie do celów informacyjnych.
  2. Pobierz skrypty za pomocą poniższych linków: SPIA wersja 1.0 (pobierz klikając Pobierz plik surowy): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (ID commit: 60fcd46); Pathway2Targetsversion 3.1 (pobierz klikając Pobierz plik surowy): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (ID commit: 8e4c7c8)

3. Pobierz biblioteki R dla odpowiednich narzędzi

  1. Podczas uruchamiania R (zarówno w RStudio, jak i w oknie terminala), wprowadź następujące polecenia, aby pobrać i zainstalować wymagane dodatkowe biblioteki R potrzebne do uruchomienia oprogramowania.
    1. Rozpocznij program RStudio. Domyślnie panel konsoli znajduje się w lewym dolnym rogu RStudio. Kliknij gdziekolwiek w oknie panelu konsoli, a na dole po symbolu ">" powinien pojawić się kursor do pisania.
    2. Skopiuj i wklej poniższe polecenie w konsoli i naciśnij klawisz Enter :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Po pomyślnej instalacji pojawi się komunikat o statusie: "Pobrane pakiety binarne są w .... ".
    3. Skopiuj i wklej poniższe polecenie do panelu konsoli i naciśnij klawisz Enter .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Po pomyślnej instalacji pojawi się podobny komunikat "Pobrane pakiety binarne są w .... ".
      UWAGA: Pierwszy zestaw bibliotek (krok 3.1.1) składa się z typowych bibliotek R, natomiast drugi (2.1.2) to biblioteki BioConductor. W związku z tym polecenia muszą być wpisywane osobno. Odpowiednie wersje tych bibliotek powinny być pobierane automatycznie na podstawie wersji R zainstalowanej na komputerze. Każde z tych poleceń powinno zajmować ~5 minut.

4. Przetwarzanie plików

  1. Pobierz wcześniej obliczony plik wyjściowy wyrażenia różnicowego wygenerowany przez edgeR (w formacie RDS), wygenerowany przez oprogramowanie ARMOR (lub podobny), na komputer lokalny. Nazwa tego pliku to zazwyczaj edgeR_dge.rds.
  2. Ręcznie przejrzyj wyniki edgeR (lub podobnego wyrażenia różnicowego), aby rozpocząć biologicznie istotną interpretację wyników. Aby to zrobić, przefiltruj co najmniej skorygowaną wartość p < 0,05, a potencjalnie wartość bezwzględną wartości logarytmu2-krotnej zmiany > 1,5. Podczas testowania oprogramowania, przykładowy plik edgeR_dge.rds można znaleźć na Zenodo tutaj: https://doi.org/10.5281/zenodo.15186609
    UWAGA: Przegląd genów pozostających w tych przefiltrowanych wynikach może zacząć wyjaśniać mechanizmy molekularne fenotypu związanego z próbkami przypadków (w porównaniu do próbek kontrolnych). Ważne jest, aby zauważyć, że zdolność do obiektywnej interpretacji list genów jest niezwykle trudna ze względu na stosunkowo niską liczbę symboli genów, które można szybko przywołać. W związku z tym analiza szlaków sygnalizacyjnych jest użytecznym sposobem podsumowania przefiltrowanych genów na podstawie ich wzajemnych interakcji i/lub komunikacji w komórce.
  3. Wstępne przetwarzanie masowych danych RNA-seq może zająć od kilku godzin do dni czasu obliczeniowego, w zależności od wielkości analizowanego zbioru danych. Zapisz ten plik .rds w folderze Pobrania na komputerze. Należy zauważyć, że ten typ pliku .rds nie jest czytelny dla człowieka.

5. Uruchom algorytm wzbogacania ścieżek SPIA

  1. Jeśli uruchamiasz w R, użyj skryptu R z GitHuba lub Supplementary Coding File 1. Wpisz następujące polecenie, zakładając, że plik edgeR_dge.rds znajduje się w folderze Pobrania
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. Jeśli plik edgeR_dge.rds znajduje się w innym folderze (lub katalogu), zastąp to polecenie następującym
      Rscript --vanilla SPIA_Code.Rmd
  2. Jeśli uruchamiasz RStudio, użyj skryptu R z GitHub lub Supplementary Coding File 2.
    UWAGA: W języku R dodanie symbolu hashtagu # przed linijką kodu tymczasowo go wyłącza. Skrypty zostały pierwotnie zaprojektowane do działania w środowisku wiersza poleceń zamiast RStudio. Włączenie lub wyłączenie niektórych linii kodu to najprostszy sposób na przekonfigurowanie konfiguracji plików wejściowych.
    1. Otwórz skrypt SPIA_Code.Rmd w R Studio, klikając opcję Otwórz plik w menu Plik, a następnie wybierając nazwę skryptu. W oknie kodu R Studio domyślnie znajduje się to w lewym górnym panelu.
    2. Zaznacz wszystkie linie kodu w pliku i kliknij przycisk Uruchom (lub Uruchom wybraną linię), który znajduje się nad i po prawej stronie okna kodu. Udane uruchomienie generuje plik o nazwie podobnej do
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      w katalogu pobierania. Ten plik będzie zawierał statystycznie istotne szlaki sygnalizacyjne
    3. Przejrzyj plik ze statystycznie istotnymi wynikami ręcznie, otwierając go jako arkusz kalkulacyjny. Treść tego pliku powinna pomóc podsumować leżące u podstaw kaskady sygnalizacji wewnątrzkomórkowej, które są istotnie reprezentowane przez geny o różnej ekspresji.
      UWAGA: Ukończenie obliczeń istotnych szlaków może zająć od ~30 minut do kilku godzin, w zależności od siły sygnału w analizowanym zbiorze danych. Gdy program działa, komunikaty o postępach w czasie rzeczywistym będą nieustannie aktualizowane w oknie konsoli. Często aktualizowane wiadomości pokazują, że program działa pomyślnie. Bardziej szczegółowe opisy tego, co dzieje się w tym etapie, można znaleźć w repozytorium GitHuba: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Jeśli używasz przykładowego pliku wejściowego, plik wyjściowy z tego kroku znajdziemy w folderze Pobrania i otrzymamy nazwę
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Ten styl nazewnictwa odzwierciedla nazwę pliku wejściowego, wykonywany proces oraz wyjście. To pozwala uniknąć nieporozumień przy identyfikacji plików, jeśli przetwarzanych jest więcej niż jeden.
    5. Dostosuj inne parametry, jak opisano poniżej.
      1. Domyślne parametry algorytmu SPIA w tej bibliotece to 1 000 permutacji. Zwiększ to do 2 000 permutacji, aby zwiększyć pewność co do wyników. Dostosuj liczbę permutacji w linijkach 84 i 85 tego skryptu, zmieniając perm = 2000 na pożądaną liczbę permutacji. Dostosuj inne parametry, jak opisano poniżej.
      2. Dostosuj podejście do korekty wartości p w linijkach 84 i 85, usuwając padj.method = 'BH'. To nie koryguje wartości p, co może zwiększyć prawdopodobieństwo fałszywie pozytywnych wyników.

6. Uruchamianie Pathway2Targetuje algorytm priorytetyzacji celów na wyjściu SPIA

  1. Jeśli uruchamiasz R, użyj skryptu R z GitHub lub Supplementary Coding File 3. Użyj następującego polecenia, aby wywołać ten algorytm
    Rscript --vanilla Pathway2Targets.R
  2. Jeśli uruchamiasz w R Studio, użyj skryptu R z GitHub lub Supplementary Coding File 4. Otwórz skrypt Pathway2Targets.R w R Studio, klikając opcję Otwórz plik w menu Plik, a następnie wybierając nazwę skryptu.
    1. W oknie kodu RStudio (panel po lewym górnym) zastąp nazwę pliku w linii 22 nazwą pliku wyników SPIA, na przykład (z przykładowych danych)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Zaznacz wszystkie linie kodu w pliku i kliknij przycisk Uruchom, który znajduje się nad i po prawej stronie okna kodu. Komunikaty o statusie postępu w czasie rzeczywistym będą nieprzerwanie wyświetlane w prawym dolnym panelu. Udany przebieg generuje plik o nazwie (podobny do)
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       w katalogu pobierania. Styl nazewnictwa plików odzwierciedla dane wejściowe, proces i wyjście
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      jest wejściem dla takiego pliku.
      UWAGA: Ten etap może trwać od jednej do kilku godzin, w zależności od liczby szlaków sygnalizacyjnych o istotnej wartości p, liczby produktów genowych w tych istotnych szlakach oraz liczby produktów genowych będących znanymi celami leków.
  3. Niektóre parametry algorytmu Pathway2Targets można dostosować. Konkretnie, dostosuj wartości mnożnika (linie 31-38 skryptu), aby dostosować schemat ważenia dla każdej metryki. Bardziej szczegółowe opisy tego, co dzieje się w tym etapie, można znaleźć w odpowiednim repozytorium GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    UWAGA: Dla odniesienia, w przykładzie identyfikacja potencjalnych leków z 132 szlaków, składających się z setek indywidualnych celów, zajmuje około 2 godzin. Na podstawie tego wskaźnika rozsądnie oszacować całkowity czas obliczeń.

7. Otwieranie plików wyników dla priorytetowych celów i terapii

  1. Zostanie wygenerowany plik z priorytetyzowanymi celami i ich metrykami. Dla przykładowych plików wejściowych użyj pliku wyjściowego znajdującego się w folderze Downloads, nazwanego:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
    1. Ten plik domyślnie będzie sortowany z celami w kolejności malejącej na podstawie niestandardowej metryki. Ręcznie przejrzyj plik wyjściowy, aby upewnić się, że wyniki są biologicznie istotne i że cele są logiczne dla ocenianego fenotypu.
  2. Zostanie również wygenerowany plik z priorytetyzowanymi terapiami i ich metrykami. Dla przykładowych plików wejściowych użyj pliku wyjściowego w folderze Downloads, nazwanego:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-Treatments.tsv
    1. Podobnie, ten plik wyjściowy będzie domyślnie posortowany z terapeutykami dla różnych celów (w kroku 7.1.1) uporządkowanymi w kolejności malejącej na podstawie ważonej metryki. Przejrzyj plik ręcznie, mając wystarczającą wiedzę o systemie biologicznym, aby ustalić, czy dodatkowe eksperymenty są uzasadnione. Oczekuje się, że wiele terapii może mieć tę samą ważoną metrykę, ponieważ wiele z tych celów będzie dotkniętych więcej niż jednym rodzajem terapii na rynku.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Konfiguracja opisana w krokach 1-3 protokołu jest niezbędna, aby umożliwić kolejne wykonanie SPIA oraz algorytmu Pathway2Targetes. Na końcu każdego kroku wygenerowany zostanie komunikat potwierdzający pomyślną instalację oprogramowania. Krok 4 polega na pobraniu istniejącego zestawu wyników wyrażeń różniczkowych, które mogą obejmować dostarczony plik przykładowy, inny istniejący plik, lub wstępne opracowanie niestandardowego zbioru danych sekwencjonowania RNA. Głównym wymogiem kroku 4 jest to, aby workflow używał edgeR j...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Kroki 1-3 protokołu dotyczą konkretnie instalacji oprogramowania R, skryptów i zależności w celu pomyślnego uruchomienia oprogramowania downstream. Dostępna jest szczegółowa lista wymaganych bibliotek R (Tabela Uzupełniająca 4). Krok 4 protokołu polega na pobraniu pliku danych R (format .rds), który zawiera wyniki analizy wyrażeń różniczkowych. Popularne oprogramowanie do tego etapu obejmuje edgeR6, DESeq24 oraz limma5. Skonstruowali...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

BEP posiada udziały w Pythia Biosciences. Nie uzyskano zewnętrznego finansowania na obecne prace.

Podziękowania

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

Dziękujemy Biuru Informatyki Badawczej Uniwersytetu Brighama Younga za ich wiedzę i wsparcie podczas korzystania z wysokowydajnego środowiska komputerowego na kampusie.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skrypt Pathway2Targets RUniwersytet Brighama Younga (Laboratorium Picketta)Wersja 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R SoftwareKompleksowa Sieć Archiwów R (CRAN)Wersja: 4.4.3https://cran.r-project.org
Oprogramowanie desktopowe R StudioPozycjaWersja: 2024.12.1+563https://posit.co/download/rstudio-desktop/
Skrypt SPIA RUniwersytet Brighama Younga (Laboratorium Picketta)Wersja: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły