Usando listas de genes diferencialmente expressos em humanos para realizar análise de enriquecimento de vias a jusante e priorização de alvos
3 de outubro de 2025
O presente trabalho descreve um protocolo para executar o algoritmo Pathway2Targets, um script R que prevê e prioriza alvos terapêuticos com base no perfil das vias de sinalização intracelular geradas pela comparação de amostras de caso versus controle de um experimento de sequenciamento de RNA em massa.
O objetivo de nossa pesquisa é caracterizar a resposta transcricional intracelular a várias condições e prever marcadores terapêuticos e mecanicistas ou diagnósticos para essas condições. A previsão computacional fornece candidatos a medicamentos. A validação dos efeitos das drogas consome recursos e tempo.
No entanto, o método incidental só poderia melhorar com dados experimentais de alta qualidade. A vantagem deste trabalho é sua capacidade de identificar potenciais alvos de drogas para reaproveitamento dentro de uma via de sinalização, em vez de apenas combinar genes diferencialmente expressos com alvos conhecidos. Para executar o algoritmo SPIA Pathway Enrichment, primeiro baixe o código no sistema de computador do GitHub.
Abra o SPIA_Code. Script R MD no RStudio. Selecione todas as linhas de código e clique no botão Executar ou Executar Linhas Selecionadas para executar o script.
Aguarde a conclusão da execução e verifique se um arquivo csv com nome semelhante aparece no diretório Download. Abra o arquivo como uma planilha para revisar e interpretar manualmente os resultados. Para executar o algoritmo de priorização de destino, abra o Pathway2Targets.
R no RStudio selecionando o menu Arquivo e clicando em Abrir Arquivo e escolha o nome do script no diretório. Na janela de código do RStudio, vá para a linha 22 e substitua o espaço reservado pelo nome real do arquivo de resultados do SPIA. Selecione todas as linhas de código e clique no botão Executar para executar o algoritmo.
Observe as mensagens de progresso em tempo real que aparecem no painel inferior esquerdo da tela. Após a conclusão, verifique o diretório Download para um arquivo tsv com nome semelhante, que contém os destinos priorizados. Depois de gerar o arquivo com metas priorizadas e suas métricas, abra-o em um aplicativo de planilha para revisar.
O algoritmo SPIA identificou 10 vias de sinalização estatisticamente significativas com um valor de p não ajustado inferior a 0,05. O algoritmo Pathway2Targets identificou vários alvos previstos. Os alvos terapêuticos previstos foram consistentes tanto nos alvos classificados quanto nos resultados dos tratamentos classificados, incluindo genes conhecidos relacionados ao câncer colorretal, como EGFR, TP53 e AKT1.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Visão Geral
Este estudo concentra-se em caracterizar a resposta transcricional intracelular sob várias condições e visa prever alvos terapêuticos e marcadores diagnósticos. Ao empregar o algoritmo Pathway2Targets, a pesquisa identifica potenciais alvos de medicamentos para o câncer colorretal através da análise de dados de sequenciamento de RNA em massa.
Componentes Principais do Estudo
Área de Pesquisa
- Predição de alvos para intervenções terapêuticas
- Perfil transcricional de respostas intracelulares
- Pesquisa sobre câncer colorretal
Contexto
- A necessidade de dados experimentais de alta qualidade para melhorar as previsões
- Desafios na validação dos efeitos dos medicamentos
- Vantagem de identificar alvos de medicamentos dentro de vias de sinalização
Métodos Utilizados
- Algoritmo Pathway2Targets para priorização de alvos
- Dados de sequenciamento de RNA em massa
- Programação R para análise de dados
Principais Resultados
- Identificação de vias de sinalização estatisticamente significativas
- Múltiplos alvos terapêuticos previstos consistentes em todas as saídas
- Genes-chave identificados incluem EGFR, TP53 e AKT1
Conclusões
- O estudo demonstra uma nova abordagem para o reposicionamento de medicamentos dentro de vias de sinalização
- A pesquisa é relevante para melhorar as estratégias terapêuticas contra o câncer colorretal
Perguntas Frequentes
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.
