Методическая статья

Использование списков дифференциально экспрессируемых генов человека для выполнения анализа нисходящих путей обогащения и приоритизации целей

DOI:

10.3791/68732

⸱

3 октября 2025 г.

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

В этой статье

Краткое содержание

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

В текущей работе описывается протокол для запуска алгоритма Pathway2Targets, скрипта R, который прогнозирует и приоритизирует терапевтические мишени на основе профиля внутриклеточных сигнальных путей, полученных путем сравнения случайных и контрольных образцов из эксперимента по объемному секвенированию РНК.

Аннотация

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

Этот протокол описывает многоступенчатый вычислительный конвейер для идентификации потенциальных терапевтических мишеней по данным секвенирования РНК, включая установку соответствующего программного обеспечения, проверку настройки и анализ дифференциальной экспрессии с помощью edgeR. Затем мы показываем, как использовать алгоритм анализа влияния сигнальных путей (SPIA) для прогнозирования статистически значимых путей. Чтобы обеспечить уверенность в результатах, мы фокусируемся на значимых путях (p < 0,05) для снижения ложноположительных результатов. В отличие от традиционных наборов генов, эти пути отражают сети белок-белковых взаимодействий, предлагая механистическое понимание клеточных процессов, таких как клеточный цикл, иммунный ответ и метаболизм. Затем эти пути анализируются с помощью алгоритма Pathway2Targets, который взаимодействует с базой данных OpenTargets.org через интерфейс прикладного программирования (API). Этот алгоритм включает в себя новый подход к взвешиванию, который оценивает известные мишени лекарств в пределах идентифицированных путей, обеспечивая при этом прогресс в режиме реального времени. Время выполнения зависит от сложности пути и плотности целей. Выходные данные состоят из двух ранжированных файлов. Первый файл содержит список прогнозируемых мишеней для лекарств и их взвешенные оценки, в то время как второй состоит из различных деталей для связанных с ними терапевтических средств. В совокупности этот конвейер способствует приоритизации лекарственных мишеней и методов лечения в контексте профилей экспрессии генов, специфичных для конкретного заболевания.

Введение

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

Объемное секвенирование РНК позволяет сравнивать уровни экспрессии тысяч генов в популяции клеток болезни и популяции контрольных клеток. Эксперименты обычно разрабатываются таким образом, чтобы включать в себя по крайней мере тройные образцы, в идеале биологические реплики, хотя технических реплик может быть достаточно. Такая конструкция учитывает биологическую изменчивость и снижает воздействие образцов выбросов. Анализ этих паттернов экспрессии дает подробное представление о влиянии интересующего заболевания на нормальные клеточные процессы и потенциально может позволить прогнозировать соответствующие методы лечения.

Предварительная обработка данных объемного секвенирования РНК обычно включает: контроль качества прочтений секвенирования (для повторов, адаптеров секвенирования, GC% и т.д.), обрезку чтения и удаление адаптеров, картирование/количественное определение считывания 1,2,3 и анализ дифференциальной экспрессии 4,5,6. К счастью, различные аналитические процессы были автоматизированы, чтобы сократить объем ручной работы, связанной с этими шагами 7,8,9. После завершения предварительной обработки обычно выполняемые последующие анализы включают анализ функциональной избыточной представленности с онтологиями генов, обогащение сигнальных путей и вариацию сплайсинга. Эти последующие анализы обобщают и облегчают интерпретацию результатов дифференциальной экспрессии на более высоком уровне детализации, чем только списки генов.

Были разработаны различные инструменты с целью перепрофилирования существующих терапевтических средств для четко определенного типа или подтипа заболевания. Это достигается за счет обучения алгоритма на мультиомиксных типах данных для предполагаемого заболевания. К сожалению, такие усилия по повышению специфичности и чувствительности при предполагаемом заболевании часто делают использование инструментов в более общих контекстах неоптимальным10,11. Другой набор инструментов более широко применим к случаям, когда профили экспрессии генов сопоставляются либо с существующими сигнатурами экспрессии генов12,13, либо с количественными эффектами современных терапевтических средств14,15. Тем не менее, эти более широко применимые инструменты часто достигают сниженной специфичности и чувствительности в широком спектре заболеваний и/или были обучены на устаревших данных.

В отличие от этого, алгоритм Pathway2Targets ранее применялся для прогнозирования потенциальных терапевтических мишеней при В-клеточной лимфоме, пародонтите, эстроген-положительном раке молочной железы, трижды негативном раке молочной железы и вирусе чикунгунья 16,17,18,19,20,21. Результаты этих исследований показывают, что этот инструмент способен предсказывать надежные и биологически значимые цели. Впечатляет, что Pathway2Targets предсказала 392 потенциальные мишени для лекарств от трижды негативного рака молочной железы, среди которых 60 были протестированы в клинических испытаниях; а также 828 отдельных препаратов для TBNC, из которых37 тестируются 17. В исследовании лимфомы этот алгоритм предсказал 915 препаратов, 461 из которых одобрены FDA (19).

Целью данной работы является описание вычислительного протокола, который позволит большему числу исследователей, которые могут извлечь выгоду из доступа к более информативным инструкциям по выполнению программ в командной строке, эффективно использовать недавно разработанный алгоритм Pathway2Targets (рис. 1). Pathway2Targets прогнозирует мишени для данного состояния, комбинируя данные дифференциальной экспрессии, ассоциации ген-заболевание, информацию о клинических испытаниях, общедоступные данные о мишенях22, информацию о путях и другие метрики. Важно отметить, что этот алгоритм включает в себя уникальную и настраиваемую схему взвешивания, которая позволяет пользователям определять ~20 показателей, связанных с мишенями, которые они предпочитают выделять в своем анализе, таких как количество ассоциаций заболеваний, количество сигнальных путей, количество уникальных лекарств, количество терапевтических средств в каждой фазе клинических испытаний и т. д. В качестве примера использования этого протокола мы повторно проанализируем существующий набор данных о колоректальном раке24.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Данные массового секвенирования РНК, проанализированные в этом исследовании, были получены из общедоступных баз данных (NCBI Gene Expression Omnibus и Sequence Read Archive)25,26. Таким образом, первоначальные сборщики данных обеспечили этичный и надлежащий сбор этих образцов у информированных и согласных людей.

1. Загрузите и установите программное обеспечение R

  1. Установите R (версия 4.0 или более поздняя), перейдя по соответствующей ссылке из https://cran.r-project.org/mirrors.html Comprehensive R Archive Network (CRAN) и используйте опцию 0-Cloud, затем следуйте соответствующим инструкциям для операционной системы компьютера. Этот процесс обычно занимает 5-10 минут.
  2. Установите R Studio (версия 2024 или более поздняя) из https://posit.co/download/rstudio-desktop/, затем следуйте инструкциям на странице загрузки. Установка RStudio обычно занимает ~10 минут.
    ПРИМЕЧАНИЕ: Установка RStudio необязательна (но настоятельно рекомендуется), так как она предоставляет интегрированную среду разработки, которая упрощает выполнение кода, предлагает подсветку синтаксиса, облегчает управление пакетами и помогает пользователям визуализировать результаты, что особенно полезно для пользователей, которые менее знакомы с R.

2. Скачайте и установите скрипты R для соответствующих инструментов

  1. Скачайте следующие необходимые скрипты R из репозитория GitHub https://github.com/bpickett/Pathway2Targets. Этот URL-адрес предназначен только для справки.
  2. Скачайте скрипты по следующим ссылкам: SPIA версия 1.0 (скачать, нажав на Download Raw File): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (идентификатор коммита: 60fcd46); Pathway2Targetsversion 3.1 (скачать, нажав кнопку «Скачать необработанный файл»): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (идентификатор коммита: 8e4c7c8)

3. Скачайте библиотеки R для соответствующих инструментов

  1. Во время запуска R (либо в RStudio, либо в окне терминала) введите следующие команды для загрузки и установки необходимых дополнительных библиотек R, необходимых для запуска программного обеспечения.
    1. Запустите программу RStudio. По умолчанию консольная панель расположена в левом нижнем углу RStudio. Щелкните в любом месте окна панели консоли, и курсор для ввода текста должен появиться внизу после символа стрелки «>».
    2. Скопируйте и вставьте следующую команду в область консоли и нажмите клавишу Enter :
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      После успешной установки появится сообщение о статусе, которое гласит: "Загруженные двоичные пакеты находятся в ....".
    3. Скопируйте и вставьте следующую команду в область панели консоли и нажмите клавишу Enter .
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      После успешной установки появится аналогичное сообщение "Загруженные двоичные пакеты находятся в ....".
      ПРИМЕЧАНИЕ: Первый набор библиотек (шаг 3.1.1) состоит из типичных библиотек R, в то время как второй (2.1.2) состоит из библиотек BioConductor. Таким образом, команды необходимо вводить отдельно. Соответствующие версии этих библиотек должны автоматически загружаться на основе версии R, установленной на компьютере. Выполнение каждой из этих команд должно занять ~5 минут.

4. Обработка файлов

  1. Загрузите ранее вычисленный файл дифференциального выражения edgeR (в формате RDS), сгенерированный программным обеспечением ARMOR (или аналогичным), на локальный компьютер. Обычно этот файл называется edgeR_dge.rds.
  2. Вручную просмотрите результаты edgeR (или аналогичного дифференциального выражения), чтобы начать биологически релевантную интерпретацию результатов. Для этого отфильтруйте, как минимум, скорректированное p-значение < 0,05 и, возможно, абсолютноезначение логарифмического 2-кратного изменения > 1,5. Если вы тестируете программное обеспечение, образец файла edgeR_dge.rds можно найти на Zenodo здесь: https://doi.org/10.5281/zenodo.15186609
    Примечание: Анализ генов, которые остаются в этих отфильтрованных результатах, может начать объяснять основные молекулярные механизмы фенотипа, связанного с образцами случая (по сравнению с контрольными образцами). Важно признать, что способность интерпретировать списки генов непредвзятым образом чрезвычайно сложна из-за относительно небольшого количества символов генов, которые можно быстро вспомнить. Таким образом, анализ сигнальных путей является полезным способом обобщения отфильтрованных генов на основе того, как они взаимодействуют и/или взаимодействуют друг с другом в клетке.
  3. Предварительная обработка больших объемов данных РНК-секвенирования может занять от нескольких часов до нескольких дней вычислений, в зависимости от размера анализируемого набора данных. Сохраните этот файл .rds в папке «Загрузки» на компьютере. Обратите внимание, что этот тип файла .rds не является удобочитаемым.

5. Запустите алгоритм обогащения путей SPIA

  1. Если вы работаете с использованием R, используйте скрипт R либо с GitHub, либо с Supplementary Coding File 1. Введите следующую команду, предполагая, что файл edgeR_dge.rds находится в папке «Загрузки»
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. Если файл edgeR_dge.rds находится в другой папке (или каталоге), то замените эту команду на следующую
      Rscript --vanilla SPIA_Code.Rmd
  2. Если вы работаете с использованием RStudio, используйте скрипт R с GitHub или Supplementary Coding File 2.
    ПРИМЕЧАНИЕ: В языке R добавление символа хештега # перед строкой кода временно отключает его. Изначально скрипты были разработаны для работы в среде командной строки, а не в RStudio. Включение или отключение определенных строк кода — это самый простой способ перенастроить настройку входных файлов.
    1. Откройте скрипт SPIA_Code.Rmd в R Studio, выбрав параметр « Открыть файл » в меню «Файл», а затем выбрав имя скрипта. В окне кода R Studio по умолчанию он расположен на верхней левой панели.
    2. Выделите все строки кода в файле и нажмите кнопку «Выполнить » (или «Запустить выбранные строки»), которая расположена над и справа от окна кода. При успешном запуске будет создан файл с именем, похожим на
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      в каталоге загрузок. Этот файл будет содержать статистически значимые сигнальные пути
    3. Просмотрите файл со статистически значимыми результатами вручную, открыв его в виде таблицы. Содержимое этого файла должно помочь обобщить лежащие в основе внутриклеточные сигнальные каскады, которые в значительной степени представлены дифференциально экспрессируемыми генами.
      ПРИМЕЧАНИЕ: Завершение вычисления значимых путей может занять от ~30 минут до нескольких часов, в зависимости от силы сигнала в анализируемом наборе данных. Когда программа работает, сообщения о ходе выполнения в режиме реального времени будут постоянно обновляться в окне консоли. Часто обновляемые сообщения показывают, что программа работает успешно. Более подробное описание того, что происходит на этом этапе, можно найти в репозитории GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Если используется пример входного файла, то выходной файл этого шага будет найден в папке Downloads и будет назван
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Этот стиль именования отражает имя входного файла, выполняемый процесс и выходные данные. Это позволяет избежать путаницы при идентификации файлов, если обрабатывается более одного.
    5. Настройте другие параметры, как описано ниже.
      1. По умолчанию для алгоритма SPIA в этой библиотеке установлено 1 000 перестановок. Увеличьте это значение до 2000 перестановок, чтобы повысить уверенность в результатах. Отрегулируйте количество перестановок в строках 84 и 85 этого скрипта, изменив perm = 2000 на нужное количество перестановок. Настройте другие параметры, как описано ниже.
      2. Настройте подход к коррекции p-значения в строках 84 и 85, удалив padj.method = 'BH'. Это не исправит p-значения, что может повысить вероятность ложноположительных результатов.

6. Запуск алгоритма приоритизации целей Pathway2Targets на выходе SPIA

  1. Если вы используете R, используйте скрипт R с GitHub или Supplementary Coding File 3. Используйте следующую команду для вызова этого алгоритма
    Rscript --vanilla Pathway2Targets.R
  2. Если вы работаете с помощью R Studio, используйте скрипт R с GitHub или Supplementary Coding File 4. Откройте скрипт Pathway2Targets.R в R Studio, выбрав параметр « Открыть файл » в меню «Файл», а затем выбрав имя скрипта.
    1. В окне кода RStudio (верхняя левая панель) замените имя файла в строке 22 на имя файла результатов SPIA, например (из примера данных)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Выделите все строки кода в файле и нажмите кнопку «Выполнить », которая расположена над правой частью окна кода. Сообщения о статусе прогресса в режиме реального времени будут постоянно отображаться в правом нижнем углу. При успешном запуске будет создан файл с именем (аналогично )
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       в каталоге загрузок. Стиль именования файлов отражает вход, процесс и выходные данные
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      является входом для такого файла.
      Примечание: Этот этап может занять от одного до нескольких часов, в зависимости от количества сигнальных путей со значимым p-значением, количества продуктов гена в этих значимых путях и количества продуктов генов, которые являются известными мишенями для лекарств.
  3. Некоторые параметры для алгоритма Pathway2Targets могут быть скорректированы. В частности, настройте значения множителей (строки 31-38 скрипта), чтобы настроить схему взвешивания для каждой метрики. Более подробное описание того, что происходит на этом этапе, можно найти в соответствующем репозитории GitHub: https://github.com/bpickett/Pathway2Targets/tree/main
    Примечание: Для справки, в примере идентификация потенциальных лекарственных препаратов из 132 путей, состоящих из сотен отдельных мишеней, занимает примерно 2 часа. На основе этой метрики разумно оценить общее время вычислений.

7. Откройте файлы результатов для приоритетных целей и терапевтических препаратов

  1. Будет сгенерирован файл с приоритетными целями и их метриками. Для примера входных файлов используйте выходной файл, найденный в папке «Загрузки», с именем:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv-RankedTargets.tsv
    1. По умолчанию этот файл будет отсортирован с целями, отсортированными в порядке убывания на основе пользовательской взвешенной метрики. Вручную просмотрите выходной файл, чтобы убедиться в том, что результаты биологически релевантны, а мишени логичны для оцениваемого фенотипа.
  2. Также будет сгенерирован файл с приоритетными терапевтическими препаратами и их метриками. Для примера входных файлов используйте выходной файл в папке Downloads с именем:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"временная метка"_SPIA_Results.csv-Treatments.tsv
    1. Аналогичным образом, этот выходной файл также по умолчанию будет отсортирован с терапевтическими препаратами для различных мишеней (на шаге 7.1.1), отсортированными в порядке убывания на основе взвешенной метрики. Просмотрите файл вручную, обладая достаточными базовыми знаниями о лежащей в его основе биологической системе, чтобы определить, оправданы ли дополнительные эксперименты. Ожидается, что несколько терапевтических препаратов могут иметь одну и ту же взвешенную метрику, поскольку многие из мишеней будут затронуты более чем одним терапевтическим препаратом на рынке.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Настройка, описанная в шагах 1-3 протокола, необходима для обеспечения последующего выполнения SPIA и алгоритма Pathway2Targets. В конце каждого шага будет сгенерировано сообщение для подтверждения успешной установки программного обеспечения. Шаг 4 состоит либо из загрузки существующего набора результатов дифференциальной экспрессии, который может включать предоставленный файл примера, другой существующий файл, либо из предварительной обработки пользовательского набора данных для секвени...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Шаги 1-3 протокола конкретно относятся к установке базового программного обеспечения R, скриптов и зависимостей для успешной работы нижестоящего программного обеспечения. Подробный список необходимых библиотек R доступен (дополнительная таблица 4). Шаг 4 протокола включает в себя получение файла данных R (формат .rds), который содержит выходные данные анализа дифференциальной экспрессии. Обычное программное обеспечение для этого шага включает edgeR6

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

BEP имеет долю в Pythia Biosciences. Для проведения текущих работ не было привлечено внешнего финансирования.

Благодарности

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

Мы благодарим Управление исследовательских вычислений Университета имени Бригама Янга за их опыт и поддержку при доступе к высокопроизводительной компьютерной среде кампуса.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Скрипт Pathway2Targets RУниверситет Бригама Янга (Лаборатория Пикетта)Версия 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R SoftwareКомплексная сеть архивов R (CRAN)Версия: 4.4.3https://cran.r-project.org
Настольное программное обеспечение R StudioPositВерсия: 2024.12.1+563https://posit.co/download/rstudio-desktop/
Скрипт SPIA RУниверситет Бригама Янга (Лаборатория Пикетта)Версия: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи