Yöntem makalesi

Aşağı Akış Yolu Zenginleştirme Analizi ve Hedef Önceliklendirme Gerçekleştirmek için İnsan Diferansiyel Olarak İfade Edilen Gen Listelerini Kullanma

DOI:

10.3791/68732

⸱

3 Ekim 2025

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

Bu makalede

Özet

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

Mevcut çalışma, bir toplu RNA dizileme deneyinden vaka ve kontrol örneklerini karşılaştırarak oluşturulan hücre içi sinyal yollarının profiline dayalı olarak terapötik hedefleri tahmin eden ve önceliklendiren bir R betiği olan Pathway2Targets algoritmasını çalıştırmak için bir protokolü açıklamaktadır.

Özet

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

Bu protokol, ilgili yazılımın kurulumu, kurulum doğrulaması ve edgeR kullanılarak diferansiyel ekspresyon analizi dahil olmak üzere RNA dizileme verilerinden potansiyel terapötik hedefleri belirlemek için çok adımlı bir hesaplama hattının ana hatlarını çizer. Daha sonra istatistiksel olarak anlamlı yolları tahmin etmek için sinyal yolu etki analizi (SPIA) algoritmasının nasıl kullanılacağını gösteriyoruz. Sonuçlara güven sağlamak için, yanlış pozitif sonuçları azaltmak için önemli yollara (p < 0.05) odaklanıyoruz. Geleneksel gen setlerinden farklı olarak bu yollar, protein-protein etkileşim ağlarını yansıtır ve hücre döngüsü, bağışıklık tepkisi ve metabolizma gibi hücresel süreçlere ilişkin mekanik bilgiler sunar. Bu yollar daha sonra bir uygulama programlama arayüzü (API) aracılığıyla OpenTargets.org veritabanıyla arayüz oluşturan Pathway2Targets algoritması kullanılarak analiz edilir. Bu algoritma, gerçek zamanlı ilerleme sağlarken, belirlenen yollar dahilinde bilinen ilaç hedeflerini puanlayan yeni bir ağırlıklandırma yaklaşımını içerir. Çalışma zamanı, yol karmaşıklığına ve hedef yoğunluğuna bağlıdır. Çıktı iki sıralanmış dosyadan oluşur. İlk dosya, tahmin edilen ilaç hedeflerinin ve bunların ağırlıklı puanlarının bir listesini içerirken, ikincisi ilgili terapötikler için çeşitli ayrıntılardan oluşur. Bu boru hattı birlikte, hastalığa özgü gen ekspresyon profilleri bağlamında ilaçlanabilir hedeflerin ve tedavilerin önceliklendirilmesini kolaylaştırır.

Giriş

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

Toplu RNA dizilimi, bir vaka hücresi popülasyonu ile bir kontrol hücresi popülasyonu boyunca binlerce gen için ekspresyon seviyelerinin karşılaştırılmasını sağlar. Deneyler tipik olarak en az üç kopya numuneyi, ideal olarak biyolojik kopyaları içerecek şekilde tasarlanmıştır, ancak teknik kopyalar yeterli olabilir. Bu tasarım biyolojik değişkenliği hesaba katar ve aykırı örneklerin etkisini azaltır. Bu ekspresyon modellerinin analizi, ilgilenilen hastalığın normal hücresel süreçler üzerindeki etkisine ilişkin ayrıntılı bilgi sağlar ve potansiyel olarak ilgili terapötiklerin tahmin edilmesini sağlayabilir.

Toplu RNA dizileme verilerinin ön işlenmesi tipik olarak şunları içerir: dizileme okumalarının kalite kontrolü (tekrarlar, dizileme adaptörleri, %GC, vb. için), okuma kırpma ve adaptör çıkarma, okuma eşleme/niceleme 1,2,3 ve diferansiyel ekspresyon analizi 4,5,6. Neyse ki, bu adımlarla ilişkili manuel çalışmayı azaltmak için çeşitli analitik süreçler otomatikleştirilmiştir 7,8,9. Ön işleme tamamlandıktan sonra, yaygın olarak gerçekleştirilen aşağı akış analizleri, Gen Ontolojileri ile fonksiyonel aşırı temsil analizini, sinyal yollarının zenginleştirilmesini ve eklemedeki varyasyonu içerir. Bu aşağı akış analizleri, diferansiyel ekspresyon sonuçlarının tek başına gen listelerinden daha yüksek bir ayrıntı düzeyinde yorumlanmasını özetler ve kolaylaştırır.

Mevcut terapötikleri iyi tanımlanmış bir hastalık türü veya alt tipi için yeniden kullanmak amacıyla çeşitli araçlar geliştirilmiştir. Bu, algoritmanın amaçlanan hastalık için çoklu omik veri türleri üzerinde eğitilmesiyle elde edilir. Ne yazık ki, amaçlanan bir hastalıkta özgüllüğü ve duyarlılığı artırmaya yönelik bu tür çabalar, genellikle araçların daha genel bağlamlarda kullanılmasını optimal olmayan hale getirir10,11. Başka bir araç seti, gen ekspresyon profillerinin ya gen ekspresyonunun12,13 mevcut imzalarıyla ya da mevcut terapötiklerin14,15 niceliksel etkileriyle eşleştirildiği durumlara daha geniş bir şekilde uygulanabilir. Bununla birlikte, daha geniş çapta uygulanabilir bu araçlar genellikle çok çeşitli hastalıklarda daha az özgüllük ve duyarlılık elde eder ve/veya güncel olmayan verilerle eğitilmiştir.

Buna karşılık, Pathway2Targets algoritması daha önce B hücreli lenfoma, periodontitis, östrojen pozitif meme kanseri, üçlü negatif meme kanseri ve chikungunya virüsü 16,17,18,19,20,21'de potansiyel terapötik hedefleri tahmin etmek için uygulanmıştı. Bu çalışmalardan elde edilen sonuçlar, bu aracın sağlam ve biyolojik olarak ilgili hedefleri tahmin edebildiğini göstermektedir. Etkileyici bir şekilde, Pathway2Targets, üçlü negatif meme kanseri için 392 potansiyel ilaç hedefi öngördü ve bunların 60'ı klinik deneylerde test edildi; TBNC için 828 ayrı ilacın yanı sıra 37'si test edildi17. Lenfoma çalışmasında bu algoritma, 915'i FDA onaylı 461 olmak üzere19 ilacı öngördü.

Mevcut çalışmanın amacı, komut satırında programların çalıştırılmasına ilişkin daha açıklayıcı talimatlara erişimden yararlanabilecek daha fazla araştırmacının yakın zamanda geliştirilen Pathway2Targets algoritmasını etkin bir şekilde kullanmasını sağlayacak bir hesaplama protokolünü tanımlamaktır (Şekil 1). Pathway2Targets, diferansiyel ekspresyon verilerini, gen-hastalık ilişkilerini, klinik deney bilgilerini, genel hedef verilerini22, yol bilgilerini ve diğer ölçümleri birleştirerek belirli bir durum için hedefleri tahmin eder. Daha da önemlisi, bu algoritma, kullanıcıların analizlerinde vurgulamayı tercih ettikleri ~20 hedefle ilgili metriği belirlemelerine olanak tanıyan benzersiz ve özelleştirilebilir bir ağırlıklandırma şeması içerir, örneğin hastalık ilişkilerinin sayısı, sinyal yollarının sayısı, benzersiz ilaç sayısı, klinik araştırmaların her aşamasındaki terapötiklerin sayısı vb.23. Bu protokol için örnek bir kullanım durumu olarak, mevcut bir kolorektal kanser veri kümesini24 yeniden analiz edeceğiz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışmada analiz edilen toplu RNA dizileme verileri, halka açık veri tabanlarından (NCBI Gen Ekspresyonu Omnibus ve Dizi Okuma Arşivi)25,26 elde edilmiştir. Bu nedenle, orijinal veri toplayıcılar, bu örneklerin bilgilendirilmiş ve rıza gösteren insan deneklerden etik ve uygun şekilde toplanmasını sağladı.

1. R yazılımını indirin ve yükleyin

  1. Kapsamlı R Arşiv Ağı (CRAN) https://cran.r-project.org/mirrors.html uygun bir bağlantıya tıklayarak R'yi (sürüm 4.0 veya üstü) yükleyin ve 0-Bulut seçeneğini kullanın, ardından bilgisayarın işletim sistemi için uygun talimatları izleyin. Bu işlem genellikle 5-10 dakika sürer.
  2. https://posit.co/download/rstudio-desktop/'dan R Studio'yu (sürüm 2024 veya üzeri) yükleyin, ardından indirme sayfasındaki yönergeleri izleyin. RStudio'nun kurulumu genellikle ~10 dakika sürer.
    NOT: RStudio'nun yüklenmesi isteğe bağlıdır (ancak şiddetle tavsiye edilir), çünkü kod yürütmeyi basitleştiren, sözdizimi vurgulama sunan, paket yönetimini kolaylaştıran ve kullanıcıların çıktıları görselleştirmesine yardımcı olan entegre bir geliştirme ortamı sağlar, bu da özellikle R'ye daha az aşina olan kullanıcılar için faydalıdır.

2. İlgili araçlar için R komut dosyalarını indirin ve yükleyin

  1. Aşağıdaki gerekli R betiklerini GitHub deposundan https://github.com/bpickett/Pathway2Targets indirin. Bu URL yalnızca referans amaçlıdır.
  2. Aşağıdaki bağlantıları kullanarak komut dosyalarını indirin: SPIA sürüm 1.0 ( Ham Dosyayı İndir'e tıklayarak indirin): https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd (taahhüt kimliği: 60fcd46); Pathway2Targetssürüm 3.1 ( Ham Dosyayı İndir'e tıklayarak indirin): https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R (işleme kimliği: 8e4c7c8)

3. İlgili araçlar için R kitaplıklarını indirin

  1. R'yi çalıştırırken (RStudio'da veya bir terminal penceresinde), yazılımı çalıştırmak için gereken ek R kitaplıklarını indirmek ve yüklemek için aşağıdaki komutları girin.
    1. RStudio programını başlatın. Varsayılan olarak, konsol paneli RStudio'nun sol alt köşesinde bulunur. Konsol paneli penceresinde herhangi bir yere tıkladığınızda, ">" ok sembolünden sonra altta bir yazma imleci görünmelidir.
    2. Aşağıdaki komutu kopyalayıp konsol alanına yapıştırın ve Enter tuşuna basın:
      install.packages(c("RCurl", "stringr", "jsonlite", "httr")). 
      Başarıyla yüklendikten sonra, "İndirilen ikili paketler ...." yazan bir durum mesajı görünecektir.
    3. Aşağıdaki komutu kopyalayıp konsol paneli alanına yapıştırın ve Enter tuşuna basın.
      BiocManager::install(c("SummarizedExperiment", "EnrichmentBrowser", "biomaRt", "org.Hs.eg.db")).
      Başarıyla yüklendikten sonra, "İndirilen ikili paketler ...." yazan benzer bir mesaj görünecektir.
      NOT: İlk kitaplık seti (adım 3.1.1) tipik R kitaplıklarından oluşurken, ikincisi (2.1.2) BioConductor kitaplıklarından oluşur. Bu nedenle, komutların ayrı ayrı girilmesi gerekir. Bu kitaplıkların uygun sürümleri, bilgisayarda yüklü olan R sürümüne göre otomatik olarak indirilmelidir. Bu komutların her birinin tamamlanması ~5 dakika sürmelidir.

4. Dosya işleme

  1. ARMOR yazılımı (veya benzeri) tarafından oluşturulan, önceden hesaplanmış edgeR tarafından oluşturulan diferansiyel ifade çıktı dosyasını (RDS formatında) yerel bilgisayara indirin. Bu dosyanın adı genellikle edgeR_dge.rds'dir.
  2. Sonuçların biyolojik olarak ilgili yorumlanmasına başlamak için edgeR'nin (veya benzer bir diferansiyel ifadenin) sonuçlarını manuel olarak gözden geçirin. Bunu yapmak için, en azından düzeltilmiş bir p değeri < 0,05'e ve potansiyel olarak log2 kat değişim değerinin mutlak değeri 1,5>e göre filtreleyin. Yazılımı test ediyorsanız, örnek bir edgeR_dge.rds dosyası Zenodo'da burada bulunabilir: https://doi.org/10.5281/zenodo.15186609
    NOT: Bu filtrelenmiş sonuçlarda kalan genlerin gözden geçirilmesi, vaka örnekleriyle ilişkili fenotipin altında yatan moleküler mekanizmayı/mekanizmaları açıklamaya başlayabilir (kontrol örneklerine kıyasla). Hızlı bir şekilde hatırlanabilen gen sembollerinin nispeten düşük sayısı nedeniyle, gen listelerini tarafsız bir şekilde yorumlama yeteneğinin son derece zor olduğunu kabul etmek önemlidir. Bu nedenle, sinyal yolu analizi, filtrelenmiş genleri hücrede birbirleriyle nasıl etkileşime girdiklerine ve/veya iletişim kurduklarına bağlı olarak özetlemenin yararlı bir yoludur.
  3. Toplu RNA-seq verilerinin ön işlenmesi, analiz edilen veri kümesinin boyutuna bağlı olarak birkaç saatten günlere kadar hesaplama süresi alabilir. Bu .rds dosyasını bilgisayardaki İndirilenler klasörüne kaydedin. Bu .rds dosya türünün insan tarafından okunamayacağını unutmayın.

5. SPIA yolu zenginleştirme algoritmasını çalıştırın

  1. R kullanarak çalıştırıyorsanız, GitHub'dan veya Ek Kodlama Dosyası 1'den R betiğini kullanın. edgeR_dge.rds dosyasının İndirilenler klasöründe olduğunu varsayarak aşağıdaki komutu yazın
    Rscript --vanilla SPIA_Code.Rmd ~/Downloads/edgeR_dge.rds
    1. edgeR_dge.rds dosyası farklı bir klasörde (veya dizinde) ise, bu komutu aşağıdakiyle değiştirin
      Rscript --vanilla SPIA_Code.Rmd
  2. RStudio kullanarak çalıştırıyorsanız, GitHub veya Ek Kodlama Dosyası 2'den R betiğini kullanın.
    NOT: R dilinde, bir kod satırından önce hash etiketi # sembolü eklemek onu geçici olarak devre dışı bırakır. Komut dosyaları başlangıçta RStudio yerine bir komut satırı ortamında çalışacak şekilde tasarlandı. Belirli kod satırlarını etkinleştirmek veya devre dışı bırakmak, giriş dosyaları için kurulumu yeniden yapılandırmanın en kolay yoludur.
    1. Dosya menüsündeki Dosya Aç seçeneğine tıklayıp ardından komut dosyası adını seçerek SPIA_Code.Rmd komut dosyasını R Studio'da açın. R Studio kod penceresindevarsayılan olarak bu, sol üst panelde bulunur.
    2. Dosyadaki tüm kod satırlarını seçin ve kod penceresinin üstünde ve sağında bulunan Çalıştır düğmesine (veya Seçili Satırları Çalıştır) düğmesine tıklayın. Başarılı bir çalıştırma, şuna benzer bir dosya üretecektir:
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv
      indirme dizininde. Bu dosya istatistiksel olarak anlamlı sinyal yollarını içerecektir
    3. İstatistiksel olarak anlamlı sonuçları içeren dosyayı elektronik tablo olarak açarak manuel olarak inceleyin. Bu dosyanın içeriği, diferansiyel olarak eksprese edilen genler tarafından önemli ölçüde temsil edilen altta yatan hücre içi sinyal kaskadlarını özetlemeye yardımcı olmalıdır.
      NOT: Önemli yolların hesaplanmasının tamamlanması, analiz edilen veri kümesindeki sinyalin gücüne bağlı olarak ~30 dakika ile birkaç saat arasında sürebilir. Program çalışırken, konsol penceresinde gerçek zamanlı ilerleme mesajları sürekli olarak güncellenecektir. Sık güncellenen mesajlar, programın başarılı bir şekilde çalıştığını gösterir. Bu adımda nelerin gerçekleştiğine ilişkin daha ayrıntılı açıklamalar GitHub deposunda bulunabilir: https://github.com/bpickett/Pathway2Targets/tree/main
    4. Örnek girdi dosyası kullanılıyorsa, bu adımdaki çıktı dosyası İndirilenler klasöründe bulunur ve
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"timestamp"_SPIA_Results.csv.
      Bu adlandırma stili, giriş dosyası adını, gerçekleştirilen işlemi ve çıktıyı yansıtır. Bu, birden fazla dosya işleniyorsa dosyaların tanımlanmasında karışıklığı önler.
    5. Diğer parametreleri aşağıda açıklandığı gibi ayarlayın.
      1. Bu kitaplıktaki SPIA algoritması için varsayılan parametreler 1.000 permütasyondur. Sonuçlara olan güveni artırmak için bunu 2.000 permütasyona yükseltin. Perma = 2000'i istenen permütasyon sayısına değiştirerek bu komut dosyasının 84 ve 85. satırlarındaki permütasyon sayısını ayarlayın. Diğer parametreleri aşağıda açıklandığı gibi ayarlayın.
      2. padj.method = 'BH' öğesini kaldırarak 84 ve 85. satırlardaki p değeri düzeltme yaklaşımını ayarlayın. Bu, yanlış pozitif sonuçları daha olası hale getirebilecek p değerlerini düzeltmeyecektir.

6. SPIA çıktısında Pathway2Targets hedef önceliklendirme algoritmasını çalıştırma

  1. R çalıştırıyorsanız GitHub'dan veya Ek Kodlama Dosyası 3'ten R betiğini kullanın. Bu algoritmayı çağırmak için aşağıdaki komutu kullanın
    Rscript --vanilla Pathway2Targets.R
  2. R Studio kullanarak çalıştırıyorsanız GitHub'dan veya Ek Kodlama Dosyası 4'ten R betiğini kullanın. Dosya menüsünde Dosya Aç seçeneğine tıklayıp ardından betik adını seçerek Pathway2Targets.R betiğini R Studio'da açın.
    1. RStudio kod penceresinde (sol üst panel), 22. satırdaki dosya adını SPIA sonuçları dosya adıyla değiştirin, örneğin (örnek verilerden)
      infile <- "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv"
    2. Dosyadaki tüm kod satırlarını seçin ve kod penceresinin üstünde ve sağ tarafında bulunan Çalıştır düğmesine tıklayın. Gerçek zamanlı ilerleme durumu mesajları sağ alt panelde sürekli olarak görüntülenecektir. Başarılı bir çalıştırma, (benzer) adlı bir dosya üretecektir.
      "edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23_
      10-56-45.12767_SPIA_Results.csv-RankedTargets.tsv"       indirme dizininde. Dosyaların adlandırma stili girdiyi, işlemi ve çıktıyı yansıtır
      edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_2025-04-23
      _10-56-45.12767_SPIA_Results.csv
      bu tür bir dosyanın girişidir.
      NOT: Bu adım, önemli bir p değerine sahip sinyal yollarının sayısına, bu önemli yollardaki gen ürünlerinin sayısına ve bilinen ilaç hedefleri olan gen ürünlerinin sayısına bağlı olarak bir ila birkaç saat arasında sürebilir.
  3. Pathway2Targets algoritması için bazı parametreler ayarlanabilir. Özellikle, her metriğin ağırlıklandırma şemasını özelleştirmek için çarpan değerlerini (komut dosyasının 31-38. satırları) ayarlayın. Bu adımda nelerin gerçekleştiğine ilişkin daha ayrıntılı açıklamalar ilgili GitHub deposunda bulunabilir: https://github.com/bpickett/Pathway2Targets/tree/main
    NOT: Referans olarak, örnekte, yüzlerce ayrı hedeften oluşan 132 yoldan potansiyel ilaçların belirlenmesinin tamamlanması yaklaşık 2 saat sürer. Bu metriğe dayanarak, toplam hesaplama süresini tahmin etmek mantıklıdır.

7. Öncelikli hedefler ve terapötikler için sonuç dosyalarını açın

  1. Öncelikli hedefleri ve ölçümlerini içeren dosya oluşturulur. Örnek giriş dosyaları için, İndirilenler klasöründe bulunan ve şu adlı çıkış dosyasını kullanın:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"zaman damgası"_SPIA_Results.csv-RankedTargets.tsv
    1. Bu dosya, varsayılan olarak, özel tartılan metriğe göre azalan düzende sıralanan hedeflerle sıralanır. Sonuçların biyolojik olarak alakalı olduğundan ve hedeflerin değerlendirilen fenotip için mantıklı olduğundan emin olmak için çıktı dosyasını manuel olarak gözden geçirin.
  2. Öncelikli terapötikleri ve bunların ölçümlerini içeren dosya da oluşturulacaktır. Örnek girdi dosyaları için, İndirilenler klasöründeki çıktı dosyasını kullanın:
    edgeR_dge.rds-TreatmentTumor-TreatmentNativeTissue_"zaman damgası"_SPIA_Results.csv-Treatments.tsv
    1. Benzer şekilde, bu çıktı dosyası da varsayılan olarak, çeşitli hedefler için terapötiklerle (adım 7.1.1'de) ağırlıklı metriğe göre azalan düzende sıralanacaktır. Ek deneylerin haklı olup olmadığını belirlemek için altta yatan biyolojik sistem hakkında yeterli arka plan bilgisi ile dosyayı manuel olarak inceleyin. Hedeflerin çoğu piyasadaki birden fazla tedaviden etkileneceğinden, birden fazla terapötiğin aynı ağırlıklı metriğe sahip olması beklenmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Protokolün 1-3. adımlarında açıklanan kurulum, SPIA ve Pathway2Targets algoritmasının daha sonra yürütülmesini sağlamak için gereklidir. Her adımın sonunda, yazılımın başarılı bir şekilde kurulduğunu onaylamak için bir mesaj oluşturulacaktır. Adım 4, sağlanan örnek dosyayı, mevcut farklı bir dosyayı içerebilecek mevcut bir diferansiyel ifade sonuçları kümesinin indirilmesinden veya özel bir RNA dizileme veri kümesinin ön işlenmesinden oluşur. 4. adımın temel gereksinimi, iş akışının dife...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Protokolün 1-3. adımları, özellikle aşağı akış yazılımını başarılı bir şekilde çalıştırmak için temel R yazılımının, komut dosyalarının ve bağımlılıkların yüklenmesiyle ilgilidir. Gerekli R kitaplıklarının ayrıntılı bir listesi mevcuttur (Ek Tablo 4). Protokolün 4. adımı, diferansiyel ifade analizinin çıktısını içeren bir R verisi (.rds formatı) dosyasının alınmasını içerir. Bu adım için yaygın olarak kullanılan yazılımlar edgeR6, DESeq2

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

BEP'in Pythia Biosciences'ta hissesi var. Mevcut çalışma için herhangi bir dış finansman sağlanmadı.

Teşekkürler

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

Brigham Young Üniversitesi Araştırma Bilişim Ofisi'ne, kampüsün yüksek performanslı bilgisayar ortamına erişirken uzmanlıkları ve destekleri için teşekkür ederiz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Pathway2Targets R betiğiBrigham Young Üniversitesi (Pickett Laboratuvarı)Sürüm 3.1https://github.com/bpickett/Pathway2Targets/blob/main/Pathway2Targets.R
R YazılımıKapsamlı R Arşiv Ağı (CRAN)Sürüm: 4.4.3https://cran.r-project.org
R Studio Desktop SoftwarepozSürüm: 2024.12.1+563https://posit.co/download/rstudio-desktop/
SPIA R yazısıBrigham Young Üniversitesi (Pickett Laboratuvarı)Sürüm: 3.1https://github.com/bpickett/Pathway2Targets/blob/main/SPIA_Code.Rmd

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler