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 transcriptionele respons onder verschillende omstandigheden en beoogt therapeutische targets en diagnostische markers te voorspellen. Door gebruik te maken van het Pathway2Targets-algoritme identificeert het onderzoek potentiële drugtargets voor colorectale kanker via de analyse van bulk RNA-sequencing-data.
Belangrijkste studiecomponenten
Onderzoeksgebied
- Doelwitvoorspelling voor therapeutische interventies
- Transcriptionele profilering van intracellulaire responsen
- Colorectaal carcinoomonderzoek
Achtergrond
- De behoefte aan hoogwaardige experimentele gegevens om voorspellingen te verbeteren
- Uitdagingen bij het valideren van drugseffecten
- Voordeel van het identificeren van drugstargets binnen signaleringspaden
Gebruikte methoden
- Pathway2Targets-algoritme voor target-prioritisering
- Bulk RNA-sequencing-data
- R-programmering voor data-analyse
Belangrijkste Resultaten
- Identificatie van statistisch significante signaleringspaden
- Meerdere voorspelde therapeutische targets die consistent zijn over de outputs
- Belangrijk geïdentificeerde genen zijn EGFR, TP53 en AKT1
Conclusies
- De studie demonstreert een nieuwe benadering voor drug repurposing binnen signaleringspaden
- Het onderzoek is relevant voor het verbeteren van therapeutische strategieën tegen colorectaal carcinoom
Veelgestelde vragen
Industriële Relevantie voor Management
De integratie van RNA-sequencing met pathway-enrichment en algoritmen voor target-prioritisering stelt biopharma-teams in staat om systematisch druggable targets binnen ziekterelateerde signaleringsnetwerken te identificeren en te rangschikken. Deze aanpak verhoogt het voorspellende vertrouwen in de fase van target-validatie en ondersteunt risico-gecorrigeerde portfoliobeslissingen door zich te richten op de mechanistische context in plaats van op geïsoleerde gene hits. De resultaten van de pipeline informeren direct de triage in de vroege ontdekkingsfase en de downstream translationele strategieën.
Strategische toepassingen in biofarmaceutische R&D
Vroege ontdekking & targetvalidatie
- Maakt mechanische risicoreductie mogelijk door differentieel tot expressie gebrachte genen te koppelen aan functionele signaalpaden.
- Ondersteunt functionele targetvalidatie via padgecentreerde analyse in plaats van een focus op een enkel gen.
- Verbetert het voorspellende vertrouwen bij targetselectie door de integratie van eiwit-eiwitinteractienetwerken.
- Faciliteert portefeuilletriage door targets te rangschikken op basis van de impact op het signaalpad en druggability-scores.
Screening & Assayontwikkeling
- Bereidt gevalideerde gen- en pathway-lijsten voor voor downstream workflows voor assay-ontwikkeling.
- Standaardiseert de input voor screeningscampagnes door gerangschikte, mechanistisch relevante targets te leveren.
- Maakt reproduceerbare en kwantitatieve prioritering van kandidaat-targets voor functionele assays mogelijk.
- Ondersteunt schaalbare evaluatie van compound-target interacties binnen geprioriteerde pathways.
Translationeel & Preklinisch Onderzoek
- Rijgt de prioritering van targets af aan ziekte-relevante transcriptionele signatures voor translationele continuïteit.
- Faciliteert de ontdekking van biomarkers door pathway-perturbaties te koppelen aan therapeutische hypothesen.
- Ondersteunt risico-gecorrigeerde beslissingen over verdere ontwikkeling door bewijs op pathway- en targetniveau te integreren.
- Biedt mechanistische context voor de selectie en validatie van preklinische modellen.
Integratie van Pijplijn en Workflow
Deze computationele pijplijn slaat de brug tussen vroege ontdekking en translationeel onderzoek door RNA-seq-data om te zetten in bruikbare inzichten over targets en signaalpaden.
- Ontdekkingsbiologie: Maakt hypothesetoetsing en pathway-verduidelijking mogelijk via differentiële expressie en SPIA-analyse.
- Screening: Levert gerangschikte targetlijsten die geschikt zijn voor assay-ontwikkeling en compound-screening.
- Analytica: Biedt kwantitatieve outputs en statistische drempelwaarden (bijv. p < 0.05) voor een robuuste besluitvorming.
- Translationeel onderzoek: Verbindt veranderingen in genexpressie met ziekte-relevante pathways en therapeutische targets.
- Bedrijfsbrede herbruikbaarheid: Biedt een herbruikbare computationele workflow die aanpasbaar is aan diverse ziektecontexten en datasets.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen en vermindert mechanistische ambiguïteit bij de selectie van targets.
- Operationele waarde: Standaardiseert en automatiseert de prioritering van pathways en targets voor schaalbare R&D-workflows.
- Strategische waarde: Maakt geïnformeerde go/no-go-beslissingen en kapitaalefficiënt portfoliomanagement mogelijk.
- Impact op portfolio: Ondersteunt risico-gecorrigeerde prioritering en de verdere ontwikkeling van targets met een hoog betrouwbaarheidsniveau.
Overwegingen bij de implementatie
- Vereist expertise in computationele biologie en RNA-seq data-analyse.
- Is afhankelijk van toegang tot de R-programmeeromgeving en relevante softwarepakketten.
- Vereist standaardisatie tussen teams voor inputdataformaten en de interpretatie van gerangschikte resultaten.
- Aanpasbaar aan diverse ziektemodellen, maar gevoelig voor de complexiteit van signaalpaden en de dichtheid van targets.
- Praktische beperkingen omvatten de computationele rekentijd en de behoefte aan hoogwaardige inputdata.
