博文

pathlinkR：转录组数据的通路和网络分析

已有 849 次阅读 2024-10-18 11:10 |个人分类:科普|系统分类:科普集锦

pathlinkR：转录组数据的通路和网络分析

转录组是最流行的组学方法之一，因为它通过分析基因表达变化提供了对各种研究的生物学见解，并且适用于任何具有参考基因组的生物。将一种或多种感兴趣的条件与参考或对照样本进行比较，可以确定由于条件或治疗而在表达上发生变化的基因。然而，仅凭差异表达基因(differentially expressed genes，DEG)的列表本身不足以得出有关其作用机制的有意义结论，必须对其进行进一步分析。有几种路径可供选择，其中最常见的两种方法是通路富集和网络分析，这些可以结合起来进一步提取生物学意义。虽然有几个工具和资源来执行这些任务，但它们往往存在于单独的包中，使得整合它们变得困难，特别是对于那些没有生物信息学技术背景的科研人员。

最近，Blimkie等人介绍了一个R包pathlinkR，它提供了一个简化和统一的界面来执行一些最常见的DEG分析和可视化，其功能可以帮助用户轻松执行通路富集和网络分析。它被设计成易于使用，并接受典型分析管道中最常用工具DESeq2和edgeR的输入。DESeq2和edgeR两个软件包都会生成一个DEG表，pathlinkR无需修改即可使用该表输入进行核心功能分析，包括可视化、通路富集和蛋白质-蛋白质相互作用(PPI)网络的构建。这些分析可以在许多数据库上执行，包括Reactome、MSigDB、KEGG和InnateDB，它们都是一致的格式，以便简单地合并到新的分析管道中。对于pathlinkR支持的每一种分析类型，用户都可以生成高质量图像来总结他们的发现（图1）。

图1 由pathlinkR生成的部分结果图。A:火山图。B:由pathlinkR使用InnateDB的PPI数据创建的PPI网络，节点颜色表示Fold变化方向，关键枢纽节点用蓝色或黑色标签突出显示。C:绘制免疫通路结果，在x轴上用三角形表示每种情况下通路的存在和方向性，在y轴上按字母顺序排序。星号表示一条通路在两个方向上都很重要。只描绘了一个三角形，对应于p值较低的方向。D:由通路富集结果构建的网络，节点代表单个通路，对于相似度超过特定阈值的通路绘制边

pathlinkR可从Bioconductor (https://bioconductor.org/packages/pathlinkR/)安装，并可通过Bioconductor论坛获得支持。代码，示例和支持数据可以在GitHub存储库https://github.com/hancockinformatics/pathlinkR上获得。

参考文献

[1] Blimkie TM, An A, Hancock REW. Facilitating pathway and network based analysis of RNA-Seq data with pathlinkR. PLoS Comput Biol. 2024 Sep 16;20(9):e1012422. doi: 10.1371/journal.pcbi.1012422.

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC