DENetwork desvela genes no diferencialmente expresados con relevancia funcional a través de condiciones mediante la...

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Genómica

Sus antecedentes:

• El análisis diferencial de la expresión génica (DE) de datos de secuenciación de ARN (ARN-seq) es estándar para identificar diferencias fenotípicas.
• Los métodos tradicionales de DE pasan por alto los genes no diferencialmente expresados (no DE), lo que limita la identificación de los impulsores reguladores río arriba.

Objetivo del estudio:

• Presentar DENetwork, un enfoque basado en redes para priorizar genes en función de su influencia en el flujo de información global.
• Capturar genes tanto diferenciales como no diferenciales con relevancia funcional para comprender las variaciones transcriptómicas.

Principales métodos:

• Desarrolló DENetwork, un método computacional basado en redes.
• Empleó una estrategia de eliminación in silico para calificar el impacto de los genes en las redes génicas inferidas.
• Aplicó el método a conjuntos de datos de ARN-seq simulados y relevantes para enfermedades.

Principales resultados:

• DENetwork identifica con éxito reguladores no diferenciales con relevancia funcional potencial.
• El enfoque descifra intrincadas redes reguladoras y de señalización que impulsan las variaciones transcriptómicas.
• Los reguladores no diferenciales identificados se enriquecieron en vías conocidas y asociaciones fenotípicas.

Conclusiones:

• DENetwork proporciona información mecanicista que se pierde en el análisis DE estándar.
• Este enfoque basado en redes mejora el descubrimiento de genes reguladores más allá de los cambios en la expresión.
• Los hallazgos tienen implicaciones para avanzar en el descubrimiento de dianas y las intervenciones terapéuticas en transcriptómica.