Video Experimental Relacionado
Updated: Jan 8, 2026
Using Human Differentially Expressed Gene Lists to Perform Downstream Pathway Enrichment Analysis and Target Prioritization
Published on: October 3, 2025
Predicción de la expresión de GD2 en tipos de cáncer mediante la integración de la topología de vías y datos
Arsenij Ustjanzew1,2,3, Federico Marini1,2,4, Saskia Wagner5
1Institute of Medical Biostatistics, Epidemiology and Informatics (IMBEI), University Medical Center of the Johannes Gutenberg-University Mainz, Mainz, Germany.
Desarrollamos un método computacional para predecir la expresión del gangliósido GD2 en cánceres utilizando datos transcriptómicos. Esta herramienta ayuda a identificar pacientes para terapias dirigidas a GD2 y a descubrir nuevos biomarcadores de cáncer.
Área de la Ciencia:
- Biología computacional
- Investigación del cáncer
- Biología de sistemas
Sus antecedentes:
- El disialogangliósido GD2 es un objetivo prometedor para la terapia contra el cáncer debido a su sobreexpresión en varios cánceres.
- La evaluación experimental de la expresión de GD2 es un desafío y no se realiza de forma rutinaria.
- La predicción precisa de la expresión de GD2 es crucial para la estratificación de pacientes en ensayos clínicos.
Objetivo del estudio:
- Desarrollar un marco computacional para predecir la expresión de GD2 a partir de datos transcriptómicos.
- Integrar las vías de biosíntesis de glicosfingolípidos con las puntuaciones de actividad de reacción.
- Crear un predictor robusto e interpretable de la expresión de GD2 para aplicaciones clínicas.
Principales métodos:
- Se calcularon las puntuaciones de actividad de reacción a partir de datos transcriptómicos y se ponderaron las vías de biosíntesis de glicosfingolípidos.
- Se utilizaron probabilidades de transición basadas en la topología para tener en cuenta la promiscuidad enzimática.
- Se empleó una máquina de vectores de soporte (SVM) con actividades de reacción acumulativas para modelar la expresión de GD2, validada con conjuntos de datos independientes y citometría de flujo.
- Se integraron datos de alteración del número de copias (CNA) para identificar biomarcadores genómicos.
Principales resultados:
- Logramos una precisión equilibrada de 0,80 con una SVM de kernel lineal, superando a una firma de dos genes.
- Demostramos una transferibilidad confiable en seis conjuntos de datos independientes de RNA-seq, capturando la heterogeneidad específica de los subtipos.
- Confirmamos experimentalmente una alta expresión de GD2 en el sarcoma de células claras del riñón.
- Identificamos la amplificación de B4GALNT1 como un factor promotor de GD2 en el liposarcoma dediferenciado.
- Desarrollamos GD2Viz, un paquete de R con una aplicación interactiva Shiny para el análisis de datos del usuario.
Conclusiones:
- El marco computacional proporciona un predictor robusto, interpretable y biológicamente fundamentado de la expresión de GD2.
- Este enfoque ofrece una consistencia e interpretabilidad clínica mejoradas en comparación con las firmas existentes basadas en genes.
- La herramienta puede ayudar a priorizar tumores con altos niveles de GD2, delinear subgrupos de pacientes y apoyar la estratificación de pacientes para ensayos clínicos dirigidos a GD2.
