马文:使用转录学和R/Shiny中的复合结构数据进行动作分析和可视化的复合机制
Layla Hosseini-Gerami1,2, Rosa Hernansaiz Ballesteros3, Anika Liu4
1Centre for Molecular Informatics, Yusuf Hamied Department of Chemistry, University of Cambridge, Cambridge, UK. laylagerami@hotmail.com.
BMC bioinformatics
|September 15, 2023
概括
MAVEN是一个新的R/Shiny应用程序,通过提供一个用户友好的,基于GUI的工具来预测化合物作用机制 (MoA),从而简化药物发现. 它将化学结构分析与因果推理和网络可视化集成在一起,使得MoA阐明能够让没有广泛生物信息学专业知识的研究人员获得.
科学领域:
- 药物的发现和开发.
- 计算生物学是一种计算生物学.
- 系统药理学 系统药理学
背景情况:
- 了解化合物的作用机制 (MoA) 对于提高药物的疗效和安全至关重要.
- 目前用于MoA阐明的计算方法通常需要大量的编码专业知识,并且对于湿实验室科学家来说很难解释.
- 现有的工具通常专注于预测直接目标或分析下游途径,缺乏系统级,可解释的视图.
研究的目的:
- 开发一个用户友好的计算工具,用于预测和可视化复合作用机制 (MoA).
- 为了使没有广泛的生物信息学或化学信息学知识的研究人员能够产生可解释的MoA假设.
- 将基于化学结构的目标预测与因果推理和转录组数据相结合.
主要方法:
- 开发了MAVEN (动作可视化和丰富机制),这是一个具有图形用户界面 (GUI) 的R/Shiny应用程序.
- 基于化学结构来预测药物标.
- 应用因果推理使用蛋白质-蛋白质相互作用网络和转录基因扰动签名.
- 生成化合物MoA的系统级网络视图,可视化通过信号蛋白从目标到转录因子的链接.
- 包括使用MSigDB基因组集合和支持定制基因组的途径丰富分析.
主要成果:
- MAVEN提供了一个基于GUI的方法,用于从化学结构中预测药物点.
- 该应用程序生成一个系统级网络,可视化化合物的MoA,连接目标,转录因子和信号蛋白.
- MAVEN促进了途径丰富分析,使得化合物效应的更深入的生物学解释成为可能.
- 该工具旨在使具有有限计算专业知识的研究人员能够访问它,从而产生可解释的假设.
结论:
- MAVEN是一个开源的,用户友好的R/Shiny应用程序,简化了药物发现中的作用机制 (MoA) 阐明.
- 该工具使湿实验室科学家能够通过整合化学结构,因果网络和转录组数据来生成可测试的假设.
- 为了更广泛的可访问性,MAVEN提供了全面的文档和安装选项 (Docker,Singularity).
