Computational Network Analysis for Defining Transcriptional Programs.

چکیده اصلی

Cancer cell identity is governed by coordinated transcriptional programs that are frequently rewired during tumorigenesis. Systematic identification of cancer type-specific gene regulatory networks provides a framework for understanding oncogenic state transitions and for prioritizing candidate therapeutic targets. Here, we present a reproducible network-based workflow for reconstructing and analyzing transcriptional regulatory programs across human cancer types using publicly available expression datasets. We describe procedures for curating and preprocessing microarray data from the Gene Expression Omnibus, implementing random forest classification, and reconstructing gene regulatory networks using the CellNet platform. Detailed guidance is provided for evaluating classifier performance, quantifying network influence scores, integrating transcription factor, target interaction resources, and performing functional enrichment analyses. In addition, we outline approaches for comparing cancer-specific networks with corresponding normal tissue profiles to identify candidate drivers of malignant cell identity and potential prognostic biomarkers. Together, these protocols provide investigators with a scalable computational framework for defining cancer type-specific transcriptional states and for systematically interrogating regulatory mechanisms underlying tumor heterogeneity.

ترجمه فارسی چکیده

هویت سلول‌های سرطانی توسط برنامه‌های ترنسکریپتونی هماهنگ که اغلب در سرطان‌زایی بازطراحی می‌شوند، کنترل می‌شود. شناسایی سیستماتیک شبکه‌های تنظیم ژن‌های خاص نوع سرطان، چارچوبی برای درک گذارهای حالت سرطان‌زا و اولویت‌بندی اهداف بالقوه درمانی فراهم می‌کند. در اینجا، ما یک جریان کار مبتنی بر شبکه قابل تکرار برای بازسازی و تحلیل برنامه‌های تنظیم ترنسکریپتونی در انواع سرطان‌های انسانی با استفاده از مجموعه داده‌های بیان عمومی ارائه می‌دهیم. ما روال‌های گردآوری و پیش‌پردازش داده‌های میکروآرای از Gene Expression Omnibus، پیاده‌سازی طبقه‌بندی درخت تصادفی و بازسازی شبکه‌های تنظیم ژن با استفاده از پلتفرم CellNet را توصیف می‌کنیم. راهنمایی دقیقی برای ارزیابی عملکرد طبقه‌بندی، کمی‌سازی امتیازات تأثیر شبکه، ادغام منابع تعامل عامل تنظیم‌کننده و هدف، و انجام تحلیل‌های غنی‌سازی عملکردی ارائه شده است. علاوه بر این، ما رویکردهایی برای مقایسه شبکه‌های خاص سرطان با پروفایل‌های بافت نرمال مرتبط برای شناسایی عوامل محرک بالقوه هویت سلول‌های بدخیم و نشانگرهای پیش‌بینی بالقوه مرور می‌کنیم. به طور کلی، این پروتکل‌ها به محققان چارچوب محاسباتی مقیاس‌پذیری برای تعریف حالت‌های ترنسکریپتونی خاص نوع سرطان و برای بررسی سیستماتیک مکانیزم‌های تنظیمی زیربنای تنوع تومور فراهم می‌کنند.

متن کامل اصلی