（1）Computational Drug Repurposing for Alzheimer’s Disease Using Risk Genes From GWAS and Single-Cell RNA Sequencing Studies

https://www.frontiersin.org/articles/10.3389/fphar.2021.617537/full

Front Pharmacol， 2021/06， IF 5.81

（2）gene2drug: a computational tool for pathway-based rational drug repositioning

https://academic.oup.com/bioinformatics/article/34/9/1498/4721786

Bioinformatics，2018/15， IF 6.92

（3）Drug-set enrichment analysis: a novel tool to investigate drug mode of action

https://academic.oup.com/bioinformatics/article/32/2/235/1743543

Bioinformatics，2016/01， IF 6.92

一、DSEA与gene2drug

Napolitano等人分别于2016年、2018年在Bioinformatics提出了DSEA与gene2drug方法，分别回答了如下两个问题。

1、功能简介

（1）DSEA：给出特定的几个类似的药物，发现这些药物可以特定作用于哪些通路？ https://dsea.tigem.it/

image-20220601152944145

（2）gene2drug：给出特定的几个通路，发现这些通路可以被哪些药物所调控？https://gene2drug.tigem.it/

image-20220531163539769

目前已经提供了gep2pep的bioconductor包同时支持上述的两种分析，分别称为CondSEA与PathSEA。

https://bioconductor.org/packages/release/bioc/vignettes/gep2pep/inst/doc/vignette.html

2、数据与计算方法

  • 通路数据主要收集在MsigDB的8类基因集(DSEA)，DSEA与gene2drug文章所使用的数据略有差异。

image-20220601151844670

  • 药物干扰数据主要收集自Cmap的1309个 Ranked gene list(First–most up; Last–most down)，分别对应1309个compound。

  • 使用Kolmogorov–Smirnov (KS) test方法(https://github.com/franapoli/signed-ks-test)，计算每个药物对于所有通路的GSEA分析，得到富集分数与P值。富集分数范围在-1~1之间，越接近1表示药物可正向调控这个通路。

3、两次GSEA分析

如上本质上是将药物–基因差异表达矩阵转为药物–通路调控矩阵。

DSEA与gene2drug方法本质都是基于药物–通路调控矩阵的再一次GSAE分析。

  • 对于DSEA，则是通路为主体的ranked list。First 是最正向调控该通路的药物，Last是最负向调控该通路的药物。

    在用户分析时，提供若干感兴趣的药物，发现整体上这些输入药物所正向/负向调控的通路。

  • 对于gene2drug，则是药物为主体的ranked list。First是该药物最正向调控的通路，Last是最负向调控的通路。

    在用户分析时，提供若干感兴趣的通路，发现整体上能够正向/负向这些输入通路的药物。

image-20220601160017156

二、基于通路的AD药物重定向

img

1、收集基因list

1.1 GWAS risk gene

GWAS(genome-wide association analyses)全基因组关联分析通过SNP位点与病人表型信息鉴定疾病相关的risk gene

作者参考Jansen等人2019年的大型AD GWAS研究(https://doi.org/10.1038/s41588-018-0311-9)收集到255个late-onset AD的风险基因【Table S1A】

1.2 scRNAseq DEG

scRNAseq单细胞数据可进行细胞类型水平的差异基因分析。

作者参考Mathys等人2019年的大型AD单细胞数据研究(https://doi.org/10.1038/s41586-019-1195-2)收集得到717个来自3种细胞类型在AD early与late间的差异基因。【Table S1】

  • Asr,astrocytes,星形胶质细胞–532；
  • Ex,excitatory neuronal,兴奋神经元–103；
  • Oli,oligodendrocytes,少突胶质细胞–82

2、预分析

2.1 富集分析

对上述的4个基因list使用Enrichr工具进行富集分析（GO BP）

2.2 靶点交集分析

根据Cummings等人2019年的AD研发药物综述(https://doi.org/10.1016/j.trci.2019.05.008)总结的处于phase 1, 2, and 3阶段的药物，在TTD、DrugBank、PubChem数据库收集药物的作用靶点。【Table S2】

Phase Total target genes Unique target genes Total number of pathways (adjusted p-value < 0.05)
Phase 3 49 37 33
Phase 2 110 90 67
Phase 1 34 23 21

结合上述3类药物的靶点信息，与之前得到的4个基因list做交集分析。结果发现

  • GWAS 基因list与之有5个基因交集（TREM2, CD33, CHRNA2, PRSS8, and ACE）
  • Ex差异基因list与之有3个基因交集（TKT, APP, and GABRA1）
  • 其它两个基因list无交集基因。

The analysis suggests that other drugs targeted these AD-associated risk genes ca potentially be repurposed for AD.

3、gene2drug分析

  • 4个 如上所述的基因list、8个 通路基因集
  • 使用 gep2pep包计算每个基因list中的基因在每个基因集的相关通路，然后进行PathSEA分析，得到以P值作为排序依据的Ranked Drug list。
  • 每个基因list对于每个通路基因集都得到一个drug list，共32个drug list。
    • 由于CP、MIR、TFT通路基因集得到drug list包含较少的药物结果，所以剔除，保留20个
    • 使用adjusted p-values，将每个基因list的5个drug list合并为一个drug list
    • 挑选出每个drug list的Top5 drug，共20个候选药物
  • 文献验证
    • PubMed：收集药物的有效性、作用机制研究
    • PubChem：确定药物的毒性与否
    • ClinicalTrials：查看药物的临床研究情况

image-20220601164525103

image-20220601164553275