从TG-GATEs数据集绘制基因表达变化

我们的第一个案例研究基于Rangel-Escareño等人的一篇论文中的一个图，其中绘制了CYP1A1(与异种生物代谢相关的基因)在所有浓度和时间点的基因表达变化。图显示在第8(小时)时，CCL4对该基因的差异表达明显，说明剂量越高，CCL4对该基因的影响越大。要使用包绘制相同条件下的基因表达，第一步是从磁盘加载数据集或使用上面的downloadTSet函数下载它们。在下面的示例中，我们使用随包提供的玩具数据集来说明该过程。为了绘图，使用了函数drugGeneResponseCurve，其中必须指定数据集、药物名称、细胞系、分子类型、基因名称、剂量和时间点等强制性输入。

BiocManager::安装(“ToxicoGx”)

绘制四氯化碳对CYP1A1基因的时间依赖性剂量响应图

ToxicoGx::drugGeneResponseCurve(TGGATESsmall, duration = c("2"， "8"， "24")， cell_lines =" Hepatocyte"， mDataTypes =" rna"， features =" ENSG00000140465_at"， dose = c("Control"， "Low"， "Middle"， "High")， drug ="四氯化碳"，ggplot_args = list(labs(title="四氯化碳对CYP1A1的影响"))，summarize_copies = FALSE)

TG-GATEs与人肝癌信号的连通性图谱分析

对于第二个案例研究，我们将重新分析Jos Kleinjans等人的论文，其中连接映射已被用于通过连接体内人肝癌(HCC)签名基因集与体外TG-GATEs原代人肝细胞数据来预测复合致癌性。在本例中，我们使用玩具数据集。完整的数据集必须下载才能完成论文中所做的全部分析。已经映射到基因层面的HCC信号已经包含在这个包中，可以通过调用数据(HCC_sig)加载。一旦数据集加载，使用drug扰动sig函数为每种药物重新创建药物签名，以对每种药物的应用进行转录组反应的统计建模。然后我们将观察到的上调和下调基因与论文中发表的HCC信号进行比较。输出将是GSEA连接评分和FDR值，可用于确定两个签名之间的相关性。

计算药物浓度对细胞药物分子谱的影响。微波动<- ToxicoGx:: drug微波动sig (tSet = TGGATESsmall, mDataType = "rna"， cell_lines = "Hepatocyte"， duration = "24"， features = fNames(TGGATESsmall， "rna")，剂量=c(" Control"， "Low")，药物=c("奥美拉唑"，"异烟azid")， returnValues=c("estimate"，"tstat"， "pvalue"， "fdr")， verbose = FALSE) data(HCC_sig) res <- apply(药物。微干扰[，，c("tstat"， "fdr")]， 2, function(x, HCC){return(CoreGx::connectivityScore(x = x, y = HCC[， 2, drop = FALSE]， method = "fgsea"， nperm=100)}， HCC = HCC_sig[seq_len(195)，]) rownames(res) <- c("Connectivity"， "P值")res <- t(res) res <- cbind(res，" fdr" = P .adjust(res[，2]， method = "fdr") res <- res[order(res[，3])，] knitr::kable(res，标题= ' HCC和TG-GATEs PHH基因特征的连接评分结果')

表:HCC和TG-GATEs PHH基因标记的连通性评分结果

在上表中，奥美拉唑与异烟肼相比，连通性得分为正。这一观察结果与论文中报道的趋势一致。上面的例子演示了使用ToxicoGx包进行药物扰动分析是多么容易。