Interpreting transcriptomic data presents significant challenges, particularly in non-targeted approaches. While modern functional enrichment methods are well-suited for experimental designs involving two conditions, they are less applicable to data series. In this context, we developed Cluefish, a free and open-source, semi-automated R workflow designed for untargeted, comprehensive biological interpretation of transcriptomic data series. Cluefish applies over-representation analysis on pre-clustered protein–protein interaction networks, using clusters as anchors to identify smaller, more specific biological functions. Innovative features, including cluster merging and recovery of isolated genes through shared biological contexts, enable a more complete exploration of the data. We applied Cluefish to an in-house dataset with zebrafish exposed to a dose-gradient of dibutyl phthalate and to two published toxicology datasets featuring different organisms. Combined with DRomics, a tool for dose–response analysis—Cluefish identified gene clusters deregulated at low doses and linked to biological functions overlooked by the standard approach. Notably, it revealed that retinoid signaling disruption may be the most sensitive pathway affected by dibutyl phthalate during zebrafish development, potentially leading to morphological changes. The Cluefish workflow aims to provide valuable clues for biological hypothesis generation and experimental validation. It is freely available at https://github.com/ellfran-7/cluefish.
L’interprétation des données transcriptomiques pose des défis majeurs, en particulier dans les approches non ciblées. Si les méthodes modernes d’enrichissement fonctionnel sont bien adaptées aux designs expérimentaux comparant deux conditions, elles le sont beaucoup moins pour l’analyse de séries de données. Dans ce contexte, nous avons développé Cluefish, un workflow semi-automatisé en R, libre et open source, conçu pour offrir une interprétation biologique globale et non ciblée des données transcriptomiques en série. Cluefish applique une analyse de sur-représentation à des réseaux d’interactions protéine–protéine pré-regroupés, en utilisant les clusters comme points d’ancrage afin d’identifier des fonctions biologiques plus spécifiques et ciblées. Des fonctionnalités innovantes — comme la fusion de clusters et la réintégration de gènes isolés à partir de contextes biologiques partagés — permettent une exploration plus complète des données. Nous avons appliqué Cluefish à un jeu de données interne, dans lequel des embryons de poisson zèbre étaient exposés à un gradient de doses de phtalate de dibutyle, ainsi qu’à deux jeux de données publiés en toxicologie portant sur d’autres organismes. Combiné avec DRomics, un outil d’analyse dose–réponse, Cluefish a permis d’identifier des clusters de gènes dérégulés à faibles doses et associés à des fonctions biologiques passées inaperçues avec l’approche standard. Notamment, il a révélé que la perturbation de la signalisation des rétinoïdes pourrait constituer la voie la plus sensible affectée par le phtalate de dibutyle au cours du développement du poisson zèbre, avec de potentielles répercussions morphologiques. Le workflow Cluefish vise ainsi à fournir des pistes précieuses pour la génération d’hypothèses biologiques et leur validation expérimentale. Il est librement disponible à l’adresse : https://github.com/ellfran-7/cluefish.