Bilgi

CBioPortal'da gen yukarı regülasyonu için sorgu

CBioPortal'da gen yukarı regülasyonu için sorgu


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

orada! Biri bana cBioPortal kullanarak bazı biyoistatistiksel problemlerde yardımcı olabilir.

cBioPortal'da belirli genlerin yukarı regülasyonu ile hücre hatları arıyoruz. Önceden deneyimim olmadığı için amirim bana bu web sitesini kullanmayı öğretiyor. Yükseltmeyi tanımlamak için EXP >= 0,5 kullanıyor. Biyoinformatik geçmişim olmamasına rağmen, benim görüşüm, ortalamadan 0,5 SD uzaklığın bir düzenlemeyi tanımlayacak kadar güçlü olmadığıdır. EXP >= 2 veya 1.5 kullanmanın daha iyi olduğunu düşünüyorum. Bunu amirimle görüştüm ama o EXP >= 0,5 kullanmakta ısrar ediyor.

Bana söylenenlere hala ikna olmadığım için bu konuyla ilgili herhangi bir deneyimi olan var mı? Çok teşekkürler!


İfade kalıplarıyla çalıştım. Ne yazık ki kesintiler için kesin veya sihirli sayılar yoktur. 0,5'in katı olmadığı konusunda sizinle aynı fikirdeyim. Bununla birlikte, verileri keşfetmek için genellikle daha düşük kesmeler kullanarak ayrıştırabilir ve daha sonra ne olduğunu görmek için çıtayı yükseltebilirsiniz.


CBioPortal'da Kanser Genomiği Bağlamında CPTAC Proteomik Verilerinin Entegrasyonu ve Analizi

Klinik Proteomik Tümör Analiz Konsorsiyumu (CPTAC), The Cancer Genome Atlas'tan (TCGA) seçilen meme, kolon ve yumurtalık tümörleri için kapsamlı kütle spektrometrisi tabanlı proteomik verileri üretmiştir. Aynı tümörlerden alınan klinik ve genomik veriler bağlamında bu proteomik veri kümelerinin kolay araştırılmasını ve bütünleştirici analizini desteklemek için CPTAC proteomik verilerini cBioPortal'a dahil ettik. cBioPortal, çok boyutlu kanser genomiği ve klinik verileri keşfetmek, görselleştirmek ve analiz etmek için açık kaynaklı bir platformdur. cBioPortal'ın halka açık örneği (http://cbioportal.org/), TCGA'dan gelen tüm veriler dahil olmak üzere 200'den fazla kanser genomik çalışmasına ev sahipliği yapmaktadır. Biyolog dostu arayüzü, çoklu platformlarda gen seviyesindeki verilerin grafiksel bir özeti, genler veya diğer veri türleri arasındaki korelasyon analizi, hayatta kalma analizi ve hasta başına veri görselleştirme dahil olmak üzere birçok zengin analiz özelliği sunar. Burada, CPTAC kütle spektrometrisi tabanlı proteomik verilerinin, mutasyonlar, kopya numarası değişiklikleri, gen ekspresyonu ve DNA için TCGA tarafından zaten profillenmiş 77 meme, 95 kolorektal ve 174 yumurtalık tümöründen oluşan cBioPortal'a entegrasyonunu sunuyoruz. metilasyon. Sonuç olarak, CPTAC verileri artık klinik ve genomik veriler bağlamında cBioPortal'da kolayca araştırılabilir ve analiz edilebilir. CPTAC verilerinin cBioPortal'a entegre edilmesiyle, TCGA proteomik dizisi verilerinin sınırlamalarının üstesinden gelinebilir ve aynı zamanda kullanıcı dostu bir web arayüzü, bir web API'si ve kütle spektrometrisi verilerini genomik, epigenomik ve klinik verilerle birlikte sorgulamak için bir R istemcisi sağlanır.

Anahtar Kelimeler: Kanser Biyolojisi Kanser Biyobelirteç(ler)i Kütle Spektrometrisi Fosfoproteom Proteogenomik.


İnsan hepatoselüler karsinomunda potansiyel terapötik hedef gen UBE2C'nin belirlenmesi: GEO ve TCGA veri tabanlarına dayalı bir araştırma

Telif hakkı: © Wei ve ark. Bu, Creative Commons Atıf Lisansı koşulları altında dağıtılan bir açık erişim makalesidir.

Bu makale şurada belirtilmiştir:

Soyut

Tanıtım

Hepatoselüler karsinom (HCC), karaciğer kanserinin ana patolojik türüdür. Gelişmiş ülkelerde HCC insidansı son birkaç on yılda önemli ölçüde artmıştır (1). HCC, karmaşıklığı, heterojenliği ve cerrahi rezeksiyon sonrası yüksek nüks nedeniyle dünyada kansere bağlı ölümlerin ikinci veya üçüncü ana nedenidir (2,3). HSK tanısının öncelikle ileri HCC'de meydana gelen serolojik değişikliklere bağlı olması, HSK için tedavi seçeneklerini kısıtlamaktadır (4). Bu nedenle, HCC'nin erken teşhisi ve zamanında tedavisi için spesifik moleküler hedeflerin belirlenmesi zorunludur (5).

Gen çipi teknolojilerinin kapsamlı uygulaması, bol ekspresyon profili bilgisi ve diferansiyel olarak eksprese edilmiş genlerin (DEG'ler) taranması ile, kamuya açık veri setleri entegre edilerek tümör dokularındaki biyobelirteçler verimli bir şekilde tespit edilebilir (3,6,7). Mikrodizi verilerinin entegre analizine dayanan birkaç çalışma, hastalıkların altında yatan moleküler mekanizmalar hakkında değerli bilgiler sağlamıştır (7-10). Örneğin, Gan ve arkadaşları (10), miR-145-5p ekspresyon seviyelerinin bu dokularda önemli ölçüde daha düşük olduğunu ortaya koyarak mikroRNA (miR)-145-5p'nin küçük hücreli dışı akciğer kanserinde lenf nodu metastazı ile ilişkili olduğunu bildirmiştir. bir meta-analiz ve mikrodizi verilerinin entegre analizinin ardından sağlıklı dokulardakilerle karşılaştırılmıştır. Guo ve diğerleri (7), Gene Expression Omnibus'ta (GEO) dört kolorektal kanser (CRC) ekspresyon profilinin entegre bir biyoinformatik analizini gerçekleştirmiş ve CRC'de 31 anahtar aday gen tanımlamıştır. Benzer şekilde, Liang ve diğerleri (3) ve Zhang ve diğerleri (11) GEO ve The Cancer Genome Atlas (TCGA) veri tabanında halka açık bir HCC verilerini analiz ettiler ve miR-133a-3p ve miR-224-'ün tanısal rolünü araştırdılar. HCC'de sırasıyla 5p. Bu bulgular, HCC de dahil olmak üzere çeşitli kanser türlerine yönelik daha fazla araştırma için yeni ve değerli yönergeler sağlar. En yeni veri kümeleriyle birleştirilmiş entegre biyoinformatik yöntemlerini kullanan kapsamlı bir yeniden analizin yenilikçi olacağı ve HCC'nin altında yatan moleküler mekanizmalara yeni ek bilgiler sağlayabileceği önerildi.

GEO veri tabanı, Ulusal Biyoteknoloji Bilgi Merkezi tarafından kurulan ve kanserli dokularda anormal şekilde eksprese edilen genlerin yüksek verimli taramasına erişim sağlayan halka açık bir mikrodizi profili veri tabanıdır (7). Çok sayıda çalışma mikrodizi veri profili oluşturmayı araştırmıştır (8,9). Bununla birlikte, HCC'li hastalarda klinik olarak güvenilir moleküler biyobelirteçler gözlemlenmiş olsa da, HCC'nin altında yatan moleküler mekanizmalar açıklığa kavuşturulmamıştır.

Bu çalışma, GEO veri tabanından en yeni iki veri setinin (GSE76427 ve GSE84402) ve TCGA'daki HCC numunelerinin entegre analizi ile HCC dokularında bir dizi DEG tanımlamıştır (12,13). DEGs eşiği | log 2 (kat değişimi) |≥1.5 GEO verilerinde veya TCGA verilerinde ≥10 kat değişimi ve P≤0.001. Aday genlerin doğrulanması için GSE14520 ve GSE3500 (14,15) ve kanser ve komşu kanserli olmayan dokuların ekspresyon profillerine sahip TCGA veri seti kullanıldı. Ek olarak, bu tür genleri HCC'nin prognostik biyobelirteçleri olarak kullanma potansiyelini analiz etmek için aday genlerin genel hayatta kalma (OS) analizi yapıldı. Bu çalışma, HCC'nin moleküler mekanizması hakkında yeni bilgiler sağlayabilir ve HCC'deki klinik çalışmalar için bir referans görevi görebilir.

Malzemeler ve yöntemler

Mikrodizi veri bilgisi

GSE76427, GSE84402, GSE14520 ve GSE3500'ün gen ekspresyon profilleri GEO veri tabanından (https://www.ncbi.nlm.nih.gov/) indirildi ve HCC ve komşu kanserli olmayan doku için gen ekspresyon verileri elde edildi. Mevcut en yeni veri kümeleri (GSE76427 ve GSE84402), GPL10558 (Illumina HumanHT-12 v4.0 Expression BeadChip Illumina, Inc., San Diego, CA, ABD) ve GPL570 (Affymetrix Human Genome U133 Plus 2.0 Array Affymetrix Thermo Fisher) platformlarına dayanıyordu. Scientific, Inc., Waltham, MA, ABD). GSE76427 verileri, 115 HCC primer tümör dokusunu ve 52 bitişik tümör olmayan dokuyu içeriyordu (gönderme tarihi, 30 Aralık 2015) (12). GSE84402, 14 HCC dokusunu ve 14 bitişik tümör olmayan dokuyu içeriyordu (teslim tarihi, 14 Temmuz 2016) (13). GSE14520, GPL571 (Affymetrix Human Genome U133A 2.0 Array Affymetrix Thermo Fisher Scientific, Inc.) ve GPL3921 platformlarına (Affymetrix HT Human Genome U133A Array Affymetrix Thermo Fisher Scientific, Inc.) dayanmaktadır. GSE14520, 66 tümör ve eşleştirilmiş tümör olmayan numuneyi içeriyordu (gönderme tarihi, 22 Ocak 2009) (16). GSE3500 verileri 13 platforma (GPL2648, GPL2649, GPL2831, GPL2868, GPL2906, GPL2935, GPL2938, GPL2948, GPL3007, GPL3008, GPL3009, GPL3010 ve GPL3011) dayanıyordu ve 102 primer HCC dokusunu (82 hastadan), 74 non- tümör dokuları (72 hastadan), yedi iyi huylu tümör dokusu (üç adenom ve dört fokal nodüler hiperplazi), 10 metastatik kanser dokusu ve 10 HCC hücre dizisi (14).

Karaciğer kanserinin başka bir ekspresyon profili, aşağıdakilerden oluşan California Üniversitesi, Santa Cruz Refseq Gen Array kullanılarak Cancer RNA-seq Nexus (CRN) çevrimiçi (//syslab4.nchu.edu.tw/) tarafından TCGA veri tabanından elde edildi. 84 HCC dokusu ve 42 bitişik tümör olmayan doku. DEG'lerin tanımlanması için GSE76427, GSE84402 ve TCGA verileri kullanılmıştır. İfade profillerinin doğrulanması için GSE14520 ve GSE3500 veri kümeleri ve TCGA verileri kullanıldı. GEO ve TCGA'daki veri setlerinin detayları ve hasta bilgileri Tablo I'de listelenmiştir.

Tablo I.

GEO ve TCGA hastalarındaki veri setlerinin detaylı bilgileri.

Tablo I.

GEO ve TCGA hastalarındaki veri setlerinin detaylı bilgileri.

coğrafi kimlik GSE14520 GSE3500 GSE76427 GSE84402 TCGA
Toplam hayır. hastaların 22 82 Söz edilmemiş 14 371
Toplam hayır. örneklerin 132 193 167 14 373
Tümör olmayan numune sayısı 66 (eşleştirilmiş tümör olmayan örnekler) 74 (tümör olmayan örnekler) 52 (bitişik tümör olmayan dokular) 14 (kanserli bölgenin kenarından yanal olarak gt5 cm) bölge 42 (sağlıklı dokular)
Birincil HCC numunelerinin sayısı 66 (tümör örnekleri) 102 (HBV+ hastalarından alınan tümör örnekleri) 115 (birincil tümör dokuları) 14 (tümör hücrelerinin yüzdesi >70%) 84 (tümör örnekleri)
Tümör türleri Hepatosellüler kanser Hepatosellüler kanser Hepatosellüler kanser Hepatosellüler kanser Hepatosellüler kanser
Tümörlerin derecelendirilmesi (TNM evresi) Alt bölüm yok Alt bölüm yok Alt bölüm yok Alt bölüm yok Aşama II
patolojik derece Alt bölüm yok Alt bölüm yok Alt bölüm yok Alt bölüm yok Alt bölüm yok
Yorum Yap NA NA HBV enfeksiyonu ve sirozu olan HCC hastalarının yüzdesi %46 ve %54 idi. NA Analiz için CRN (Kanser RNA-Seq Nexus aracı) kullanma.

[i] GEO, Gen Expression Omnibus TCGA, The Cancer Genome Atlas HCC, hepatoselüler karsinom TNM, tümör düğümü metastazı HBV, hepatit B virüsü.

HCC dokularında aşırı eksprese edilen DEG'lerin tanımlanması

İndirilen GSE76427 ve GSE84402 veri kümelerinden elde edilen ham veriler ve ayrıca TCGA verileri, Funrich (sürüm 3.3 http://www.funrich.org/) ve Morpheus yazılımı (https://software.broadinstitute) kullanılarak entegre dönüşüm ve korelasyon analizinin ardından analiz edildi. .org/morpheus). Veri işleme, iki profesyonel analist tarafından gerçekleştirildi. İnsan HCC dokuları ile eşleştirilmiş tümör olmayan veya sağlıklı dokular arasındaki DEG'ler, GEO verilerinde P<0.001 ve log 2 (kat değişimi) |≥1.5 veya kat değişimi |≥10 kesme kriteri ile Student t-testi kullanılarak tanımlandı. TCGA verilerinde. Funrich yazılımı ile örtüştükten sonra, üç veri setinde HCC dokularında yüksek oranda aşırı eksprese edilmiş seviyelere sahip aday genler tanımlandı.

Adayların Gen Ontolojisi (GO) ve Kyoto Genler ve Genom Ansiklopedisi (KEGG) yolu zenginleştirmesi

GO ve KEGG yollarının fonksiyonel zenginleştirme analizi, entegre gen görselleştirmesini içeren Ek Açıklama Görselleştirme ve Entegre Keşif için çevrimiçi Veritabanı (https://david.ncifcrf.gov/) kullanılarak ayrıştırıldı. Funrich yazılımı ayrıca P<0.05'lik bir eşik altında fonksiyonel zenginleşmeyi tanımlamak için kullanıldı.

Protein-protein etkileşimi (PPI) ağının oluşturulması ve ısı haritası analizi

DEG'ler ile kodlanmış proteinler ve PPI ağ bilgisi verileri, Etkileşimli Genlerin Alınması için Arama Aracı (STRING) veri tabanı (//string-db.org) kullanılarak elde edildi. Aday DEG'ler arasındaki etkileşimlerin görselleştirilmesi için Cytoscape yazılımı (sürüm 3.7.0 http://cytoscape.org/) kullanıldı. TCGA veri setinden üretilen kırmızıdan mavi renge gradyanlı ısı haritası sıcak noktaları, HCC'deki anahtar aday genlerin nispi ekspresyon seviyesini göstermek için kullanıldı.

GEO ve TCGA veri kümelerine dayalı olarak HCC'de UBE2C'nin anormal ifadesinin doğrulanması

DEG'lerdeki aday genlerin ekspresyon profilleri, sezgisel için bir profil oluşturucu işlevi gören çevrimiçi araç Oncomine (https://www.oncomine.org/resource/login.html) ile başka iki GEO verisi (GSE14520 ve GSE3500) kullanılarak doğrulandı. GEO veritabanının ifadesi. HCC ve kanserli olmayan dokular arasındaki DEG seviyelerini karşılaştırmak için bağımsız bir örnek Student t-testi kullanıldı. Kanser Hücre Hattı Ansiklopedisi (https://portals.broadinstitute.org/ccle) ve Firebrowse (http://firebrowse.org/) çevrimiçi aracı, insan maligniteleri ve farklı insan HCC'leri arasındaki aday genlerin nispi transkripsiyon seviyesini değerlendirmek için kullanıldı. GEO ve TCGA veritabanlarından elde edilen verilere göre hücre hatları.

HCC'li hastaların klinikopatolojik parametreleri ile aday genlerin sağkalım ilişkisi

TCGA HCC verilerinde aday DEG'lerin yüksek ifadesi olan hastaların hayatta kalma analizi, cinsiyet ve patolojik evre dahil olmak üzere çeşitli klinikopatolojik özelliklerin dikkate alındığı Kaplan-Meier tahmincisi hayatta kalma eğrileri kullanılarak yapıldı. Veriler cBioPortal'dan (//www.cbioportal.org) elde edildi ve analiz için Kaplan-Meier Plotter (//kmplot.com/analysis/) kullanıldı. Kesme kriterini belirlemek için P<0.05'lik bir eşik kullanıldı.

Sonuçlar

İnsan HCC dokularında DEG'lerin ve aşırı eksprese edilen aday genlerin tanımlanması

Bugüne kadar, GEO veritabanı en kapsamlı genel mikrodizi/gen veri kaynaklarını içerirken, TCGA en büyük miktarda kanser genini işler. HCC ve komşu kanserli olmayan dokuların gen ekspresyon profili, GEO (GSE76427 ve GSE84402) ve TCGA'dan indirildi. Dahil etme kriterleri altında, sırasıyla GSE76427, GSE84402 ve TCGA verilerinden toplam 1.650 ve 1.960° tanımlanmıştır. FunRich yazılımı kullanılarak, yukarı regüle edilmiş beş gen tanımlandı [ubikuitin-eşlenik enzim 2C (UBE2C), topoizomeraz II a (TOP2A), hipofiz tümörü dönüştürücü gen 1 (PTTG1), glipikan-3 (GPC3) ve polikomb-baskılayıcı kompleks 1 (PRC1) )], üç grupta üst üste bindirildi ve HCC biyobelirteçlerinin seçimi için aday genler olarak kabul edildi (Şekil 1A). cBioPortal web sitesindeki mevcut veriler kullanılarak TCGA veri tabanında 373 HCC dokusundan oluşturulan OncoPrint, klinik vakaların %27'sinin (100/373) HCC'li hastalarda gen yukarı regülasyonu sergilediğini gösterdi (Şekil 1B). TCGA verilerinde bu beş derecenin bir ısı haritası STRING ve Morpheus yazılımı (Şekil 1C) kullanılarak görselleştirildi, bu da kısmen insan HCC ile sağlıklı dokular arasındaki önemli farkı ortaya çıkardı.

Şekil 1.

GEO ve TCGA veri kümelerinde DEGs ifade profili. (A) GSE76427, GSE88402 ve TCGA veri kümelerinde önemli ölçüde aşırı eksprese edilen genlerin Venn şeması. Ubikuitin-konjuge edici enzim 2C, topoizomeraz II a, hipofiz tümörü dönüştürücü gen 1, glipikan-3 ve policomb-bastırıcı kompleks 1 dahil olmak üzere üç veri setinde önemli ölçüde aşırı eksprese edilen beş gen örtüşmüştür. TCGA veri kümeleri. Pembe örnekler yukarı regülasyonu temsil eder. Hepatosellüler karsinomalı 371 hastada 373 örneğin haberci RNA dizileme analizi ile transkripsiyon seviyesini elde etmek için CBioPortal kullanıldı. TCGA OncoPrint portalı kullanıldı. Z-skor±2.0, TCGA RNA-Seq V2 verilerinde anormal ifade için bir eşik olarak kullanıldı. (C) TCGA veri kümelerinde DEG'lerin ısı haritası. Sıcak noktalar kırmızı (yüksek ifade) ile mavi (düşük ifade) arasında değişiyordu. TCGA verilerini elde etmek için Etkileşen Genlerin Alınması için Arama Aracı, verileri işlemek ve görselleştirmek için Morpheus kullanıldı. DEG'ler, GEO verilerinde P<0.001 ve |log2 (kat değişimi) |≥1.5 veya TCGA verilerinde kat Change >10 ile tanımlandı. GEO, Gen Ekspresyonu Omnibus TCGA, The Cancer Genome Atlas DEG'leri, diferansiyel olarak eksprese edilmiş genler.

DEG'ler için GO ve KEGG yolu zenginleştirme analizi

Üst üste binen beş yukarı regüle edilmiş aday gen, GO yoluyla fonksiyonel zenginleştirme analizine tabi tutuldu. Esas olarak şu açılardan zenginleştirildikleri gözlemlendi: i) Nükleoplazma, nükleer kromozom ve kinetokor ve DNA topoizomeraz kompleksi (ATP-hidrolize) (Şekil 2A) dahil olmak üzere hücresel bileşenler ve ii) hücre iletişimi, sinyal iletimi ve hücre dahil biyolojik süreçler döngüsü (Şekil 2B). Aday genler, apoptoz regülasyonu, p53 ve CDK aracılı fosforilasyonun stabilizasyonu ve hücre bölünme döngüsü 6'nın çıkarılması dahil olmak üzere çeşitli işlevlerle ilişkilendirildi (Şekil 2C). Bu sonuçlar, bu beş aday genin HCC gelişimi sırasında önemli biyolojik rollere hizmet ettiğini ileri sürdü.

Şekil 2.

DEG'lerin fonksiyonel zenginleştirme analizi. (A) hücresel bileşenler, (B) biyolojik süreçler ve (C) moleküler fonksiyonlar için zenginleştirilmiş DEG çizelgeleri, Ek Açıklama Görselleştirme ve Entegre Keşif ve Funrich yazılımı için çevrimiçi araç Veritabanını kullanarak Gen Ontolojisi analizinde. P<0.05, istatistiksel olarak anlamlı bir fark olarak kabul edildi. DEG'ler, diferansiyel olarak eksprese edilen genler.

KEGG yolu zenginleştirme analizi, PTTG1'in 'Oosit mayozu' ve 'Hücre döngüsü' (P<0.05) (veriler gösterilmemiştir) dahil olmak üzere iki yoldan zenginleştiğini ortaya koydu.

ÜFE ağının inşası

Beş DEG ve bunların etkileşimleri, içinde 105 düğüm (protein) ve 1.036 kenar (etkileşim) bulunan bir PPI ağına dahil edildi (Şekil 3A). Entegre PPI ağında, 11 düğüm ve 50 kenar içeren UBE2C ve PTTG1'den oluşan bir modül tanımlandı (Şekil 3B). Bu beş genin ekspresyon seviyelerine dayanarak, UBE2C'nin TCGA'dan HCC dokularındaki diğer genlere kıyasla nispeten daha yüksek ekspresyon seviyeleri sergilediği gözlemlendi. Bu nedenle, UBE2C, HCC için aday bir biyobelirteç olarak kabul edildi.

Figür 3.

Seçilen DEG'ler için protein-protein etkileşim ağı. (A) Beş aday gen (UBE2C, topoizomeraz II a, hipofiz tümörü dönüştürücü gen 1, glipikan-3 ve polikomb baskılayıcı kompleks 1) için entegre ağ ve Etkileşen Genlerin Geri Alınması için Arama Aracını kullanan etkileşimleri. (B) UBE2C içeren modül. Düğümler proteinleri gösterir ve DEG'ler arasındaki çizgiler olarak temsil edilen kenarlar etkileşimleri gösterir. Kırmızı düğümler, mevcut el yazmasında tartışılan DEG'leri gösterir ve yeşil düğümler, diğer genleri gösterir. DEG'ler, diferansiyel olarak eksprese edilen genler UBE2C, ubikuitin-konjuge edici enzim 2C.

HCC dokularında ve hücre dizilerinde UBE2C aşırı ekspresyonunun doğrulanması

UBE2C'nin HCC dokularında aşırı ekspresyonunu doğrulamak için GSE14520 ve GSE3500 verileri indirildi ve UBE2C'nin ekspresyon profili analiz edildi. Beklendiği gibi, komşu kanserli olmayan dokularla karşılaştırıldığında HCC dokularında UBE2C'nin önemli aşırı ekspresyonu, GSE14520 ve GSE3500 veri setlerinde doğrulandı (Şekil 1a).4A ve B) ve ayrıca diğer çeşitli insan malign tümörlerinde, GEO ve TCGA veritabanlarından alınan verilerde sağlıklı veya komşu kanserli olmayan dokularla karşılaştırıldığında (Şekil 4C ve D). Farklı insan karaciğer hücre dizilerinde UBE2C'nin yüksek ekspresyon seviyeleri ayrıca gösterilmiştir (Şekil 4E). Bu sonuçlar, UBE2C'nin HCC ve diğer kanser türlerinin gelişiminde önemli rollere hizmet ettiğini ve tümörijenezde bir onkogen olarak işlev görebileceğini ortaya koydu.

Şekil 4.

GEO ve TCGA veritabanlarından alınan verilerde HCC dokularında, hücre dizilerinde ve diğer kanser dokularında UBE2C aşırı ekspresyonunun doğrulanması. (A) GSE14520 ve (B) GSE3500 verilerinde UBE2C aşırı ifadesinin doğrulanması. HCC dokuları (T) ve komşu kanserli olmayan dokular (N) arasındaki karşılaştırmalar Oncomine kullanılarak elde edildi. UBE2C, Student t-testine göre (P=1.17×10−65 ve P=1.06×10−25) önemli ölçüde daha yüksek ifade sergiledi. (C) UBE2C, FireBrowse'a göre TCGA veri tabanındaki sayısız insan malign tümöründe aşırı eksprese edilir. (D) UBE2C, CCLE'yi kullanan GEO veri tabanında çok sayıda insan malign tümöründe aşırı eksprese edilir. (E) Karaciğer kanseri hücre dizilerinde nispeten yüksek bir UBE2C transkripsiyonel seviyesi gözlendi. Veriler, CCLE web sitesi kullanılarak GEO veritabanının analizi yoluyla elde edilir. GEO, Gen Ekspresyonu Omnibus TCGA, The Cancer Genome Atlas HCC, hepatoselüler karsinom UBE2C, ubiquitin-konjuge enzim 2C CCLE, Cancer Cell Line Encyclopedia.

HCC dokularında DEG'lerin ve UBE2C'nin Kaplan-Meier analizi

Beş DEG (UBE2C, TOP2A, PTTG1, GPC3 ve PRC1) için Kaplan-Meier analizi yapıldı. Hayatta kalma analizi, bu beş DEG'nin aşırı ekspresyonuna sahip hastaların, nispeten düşük ekspresyon seviyelerine sahip hastalarla karşılaştırıldığında (Şekil 5A) önemli ölçüde daha kısa hayatta kalma süreleri (P=0.0127) sergilediğini gösterdi. Farklı klinik özelliklere sahip kohortlarda UBE2C analizi, daha yüksek UBE2C ekspresyonuna sahip hastaların kısa sağkalım süreleri sergilediğini ortaya koydu [tehlike oranı (HR)=1.44 güven aralığı (CI)=1.02–2.04 log-rank P=0.037] (Şekil 5B), ve yüksek UBE2C ekspresyonu olan evre III HCC'deki hastalar, düşük UBE2C ekspresyonu olan evre III HCC'deki hastalarla karşılaştırıldığında nispeten kısa sağkalım sürelerine sahipti (HR=1.84 CI=1.01-3.34 log-sıra P=0.043) (Şekil 5C-F). Düşük örneklem büyüklüğü (n<10) nedeniyle Aşama IV göz ardı edildi. UBE2C'nin aşırı ekspresyonu, HCC tanısı konan hastalarda azalmış sağkalım süresinin yeni bir göstergesi olarak hizmet edebilir. Bu nedenle, UBE2C, HCC için prognostik bir biyobelirteç olarak kullanılabilir.

Şekil 5.

HCC'li hastalarda aday genlerin Kaplan-Meier tahmin edici analizi. (A) Kaplan-Meier, cBioPortal'dan alınan verilerle (P=0.0127) beş farklı şekilde eksprese edilmiş gen (UBE2C, topoizomeraz II a, hipofiz tümörü dönüştürücü gen 1, glipikan-3 ve policomb-represif kompleks 1) HCC'li hastaları çizer. Mavi çizgi, nispeten düşük UBE2C, TOP2A, PTTG1, GPC3 ve PRC1 mRNA ekspresyonuna sahip HCC hastalarını temsil eder ve kırmızı çizgi, yukarıda bahsedilen genlerin yüksek ekspresyonuna sahip HCC hastalarını temsil eder. Log-rank analizi, HCC ve yüksek mRNA ekspresyonu olan hastaların önemli kısa sağkalım süreleri sergilediğini ortaya çıkardı. (B-G) UBE2C aşırı ekspresyonu ile ilişkili farklı klinikopatolojik özelliklerin Kaplan-Meier grafikleri. Siyah çizgi UBE2C düşük ifadesini ve kırmızı çizgi UBE2C aşırı ifadesini temsil eder. X ve Y eksenleri sırasıyla hayatta kalma oranını ve genel hayatta kalma süresini (günler) gösterir. (B) Tüm hastalar. (C) Klinik evre I'deki hastalar. (D) Klinik evre II'deki hastalar. (E) Klinik evre III'teki hastalar. (F) Erkek ve (G) HCC'li kadın hastalar. Log-rank analizi, yüksek UBE2C mRNA ekspresyonuna sahip klinik evre III'teki HCC'li hastaların, düşük UBE2C mRNA ekspresyonu olan hastalara kıyasla önemli ölçüde daha düşük hayatta kalma süreleri sergilediğini ortaya koydu. İstatistiksel analiz için log rank P-değeri ve tehlike oranının %95 güven aralıkları kullanıldı. HCC, hepatoselüler karsinom mRNA, haberci RNA UBE2C, ubikuitin-konjuge edici enzim 2C.

Tartışma

HCC'li hastaların genel sağkalımı belirgin şekilde kısadır ve gelişmiş ve gelişmekte olan ülkelerde morbidite artmaktadır. ABD'de yılda 22.000 yeni tanı vakası meydana geldi ve 18.000 hasta HCC'ye yenik düştü (4). Dünyada her yıl yaklaşık 1.000.000 hastaya HSK tanısı konmaktadır (17). HCC'nin moleküler mekanizmalarını ortaya çıkarmak için çok sayıda çalışma ve klinik yol denenmişti (18-20). Bu çalışma, HCC'nin üç veri setini entegre etti ve kapsamlı bir şekilde yeniden analiz etti. UBE2C ve diğer dört aşırı eksprese edilmiş DEG'nin (TOP2A, PTTG1, GPC3 ve PRC1) HCC ile ilişkili olduğu belirlendi. Zenginleştirme analizi, bu genlerin farklı sinyal yolları yoluyla HCC gelişimi için önemli olduğunu ortaya koydu. GEO ve TCGA verilerini kullanan ekspresyon doğrulama analizi, bu genlerin HCC patogenezi ile ilişkili olduğunu gösterdi ve hayatta kalma analizi, bu beş genin, özellikle UBE2C'nin aşırı ekspresyonunun, HCC'li hastaların hayatta kalması için önemli olduğunu ortaya çıkardı.

Eskiden UBCH10 olarak bilinen UBE2C, protein aktivitesinin ubiquitination ve inaktivasyonu için gereklidir (21). UBE2C'nin normal ekspresyonu, hücre döngüsü ilerlemesi ve programlanmış hücre ölümü gibi normal fizyoloji fonksiyonlarını garanti eder (22,23). Bununla birlikte, UBE2C'nin yüksek ekspresyon seviyeleri sıklıkla temel proteinlerin yıkımına yol açar, böylece mitotik siklinlerin işlevini, iğ kontrol noktası kontrolünü ve hücrelerin öploidi durumunu bozar (24,25). Çok sayıda çalışma, insan servikal karsinomu, mesane kanseri ve meme kanseri gibi çeşitli kanser türlerinde UBE2C'nin aşırı ekspresyonunu tanımlamıştır (21,26,27). UBE2C'nin umut verici bir kanser biyobelirteç olma potansiyeli gösterdiği daha önce bildirilmişti (28). Buna karşılık UBE2C'nin inhibisyonu, tümör hücresi proliferasyonunu baskıladı, tümör oluşumunu inhibe etti ve kanser hücrelerini radyasyona karşı duyarlı hale getirdi (21,27,28). Zhang ve arkadaşları (29) onkojenik miR-17/20a'nın inhibisyonunun UBE2C'yi aşağı regüle ederek gastik kanser hücresi çoğalmasını baskıladığını bildirmiştir. Bu çalışmalar ve bu çalışmadaki kontrollere kıyasla UBE2C'nin HCC tiuslarında yukarı regüle edildiği bulgusu, UBE2C'nin aşırı ekspresyonunun HCC'nin tümörijenezi ile ilişkili olabileceğini düşündürmektedir.

Önceki bir çalışma, kriyo-elektron mikroskobu altında anafaz teşvik eden kompleks/siklozom (APC/C)-koaktivatör komplekslerinin moleküler yapısını ortaya çıkardı (30). APC/C komplekslerinin UBE2C ile birleşimi her yerde bulunmayı teşvik ederken, erken mitotik inhibitör-1 (Emi1) bu etkiyi sınırlar. Deubiquitination enzimleri, UBE2C APC/C'den ayrılır ayrılmaz aktive olur, ancak süreç, belirsiz moleküler paternlerle yavaştır (31). Bu çalışmada, GO analizi, yukarı regüle edilmiş UBE2C, TOP2A, PTTG1, GPC3 ve PRC1 genlerinin öncelikle hücre döngüsü, hücre iletişimi ve protein metabolizması biyolojik süreçlerinde yer aldığını ortaya koydu. Paklitaksel (PTX), iğ düzeneği kontrol noktasını (SAC) aktive ederek hücre ölümünü tetikleyen, anti-neoplastik stratejilerde yaygın olarak kullanılan bir mikrotübül zehirleyici ilaçtır (32). PTX'e duyarlı kanser hücreleri SAC'ye ulaşamazlar ve APC/C ve siklin B'nin degradasyonu ile mitoza uğrarlar, buna mitotik felaket denir ve böylece mitotik kayma veya hücre apoptozisine yol açar (33). UBE2C'nin yüksek ifadesinin SAC'ı geçersiz kıldığı gösterilmiştir (24). APC/C ile etkileşime girerken UBE2C ve Emi1 için zıt özellikler gözlendiğinden, Emi'nin tam rolü, ayrıca PTX ile tedavi edilen HCC'deki ekspresyon seviyeleri ve önemi daha fazla çalışma gerektirir.

Özetle, bu çalışma, diğer dört genin (TOP2A, PTTG1, GPC3 ve PRC1) yanı sıra UBE2C'nin yüksek ekspresyon seviyesinin, HCC'li hastaların genel olarak zayıf sağkalımı ile ilişkili olduğunu doğruladı. UBE2C'nin aşırı ekspresyonu, HCC'li hastalarda kısa sağkalımın yeni bir göstergesi olarak hizmet edebilir. Daha ileri çalışmalar, UBE2C'nin HCC için kötü bir prognostik faktör olarak potansiyel kullanımına odaklanmalıdır. UBE2C aşırı ekspresyonunun HCC'nin büyümesinde spesifik bir role hizmet edip etmediği, inhibisyonu HCC'nin in vivo veya in vitro büyümesini bloke edebilir.

Teşekkür

Finansman

Bu çalışma, Jiangsu Eyaleti Lisansüstü Araştırma ve Uygulama İnovasyon Programı (hibe no. KYCX18_1462), Çin Ulusal Doğa Bilimleri Vakfı (hibe no. 81700392), 13. Beş Yıllık Nanjing Sağlık Gençlik Yetenek Eğitim Projesi (hibe no. QRX17113) ve Jiangsu Eyaleti Gençlik Fonu Projesi Doğa Bilimleri Vakfı (hibe no. BK20150106).

Veri ve materyallerin mevcudiyeti

Bu çalışmada analiz edilen veri kümelerinin tümü NCBI GEO'da (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi) mevcuttur.

Yazar katkıları

Çalışmayı ZW, YL, XS ve BX tasarladı. ZW ve SQ taslağı yazdı. XL, QL, JH, JZ, ZHW, SQ ve AS biyoinformatik analizini gerçekleştirdi. Tüm yazarlar son makaleyi okudu ve onayladı.

Etik onay ve katılım onayı

Yayın için hasta onayı

Rekabet eden çıkarlar

Yazarlar, rekabet eden çıkarları olmadığını beyan eder.

Referanslar

Neumann H, Longo D, Fauci A, Kasper D, Hauser S, Jameson J ve Loscalzo J: Harrison's Principles of Internal Medicine. 2011.

Jemal A, Bray F, Center MM, Ferlay J, Ward E ve Forman D: Global kanser istatistikleri. CA Kanser J Kliniği. 61:69-90. 2011. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Liang HW, Yang X, Wen DY, Gao L, Zhang XY, Ye ZH, Luo J, Li ZY, He Y, Pang YY ve Chen G: Hepatosellüler karsinom için tanı göstergesi olarak miR-133a-3p'nin faydası: Bir araştırma GEO, TCGA, meta-analiz ve biyoinformatik ile birlikte. Mol Med Temsilcisi 17:14692018.PubMed/NCBI

Yang N, Ekanem NR, Sakyi CA ve Ray SD: Hepatosellüler karsinom ve mikroRNA: Terapötik ve teşhis üzerine yeni bakış açıları. İleri Uyuşturucu Teslimi Rev. 81:62-74. 2015. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Kulasingam V ve Diamandis EP: Gelişmekte olan teknolojilerin kullanımı yoluyla yeni kanser biyobelirteçlerini keşfetme stratejileri. Nat Clin Pract Oncol. 5:588–599. 2008. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Vogelstein B, Papadopoulos N, Velculescu VE, Zhou S, Diaz LA Jr ve Kinzler KW: Kanser genomu manzaraları. Bilim. 339:1546–1558. 2013. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Guo Y, Bao Y, Ma M ve Yang W: Kolorektal kanserde anahtar aday genlerin ve yolların entegre biyoinformatik analiz ile tanımlanması. Int J Mol Sci. 18:E7222017. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Liang L, Gao L, Zou XP, Huang ML, Chen G, Li JJ ve Cai XY: Hepatosellüler karsinomda miR-338-5p'nin tanısal önemi ve potansiyel işlevi: Mikrodizi ve RNA dizileme verileriyle bir biyoinformatik çalışması. Mol Med Rep. 17:2297–2312. 2018.PubMed/NCBI

Zeng T, Wang D, Chen J, Chen K, Yu G, Chen Q, Liu Y, Yan S, Zhu L, Zhou H, ve diğerleri: AF119895, miR ile etkileşim yoluyla hepatoselüler karsinomun göçünü ve istilasını teşvik etmek için NXF3 ekspresyonunu düzenler -6508-3p. Exp Cell Res. 363:129-139. 2018. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Gan TQ, Xie ZC, Tang RX, Zhang TT, Li DY, Li ZY ve Chen G: miR-145-5p'nin NSCLC'deki klinik değeri ve potansiyel moleküler mekanizma araştırması: GEO, qRT-PCR ve TCGA'ya dayalı geriye dönük bir çalışma veri. Tümör Biol. 39:10104283176916832017. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Zhang L, Huang L, Liang H, Zhang R, Chen G, Pang Y ve Feng Z: TCGA ve GEO tabanlı bir çalışma ile doğrulanmış hepatoselüler karsinomda miR-224-5p'nin klinik değeri ve potansiyel hedefleri. Int J Clin Exp Pathol. 10:9970–9989. 2017.

Grinchuk OV, Yenamandra SP, Iyer R, Singh M, Lee HK, Lim KH, Chow PK ve Kuznetsov VA: Tümöre bitişik doku birlikte ekspresyon profili analizi, rezektabl hepatoselüler karsinomun prognozu için pro-onkojenik ribozomal gen imzasını ortaya koyuyor. Mol Oncol. 12:89-113. 2018. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Wang H, Huo X, Yang XR, He J, Cheng L, Wang N, Deng X, Jin H, Wang N, Wang C, ve diğerleri: lncRNA HOXD-AS1'in bir ceRNA olarak STAT3 aracılı yukarı regülasyonu, karaciğer kanseri metastazını şu şekilde kolaylaştırır: SOX4'ü düzenler. Mol Kanseri. 16:1362017. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Chen X, Cheung ST, So S, Fan ST, Barry C, Higgins J, Lai KM, Ji J, Dudoit S, Ng IO, ve diğerleri: İnsan karaciğer kanserlerinde gen ekspresyon paternleri. Mol Biol Hücresi. 13:1929–1939. 2002. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Roessler S, Long EL, Budhu A, Chen Y, Zhao X, Ji J, Walker R, Jia HL, Ye QH, Qin LX, ve diğerleri: 8p'de hepatoselüler karsinom ilerlemesi ve hasta sağkalımı ile ilişkili genlerin bütünleyici genomik tanımlaması. Gastroenteroloji. 142:957-966. 2012. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Roessler S, Jia HL, Budhu A, Forgues M, Ye QH, Lee JS, Thorgeirsson SS, Sun Z, Tang ZY, Qin LX ve Wang XW: Eşsiz bir metastaz gen imzası, erken evre hepatoselüler karsinom hastalarında tümör nüksetmesinin tahmin edilmesini sağlar . Kanser Araş. 70:10202-10212. 2010. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Dhanasekaran R, Limaye A ve Cabrera R: Hepatosellüler karsinom: Dünya çapında epidemiyoloji, risk faktörleri, tanı ve tedavideki güncel eğilimler. Hepat Med. 4:19-37. 2012.PubMed/NCBI

Guo X, Wang Z, Zhang J, Xu Q, Hou G, Yang Y, Dong C, Liu G, Liang C, Liu L, ve diğerleri: Yükseltilmiş KPNA2, hepatoselüler karsinom ilerlemesini destekler ve insan kanser türleri arasında prognostik önemi gösterir. Acta Biochim Biophys Sin (Şanghay). 51:285-292. 2019. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Tong H, Liu X, Li T, Qiu W, Peng C, Shen B ve Zhu Z: INTS8, TGF-beta sinyal yolunu düzenleyerek hepatoselüler karsinomda epitelyalden mezenkimal geçişi hızlandırır. Kanser Yönetimi Arş. 11:1869–1879. 2019. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Aziz K, Limzerwala JF, Sturmlechner I, Hurley E, Zhang C, Jeganathan KB, Nelson G, Bronk S, Velasco RF, van Deursen EJ ve diğerleri: Ccne1 aşırı ekspresyonu, farelerde karaciğer hücrelerinde kromozom kararsızlığına ve karaciğer tümörü gelişimine neden olur. Gastroenteroloji. 2019. Makaleyi Görüntüle : Google Akademik

Bose MV, Gopisetty G, Selvaluxmy G ve Rajkumar T: Baskın negatif Ubiquitin-konjuge enzim E2C, rahim ağzı kanseri hücrelerini radyasyona karşı hassaslaştırır. Int J Radiat Biol. 88:629-634. 2012. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Liu YC: Ubiquitin ligazları ve bağışıklık tepkisi. Annu Rev İmmünol. 22:81–127. 2004. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Williamson A, Wickliffe KE, Mellone BG, Song L, Karpen GH ve Rape M: İnsan anafaz teşvik kompleksi için bir Physiological E2 modülünün tanımlanması. Proc Natl Acad ABD. 106:18213–11821. 2009. Makaleyi Görüntüle : Google Akademik

Reddy SK, Rape M, Margansky WA ve Kirschner MW: Anafaz-destekleyici kompleks tarafından ubiquitination, iş mili kontrol noktası inaktivasyonunu tetikler. Doğa. 446:921-926. 2007. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

van Ree JH, Jeganathan KB, Malureanu L ve van Deursen JM: E2 ubiquitin-konjuge edici enzim UbcH10'un aşırı ekspresyonu, kromozomların yanlış ayrılmasına ve tümör oluşumuna neden olur. J Cell Biol. 188:83. 2010. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Morikawa T, Kawai T, Abe H, Kume H, Homma Y ve Fukayama M: UBE2C, radikal sistektomi sonrası mesane kanserinde olumsuz prognozun bir göstergesidir. Int J Clin Exp Pathol. 6:1367-1374. 2013.PubMed/NCBI

Rawat A, Gopal G, Selvaluxmy G ve Rajkumar T: Ubiquitin konjuge enzim UBE2C'nin inhibisyonu, proliferasyonu azaltır ve meme kanseri hücrelerini radyasyon, doksorubisin, tamoksifen ve letrozole karşı hassaslaştırır. Hücre Oncol (Dordr). 36:459-467. 2013. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Hao Z, Zhang H ve Cowell J: Ubiquitin-konjuge enzim UBE2C: Moleküler biyoloji, tümörijenezdeki rol ve bir biyobelirteç olarak potansiyel. Tümör Biol. 33:723–730. 2012. Makaleyi Görüntüle : Google Akademik

Zhang Y, Han T, Wei G ve Wang Y: microRNA-17/20a'nın inhibisyonu, UBE2C ekspresyonunu modüle ederek mide kanserinde hücre proliferasyonunu baskılar. Oncol Rep. 33:2529–2536. 2015. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Chang L, Zhang Z, Yang J, McLaughlin SH ve Barford D: APC/C'nin atomik yapısı ve protein ubiquitination mekanizması. Doğa. 522:450–454. 2015. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Xie C, Powell C, Yao M, Wu J ve Dong Q: Odaktaki moleküller: Ubiquitin-konjuge enzim E2C: Potansiyel bir kanser biyobelirteç. Int J Biochem Cell Biol. 47:113-118. 2014. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Rowinsky EK ve Donehower RC: Paklitaksel (taksol). N Engl J Med. 332:1004–1014. 1995. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI

Gascoigne KE ve Taylor SS: Makale: Kanser hücreleri, antimitotik ilaçlara uzun süre maruz kaldıktan sonra derin hat içi ve hatlar arası varyasyon gösterir. Kanser hücresi. 14:111–123. 2008. Makaleyi Görüntüle : Google Akademik : PubMed/NCBI


CBioPortal'da gen yukarı regülasyonu sorgusu - Biyoloji

Dosya boyutu: 25 satır.

Участвовать бесплатно

Bu kurs, Sağlık Büyük Veri Bilimi ve Biyoinformatik alanındaki profesyoneller tarafından ustalıkla kazanılan uzman bilgi ve becerileri sizin için damıtıyor. Büyük Veri bilimi ile iç içe olacak insan vücudu biyolojisi ve kimyası, genetiği ve tıp hakkında heyecan verici gerçekleri ve parmaklarınızın ucunda açıkça mevcut olan ve henüz anlamlandırmaya başladığımız veri çığından yararlanma becerilerini öğreneceksiniz. . Sağlık ve biyolojik bağlamda Yeni Nesil Dizileme verileri de dahil olmak üzere gerçek veri kümeleri üzerinde Büyük Veri analitiğinde uzmanlaşmak için gereken farklı adımları, analiz için verilerin hazırlanmasından analizi tamamlamaya, sonuçları yorumlamaya, görselleştirmeye ve paylaşmaya kadar araştıracağız. Sonuçlar. Söylemeye gerek yok, bu yüksek talep becerilerine hakim olduğunuzda, biyomedikal veri analitiği ve biyoinformatik pozisyonlarına başvurmak veya pozisyonlara geçmek için iyi bir konumda olacaksınız. Biyomedikal veya teknik alanlardaki beceri seviyeleriniz ne olursa olsun, sizi bir profesyonel olarak öne çıkaracak ve biyomedikal Büyük Veride daha da derinlere dalmak isteyecek çok değerli yeni veya keskin beceriler kazanacaksınız. Bu kursun, hastalıkları daha iyi anlamak, önlemek ve tedavi etmek için halka açık Büyük Veri'nin sunduğu geniş olanaklara ilginizi çekeceğini umuyorum.

Получаемые навыки

Biyoinformatik, Veri Kümeleme Algoritmaları, Büyük Veri, R Programlama

Рецензии

Çok bilgilendirici bir kurs. Bu kurstan çok şey öğreniyorum ve bu kurs veri ve analizi konusunda çok iyi bir kapsama sahip. bu kursu sağladığınız için çok teşekkür ederim

Bu kurs, biyoloji ve hesaplama becerilerini birleştirdiği için tamamen şaşırtıcıdır. Biyoinformatik için bir başlangıç ​​arıyorsanız, şüphesiz bu kurstur.

Bu modülden sonra, 1. Genler ve tıp içeren veri analizi için dosyaları bulup indirebileceksiniz. 2. Dosyaları açın ve R dilini kullanarak verileri önişleyin. 3.Eksik değerleri değiştirmek, verileri normalleştirmek, verileri ayrıklaştırmak ve verileri örneklemek için R komut dosyaları yazın.


Kişisel bilimsel, araştırma ve eğitim amaçlı kullanımınız için bu makaleyi indirin ve yazdırın.

Tek sayı satın al Bilim sadece 15 USD için.

Bilim Sinyali

Cilt 6, Sayı 269
02 Nisan 2013

Makale Araçları

Bu makaleye bir uyarı eklemek için lütfen giriş yapın.

Jianjiong Gao , Bülent Arman Aksoy , Uğur Doğruöz , Gideon Dresdner , Benjamin Gross , S. Onur Sümer , Yichao Sun , Anders Jacobsen , Rileen Sinha , Erik Larsson , Ethan Cerami , Chris Sander , Nikolaus Schultz

Bilim Sinyali 02 Nisan 2013 : pl1

cBioPortal, çok boyutlu kanser genomik ve klinik verilerinin entegrasyonunu, görselleştirilmesini ve analizini sağlar.


Yöntemler

Numune alma, ön işleme ve bilgi

Tüm sıralama verileri The Cancer Genome Atlas'tan (TCGA) elde edildi. Numune alımı, DNA ekstraksiyonu ve kalite kontrolü, dizileme ve veri üretiminin diğer yönleri ile ilgili ayrıntılar başka bir yerde açıklanmıştır [32]. 268 WGS tümörü ve normal çiftler ve eşleşen RNA-seq verilerine ek olarak, 114 BRCA, 57 COAD/READ, 55 PRAD ve 59 THCA vakasından bitişik normal RNA-seq örnekleri kontrol olarak kullanıldı. BRCA, COAD/READ ve THCA örnekleri için, tüm WGS verileri yüksek (>30x) kapsama alanına sahipti. PRAD için, yüksek kapsama alanlı genomların sayısı sadece 20'ydi, bu nedenle ek yüz düşük kapsamlı (6-8×) örnek dahil ettik (projenin başlarında sıralanan bazı örnekler düşük kapsama ile yapıldı). Düşük kapsama verilerinden SV'leri algılama gücü düşüktür, ancak yine de SV'lerin büyük bir alt kümesini elde edebildik.

Genomik varyantların karakterize edilmesi

SV'ler için iki algoritma kullandık, Meerkat [12] ve BreakDancer [13]. Meerkat için, yüksek kapsamlı genomlar için en az altı uyumsuz okuma çifti ve/veya bölünmüş okuma ve düşük kapsamlı genomlar için en az iki uyumsuz okuma çifti ve bir bölünmüş okuma gerekliydi. Bir tümör numunesinde tespit edilen varyantlar, germ hattı olaylarını ortadan kaldırmak için tüm normal numunelerden gelen varyantlar tarafından filtrelendi. Bir olayın her iki kesme noktası da basit tekrarlara veya uydu tekrarlarına düştüğünde, olay filtrelendi. Bir bölünmüş okumanın, BLAT tarafından öngörülen kesme noktasına benzersiz bir şekilde hizalanması veya bölünmüş okumanın montaj ilişkisinin, tahmin edilen kesme noktasına bitişik bir konuma eşlenmesi gerekiyordu. BreakDancer için, her tümör örneğinden gelen SV'ler, eşleşen normalinden olanlar tarafından filtrelendi. Algılama hassasiyetini artırmak için Meerkat ve BreakDancer'ın adı verilen varyantları birleştirildi. RNA-seq okumaları MapSplice [46] kullanılarak hg19'a hizalandı ve ekspresyon değerleri RSEM [41] kullanılarak nicelendirildi. SNV'ler için Mutasyon Açıklama Formatı (MAF) dosyaları Broad Institute TCGA Genome Data Analysis Center'dan (https://gdac.broadinstitute.org) indirildi.

RNA-seq verilerinden kimerik mRNA tespiti

Kimerik mRNA'ları bulmak için ChimeraScan (v0.4.5) [47] ve etkisiz hale getirme (v0.6.2) [48] sonuçları birleştirildi. ChimeraScan, çift uçlu okumaları birleştirilmiş bir genom-transkriptome referansına hizalamak için Bowtie'yi kullanır deFuse kümeleri uyumsuz çift uçlu hizalamaları ve bölünmüş okuma analizi ile füzyon sınırını tahmin eder. İki arayandan elde edilen sonuçların birleştirilmesi, eşleştirilmiş uç verileri için algılama hassasiyetini artırdı. Tek uçlu RNA-seq verileri için FusionMap (2015-3-31 versiyonu) kullanıldı [49]. Bu algoritma, kavşak kapsayan okumaları doğru bir şekilde eşlemek için dinamik olarak oluşturulmuş bir sözde füzyon transkript kitaplığı kullanır. Bilinen veya varsayılan kimerayı içeren tüm bulgular, okumaları görselleştirdikten sonra manuel olarak küratörlüğünü yaptı.

Gen geni UIB füzyon üreten kimerik mRNA'nın hesaplamalı taraması

Bir gen-gen füzyonu ve bir gen-gen UIB (kimera-üreten gen-intergenik) füzyonu aynı kimerik mRNA'yı ürettiğinde, gen-gen füzyonunun kimerik mRNA'nın kaynağı olduğu varsayılmıştır. Bir kurum içi hesaplama yöntemi kullanarak öngörülen ekson-ekson bağlantılarında kaynaşmış kimerik mRNA'ları destekleyen bölünmüş okumaları taradık. Kısaca, WGS tabanlı füzyon analizinden çıkarılan ekson-ekson bağlantılarını kapsayan bölünmüş okumalar, her RNA-seq bam dosyasından çıkarıldı. Sinyal-gürültü oranına dayanarak, kimerayı destekleyen en az üç okuma gerekliydi. Her vaka görselleştirildi ve okuma seviyesinde manuel olarak doğrulandı [49].

Tekrarlayan gen geninin ve tekrarlayan gen UIB/DIB füzyonunun hesaplamalı taraması

Her bir füzyon çağrısı için, genler arası kesme noktaları, konumları ve yönleri dahil olmak üzere yan genlerle açıklanmıştır. Her iki kesme noktası da genler içinde bulunduğunda ve en az iki numune gen çiftini paylaştığında bir gen-gen füzyonu tekrarlayan olarak kabul edildi. İki parametre ayarıyla tekrarlayan intergenik füzyonları araştırdık. İlk analizde, en az iki numune aynı hedef gen ile en yakın yukarı akış geni arasında tutarlı mRNA yukarı veya aşağı regülasyonu ile yukarı akış-arası genler arası kesme noktasına sahip olduğunda bir füzyon tekrarlayan olarak kabul edildi. Önemli ölçüde yukarı regüle edilen 44 gen arasında, küratörlü bir kanser gen listesi tarafından tanımlandığı gibi kanserle ilişkili genler için zenginleşme vardı (P = 0.00008, Fisher'in kesin testi son bölüme bakın).

Sonraki analizde, UIB geninin 4 Mb yukarı akışı ve DIB geninin aşağı akışı içinde füzyon ve dikkate alınan kesme noktaları ile en az dört numuneye ihtiyaç duyduk. Daha uzaktaki kesme noktalarının işlevsel olma olasılığı daha düşük olduğundan ve bunun yerine gürültüye neden olabileceğinden, işlevsel olma olasılığı en yüksek olan füzyon durumlarını aşağıdaki şekilde belirledik. Tekrarlayan gen UIB vakalarını aramak için kesme noktalarının S sıralandığını varsayalım.1, S2, …, Sn genden uzaklığa göre 4 Mb yukarı akış içi kromozomal bölgede, S ile1 en yakın olmak. Tüm olası gruplamaların ifade değerlerini karşılaştırdık S1, …,Sben vs Sben + 1, …,Sn Wilcoxon testini kullanarak ve en düşük olan ilgili örnek grubunu seçti P değer. Hedef gen, gruptaki füzyon vakalarının her birinde > 4 kat yukarı regülasyona sahipse ve ortalama ekspresyon da örneklerin geri kalanından > 5 kat daha büyükse, bu füzyonun işlevsel olduğunu düşündük. Kopya sayısı amplifikasyonunun etkisini en aza indirmek için, hedef gende yüksek seviye amplifikasyona sahip vakalar (http://www.cbioportal.org'da GISTIC'den varsayılan kopya numarası değişikliklerinden “2” puanı) hariç tutulmuştur. Şekil 5'te, bir füzyon bir kez gerçekleştiğinde ancak daha önce rapor edilmiş bir onkojenik kimerik mRNA ürettiğinde, bunun "tekrarlayan" kümenin bir parçası olduğunu düşündük.

Bozulmuş yolların belirlenmesi IGF2BP3 UIB füzyon vakaları

etkisini belirlemek için IGF2BP3 UIB füzyonu, ekspresyonu ile korele olan genleri belirledik. IGF2BP3 47 tiroid örneğinde. 444 gen için Q değer < 0.05 (|r| > 0.627, Pearson korelasyonu), Fisher'ın kesin testine dayanan bir aşırı temsil analizi (ORA), genetik, metabolik, gen düzenleyici ve diğer kaynaklardan küratörlü etkileşim ağları içeren ConsensusPathDB (//consensuspathdb.org/) kullanılarak yapıldı. etkileşimler [41]. ile yollar Q değerler < 0.1 seçildi benzer yollar, yol ontolojisine ve gen örtüşmesine (örtüşme oranı > 0.9) dayalı olarak birleştirildi. Ayrıca bir Gen Seti Zenginleştirme Analizi (GSEA) [50] gerçekleştirdik ve normalleştirilmiş zenginleştirme puanına (NES) göre sıralanan ilk 20 yol ORA sonuçlarıyla karşılaştırıldı. Kullanarak diğer füzyonların hedef genleri için benzer bir analiz yaptık.

Hedef genin en yüksek ekspresyonuna sahip 50 vaka ve

En düşük ifadeye sahip 50 vaka. Görselleştirme, bir R paketi olan ComplexHeatmap [51] kullanılarak yapıldı.

Promotör bölgesini bulma IGF2BP3

promotör bölgesini araştırmak için IGF2BP3, 5′ UTR çevresinde altı aday bölge seçildi. Altı bölge (− 1891, + 99), (− 1891, − 1000), (− 1000, + 99), (− 382, ​​+ 99), (− 283, + 99) ve (− 186, + 99) çeviri başlangıç ​​sitesi (ATG) çevresinde. Primerler Ek dosya 1'de listelenmiştir: Şekil S6a. Altı aday arasından iki aday (− 1891, + 99) ve (− 283, + 99) HeLa ve FTC238'deki aktivitelerine göre seçildi (Ek dosya 1: Şekil S6b).

Ile etkileşime giren geliştiricileri bulmak için lusiferaz raportör tahlili IGF2BP3 destekçi

NS IGF2BP3 promotör bölgesi, şablon olarak Nthy-ori 3-1 (tiroid hücre çizgisi) genomik DNA kullanılarak PCR ile büyütüldü ve bir pGL3-Basic vektörüne (Asp718/BglII) (Promega) klonlandı. CEEHRC (//www.epigenomes.ca) ve ENCODE'dan (https://www.encodeproject.org) elde edilen H3K27ac profillerinden, tiroid hücre dizileri de dahil olmak üzere mevcut tüm hücre dizilerindeki H3K27ac tepe noktaları incelenmiştir. Daha sonra, H3K27ac pik bölgelerinin PCR ile amplifiye edilmiş DNA dizileri THADA (Şek. 4e ve Ek dosya 1: Şekil S6c), belirlenen güçlendirici klonlama pozisyonuna (SalI/BamH1) klonlandı. Primerler Ek dosya 1'de listelenmiştir: Şekil S6c. FTC238 ve FTC133 hücreleri, Microporator (Digital Bio) kullanılarak transfekte edildi. 48 saat sonra hücreler toplandı ve lusiferaz aktivitesi, MicroplateLuminometers (Berthold) kullanılarak Dual-Luciferase Reporter Assay System (Promega) ile ölçüldü. Transfeksiyon etkinliğini normalleştirmek için, bir Renilla lusiferaz raportör geni taşıyan pRL-TK plazmit vektörü (Promega), yukarıda tarif edildiği gibi raportör yapısı ile birlikte transfekte edildi. Tüm deneyler üç kopya halinde ölçüldü.

Kanser gen zenginleştirme analizi ve diğer istatistiksel analizler

UIB füzyonu tarafından düzensiz düzenlenen hedef genlerdeki kanser geni zenginleştirmesini değerlendirmek için, Bushman Laboratuvarı (//www.bushmanlab.org) tarafından düzenlenen kanser gen listesini (2862 gen) kullandık. Kopyalanan ve insan olmayan genler çıkarıldıktan sonra 2102 gen kaldı. Yukarı/aşağı regüle edilmiş hedef gen setleri için Fisher'in kesin testi yapıldı. Meme kanserinde gen UIB füzyonları ve tümör alt tipleri arasındaki karşılıklı münhasırlığı veya birlikte oluşumu test etmek için CoMet R paketi kullanıldı [52]. arasındaki farkı test etmek için IGF2BP3 Ölen ve canlı hastalar arasındaki ekspresyon için Wilcoxon testi kullanıldı. ifade farklılıkları IGF2BP3 UIB füzyon pozitif grup ve negatif grup, iki örnek kullanılarak test edildi T Ölçek. P <0.05 değeri anlamlı kabul edildi.


4. TARTIŞMA

Apoptoz, normal gelişim sırasında hasarlı hücrelerin periyodik kontrolünden, organizma homeostazının dengesinin korunmasından ve patolojik otoimmünite ve tümör oluşumunun önlenmesinden sorumlu olan sürekli programlanmış bir hücre ölümü olayıdır. 6 Ne yazık ki, tümör hücrelerinde apoptoz inhibisyonu veya kaçışı, anormal sağkalıma ve işlevsiz hücrelerin birikmesine yol açar. 8 Apoptoz, proapoptotik ve pro-hayatta kalma üyelerini içeren BCL2 protein ailesi tarafından kontrol edilir. Ailenin BCL2 gibi bazı üyeleri, tümör hücrelerinde aşırı eksprese edilir, böylece yaşam ve ölüm arasındaki dengeyi bozar ve sınırsız çoğalma ile sonuçlanır 8, 19 (Şekil 6I). Ayrıca, bu proteinler ve DNA amplifikasyonu, mutasyon, metilasyon, genel hayatta kalma ve kromatin erişilebilirliği arasındaki düzenleyici ilişkiler jinekolojik kanserlerde kapsamlı bir şekilde incelenmemiştir.

Burada, jinekolojik kanserlerde kromatinin uzamsal modeli altında BCL2 ailesi genlerinin moleküler özelliklerini değerlendirdik. Belirtildiği gibi, önceki çalışmaların çoğu, çeşitli kanserlerde birleşik bir dinamik model içinde BCL2 ailesinin başlatıcılarını, efektörlerini ve koruyucularını tanımladı ve tümör hücrelerinde anti-apoptoza ve ilaç direncine yol açtı 21 (Şekil 6I). Son sistematik analizler, insan kanserinde en sık görülen somatik kopya sayısı değişikliği olarak, özellikle anti-apoptotik üyeler için BCL2 ailesi düzenlemesinin dinamiklerini ortaya çıkarmıştır. 9, 15, 21 Bunu bulduk BCL2L1 ve MCL1 diğer BCL2 üyeleriyle karşılaştırıldığında, genetik değişiklik sonuçlarıyla tutarlı olan daha yüksek ekspresyon seviyeleri gösterirler. Anti-apoptotik üyelerin jinekolojik kanserlerde yaygın olarak eksprese edilmediğine dair gözlemimiz önceki çalışmalarla uyumludur ve anti-apoptotik üyeler için bazı hasta örneklerinde düşük ekspresyon seviyesi ve derin delesyon da gözlenmiştir. 39, 40 Kodlamayan distal kromatin erişilebilirliği açısından, her ikisi de BCL2 ve BCL2L1 gen ekspresyonunu etkileyen uzun menzilli promotör etkileşimlerine sahiptir. Tersine, BCL2, BCL2L2, ve MCL1 distal olmasına rağmen 2-3 farklı kanser tipinde aşağı regülasyon gösterir BCL2 düzenleme. 41 Bu fenomen, miR-15a veya miR-16.1'in hedeflenmesi gibi normalde BCL2 ailesi ifadesini baskılayan miRNA'ların zorunlu ifadesi veya aktivasyonundan kaynaklanabilir. BCL2 miR-29, miR-125 ve miR-193 hedefleme MCL1 veya let-7 hedeflemesi BCL2L2. 41-44 Geri kalan aşırı ifade edilen üyelerden, BAX, NOXA, BIK, TEKLİF ETMEK ve BAK proapoptotiktir. Güçlendirici imzalar tespit edilebilir ve bu proapoptotik genlerin mRNA ekspresyon seviyeleri bu uzak imzalardan etkilenebilir. Ancak aktif efektörler (BAX ve BAK) veya başlatıcı (PMAIP1, BIK ve TEKLİF ETMEK) tümörlerde apoptoza yol açamaz ve bu proapoptotik proteinler koruyucular tarafından sekestre edilebilir (BCL2 ve BCL2L1) anti-apoptotik mekanizmaları ilerletmek için daha güçlü arttırıcı aktiviteye sahiptir.

Genel sağkalım çalışmamızda, kitap OV'de, KÖTÜ ve BIK UCEC'de, BAK1 CESC'de ve HRK BRCA'da genel sağkalım ile dikkate değer ilişkiler göstermektedir. BAD ve BIK, birçok kanserde tümör büyümesini düzenler. 45-48 Ayrıca, apoptoz inhibisyonuna aracılık etmek için BAD ve BIK'yi bağlayabilen ve nötralize edebilen aktif koruyucular (antiapoptotik proteinler, örneğin BCL2L1) tarafından daha kötü genel hayatta kalma tetiklenebilir. 15, 21, 38 BAD fosforilasyonunun yakın zamanda tümör hücresinin hayatta kalmasını desteklediği bildirilmiştir ve bu nedenle translasyon sonrası modifikasyonun bozulmuş pro-apoptotik proteinlere katkıda bulunabileceği bildirilmiştir. 49 BAK1'in aşırı ekspresyonu daha önce meme kanserinde olumlu bir prognoz ile ilişkilendirilmiştir, 50 iken BOK, BAK1 ve HRK efektör olarak mitokondriyal dış zara yerleştirilir ve koruyucular tarafından sekestrasyon olmaksızın MOMP ile sonuçlanır. 15, 21, 38 Genel olarak, sonuçlarımız şunu ima ediyor: KÖTÜ, BIK ve BAK1 jinekolojik kanserde klinik etkiler için prognostik genler olabilir.

Daha önceki çalışmalardan farklı olarak jinekolojik kanserlerde özellikle proapoptotik genlerde derin delesyon ve mutasyonun yaygın olarak gözlenmemesi dikkat çekicidir. 6, 8 Örneğin, insanlarda çoklu tümör mutasyonları ve delesyonları daha yüksek sıklıkta meydana gelir. BAX ve BAK1, 14, 51-53, ancak mRNA yukarı regülasyonu, ana mekanizma olarak hizmet eder. BAX ve BAK1 Jinekolojik kanserde aktivasyon. Pro-apoptotik genlerin değiştirilmesi, düzensiz mekanizmaların, jinekolojik kanserde gen ekspresyonunu kontrol etmek için epigenetik veya distal güçlendirici-destekleyici temaslardan etkilenebileceğini gösterir. Sonuçlarımız, anti-apoptotik genlerin ve pro-apoptotik genlerin jinekolojik kanserde farklı düzensizlik mekanizmaları sergilediğini göstermektedir.

Promoter bölgelerdeki DNA metilasyonu, tümörijenez ve progresyon sırasında oldukça heterojen olabilir, 54 ve bu nedenle jinekolojik kanserlerde DNA metilasyonu ile BCL2 ailesi ekspresyon seviyesi arasındaki ilişkiyi araştırdık. Genel olarak, BCL2 familyası genlerinin hemen hemen tüm metilasyonunun gen ekspresyonunu etkilediği açıktır. Veriler şunu gösteriyor BCL2L2, BCL2L11 ve BBC3 DNA metilasyonu ve gen amplifikasyonundan etkilenebilir. Üstelik, BCL2, BCL2L1, BAK1, KÖTÜ, kitap, BIK, BMF ve HRK diğer üyelerden metilasyon modifikasyonuna çok daha az maruz kalarak gen amplifikasyonundan ve distal düzenleyici elementlerden daha fazla etkilenebilir.

Sınırlı sayıda genetik farklılığın ötesinde, cBioportal analizinden elde edilen ağ, farklı jinekolojik kanserler için yapısal olarak oldukça benzerdi. için ortak mutasyon imzaları keşfimiz TP53 ve PIK3CA ile birlikte BCL2L1 yenidir ve daha önceki bir jinekolojik kanser çalışmasında ortaya çıkmamıştır. 55, 56 TP53 ve PIK3CA'nın ko-mutasyonu, meme kanserinde daha kötü bir prognoza sahip daha agresif bir fenotipe yol açan MOMP'nin anti-apoptotik protein inhibisyonunun birincil aracısıdır. 56 Bu proteinler, ko-mutasyon imzaları ile birbirine bağlanır. MCL1 ve BCL2L1 transkripsiyonel aktivite, birden fazla tahmin edilen distal geliştirici ile gen lokuslarını çevreleyen bölgenin kromatin erişilebilirliği ile tutarlıdır. Bu nedenle, ortak mutasyon imzasının TP53 ve PIK3CA kromatin halkalarının oluşumunu uyarmak için hareket eder. BCL2L1 transkripsiyonel aktivitesini güçlendirmek için gen lokusları. BCL2L1, tek yukarı regüle edilmiş anti-apoptotik üye olarak, mitokondriyal membran üzerindeki efektörlere veya aktivatörlere karşı koruyucu görevi gören proapoptotik üyelerin aktivasyonunu ve oligomerizasyonunu engeller, bu da mitokondriyal membran potansiyelinin dengesini korur ve böylece sitokrom salınımını engeller. c kaspazları bastırmak için. 39, 57-59 Kullanma BCL2L1, TP53/TP63 ve PIK3CA olası potansiyel prognoz belirteçleri bu nedenle jinekolojik kanserin tanı ve tedavisi için etkili bir yaklaşım olabilir.

Ortaya çıkan ağ modelleri, belirli farklılıklar gösterdi. YWHAZ BRCA'da amplifikasyon, PIK3CB CESC'de amplifikasyon, PIK3R1 UCEC'de mutasyon ve aşağı regülasyonu XRCC6, NMT1 ve CASP3 OV'de, BCL2 ailesi protein ağının farklı jinekolojik kanser türlerini tanımlamak için kullanılabileceğini düşündürmektedir. YWHAZ'ın akciğer kanseri hücre proliferasyonunu ve metastazını uyardığı ve meme kanseri hücrelerinin istilasını desteklediği gösterilmiştir, 60 bunun meme kanserinin terapötik bir hedefi olarak hizmet edebileceğini düşündürmektedir. 61 PI3K sinyal yolundaki katalitik alt birim olarak PIK3CB'nin mutasyonu, tümör hücresi büyümesini ve göçünü yönlendirir. 62 PIK3CB, glioblastomda seçici bir hayatta kalma faktörü olarak rapor edilmiştir. 63 Ayrıca, PIK3R1 ve PIK3CA'nın birlikte mutasyonu, meme kanserinde PI3K sinyal yolunun onkogenezi ve hiperaktivitesi ile ilişkilidir ve ko-mutasyon çiftinin onkojenik rolünü destekler. 64 PIK3R1 kaybı, PIK3CA pozitif meme kanserleri için etkili bir terapötik mekanizmadır. 65 Öte yandan, CASP3'ün aktivasyonu hücre apoptozunun başlatılmasında rol oynar, 66 NMT1'in inhibisyonu JNK yolu ile meme kanseri onkogenezini düzenler, 67 ve inaktif XRCC6 genomik bütünlüğü korumada başarısız olur. 68 Bu nedenle bulgularımız, XRCC6, NMT1 ve CASP3'ün aşağı regülasyonunun tümörijenez ile önemli ölçüde ilişkili olduğunu gösteren önceki çalışmaları daha da doğrulamaktadır.

Uzun menzilli arttırıcı-destekleyici gen ekspresyonu, hastalıkta önemli bir rol oynayan memeli genomlarının 3B mimarisi tarafından kolaylaştırılır ve kısıtlanır. 69 BCL2 ailesinin önemli diferansiyel ifadesinin, kromatin erişilebilirliğinin bir imzasını gösterdiğini gösterdik. Distal kromatin erişilebilirliği ile düzenlenen BCL2 ailesinin gen ekspresyonunun mekansal-zamansal modellerini sistematik olarak tanımladık.Kromatin erişilebilirlik profili, farklı tümör örneklerinde benzer bir dağılıma sahipti; bu, muhtemelen geliştiricileri promotörlerle yakın uzamsal yakınlığa getirmek ve RNA polimeraz alımını hızlandırmak için genomun 3B topografisi içindeki kromatin halkalarının katlanmasıyla belirlenir. 69-72 Bu bulgular, çevreyi saran yüksek tümör heterojenitesinin moleküler özelliklerine dayalı yeni ilaçlar tasarlamak için önemlidir. BCL2L1 belirli topolojik özellikleri hedefleyenler de dahil olmak üzere gen lokusları.

Sonuç olarak, jinekolojik kanserde kromatinin uzamsal modeli altında BCL2 ailesinin moleküler özelliğinin ilk sistematik analizi olarak, çalışmamız BCL2 ailesinin terapötik kapsamını distal kodlamayan bölgeye genişletmektedir. BCL2 ailesi üyelerinin diferansiyel ifadesinin farklı frekanslarda gerçekleştiğini gösterdik. Ayrıca, genel hayatta kalma, güçlendirici imza, gen amplifikasyonu ve DNA metilasyonu arasındaki ilişkiyi belirledik. Sonuçlarımız ayrıca, ortak mutasyon imzalarının bulunduğu ortak bir protein düzenleyici ağ oluşturur. TP53 ve PIK3CA etkileşimde olmak BCL2L1onkoterapide biyobelirteç tanımlaması için yeni bir strateji sağlayan .


Beşinci Bölüm - Aktin genlerinde kanser tipine özgü değişiklikler: Daha yakından bakmaya değer mi?

Aktinler, hücre bölünmesi, yapışma, büzülme ve göç gibi doğal süreçlerde yer alan aktin hücre iskeletinin işleyişinde merkezi olan, güçlü bir şekilde korunmuş bir protein ailesi oluşturur. Ancak bu süreçler, kanserin ilerlemesinin çeşitli aşamalarında da meydana gelir. Yine de, şaşırtıcı bir şekilde, kanser araştırmalarında altı insan aktin genindeki değişiklikler çok az dikkat çekmiştir ve odak noktası çoğunlukla aktinlerin düzensiz ekspresyon seviyeleri ve hatta daha çok aktin bağlayıcı veya düzenleyici proteinler olmuştur. 1980'lerdeki erken mutasyon çalışmasından başlayarak, aktin genlerindeki değişikliklerin farklı kanser alt tiplerinde farklı olduğunu ve bazı özgünlükleri düşündüren hasta kanser genomlarından elde edilen literatürü ve verileri gözden geçirmeyi öneriyoruz. Bu aktin gen değişiklikleri, (yanlış anlamlı) mutasyonları, gen füzyonlarını ve kopya sayısı değişikliklerini (silmeler ve amplifikasyonlar) içerir ve bunların oluşumunu, lenfoid kanserlerde ve melanom dışı cilt kanserinde aktin mutasyonları ve meme için aktin geni kopya numarası değişiklikleri dahil olmak üzere sınırlı sayıda örnek için gösteriyoruz. , prostat ve karaciğer kanserleri. Gelecekteki bir zorluk, aktin geni, değişiklik tipi ve kanser alt tipi başına özgüllüğü daha fazla sıralamak olacaktır. Daha da zor olanı (deneysel olarak) neden ve sonuç arasında ayrım yapmaktır: hangi değişiklikler yolcudur ve hangileri belirli kanser alt tiplerinin tümör ilerlemesinde rol oynar?


Sonuçlar

DNA hipermetilasyonu ve yukarı regüle edilmiş gen ekspresyonu, sağlam bir ilişkilendirme modelidir

Başlangıçta metilasyon bölgelerinin sayısını sınırlamak için önce veri setini analiz ettik. Abşer (Tablo 1), destekleyici bölgelere odaklanmaktadır. Analiz edilen 27.578 DNA metilasyon probundan Abşer, PCa numuneleri normal numunelerle karşılaştırıldığında metilasyon kazanan 6110 prob ve metilasyon kaybeden 2916 prob belirledik. Daha sonra, bu farklılıkların sağlamlığını, veri kümelerindeki karşılık gelen PCa-normal değişikliklerle karşılaştırarak değerlendirdik. Kirby ve TCGA (Tablo 1). Üç metilasyon veri setinin tümünde veriye sahip 11.375 karşılık gelen prob arasında, 4557'si PCa'da normal doku örneklerine kıyasla önemli ölçüde hipermetillenirken, 1786 önemli ölçüde hipometillendi (P <0.05) her üç kohortta (Şekil 2a). Bu problar sırasıyla 3326 ve 1502 gen ile ilişkilendirilmiştir (Şekil 2b). En belirgin şekilde hipermetile olan ilk 5 gen arasında birkaç gen tekrarlandı. genler SOSTDC1 ve FLT4 arasında paylaşılır Abşer ve Kirby veri kümeleri, gen CYBA arasında paylaşılır Abşer ve TCGA veri kümeleri.

Normal doku örneklerine kıyasla PCa'da farklı DNA metilasyonu ve gen ekspresyonu durumlarına sahip üç DNA metilasyon veri kümesi Absher, Kirby ve TCGA'daki gen ve prob sayısı. Veri kümeleri arasındaki benzerlik şu açılardan yüksektir: a metilasyon kazancı ve kaybı olan problar, B metilasyon kazancı ve kaybı olan genler ve C Metilasyon ve gen ekspresyonu arasındaki yazışmalara dayalı olarak UPUP, UPDOWN, DOWNUP ve DOWNDOWN gruplarında sınıflandırılan genler. Kırmızı, örtüşen probların/genlerin fraksiyonunu gösterirken gri, örtüşmeyen probları/genleri gösterir

DNA metilasyon sonuçları daha sonra, dört düzenleme modeli grubunu (UPUP — metilasyon kazancı, ekspresyon yukarı regülasyonu UPDOWN — metilasyon kazancı, ifade aşağı regülasyonu DOWNUP — metilasyon kaybı, ifade yukarı regülasyonu) ayırt etmek için PCa'da [35] önceden tanımlanmış sağlam gen ekspresyon değişikliklerinin bir veri seti ile birleştirildi. AŞAĞI – metilasyon kaybı, ifade aşağı regülasyonu). Beklendiği gibi, çoğu gen (1476 örtüşen gen Abşer, Kirby ve TCGA, P < 0.05), hipermetile promotörlerin aşağı regüle edilmiş ekspresyona yol açtığı kanonik modeli takip etti (UPDOWN grubu, Şekil 2c). Bununla birlikte, çok sayıda hipermetile gen (713, P < 0.05), artan ekspresyonla ilişkilendirildi (UPUP grubu, Şekil 2c). Bu gözlemler UPUP ve UPDOWN grupları için benzer şekilde sağlamdı: ortalama olarak UPDOWN'un %89'u ve UPUP metilasyon değişikliklerinin %80'i üç veri setinin hepsinde mevcuttu (Ek dosya 1: Tablo S1). UPDOWN grubundan genler, UPUP grubunu oluşturan genlerden ortalama olarak daha yüksek metilasyon kat değişiklikleri ve bir gen alt kümesi için gen ekspresyonu üzerinde daha yüksek bir olumsuz etki sergilemiştir (Şekil 3), UPDOWN modelini en önemli düzenleme modu olarak destekler. Bununla birlikte, UPUP genleri ayrıca DNA metilasyonu ve gen ekspresyonu arasında (Şekil 3), UPUP modelinin ek ilişkisini destekleyen, nispeten güçlü pozitif ilişki gösterdi. DOWNUP ve DOWNDOWN gruplarındaki genler için metilasyon değişiklikleri, hipermetilasyonlu iki gruba kıyasla daha zayıf ve daha az boldur. Metilasyon değişikliklerinin sadece %70'i üç veri setinin hepsinde mevcuttu ve TCGA veri setinde gözle görülür daha zayıf bir örtüşme ile (Şekil 2, Ek dosya 1: Tablo S1). DOWNUP ve DOWNDOWN genleri için ortalama katlama değişiklikleri de daha küçüktür (Şekil 3).

UPDOWN genleri, UPUP genlerinden daha yüksek metilasyon kat değişiklikleri sergilemiştir. Bununla birlikte, UPUP genleri ayrıca metilasyon ve gen ekspresyonu arasında güçlü bir pozitif ilişki gösterir ve UPUP modelinin gen düzenlemesindeki ek ilişkisini destekler. UPUP, UPDOWN, DOWNUP ve DOWNDOWDN gruplarından en yüksek DNA metilasyon kat değişikliklerine sahip yüz elli gen seçildi, gen ekspresyonları ve ortalama DNA metilasyon kat değişiklikleri görselleştirildi, burada her bir veri noktası bir geni temsil ediyor. Ortalama metilasyon kat değişiklikleri, Absher, Kirby ve TCGA veri setlerinde karşılık gelen tüm problardan hesaplandı

Üç DNA metilasyon veri setinde, genlerin çoğu, hipermetile veya hipometile problarla tutarlı bir ilişki gösterdi (Ek dosya 1: Tablo S2). Çoklu problarla ilişkili genler için (sırasıyla UPUP ve UPDOWN gruplarında ortalama 266 ve 697 gen) %2'den daha azı hem hipermetile hem de hipometile problarla ilişki gösterdi. Bu genlerden bazıları, örneğin GNAS ve PEG10, üç veri setinde de aynı tutarsız ilişkileri gösterdi. AŞAĞI ve AŞAĞI gruplarında tutarsızlık, hem hiper hem de hipometillenmiş problara sahip üç veri setinde ortalama %2,21 ve %6,81 gen ile daha yüksekti (Ek dosya 1: Tablo S2).

UPUP genleri, en tutarlı kanonik olmayan metilasyon/ifade modeline sahip kanonik olmayan grup olduğundan, bu çalışmanın geri kalan kısmında UPUP genleri grubuna odaklanmaya karar verdik. Bununla birlikte, UPUP grubunun klasik UPDOWN modeline kıyasla gözlemlenen modellerin sağlamlığı açısından nasıl olduğunu görmek için UPDOWN genlerinin paralel bir analizini de yaptık.

UPUP gen metilasyon kalıpları, HM450 verileriyle prob-gen ilişkilerinin sayısı genişletilirken sağlamdır

NS Abşer DNA metilasyon veri seti, kullanılan HM450 BeadChip ile karşılaştırıldığında önemli ölçüde daha az sayıda proba sahiptir. Kirby ve TCGA. UPUP genleri etrafındaki metilasyon modelini daha fazla araştırmak için analizimizi HM450 referansındaki tüm gen-prob ilişkilerine genişlettik ve bu genişletilmiş ortamda UPUP ve UPDOWN genlerini karşılaştırdık. Bu, gen-sonda birleşmelerinin sayısını önemli ölçüde arttırdı (27 k için ortalama 1.5 ile 11.375'e kıyasla, gen başına ortalama 16.4 sonda ile toplam 125.704 ilişki).

UPUP genlerinin ilk seti, ilişkili HM450 problarının metilasyon modellerine göre filtrelendi. En az bir tanesine sahip tüm UPUP genleri (P < 0.05) aşağı regüle edilmiş metilasyon probu çıkarıldı, UPUP genlerinin sayısı 713'ten 105'e düşürüldü. Dolayısıyla bu sadece UPUP grubu, yalnızca yukarı regüle edilmiş metilasyon problarına sahip olan veya yukarı regüle edilmiş ve diferansiyel olarak eksprese edilmemiş probların bir kombinasyonuna sahip olan genlerden oluşur, ancak hiçbir aşağı regüle edilmiş metilasyon probları. Aynı strateji, yalnızca UPDOWN gen grubu oluşturmak için uygulandı ve UPDOWN genlerinin sayısı 1476'dan 192'ye düşürüldü. Yalnızca UPUP ve yalnızca UPDOWN gruplarındaki genler, gen başına sırasıyla ortalama 9.5 ve 9.8 hipermetillenmiş proba sahiptir. Ayrıca, tüm yalnızca UPUP genlerinin %78.10'u, ilişkili probların %50'sinden fazlasında hipermetile olurken, yalnızca UPDOWN genleri için karşılık gelen sayı %46.35'tir. Ek olarak, yalnızca UPUP genlerinin %11,43'ü, yalnızca UPDOWN genlerinin %7,29'una kıyasla, ilişkili tüm probları tutarlı bir şekilde hipermetile etmiştir. Bu nedenle, HM450 verilerini kullanarak metilasyon problarının sayısını arttırırken, yalnızca UPUP ve yalnızca UPDOWN gen gruplarında gen-prob ilişkilerinin karşılaştırılabilir sağlamlığını hala gözlemliyoruz. Bu, gözlemlenen UPUP modelinin biyolojik olarak ilgili bir epigenetik gen düzenlemesi katmanı oluşturduğunun göstergesini güçlendirir. Belirsiz metilasyon modellerine sahip iki rafine gen grubu (yalnızca UPUP ve yalnızca UPDOWN) - metilasyon kaybıyla ilişkili prob yok - daha fazla analiz edildi.

Yalnızca UPUP genleriyle ilişkili problar, yalnızca UPDOWN genleriyle ilişkili problara kıyasla DNA metilasyonu ve gen ekspresyonu arasında belirgin bir korelasyon modeli gösterir.

TCGA kohortu, tam olarak aynı örnekler üzerinde ölçülen gen ekspresyonu ve DNA metilasyonunu içerir (bu metinde TCGA birleştirildi veri kümesi). Bu, ekspresyon ve metilasyon profillerinin, değişen tümör içeriği ve doku bileşimi ile minimal kafa karışıklığı ile doğrudan karşılaştırılabilir olduğu anlamına gelir. biz kullandık TCGA birleştirildi arasındaki Pearson korelasyonunu hesaplayarak yalnızca UPUP ve yalnızca UPDOWN gen grupları (sırasıyla 105 ve 192 gen) için gen-sonda ilişkilerinin gücünü karşılaştırmak için veri kümesi. TCGA birleştirildi tüm numunelerde metilasyon ve ekspresyon profilleri. Sondalar, korelasyon değerlerinin gücüne ve işaretine göre (çok güçlü negatiften çok güçlü pozitife korelasyon) farklı korelasyon gruplarına atanmıştır (Ek dosya 1: Tablo S3).

Beklendiği gibi, yalnızca UPDOWN genleri için problar genellikle negatif bir korelasyon gösterir, çoğu prob ara korelasyon grubunda (% 27.14) (Şekil 4, Ek dosya 1: Tablo S3) ve yalnızca az sayıda yalnızca UPDOWN'de bulunur. problar pozitif bir korelasyon gösterir. Buna uygun olarak, yalnızca UPUP problarının çoğu (%15.17) orta düzeyde pozitif korelasyona sahiptir. Bununla birlikte, yalnızca UPUP grubundaki genler, aynı zamanda, bir şekilde zayıf ve orta düzeyde negatif korelasyonlu problarla da ilişkilidir. Bununla birlikte, Şekil 4'te gözlemlenen farklılıklar, yalnızca UPUP problarının, yalnızca UPDOWN problarına kıyasla belirgin bir korelasyon modeli izlediğini, ancak yalnızca UPUP probları için metilasyon ve gen ekspresyonu arasındaki genel pozitif ilişki, karşılık gelen korelasyondan daha zayıf olduğunu göstermektedir. Yalnızca UPDOWN prob grubu.

Yalnızca UPUP grubu, yalnızca UPDOWN grubuna ve karşılık gelen UPDOWN modeline kıyasla UPUP modeline daha zayıf bir uyum gösterir, ancak iki grup arasında net bir fark görülebilir. Yalnızca UPDOWN DNA metilasyon problarının çoğu, karşılık gelen genlerin ekspresyonu ile negatif korelasyona sahipken, birkaçı pozitif olarak korelasyona sahiptir. Yalnızca UPUP modeli, negatif korelasyonlu bazı problar içerir, ancak yine de daha büyük kesir pozitif korelasyon gösterir. Genel olarak, UPUP ve UPDOWN kalıpları açıkça farklıdır

Yalnızca UPUP probları, yalnızca UPDOWN problarına kıyasla ilişkili genlerin TSS'leri ile daha yakından ilişkilidir

Yalnızca UPUP ve yalnızca UPDOWN gruplarındaki ilişkili genlerin her bir hipermetillenmiş prob ile TSS'leri arasındaki mesafeyi hesapladık, TSS'ye yakın bölgelerin ekspresyon seviyesi üzerinde TSS'den daha uzak bölgelere göre daha yüksek bir etkiye sahip olabileceğini varsaydık. İki grubun her birindeki genlerin hesaplanan mesafeleri ve ortalama metilasyon kat değişimi karşılaştırıldığında, TSS'ye daha yakın daha yüksek bir kat değişikliğine sahip yalnızca UPUP'a göre daha fazla yalnızca UPDOWN sondası olduğu ve bunun tüm ülkeler arasında tutarlı olduğu açıktır. TSS çevresinde en az +/− 400 bp'lik bir bölge (Şekil 5, Ek dosya 1: Tablo S4). Öte yandan, yalnızca UPUP genlerinin çok daha büyük bir kısmı (% 57.14), yalnızca UPDOWN genlerine (% 26.04) kıyasla, TSS'ye en yakın olan hipermetile problar için zenginleştirilmiştir (+/− 50 bp) (Ek dosya 1 : Şekil S1). Daha küçük kat değişimine sahip probların dağılımı, iki grup arasında net bir farklılık göstermez (Şekil 5). Tüm probların %80'inden fazlası (hem yüksek hem de düşük kat değişiklikleri), ilişkili genlerin TSS'lerinden − 1500 ila 1500 bp penceresinde yer alır ve tüm genlerin bu bölgede bulunan en az bir hipermetillenmiş prob vardır (Ek dosya 1 : Şekil S1). Her iki gruptan biraz daha az prob TSS'nin yukarı akışında yer alır (tüm yalnızca UPUP problarının %46,01'i ve yalnızca UPDOWN problarının %47,42'si).

Yalnızca UPUP ve yalnızca UPDOWN genleri, yüksek kat değişiklikleri olan metilasyon probları için TSS'ye yakın farklı dağılım gösterir. Alt kat değişimine sahip probların dağılımı iki grupta benzerdir (yalnızca UPUP probları için açık mavi, yalnızca UPDOWN probları için açık kırmızı)

Ek olarak, gen ekspresyonunun düzenlenmesi için özellikle önemli olan genom bölgelerindeki hipermetillenmiş probların yerini kontrol ettik - CGI'lar, kıyıları veya rafları. Yalnızca UPUP grubu için, %81,90'ı, analiz edilen üç genomik bölge türünden birinde yer alan önemli ölçüde hipermetile problara sahiptir. Bu, yalnızca UPDOWN grubu için %73,44'ten yüksektir. Bununla birlikte, her iki gruptaki benzer gen fraksiyonları, üç bölge tipinden en az birinde hipermetillenmiş problara sahiptir (Ek dosya 1: Tablo S5). Dolayısıyla, bu üç bölge tipi düzenleyici potansiyelin göstergesiyse, gözlemlenen benzerlikler her iki gen grubu için karşılaştırılabilir bir düzenleyici potansiyel göstermelidir. Birlikte ele alındığında, TSS'ye sonda mesafelerinin ve sondaların genomik konumlarının analizi, hem yalnızca UPUP hem de yalnızca UPDOWN gen grupları için DNA metilasyonu ve gen ifadesi arasında sağlam bir düzenleyici ilişki olduğunu gösterir.

Ayrıca 5'UTR, 3'UTR, eksonlar, kodlama ekzonları, intronlar, birinci eksonlar, ilk kodlama eksonları ve ilk intronlarda bulunan yalnızca UPUP ve yalnızca UPDOWN gruplarındaki genler için metilasyon bölgelerinin fraksiyonlarını da saydık (Tablo 2). Yalnızca hipermetillenmiş ve diferansiyel olarak metillenmemiş UPUP ve yalnızca UPDOWN problarının en yüksek fraksiyonları eksonlarda ve intronlarda bulunur, ancak probların yarısından fazlası özellikle ilk ekson ve intronda bulunur. Yalnızca UPDOWN genleri, birinci intron ve ekzonda yalnızca UPUP genlerinden biraz daha fazla hipermetile problara sahiptir. Bununla birlikte, ilk kodlama ekzonlarındaki hipermetillenmiş probların oranı, yalnızca UPDOWN ve yalnızca UPUP genleri için benzerdir, bu da yalnızca UPDOWN hipermetilasyonu için ana farkın 5'UTR eksonlarında olduğunu gösterir. UPDOWN genleri ayrıca 3'UTR bölgelerinde diferansiyel olarak metillenmemiş probların daha yüksek bir oranına sahiptir ve yalnızca UPUP problarına kıyasla sadece UPDOWN problarının genin başlangıcına doğru hafif yanlılığını destekler. Bunun dışında, yalnızca UPDOWN ve yalnızca UPUP genleri arasında, gen bölgesi kategorileriyle metilasyon bölgesi ilişkilendirmelerinde yalnızca ince farklar vardır.

Yalnızca UPUP ve yalnızca UPDOWN gruplarındaki genler aynı düzenleyici mekanizma ile ilişkilidir, ancak farklı hücresel bölmelerdeki genleri etkiler

Yalnızca UPUP ve yalnızca UPDOWN gruplarından gelen genler, aynı düzenleyici mekanizma ile ilişkilidir. Enrichr'deki gen seti zenginleştirme analizi, her iki gen grubunun iki kategoride transkripsiyon faktörü SUZ12 ile önemli ölçüde ilişkili olduğunu gösterdi. 'ENCODE TF ChIP-seq 2015' ve "CHIP-X'ten ENCODE ve ChEA Consensus TF'leri" (P <0.001), bu hücresel düzenleyici ağa olası katılımı gösterir. Kombine zenginleştirme puanı 'Uzlaşma' yalnızca UPUP genleri kategorisi, yalnızca UPDOWN puanına kıyasla daha düşüktü (sırasıyla 38.68 ve 53.42). Elde edilen sonuçlar 'ENCODE Histon Değişiklikleri 2015' Her iki gen grubunun H3K27me3 histon modifikasyonuna bağlı olduğu düzenleyici fonksiyonlarla ilişkileri geliştirin; çok petek SUZ12'yi de içeren kompleks.

İlginç bir şekilde, yalnızca UPUP ve yalnızca UPDOWN genleri arasındaki en net fark, 'Jensen BÖLÜMLERİ' kategori. Bu kategoride sadece UPUP genleri istatistiksel olarak anlamlı bir ilişki gösterdi (P < 0.001) nükleer kromatin, nükleozomlar, DNA paketleme ve protein-DNA kompleksleri ile ilgili terimlerle. En önemli 5 isabetin birleşik zenginleştirme puanları, 'Nükleer_kromozom' 52.99'a kadar 'Nükleer_kromatin'. Karşılaştırıldığında, yalnızca UPDOWN genleri, hücre dışı eksozom, kesecik, organel, zara bağlı kesecik ve hücre iskeleti bileşeni - tip III ara filament dahil olmak üzere hücre dışı özelliklerle ilgili terimlerle ilişki gösterdi. Bununla birlikte, ilk 5 isabet için birleşik zenginleştirme puanları, yalnızca UPDOWN genleri için önemli ölçüde daha yüksekti; 'Hücre dışı organel' 325.07 için "Hücre dışı_bölge".

Yalnızca UPUP genleri boyunca hipermetillenmiş probların dağılımı, yalnızca UPDOWN genlerine kıyasla daha karmaşıktır

Metilasyon problarının ayrıntılı dağılımının bu genleri çevreleyen yerel genomik bölgede nasıl farklılaştığını araştırmak için en belirgin şekilde hipermetillenmiş yalnızca UPUP ve yalnızca UPDOWN genlerini seçtik (Ek dosya 1: Tablo S6). Yalnızca kanonik UPDOWN grubundan ilk 10 geni gözlemleyerek, hipermetillenmiş probların ilişkili genlerin TSS'si etrafında bir küme oluşturma eğiliminde olduğunu ve bu kümenin genellikle bir CGI ile örtüştüğünü tespit ettik. Kümelerin oluşumu burada görsel olarak değerlendirilir. Sondaların TSS'ye olan mesafeleri, çoğunluğun 50 bp'den daha uzak olmasıyla değişir.Yalnızca UPDOWN genleri için probların dağılımı, hipermetillenmiş ve diferansiyel olarak metillenmemiş probların genler arasında nasıl dağıldığına göre ayırt edilebilir. Üç gen (PLA2G3, WFDC2 ve MFAP4) kümeden uzağa yerleştirilmiş bir veya iki ek önemli ölçüde hipermetillenmiş proba sahip olup, bunlar aşağıdakilere göre daha az önemli ölçüde hipermetiledir. P-değer. Yedi gen (SCGB3A1, EFS, KLF8, COL3A1, TMEM106A, RGN ve SPARCL1) hipermetillenmiş kümenin dışında bulunan bir ila üç farklı şekilde metillenmemiş proba sahiptir.

Yalnızca UPUP modelindeki en önemli on genin, probların dağılımına göre gruplandırılması daha zordur. Bununla birlikte, benzer prob paternleri dağılımına sahip iki grup gen ayırt edilebilir. Beş gen (CPT1B, LTK, ZAR1, SRPX2 ve LRRC25), TSS çevresinde bir hipermetile prob kümesi ve kümenin dışında yer alan bir ila üç diferansiyel olarak metillenmemiş prob içeren yedi genli UPDOWN modeline benzer. Üç gen (GSC, FEV ve HIST1H3E) herhangi bir net hipermetillenmiş prob kümesi göstermez ve ayrıca sistematik bir dağılım modeli göstermeyen, ilişkili en az dört diferansiyel olarak metillenmemiş proba sahiptir. Bununla birlikte, bu gen grubu için hipermetillenmiş problar, CGI'lar ile örtüşmektedir. Yalnızca UPUP grubundaki son iki gen, herhangi bir net modele atanamaz. gen TLX1 34 önemli ölçüde hipermetillenmiş prob ve bir diferansiyel olarak metillenmemiş prob ile ilişkilidir (Şekil 6). Gen, genin iki TSS'sinden birinde özellikle yoğun bir küme ile üç prob kümesi tarafından kapsanan üç CGI'ye sahiptir. Diğer TSS, ikisi en az belirgin şekilde hipermetile olanlardan (Pos31 ve Pos32) olmak üzere dört hipermetillenmiş prob ile hafifçe kaplanmıştır. Ek olarak, ikinci TSS'yi kapsayan daha yoğun bir küme için DNA metilasyon kat değişiklikleri daha yüksektir. Metilasyon problarının bu dağılımı ve metilasyon durumlarındaki değişiklik, alternatif bir TSS'nin yetersiz hipermetilasyonu nedeniyle yukarı regüle edilmiş gen ekspresyonunu açıklayabilen alternatif bir TSS kullanımını gösterebilir. Ancak DBTSS ve ZENBU, prostat veya diğer dokularda bu gen için herhangi bir alternatif TSS göstermez. son gen, TSPAN16, yalnızca UPUP'nin ilk on listesinde, diferansiyel olarak metillenmemiş beş proba ve TSS ile de örtüşen yalnızca çok önemli ölçüde hipermetile sahip tek gendir. Genel olarak, yalnızca UPUP genleri için dağılım kalıplarının, yalnızca UPDOWN genlerinin kalıplarıyla benzerliklere sahip olmasına rağmen, yalnızca UPUP kalıbının daha yüksek karmaşıklığı nedeniyle genelleştirilmesinin daha zor olduğunu gözlemliyoruz.

TLX1 geni için UCSC Genom Tarayıcı penceresi, aynı sırada görselleştirilen her pozisyon için metilasyon kat değişiklikleriyle birlikte. Bu gen ile ilişkili probların dağılımı, yalnızca UPUP'a yönelik düzenleme model grubu için ayırt edici bir örnektir. Otuz dört önemli ölçüde hipermetillenmiş prob, TSS'lerden biri için daha yüksek yoğunluğa sahip üç CGI'yi kapsar. Poz1–34 önemli ölçüde (P < 0.001 ve P < 0.05) hipermetillenmiş problar çoğu (Pos1)'den en aza (Pos34) arasında önemli ölçüde metillenmiş prob. PosA, diferansiyel olarak metillenmemiş bir probdur


Özofagus Karsinomunda TFF1'in Ekspresyonu ve Gen Düzenleme Ağı

* Sorumlu yazar: Xiaolong Li, Hücre Biyolojisi ve Genetiği Bölümü, Klinik Öncesi Tıp Okulu, Guangxi 530021, Çin Halk Cumhuriyeti ve Yingwen Huang, Merkez Laboratuvar Bölümü, 89-9 Dongge Yolu, Nanning, Guangxi 530000, Çin Halk Cumhuriyeti

Gönderim: 11 Mart 2020Yayınlanan: 20 Temmuz 2020

ISSN:2637-773X Cilt5 Sayı1

Soyut

Trefoil faktör ailesinin (TFF'ler) bir üyesi olan TFF1, bir antiproteinolitik peptittir. Anormal TFF1 ekspresyonu karsinogenez ile ilişkilidir. TFF1'in özofagus karsinomunda ekspresyonunu ve potansiyel gen düzenleyici ağını araştırmak için. Cancer Genome Atlas veritabanından ve Gene Expression Omnibus'tan sıralama verilerini kullandık, özofagus karsinomunda (ESCA) TFF1 ekspresyonunu ve gen düzenleme ağlarını analiz ettik. TFF1 ekspresyon profili, Oncomine TM kullanılarak analiz edilirken, TFF1 mutasyonu ve ilgili fonksiyonel ağlar, cBioPortal kullanılarak tanımlandı. Bağlantılı Omics, TFF1 ile farklı gen ekspresyonunu belirlemek ve Gene Ontology ve Kyoto Genler ve Genom Ansiklopedisi yollarını analiz etmek için kullanıldı. TFF1'in ESCA'da aşırı eksprese edildiğini ve silmenin ESCA'da en yaygın TFF1 mutasyon tipi olduğunu ve TFF1 gen mutasyonunun da ESCA hastalarının prognozunu önemli ölçüde etkileyebileceğini bulduk. Fonksiyonel ağ analizi, TFF1'in NF-κB sinyal yolu ve Hippo sinyal yoluna katılarak ESCA'da rol oynayabileceğini gösterdi. Sonuçlarımız, veri madenciliğinin, TFF1 ekspresyonu ve ESCA'daki potansiyel düzenleyici ağlar hakkında bilgileri verimli bir şekilde ortaya çıkardığını ve TFF1'in karsinojenezdeki rolünün daha fazla araştırılması için bir temel oluşturduğunu göstermektedir.

Anahtar Kelimeler: Trefoil faktör ailesi Özofagus kanseri Biyoinformatik

Tanıtım

Özofagus karsinomu (ESCA), dünya kanser insidans hızında yedinci sırada yer almıştır ve ölüm oranı altıncıdır [1]. Histolojik sınıflandırmaya göre ESCA, skuamöz hücreli karsinom (ESCC), adenokarsinom (EAC) ve farklılaşmamış karsinomu içerir. Bunlar arasında skuamöz hücreli karsinom en popüler özofagus karsinomu türüdür [2]. Asya'da özofagus karsinomunun %90'ından fazlası ESCC'dir, EAC ise çoğunlukla Avrupa ve Amerika ülkelerinde görülür [3]. Çin, çoğu ESCC olan özofagus kanseri insidansının yüksek olduğu ülkelerden biridir. ESCC'nin Çin anakarasında kanser insidansında beşinci ve mortalitede dördüncü sırada olduğu bildirilmiştir [4]. Malign tümörlerin ana histopatolojik bulgusu olan ESCA, düşük sağkalım oranına sahip ölümcül bir malign tümördür [5]. İleri tanı ve tedavi yöntemlerine rağmen çoğu olguya ileri tanı konur ve hızlı metastaz nedeniyle prognozları kötüdür [6]. Bugüne kadar birçok çalışma, hastaların %50'sinden fazlasının erken tanı ile metastaza başladığını araştırmıştır [3]. Metastaz evresine göre malign tümörler lokal metastazlar, lokal metastazlar ve uzak metastazlar olarak ayrılabilir. Ayrıca uzak metastatik evre maligniteli hastaların yaklaşık %50'sinde ölüme neden olabileceği saptanmıştır [7]. Ayrıca ESCA'lı hastaların prognozu geç tanı ve tedaviye yetersiz yanıt nedeniyle sefildir ve 5 yıllık sağkalım sınırı %15'tir [4,8-10]. Sonuç olarak, ESCA'nın klinik öncesi teşhisi ve tehlike sıralaması için biyobelirteçleri bulmak acil ve önemli bir çalışmadır. Tümör oluşumu ve ilerlemesi ile ilgili gen ağlarını tarayarak ESCA ile ilgili yeni biyobelirteçleri keşfetmek mümkündür.

Trefoil faktör ailesinin (TFF) üyeleri, TFF1 veya gastrik peptit (pS2), TFF2 veya spazmolitik peptit (SP) ve TFF3 veya intestinal trefoil faktörünü içerir. Yapısal olarak, sistein açısından zengin bir motif, TFF ailesinin üyeleri için korunmuş bir yapıdır. Bu motif, &ldquoüç yapraklı&rdquo alanı olarak adlandırılan bir disülfid bağı yoluyla trisiklik bir yapı oluşturabilir. Önceki çalışmalar, gastrointestinal mukozal epitel hücrelerinin yüksek seviyelerde TFF eksprese ettiğini ve TFF'lerin, mukozal hücrelerin hasara direnme yeteneğini geliştirmeye ve mukozal epitelin yapısal bütünlüğünü korumaya yardımcı olduğunu bulmuştur [11]. Ancak dokunun patofizyolojik durumu da TFF'lerin fizyolojik aktivitesini büyük ölçüde etkileyecektir [12]. TFF'lerin tümörlerdeki çeşitli ekspresyon seviyeleri ve tümör gelişiminin farklı aşamaları nedeniyle, tümörijenezdeki rolü hala tartışmalıdır. TFF1 orijinal olarak meme kanseri hücrelerinde bulunmuştur [13]. Bazı çalışmalar, TFF1'in kanser gelişiminin bir destekleyicisi olduğunu öne sürer [14,15], diğer araştırmalar ise TFF1'in meme kanserinde hormon tedavisine olumlu yanıtın bir öngörücüsü olduğunu bulmuştur [16,17]. Ek olarak, kolon, pankreas ve yumurtalık kanseri dahil olmak üzere farklı tümör dokularında yapılan bir dizi araştırma, tümör hücrelerinin hayatta kalma, istila ve metastazının TFF1 tarafından düzenlenebileceğini göstermiştir [18-20]. Üstelik,

TFF1 nakavt farelerin pilorik adenom insidansı yüksektir, bu eğilimde bunların %30'u malign mide kanserini artırmıştır [21].

Bu önceki sonuçlar, TFF1'in yeni bir tümör belirteci olabileceğini düşündürmektedir. Bununla birlikte, özofagus kanserinde TFF1'in ekspresyonu ve bunun düzenlenmiş gen ağı bildirilmemiştir. Bu nedenle, bu çalışmada ESCA'daki TFF1'in ekspresyon özellikleri ve mutasyon oranı, The Cancer Genome Atlas (TCGA) dahil olmak üzere çok sayıda kamuya açık veri tabanından alınan verilere dayanarak analiz edildi. Ayrıca, ESCA'daki TFF1 ile ilgili genomik değişiklikler ve fonksiyonel düzenleyici ağlar, çok boyutlu bir analiz yöntemi ile tanımlanmıştır. Sonuç olarak, bulgularımız ESCA'nın erken teşhisini ve müdahalesini ön plana çıkaran yeni biyobelirteçler ve stratejiler sağlayabilir.

Malzemeler ve yöntemler

Oncomine analizi

ESCA'daki TFF1 mRNA ifadesi, Oncome 4.5 veri tabanında analiz edildi. Oncomine (www.oncomine.org) şu anda tümörle ilgili gen araştırmaları için en kapsamlı veri tabanı ve kapsamlı veri madenciliği platformudur, 715 gen ekspresyonu veri seti ve 86733 kanser ve normal dokudan veri içerir [22]. Bu çalışmada, spesifik tümörler ve bitişik normal dokular arasındaki TFF1 transkripsiyon seviyelerindeki farklılıklar Oncomine veri tabanından elde edildi. Bu çalışmada Kim's, kimchi's ve Hao's'u içeren bir dizi ESCA çalışması kullanıldı. ESCA'da TFF1'in ekspresyon profili, normal dokudakiyle karşılaştırıldı. Transkripsiyon seviyeleri arasındaki farkı analiz etmek için t testi uygulandı ve 0.01'den küçük bir p değeri istatistiksel olarak anlamlı kabul edildi. mRNA verileri, aşağıdaki eşikler kullanılarak çözümlenmiştir: 1.5 temel kat farkı ve %10 gen hizalama oranı.

GEPIA analizi

TFF1'in özofagus kanseri dokularında ve normal dokularda ekspresyonu, Gen Expression Profiling Interactive Analysis (GEPIA) platformu kullanılarak değerlendirildi. GEPIA, The Tumor Genome Map (TCGA) ve Genotype Tissue Expression (GTEx) verilerini kullanarak kanser ve normal gen ekspresyonunun etkileşimli analizini sağlayan web tabanlı bir araçtır [23]. Bu temelde kutu diyagramı ve tümör evre diyagramının analizi yapıldı. p değeri 0,01'den küçükse, sonuçlar arasındaki fark istatistiksel olarak anlamlı kabul edildi.

c-BioPortal analizi

c-BioPortal, TCGA, Uluslararası Kanser Genom Konsorsiyumu (ICGC) ve GEO dahil olmak üzere çoklu kanser genomu veritabanlarının içeriğini birleştiren ve basitleştiren ve kolay ve görsel bir arayüz sağlayan açık erişimli bir veritabanıdır. İşte bu çalışmada, TCGA'dan alınan ESCA örneklerinde TFF1'in karakteristiğini çözmek için c-BioPortal kullanılmıştır. Arama parametreleri, mutasyon ve mRNA ifadesini içeriyordu. Oncoprint sekmesi, TFF1'deki her numunedeki genetik mutasyonların bir özetini görüntüler. Ve ağ, her bir gen genomu değişikliğinin frekansına dayalı olarak renk kodlaması ve tarama seçeneklerini kullanarak, halka açık yol veri tabanından TFF1'in biyolojik etkileşim ağını görselleştirir. Bunlar, yüksek değişim sıklığına sahip komşu genleri içerir. ESCA hastalarında TFF1 gen mutasyonunu ve bunun OS ile ilişkisini göstermek için Kaplan Meier grafiği kullanıldı. Sağkalım eğrileri arasındaki farkın anlamlılığını belirlemek için log-rank testi yapıldı. p değerinin 0,05'ten küçük olması bu sonuçlar arasında istatistiksel bir fark olarak kabul edilir.

Bağlantılı omik veritabanına dayalı analiz

Bu çalışmaya dahil edilen bu 32 TCGA kanserle ilgili küp, çevrimiçi veritabanı Linked Omics [24] kullanılarak diseke edildi. Bağlantılı omiklerin bağlantı bulucu modülü, TCGA ESCA kohortunda TFF1 ile ilgili farklı şekilde eksprese edilen genleri araştırmak için uygulandı. Sonuçlar istatistiksel olarak Pearson korelasyon katsayısı ile analiz edildi. Tüm sonuçlar volkanik haritada, termal haritada veya dağılım haritasında grafiksel olarak sunulur. Bağlantılı omiklerin bağlantı yorumlayıcı modülü, farklı şekilde ifade edilen genlerin yollarını ve ağlarını analiz eder. Bağlantı bulucu sonuçlarındaki veriler Web Gestalt'ta [25] imzalanır ve sıralanır ve go (CC, BP, MF) ve KEGG yolu GSEA tarafından analiz edilir.

Sonuç

kanserlerde TFF1 mRNA ifadesi

Oncomine veri tabanının ana işlevi, gen ekspresyonu farklılıklarını, gen ekspresyonu ile klinik arasındaki korelasyonu ve çoklu genlerin birlikte ekspresyonunu analiz etmektir. Oncomine veri tabanından alınan veriler, normal klinik numunelerin yanı sıra farklı tümör dokularında TFF1 mRNA ekspresyonunun profilini değerlendirmek için kullanıldı. Bu çalışmada 80, 551 örnek olmak üzere 650 veri seti yer almıştır. Sonuçlar, TFF1 mRNA ekspresyonunun baş ve merkezi sinir sistemi tümörlerinde, meme, özofagus, yumurtalık ve pankreas kanserlerinde önemli ölçüde yükseldiğini, kolorektal, böbrek ve malign mezenkimal tümörlerde ise aşağı regüle olduğunu göstermektedir (Şekil 1). Bu nedenle, çeşitli tümör tipleri arasında TFF1 mRNA ekspresyonunda bir takım dikkate değer farklılıklar vardır.

Şekil 1: Çeşitli karsinom tiplerinde TFF1'in mRNA ekspresyonu üzerine havuzlanmış analizler. TFF1'in mRNA ifadesi (kanser ve karşılık gelen normal doku) Oncomine veri tabanı kullanılarak değerlendirildi (kırmızı, önemli aşırı ifadeyi temsil eder ve mavi, azaltılmış ifadeyi temsil eder). Aşağıdaki parametreler eşik olarak kullanılmıştır: P 2 ve ilk %10'daki gen sıralaması.


ESCA'da TFF1'in İfadesi

Farklı ESCA dokularında TFF1'in transkripsiyon seviyesindeki farkı değerlendirmek için iki veri tabanı, Gene Expression Omnibus (GEO) ve TCGA kullanıldı. Oncomine 4.5 veri tabanından alınan veriler, ESCA'daki TFF1 mRNA ekspresyon seviyesinin normal dokulardakinden önemli ölçüde yükseldiğini göstermektedir (p<0.05=. Kat değişikliklerinin tümü 2'den büyüktü ve TFF1, mRNA'ya dayalı olarak ilk %1'de sıralandı. ekspresyon (Şekil 2).TCGA veri tabanındaki 182 özofagus kanseri (ESCA) örneğinin analizine dayanarak, TFF1 ayrıca her tümör evresi alt grubunda yüksek transkripsiyon standardını korudu ve en yüksek seviye evre 1'de bulundu (Şekil 3). , TFF1 ifadesi, ESCA'nın potansiyel bir tanısal göstergesi olabilir.

ESCA'da TFF1'in genomik mutasyon analizi

TCGA veri tabanından ESCA hastalarının sıralama verilerine dayanarak, ESCA'daki TFF1 değişikliklerinin türü ve sıklığının analizinde cBioPortal uygulandı. 265 ESCA hastasının 10'unda TFF1 değişmiştir (Şekil 4A). Bu değişiklikler 8 vakada (%3) silindi ve 2 vakada (%1) büyütüldü. Bu nedenle, silme, ESCA'daki en yaygın TFF1 mutasyon türüdür. Ek olarak, (Şekil 4B)'de gösterildiği gibi, Kaplan-Meier grafikleri, ESCA hastalarında TFF1 gen mutasyonlarının daha kısa OS ile birlikte olduğunu gösterir (p = 0.0258). Bu sonuçlar, TFF1 genindeki mutasyonların da ESCA hastalarının prognozunu önemli ölçüde etkileyebileceğini düşündürmektedir.

Şekil 2: Özofagus karsinomunda (Oncomine) TFF1 transkripsiyonu. TFF1 mRNA seviyeleri, Özofagus karsinomunda normal dokuya göre önemli ölçüde daha yüksekti. Gösterilenler, Oncomine 4.5 analizine dayalı kat değişimi, ilişkili p değerleridir. (A–C) Sırasıyla Kim Özofagus, Kimchi Özofagus ve Hao Özofagus'taki TFF1 mRNA seviyelerini gösteren kutu grafiği.


Figür 3: Evreye (GEPIA) göre sınıflandırılan Özofagus karsinomu olan hastaların alt gruplarında TFF1 transkripsiyonu. (A) Normal ve ESCA numunelerinde TFF1'in nispi ifadesini gösteren kutu grafiği. (B) Bireysel kanser evrelerine dayalı olarak ESCA'da TFF1'in ifadesi.


ESCA'da TFF1'in biyolojik etkileşim ağını değerlendirmek için, akciğer kanserinde TFF1 ile etkileşime giren genleri daha fazla analiz etmek için cBioPortal'daki gen ağı araç seti. Analiz sonuçları, ağın 1 sorgu geni TFF1 ve 12 TFF1 komşu gen dahil olmak üzere 13 düğüm içerdiğini göstermektedir. Etkileşim türü BioPAX'ten türetilmiştir: mavi bağlantılar, birinci proteinin ikinci proteinin düzenlenmesinde yer aldığını gösterirken kırmızı bağlantılar, bu proteinlerin aynı kompleksin parçaları olduğunu gösterir. Rengin gölgesi mutasyon derecesini temsil eder. Nükleer reseptör koaktivatörleri 1, 2, 3, östrojen reseptörü 1 ve N-metillenmiş pürin DNA glikosilazını içeren koyu kırmızı düğümler, bu genler EACA'daki diğer genlerden daha yüksek derecede mutasyona sahiptir (Şekil 4C).

Şekil 4: TFF1'in görsel özeti, Özofagus karsinomunda (cBioPortal) biyolojik etkileşim ağını ve TFF1'in OS ile ilişkisini değiştirir. (A) ESCA'daki TFF1 değişikliklerinin OncoPrint. OncoPrint, TCGA'dan ESCA'daki bireysel örnekleri (sütunları) etkileyen TFF1'deki genomik değişikliklere genel bir bakış sağlar. Farklı genetik değişiklik türleri farklı renklerle vurgulanır. (B) TFF1'deki genetik değişiklikler daha kısa OS(P) ile ilişkilendirildi

ESCA'da TFF1 ile ilişkili birlikte eksprese edilen genlerin analizi

Şekil 5: Özofagus karsinomunda (Linked Omics) TFF1 ile korelasyon içinde farklı şekilde eksprese edilen genler. (A) TFF1 ile ESCA'da farklı şekilde ifade edilen genler arasındaki korelasyonları analiz etmek için bir Pearson testi kullanıldı. (B) ESCA'da (TOP 50) TFF1 ile pozitif ve negatif korelasyon gösteren genleri gösteren ısı haritaları. (C) Kırmızı, pozitif ilişkili genleri gösterir ve yeşil, negatif ilişkili olduğunu gösterir.


TCGA'dan 184 ESCA hastasının mRNA verileri, Linked Omics fonksiyonel modülü kullanılarak analiz edildi. Şekil 5A ve Şekil 5B'de olduğu gibi, 5370 gen (kırmızı noktalar) TFF1 ile önemli ölçüde pozitif, 896 gen (yeşil noktalar) ise TFF1 ile negatif olarak ilişkilidir. Ayrıca, TFF1 ile negatif veya pozitif korelasyona sahip 50 önemli gen, Şekil 5C'de gösterilmektedir. Bu sonuçlar, TFF1'in transkriptom üzerinde kapsamlı bir etkisi olduğunu göstermektedir. Şekil 6, TFF1'in yüksek ifadesi ile CAPN8 (Calpain 8, Pearson korelasyon katsayısı = 0.90, p = 1.702 e-68), CTSE (Cathepsin E, Pearson korelasyon katsayısı = 0.89, p = 6.33) arasında güçlü korelasyonlar olduğunu göstermektedir. e-64), REG4 (Rejeneratif gen 4, Pearson korelasyon katsayısı = 0.88, p = 7.97e-61), TFF1'in CAPN8, CTSE ve REG4 ekspresyonunu düzenleyerek tümör oluşumuna ve gelişimine katılabileceğini düşündürür.

ESCA'da TFF1 ile ilişkili birlikte eksprese edilen genlerin GO ve KEGG yollarının analizi

Gen Seti Zenginleştirme Analizine (GSEA) dayanan GO analizi, TFF1 ile ilgili gen polimorfizmlerinin esas olarak mikrozom, endoplazmik retikulum zarı ve Golgi aygıtında bulunduğunu ve esas olarak hücre nakli, nükleotid-şeker metabolizması ve endoplazma ile ilgili olduğunu göstermiştir. Moleküler işlevleri temel olarak lipaz aktivitesini, karboksilat hidrolaz aktivitesini ve glikosil bağları üzerinde etkili olan hidrolaz aktivitesini tetiklemeyi içerir (Şekil 7A-7C). Öte yandan, KEGG yolu analizi, TFF1'in NF-&kappaB ve Hippo yolunun sinyal iletimine katılarak ESCA'da bir rol oynayabileceğini göstermektedir (Şekil 7D).

Şekil 6: TFF1, CAPN8, CTSE ve REG4(Linked Omics) için gen ekspresyonu korelasyon analizi. Dağılım grafiği, TFF1 ifadesinin CAPN8 (A), CTSE (B) ve REG4 (C) ifadesi ile Pearson korelasyonunu gösterir.


Şekil 7: Özofagus karsinomunda önemli ölçüde zenginleştirilmiş GO ek açıklamaları ve TFF1'in KEGG yolları.ESCA'daki TFF1 ortak ekspresyon genlerinin önemli ölçüde zenginleştirilmiş GO açıklamaları ve KEGG yolları, GSEA kullanılarak analiz edildi. (A) Hücresel bileşenler. (B) Biyolojik süreçler. (C) Moleküler fonksiyonlar. (D) KEGG yolu analizi.


Tartışma

TFF1, mukozal epitel gibi çeşitli dokularda eksprese edilen bir proteindir, TFF alanı olarak adlandırılan korunmuş bir trisiklik alan içeren, keşfedilecek olan trefoil faktör ailesinin (TFF) en erken üyelerinden biridir [26,27]. Gastrointestinal sistemdeki mukozanın bütünlüğünü korumak ve hasarlı mukozal epitel hücrelerinin rejenerasyonunu desteklemek TFF'lerin birincil işlevleridir [11]. Mide kanserinde TFF1 ekspresyonunun bozulduğu ve TFF1 geni olmayan farelerde mide kanseri insidansının arttığı bildirilmiştir [28]. Ek olarak, TFF1 kolon, pankreas ve yumurtalık tümörlerinde diğer tümör dokularından daha yüksek bir seviyede eksprese edilir ve hücrenin hayatta kalmasını, göçünü, istilasını ve tümör yayılmasını teşvik etmede rol oynar. TFF1'in potansiyel bir tümör belirteci olduğu gösterilmiştir [19,20].

Buradaki sonuçlarımız, ESCA hastalarında TFF1'in aşırı eksprese edildiğini ve mRNA ekspresyonunun hastaların bireysel kanser evresi ile önemli ölçüde ilişkili olduğunu göstermektedir. Ayrıca, ESCA hastalarında TFF1 mutasyon oranının %4 olduğunu ve delesyonun ESCA'da en sık görülen TFF1 mutasyon tipi olduğunu bulduk. TFF1 geninin mutasyonu, ESCA hastalarının prognozunu da önemli ölçüde etkileyebilir. Fonksiyonel ağ analizi, TFF1'in NF-&kappaB sinyal yoluna ve Hippo sinyal yoluna katılarak ESCA'da rol oynayabileceğini göstermektedir. ESCA'nın ilerlemesine yol açan mekanizma tam olarak aydınlatılamamıştır ve erken tanı biyobelirteçleri doğrulanmamış ve uygulanmamıştır, bu da kötü tanı ve tedavi sonuçlarına yol açmaktadır. Verilerimiz, ESCA hastalarının tümör dokularındaki TFF1 ekspresyonunun, özellikle evre & Iota'daki özofagus kanseri tümörlerinde normal dokulardan daha yüksek olduğunu göstermektedir. Sonuçlar, TFF1'in ESCC'nin erken teşhisi için aday bir biyobelirteç olarak daha fazla araştırmaya değer olduğunu göstermektedir. TFF1, mukozal hasarın uyaranları tarafından regüle edilen, mukozal onarımı teşvik eden ve bütünlüğü koruyan bir mukozal koruyucu faktördür [29]. TFF1, inflamatuar faktörlerin ve anti-apoptotik proteinlerin ekspresyonunu aşağı doğru düzenleyerek NF-&kappaB sinyal yolunun aktivasyonunu baskılayabilir. TFF1 inhibisyonunun olmaması nedeniyle, mide kanseri hücrelerinde NF-&kappaB sinyal yolu aşırı aktive olur [30]. Buna benzer şekilde, İşlevsel ağ analizi, TFF1'in NF-&kappaB sinyal yoluna ve Hippo sinyal yoluna katılarak ESCA'da bir rol oynayabileceğini göstermektedir. Barrett's özofagusunda (BE) TFF1 ekspresyonunun yukarı regülasyonunun, özofagus adenokarsinomunun insidansını arttırdığı rapor edilmiştir, bu da TFF1'in yukarı regülasyonunun kanser öncesi semptomların bir özelliği olduğunu düşündürür. Sonuçlarımız önceki gözlemleri doğrulamaktadır [16,31]. Çünkü mide asidi reflüsü BE ile yakından ilişkilidir. BE'de TFF1 ekspresyonunun artmasının sebeplerinden biri gastrik asit reflüsüne bağlı mukozal hasar olabilir. Özetle, bu sonuçlar, TFF1'in ESCA'nın oluşumuna ve gelişimine kayıtlı olduğunu belirtmektedir.

Son çalışmalar, EAC'nin moleküler değişikliklerde mide adenokarsinomuna benzer olduğunu, ESCC'nin ise baş ve boyun skuamöz hücreli karsinomlarına daha çok benzediğini göstermiştir [32]. Ancak baş ve boyun kanserlerinde TFF1 ekspresyonu üzerine çok az çalışma vardır. Baş ve boyun kanserli hastaların üst solunum ve sindirim yollarındaki skuamöz epitel hücrelerinin de anormal değişikliklere uğradığı bulunmuştur [33]. Erken kanserleşmenin bir biyobelirteç olarak, özofagus mukozasında TFF1 ekspresyonu sadece baş ve boyundaki skuamöz hücreli karsinomların erken teşhisi için değil, aynı zamanda özofagusun ikinci primer tümörü (SPTE) için bir uyarı göstergesi olarak kullanılabilir. ). Tükürük bezi tümörlerinde TFF1, TFF2 ve TFF3 ekspresyonu iyileşirken, oral skuamöz hücreli karsinomda TFF2, TFF3 ekspresyonu baskılanır ve TFF1 ekspresyonu sağlıklı dokuya kıyasla yükselir [34]. Ancak, çok az çalışmaya dayanarak, özellikle baş boyun kanserinde TFF'lerin işlevinin ESCC'ye yol açtığını henüz tam olarak sonuçlandıramadık ve bu konunun daha fazla araştırılması gerekiyor. Ek olarak, işlevsel ağ analizi, TFF1'in NF-&kappaB sinyalleme yoluna, Hippo sinyalleşme yoluna katılarak ESCA'da bir rol oynayabileceğini, ancak çalıştığı spesifik yolun daha fazla onaylanması gerektiğini gösterir.

Özetle, sonuçlarımız klinik kanserin evresi ile ilişkili olan ESCA hastalarında yüksek TFF1 ekspresyonunun bulunduğunu ve en yüksek ekspresyonun tümör evresinde Ⅰ olduğunu göstermektedir. Ek olarak, ESCA hastaları ayrıca TFF1 mutasyonlarının esas olarak delesyonlar olduğunu ve ESCA hastalarında TFF1 gen mutasyonlarının daha kısa OS ile ilişkili olduğunu gözlemlemiştir. Bu sonuçlar, TFF1'in yeni bir tümör belirteci olabileceğini ve ESCA'nın tanı ve tedavisi için yeni hedefler ve stratejiler sağlayabileceğini göstermektedir.

Finansman

  1. Guangxi Eyaleti Doğa Bilimleri Vakfı (Hibe numarası: 2017GXNSFAA198045).
  2. Guangxi Eyaleti Doğa Bilimleri Vakfı (Hibe numarası: 2017GXNSFAA198063).

Veri ve Materyallerin Kullanılabilirliği

Bu çalışma sırasında kullanılan ve/veya analiz edilen veri kümeleri, makul talep üzerine ilgili yazarlardan temin edilebilir.


Videoyu izle: Data-integration platform for cancer research: cBioportal demo (Mayıs Ayı 2022).