Krooninen sairaus

tiivistelmä

Viimeaikaiset tutkimukset ovat osoittaneet, että pienen ei-koodaava RNA, microRNA (miRNA) alas -regulates sen mRNA tavoitteita. Tämä vaikutus on pidettävä tärkeä rooli erilaisissa biologisissa prosesseissa. Monissa tutkimuksissa on omistettu ennustavat miRNA-kohde vuorovaikutusta. Nämä tutkimukset osoittavat, että vuorovaikutukset voivat vain olla toimiva tietyissä kudoksissa, jotka riippuvat tunnusmerkit miRNA. Ei systemaattisia menetelmiä on perustettu kirjallisuudessa tutkimaan korrelaatiota miRNA-kohde- vuorovaikutusta ja kudosspesifisyyttä kautta microarray data. Tässä tutkimuksessa ehdotamme menetelmää tutkia miRNA-kohde vuorovaikutus tukemien kudoksia, joka perustuu kokeellisesti validoitu miRNA-kohde vuorovaikutusta. Kudosspesifisyys tulokset menetelmämme ovat sopusoinnussa kokeellisten tulosten kirjallisuudessa.

saatavuus ja toteutus

analyysitulokset ovat saatavilla osoitteessa https://tsmti.mbc.nctu.edu .tw /ja https://www.stat.nctu.edu.tw/hwang/tsmti.html.

Citation: Hsieh WJ, Lin FM, Huang HD, Wang H (2014) tutkitaan microRNA-Target vuorovaikutus-Tuettu kudokset Human Cancer kudokset Perustuu miRNA ja Target geeniekspressioprofilointi. PLoS ONE 9 (4): e95697. doi: 10,1371 /journal.pone.0095697

Editor: Yan Xu, The Perinataali Institute, Cincinnati Lasten Hospital Medical Center ja University of Cincinnati, Yhdysvallat

vastaanotettu: 15 marraskuu 2013 ; Hyväksytty: 28 maaliskuu 2014; Julkaistu: 22 huhtikuu 2014

Copyright: © 2014 Hsieh et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Kirjoittajat kiittää National Science neuvosto Kiinan taloudellisen tukemisen tutkimuksen alla sopimuksessa nro NSC 98-2311-B-009-004-MY3, NSC 99-2627-B-009-003, NSC 101-2311 -B-009-003-MY3, NSC 100-2627-B-009-002, NSC 101-2118-M-009-006-My2, NSC 101-2811-M-009-064 ja NSC 102-2911-I -009-101. Tätä työtä tukee osittain UST-UCSD International Center of Excellence in Advanced Bio-engineering sponsoroi Taiwan National Science neuvoston I-riisi ohjelmaansa Grant numero: NSC 101-2911-I-009-101, ja Veterans General Sairaalat ja University System of Taiwan (VGHUST) yhteisen tutkimuskeskuksen ohjelmaansa Grant numero: VGHUST101-G5-1-1 ja VGHUST103-G5-1-2. Tämä työ oli osittain myös tukevat MOE ATU ja National Center for Teoreettinen Sciences. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

MicroRNA on lyhyt koodaamattomasta RNA, joka on noin 22 nt, joka tukahduttaa geeniekspressioiden kautta translationaalisen tukahduttaminen tai mRNA: n hajoamisen sitoutumalla 3′-alueet (3’UTR). Löytö Ensimmäisen miRNA peräisin Caenorhabditis elegans vuonna 1993 inspiroi monenlaisia ​​miRNA tutkimukset [1]. Tällä hetkellä noin 21264 miRNA on löydetty monia lajeja.

Tutkia sääntelyn välillä miRNA ja geenien, miRNA kohdesivustot yleensä ennustaa miRNA kohde ennustelaitteet. Monet laskennallisia tavoite ennustaminen työkaluja, kuten Miranda [2], TargetScanS [3] – [5] ja RNAhybrid [6], on kehitetty. Lisäksi useat tilastollisia menetelmiä on sovellettu myös rakentaa verkosto yhdistysten välillä miRNA ja niiden kohde-mRNA: [7] – [10]. Yleensä miRNA tavoite ennustelaitteet ennakoida monia mahdollisia kohdesivustot. Vähentää väärien positiivisten kohdekohtia, ennusti miRNA kohdesivustot olisi vahvistanut kokeiluja. Yleensä miRNA-kohde vuorovaikutukset (MTIs) voidaan vahvistaa toimittaja määrityksiä, Western blot, microarray kokeiluja, pSILAC tai qRT-PCR. Lisäksi monet tietokannat, kuten miRTarBase [11], TarBase [12], miRecords [13] ja miR2Disease [14], on suunniteltu tallentamaan kokeellisesti vahvistettu MTIs. Erityisesti miRTarBase (versio 2.1) tietokanta on kerännyt noin 3500 manuaalisesti kuratoinut kokeellisesti validoitu MTIs, mukaan lukien 657 miRNA ja 2297 kohdegeenien joukossa 17 lajia 985 tutkimusartikkelien [11]. TarBase 5.0 tietokanta on tallennettu noin 514 MTIs jotka poimittiin 203 papereita [12]. MiRecord tietokanta, joka sisältää 1529 kokeellisia vuorovaikutusta, koostuu kokeellisesti vahvistettu miRNA ja ennustettu MTIs [13]. MiR2Disease tietokanta on tarkoitettu säilytykseen kokeellisesti vahvistettu MTIs, jotka vapautettiin ihmisen eri sairauksiin [14]. Näistä tietokannoista, miRTarBase tarjoaa enemmän päivitetään MTIs kuin muita tietokantoja.

Tärkeää on, miRNA on havaittu olevan kudosspesifisiä monissa tutkimuksissa. Esimerkiksi, miR-122 voidaan havaita vain maksassa kudoksiin ja on havaittavissa kaikissa muissa kudoksissa [15]; ilmaus miR-122 maksasolukarsinoomassa on suhteellisesti pienempi kuin se terve maksa [16]; miR-1 ja miR-143 etusijassa ilmaistaan ​​sydämen ja paksusuolen kudoksiin, vastaavasti [15], [17]; miR-126 on endoteelisolujen-spesifinen miRNA, joka säätelee verisuonten eheyden ja angiogeneesissä [18]; miR-195 ja miR-200c on erityisesti ilmaistu keuhkokudoksissa [19]. Lisäksi jotkut miRNA ovat biomarkkereita havaitsemiseksi syöpien, kuten miR-221, -100, -125b ja -21 haimasyövän [20].

Vaikka monet tutkijat ovat osoittaneet, että monet miRNA ovat kudosspesifisiä ilmaisun [15] – [20], ei systemaattisia menetelmiä on perustettu kirjallisuudessa tutkimaan erittäin negatiivinen korrelaatio välillä miRNA ja sen kohdegeenien ryhmässä tiettyjen kudosten kautta microarray data. Analysoimalla korrelaation ilmaisujen välillä miRNA ja mRNA: t on yksi menetelmistä, jotka on haettu luottamuksen lisääminen ennustetun miRNA kohdepaikkojen [21] – [28]. Tässä tutkimuksessa olemme kehittäneet tilastollinen menetelmä määrittää microRNA-kohde vuorovaikutus tukemien kudokset (MTI-tuettu kudokset), joka perustuu kokeellisesti validoitu miRNA-kohde vuorovaikutusta. KTM-tuettu kudoksiin miRNA on ryhmä kudoksia, jotka tämän miRNA ja sen tavoitteet ilmaista näissä kudoksissa.

Suurin Tämän tutkimuksen tavoitteena on tutkia MTI tuettu kudoksia, jotka perustuvat kokeellisesti validoitu miRNA-tavoite vuorovaikutusta miRTarBase tietokantaan. Tällä https://tsmti.mbc.nctu.edu.tw, me lyhyesti kuvata, miten ehdotettu menetelmää sovelletaan tunnistamaan MTI-tuettu kudoksiin. Tärkeimmät analyyttiset tulokset ja materiaalit tässä asiakirjassa esitellään tällä sivustolla.

Materiaalit ja menetelmät

käsitys ehdotettu menettely on lyhyesti esitetty kuviossa 1. Käytämme aineistoja [29 ] havainnollistaa menetelmämme. Tämä data setti sisältää miRNA ekspressioprofiileja ja mRNA: n ilmentymisen profiilit 89 näytteitä 11 elinten kasvain tai normaaleista kudoksista. Näytteet 11 elimet on esitetty taulukossa 1, mukaan lukien 68 kasvainkudoksissa ja 21 normaaleissa kudoksissa. MRNA ekspressioprofiileja joka julkaistiin vuonna 2005 koostuvat kahdesta microarray alustoille, GPL80 ja GPL98, jotka edustavat 16063 geenejä yli 89 kudoksissa [29]. Koska osittainen mRNA ekspressiotasot puuttuvat, vain 12766 näiden geenien käytetään meidän tutkimuksissa. Mirna ilmentymisen profiilit (GSE2564) koostuvat ilmaisun tietojen 288 miRNA yli 249 kudoksissa [29]. Poistamisen jälkeen päällekkäiset ja tarpeeton data, me vain käyttötietoja 163 miRNA poikki 89 kudoksiin. Kun tietoja tietyn miRNA, aiomme tutkia MTI-tuettu kudosten onko miRNA on toiminnallinen kaikkialla näiden kudosten perustuu kokeellisesti validoitu MTIs. Kuten johdannon miRTarBase tietokanta on enemmän informatiivinen kuin muihin tietokantoihin. Käytämme miRTarBase versio 2.1 tietokannan [11], jotta saatiin kokeellisesti validoitu MTIs, joka pääsee osoitteessa ”https://mirtarbase.mbc.nctu.edu.tw/cache/download /2.1/miRTarBase_MTI.xls”. Mukaan miRNA joka kirjattiin GSE2564, valitsemme 743 kokeellisesti validoitu MTIs ja analysoida väliset korrelaatiot miRNA ja mRNA: n ilmentymisen profiilit eri kudosten sarjaa.

Kokeellisesti validoitu MTIs jakavat saman miRNA poimittiin miRTarBase tietokannasta . Korrelaatiot MTIs poikki yhdistelmän kudoksia, jotka valittiin meidän menetelmällä, ovat vahvasti negatiivisia.

Ennen analysointia ekspressiotietojen, ensin normalisoida miRNA ja mRNA: n ilmentymisen dataa 89 kudoksiin. Tiedot esikäsittely- menetelmä on säädetty Täydentävä Data. Joitakin tietoja esikäsittely- Tulokset esitetään kuvissa S1 ja S2 File S1. Sen jälkeen, kun data esikäsittelyä, alkuun 23 miRNA kohteen kanssa luku, joka on suurempi tai yhtä suuri kuin 10, ja jossa on useita kudoksia ekspressiotasoja, jotka olivat suurempia kuin 7,25 on valittu ja ne on lueteltu taulukossa 2. ilmentymisen taso 7.25 on cutoff kohta, jota käytettiin Huang

et al.

(2007) [7]. Taulukossa 2, neljä miRNA, HSA-miR-122, HSA-miR-124, HSA-miR-155: n ja HSA-miR-133a, jätetään huomiotta, koska ei ole tarpeeksi näytteitä näistä miRNA, joita voitaisiin hyödyntää analyysiä varten. Siksi analysoimme 19 miRNA tässä tutkimuksessa.

Ennen käyttöön menetelmän, ensin kuvataan motivaatio ehdottaa menetelmää. Aiemmat tutkimukset ovat osoittaneet, että miRNA alas-säädellä tavoitteensa [16], [30], mikä johtaa negatiivista korrelaatiota mikrosirun ilmaisujen välillä miRNA ja sen tavoite vuorovaikutusta. Kuitenkin kuvio S1 File S1 osoittaa, että absoluuttiset arvot useimpien korrelaatiot miRNA ja kohteen vuorovaikutuksista kaikkiin 89 kudokset eivät ole huomattavan suuri. Me siis päätellä, että säätely alaspäin olevan miRNA esiintyy joissakin kudoksissa.

Jotta miRNA, ensin löytää liittyvien vuorovaikutusten kautta microarray aineisto ja miRTarBase tietokanta ja sitten laskea korrelaatiot miRNA ja niiden tavoitteita. Siten miRNA liittyy korrelaatio setti, johon kuuluvat korrelaatioita tämän miRNA ja tavoitteensa. Koska siellä on enemmän kuin yksi tavoite vuorovaikutusta, joka liittyy miRNA, tavoitteenamme on yhdistää useita korrelaatiokertoimet välillä tämän miRNA ja tavoitteensa löytää MTI-tuettu kudoksiin. Siksi määrittää MTI-tuettu kudoksia tämän miRNA, ehdotamme käyttäen kriteeri, joka perustuu kahteen tekijöitä korrelaatio asettaa: (i) keskimääräinen korrelaatiokerroin ja (ii) osuus negatiivinen korrelaatio kertoimia. Koska alas-sääntelyn miRNA kohteeseensa vuorovaikutusta, sillä joukko tosi MTI-tuettu kudoksiin miRNA, odotamme, että ekspressiotietojen välinen miRNA ja sen tavoite vuorovaikutusta olisi erittäin negatiivinen korrelaatio. Siksi odotamme, että todellinen MTI-tuettu kudokset olisi täytettävä hypoteesia, jonka keskimääräinen korrelaatiokertoimet ovat vahvasti negatiivisia ja että prosenttiosuudesta kielteisten korrelaatiokertoimet on suuri.

kuvattava ehdotettu menetelmää, ensin käyttöön joitakin muistiinpanoja. Merkitään 89 kudoksille ja 19 miRNA kuin. Ilmaisu arvon miRNA ja mRNA yli 89 kudosten merkitään ja. Antaa kuvaamaan kohde-vuorovaikutus (mRNA) määrä, joka vastaa tätä miRNA päässä miRTarBase tietokannasta.

Antaa,, on joukko kudosten 89 kudosten, jossa on näytteen koko joukon A. korrelaatiokertoimen n miRNA

m

ja mRNA

y

poikki vedostulostus

määritellään aswhere ja tarkoittavat keinot ja

y

poikki kudoksia sarjassa, vastaavasti.

antaa kuvaamaan korrelaatiokertoimet tämän miRNA ja sen tavoite vuorovaikutusta poikki kudosten asetettu, ja anna tarkoittavat keskiarvon näiden korrelaatiokertoimet poikki kudosta asetettu. Lisäksi anna on määrä negatiivista arvoa korrelaatiokertoimet. Sitten me määrittelemme negatiivinen korrelaatiokerroin suhteessa kuin.

miRNA tavoitteena Tämän tutkimuksen on löytää kudos asetetaan siten, että on vahvasti negatiivinen. Lisäksi, koska on olemassa korrelaatiokertoimet tämän mRNA: n, meidän täytyy vaatia, että osa negatiivisen korrelaatiokertoimet näistä korrelaatiokertoimet on suurempi kuin kynnys. Eli aiomme löytää kudos asetetaan siten, että on pieni. Niinpä ehdotamme käyttäen tappiofunktion. (1) Valitse kudokseen joukko, niin että vähintään menetys toiminto tapahtuu, missä

on vakio välillä 0 ja 1, eli

(2) tappiofunktion (1),

käytetään säätämään painot ja. Löytää täyttää ehdon (2), on vaikea suoraan laskea arvo kaikille sarjaa. Joukolle elementtejä, on olemassa yhdistelmät. Koska alueen arvo on 2-89, on yhteensä ofpossible valinnat joukko. Laskenta monimutkaisuus on liian suuri, jolloin saadaan totta. Koska koko mahdollinen yhdistelmä on liian suuri, voimme hieman rentoutua ehdon (2) on (3), jossa S on joukko

O

, joka rajoittuu olla elementtejä sijasta elementtejä, missä. Seuraavassa analyysissä, valitaan olemaan. Valita asianmukainen arvo, meillä oli testattu monia erilaisia ​​arvoja ja havaittiin, että valittu kudos käyttäen on miltei sama valittujen kudosten käyttäen monissa tapauksissa. Niinpä me hyväksymme tässä analyysissä.

näytteenotossa kudos asetetaan, heuristista menetelmää tai raakaa voimaa voidaan hyväksyä. Jos erittäin luottavainen MTI-tuettu kudoksia varten miRNA ovat saatavilla kirjallisuudesta tai muita resursseja, suosittelemme suoraan valita kudoksen sarjaa myös näiden kudosten toteuttamisessa algoritmin, joka voi karsia haun tilan. Muutoin raakaa voimaa näytteenottoa ehdotetaan välttää saamiseksi ei objektiivisia tuloksia. Koska ehdotettu näytteenotto koko on, se ei ole kovin aikaa vievää toteuttamisessa algoritmi kun käytämme raakaa voimaa otantamenetelmä.

Vaiheet löytää ehdolla (3) on esitetty seuraavassa algoritmi . Ennen edeltävän algoritmi, meidän on määritettävä vakio kunnossa (1).

arvioimiseksi suorituskyky meidän ehdotetun algoritmin, hyväksymme permutaatio testi ja niputtamisesta analyysi [31] osoittaa paremmuuden ehdotetun algoritmi. Molemmat menetelmät on kuvattu Täydentävä Data. Jotkut vertailun tulokset on esitetty kuviossa S3 File S1 ja taulukossa S1 File S1. Tulokset kahden menetelmän ylläpitävät ehdotettu algoritmi tehokkaana lähestymistapa valita pätevä MTI-tuettu kudoksiin miRNA.

2,1 algoritmit

algoritmi kudoksen ennustus: korrelaatiovähentymää toiminto algoritmia.

Oletetaan, että miRNA

m

on MTIs.

Vaihe 1: satunnaisesti valitaan joukko

O

kudosten.

Vaihe 2: Laske korrelaatiot tämän miRNA ja mRNA: t poikki kudosten

O

. Sitten laskea keskimääräinen korrelaatiokäsite, ja osuus negatiivinen korrelaatio,.

Vaihe 3: Käytä arvoja ja laskea (1).

Vaihe 4: Toista vaiheet 1-3 kertaa. Saamme arvot.

Vaihe 5: Selvitä minimiarvo arvoista, sanovat. Listaa kudos asettaa vaikkapa vastaa tämä arvo, joka on.

Step6: Toista vaiheet 1-5 eri saada erilaisia ​​arvoja. Etsi pienin arvo on s, sanovat. Sitten kudos asettaa vastaava tämä arvo on MTI-tuettu kudosten asetettu.

Lisäksi tarkastellaan vain korrelaatiot ilmaisujen välillä miRNA ja mRNA: t, DNA copy-numero ja promoottori metylaatio mRNA geenilokus mRNA ilmentyminen voi vaikuttaa miRNA-mRNA-ekspression -alueella. Olemme toimittaneet R-koodeja, jotka sisältävät muita tekijöitä menetys toiminto. Lukijat voivat liittyä R-koodien https://tsmti.mbc.nctu.edu.tw/lossfunction2.txt.

Koska algoritmi perustuu tappiofunktion (1) arvioida suorituskykyä korrelaatio, vaadimme tämä algoritmi korrelaatiovähentymää toiminto algoritmia. Vaiheet algoritmimme kuvataan vuokaaviossa kuviossa 2.

Käytännössä varten miRNA ja sen tavoitteet, emme ole varmoja, kuinka monta kudoksissa tulisi valita. Ensinnäkin, aloitamme valitsemalla 3 kudoksia kaikissa kudoksissa, mutta et valitse yksi kudos, koska korrelaatio välillä miRNA ja sen tavoitteet poikki yhdessä kudoksessa ei voida laskea. Löytää optimaalinen kudos useita eri miRNA, valitsemme kudos numero 3 15.

Kuvassa 3, me kuvaavat lakkaa toimimasta arvojen kanssa kunkin miRNA ja tavoitteensa yli 5 kudoksia, 8 kudokset , 11 kudosten ja 15 kudoksiin, vastaavasti. Vuodesta laskentatulokset, huomaamme, että tappiofunktion arvosta eri yli 15 kudoksiin on suurempi kuin tappiofunktion arvosta eri alle 15 kudoksiin. Siksi emme pidä tapauksessa kudos luku, joka on suurempi kuin 15, ja vain valitsivat 3-15 kudosta numeroita löytää optimaalinen kudos numero. Tulokset osoittavat, että optimaalinen kudos numero, joka on johdettu algoritmi riippuu miRNA.

Tämä paperi pääasiassa esitetään tulokset, kun. Olemme käyttäneet muita arvoja kuten menetys toiminto valita kudoksiin. Tulokset ovat samanlaiset kuin. Koska käytetään säätämään painon välinen keskiarvo korrelaatiot ja osuus positiivisia korrelaatioita 1-, ja olemme enemmän huolissaan osuuden positiivisia korrelaatioita, laitamme enemmän painoa toisella aikavälillä. Tässä tutkimuksessa tuloksia käyttämällä johtaa hyvään suorituskykyyn. Siksi on ehdotettu arvo käyttämällä tätä algoritmia. Muiden todellisissa sovelluksissa Tämän algoritmin, lukijat voivat käyttää koulutus dataa saamiseksi sopivaan arvoon.

Lisäksi tehdä enemmän objektiivinen analyysi valinnassa MTI-tuettu kudoksia, sen sijaan, että valitsemalla kudoksen asettaa keskuudessa kudoksen sarjat 15, joka minimoi tappiofunktion (1), me ehdotettu menetelmää sijoittua kudoksiin seuraavat kaksi vaihetta. Ensimmäinen askel on löytää 13 kudoksen sarjaa, jotka minimoivat menetys vastaavan toiminnon 15, vastaavasti. Toinen vaihe on sijoittua kudoksiin esiintyi näissä 13 kudoksessa sarjaa niiden esiintyminen joukossa, 13 kudoksen sarjaa. Kudos kaikkein esiintymistiheys on ensimmäisellä sijalla ja niin edelleen. Ranking Tulokset on esitetty taulukossa 3, joka voi antaa tietoa merkitys MTI tukeman kudoksissa.

Tulokset

Käyttämällä algoritmia, saadaan MTI-tuettu kudoksia 19 miRNA, jotka on lueteltu taulukossa 2. seuraavassa käytämme HSA-miR-17 esimerkkinä kuvaamaan analyysin tulos. Kuvassa 4 on esitetty käyriä tiheysfunktio korrelaation ja heatmap HSA-miR-17. Kuvio 4 (a) esittää tiheyden käyrä korrelaatioita (yhtenäinen viiva) kaikista 743 kokeellisesti validoitu MTIs kaikissa 89 kudoksia ja tiheys juoni korrelaatioita (katkoviiva) välillä HSA-miR-17 ja sen tavoitteet yläreunassa 6 MTI- tuettu kudoksiin. Kiinteä viiva on symmetrinen ja keskitetty nollaan; kuitenkin, katkoviiva on oikeassa vinossa. Ilmeisesti oikea-vinossa tiheys juoni väliset korrelaatiot HSA-miR-17 ja sen tavoitteet yläosassa 6 MTI-tuettu kudoksissa osoittaa, että useimmat korrelaatiot ovat negatiivisia, mikä on mukaisesti Hajoaminen välillä miRNA ja tavoitteensa. Sen sijaan, että korrelaatiot kaikkien 743 kokeellisesti validoitu MTIs kaikissa 89 kudokset ovat lähellä nollaa tarkoittaa, että säätely alaspäin käyttäytyminen miRNA sen kohteissa vain näyttää poikki MTI-tuettu kudoksissa.

. Vertailu korrelaatio tiheydet kaikille 743 kokeellisesti validoitu MTIs (yhtenäinen viiva) ja HSA-miR-17 24 tavoitteet yläreunassa 6 MTI-tuettu kudoksissa (katkoviiva). b. Ilmaisu profiilit HSA-miR-17 ja 24 tavoitteet yläosassa 6 MTI-tuettu kudoksiin. Väliset korrelaatiot ilmentymisen profiili HSA-miR-17 ja profiilit kohdegeenien oli selityksin vieressä geenin symboli. Green edustaa heikkoa ilmentymistä ja punainen edustaa voimakasta ilmentymistä vastaavien geenien ja kudoksissa.

Kuva 4 (b) on esimerkki, joka osoittaa, että ekspressiota profiilit useimpien HSA-miR-17 kohdegeenien korreloivat negatiivisesti ilmiasun kanssa profiilia HSA-miR-17. Kuviossa 4 (b), ilmentymisen profiilit HSA-miR-17 ja 24 kohdegeenien yläosassa 6 MTI-tuettu kudoksia on esitetty. Korrelaatio ilmaisu profiilien HSA-miR-17 ja kohde-geeni on lisätty huomautusta vieressä geenin symbolin kuviossa 4 (b). Useimmat ilmentymisen profiilien HSA-miR-17 kohdegeenien korreloivat negatiivisesti ilmentymisen profiili HSA-miR-17. Ilmentymisen profiilit HSA-miR-17 kohdegeenin TGFBR2 positiivisesti korreloi miRNA ilmentymisen profiili. Vaikka se on kokeellisesti vahvistettu, että nämä kohdegeenien voitiin estää HSA-miR-17, TGFBR2 ei ole. Syynä positiivinen korrelaatio HSA-miR-17 ja näiden geenien voisi olla, että nämä geenit säädellään muita vahvemman sääntelyn tekijöitä. Tukemaan epäilyn, me uudelleen tutkimukset HSA-miR-17 asetuksen TGFBR2, mikä osoittaa, että TGFBR2 ilmaisua ei voitu havaita, koska Mikrosatelliittimarkkerien-epävakautta ja mutaatiot [32] – [34].

lisäksi korrelaatio tiheyden tontteja muiden 18 miRNA ja tavoitteensa (At https://tsmti.mbc.nctu.edu.tw) paljastavat samanlaisia ​​tuloksia kuin HSA-miR-17. Esimerkiksi ehdotettu algoritmi hakeutuu 5 top erityisiä kudoksia HSA-miR-21, joka on suurin tavoite numero (43 kiekkoa) joukossa miRNA jotka on otettu huomioon tässä tutkimuksessa. Lisäksi olemme myös löytää top 8 MTI-tuettu kudosten HSA-let-7a ja tavoitteensa. Molemmat korrelaatio tiheyden tontteja poikki MTI-tuettuja kudokset ovat oikeassa vinossa ja ovat suurempia kuin tonttien kaikissa 89 kudoksiin. Lisäksi korrelaatio tiheyteen tuloksia, huomaamme, että valittu kudos numero riippuu miRNA. Vuonna Menetelmät jaksossa, osoitamme, että optimaalinen kudoksen numero, joka on johdettu algoritmi on riippuvainen miRNA. Koska tila on rajallinen, me vain tarjota suunniteltaessa esimerkin miR-17 yksityiskohtia. Muille miRNA, laskemme keskimääräisen korrelaation välillä miRNA ja sen tavoitteet kaikissa 89 kudoksia ja keskimääräinen korrelaatio välillä miRNA ja sen tavoitteet poikki valitun MTI-tuettu kudoksiin. Sitten käytämme arvoa toisen keskimääräistä korrelaatiota, vähennetään ensimmäisen keskimääräinen korrelaatio kuin metrinen määrällisesti laadun parantamiseen. Tulokset on esitetty taulukossa 2. Arvot ovat alueella -0,32–0,68. Arvo miR-17 on -0,536. Se paljastaa, että keskimääräinen korrelaatio välillä miRNA ja sen tavoitteet poikki valitun MTI-tuettuja kudokset ovat voimakkaasti negatiivinen korreloi keskimääräistä korrelaatiota välillä miRNA ja sen tavoitteet kaikissa 89 kudoksiin.

Koska top 6 MTI-tuettu kudoksia, jotka on valittu HSA-miR-17 sisältävät tuumorikudoksia, jota voidaan kysellä äärimmäisen ekspressiotasoja, ojennamme top 6 MTI-tuettu kudosten muihin kudoksiin saman elimen kuin top 6 MTI-tuettu kudoksiin. Top 6 MTI-tuettu kudosten HSA-miR-17 sisältää kasvain ja normaalit kudokset. Tuumorikudoksista koostuvat eturauhas-, rinta- ja kohdun kudoksissa. Normaalit kudokset koostuvat rinta- ja kohdun kudoksissa. Useita kudoksia on pidennetty 24, koska kokonaismäärästä kasvaimen eturauhasen kudosten, kasvaimen /normaali rinta kudosten ja kasvaimen /normaali kohtu kudosten on 24. Täällä jälleen tarkastellaan ekspressiotasot 24 kudosten HSA-mir-17. Vain 19 ekspressiotasot ovat suurempia kuin 7,25. Kudos on eliminoitu, jos sen miRNA ilmentymisen taso, joka vastaa kudos on pienempi kuin 7,25, joka on cutoff kohta, jota käytettiin Huang et al. [7]. Kuvio 5 esittää korrelaatio tiheyden juoni (vihreä katkoviiva) varten laajennetun tuloksia. Verrataan kuviossa 4 (a) kuvion 5, lisäämme vihreä katkoviivalla kuviossa 5, joka on korrelaatio tiheyden käyrä HSA-miR-17 ja sen tavoitteet koko 19 laajennetun kudoksiin. Vihreä katkoviiva on aina välillä mustan yhtenäinen viiva ja punainen katkoviiva. Tuloksena käy selvästi ilmi, että analyysi, joka perustuu 6 MTI-tuettu kudosten johtaa parhaan tuloksen, jota seuraa jatkettu kudokset, jotka ovat parempia kuin analyysi, joka perustuu 89 kudoksiin.

Comparison of korrelaatio tiheydet kaikille 743 kokeellisesti validoitu MTIs kaikissa 89 kudokset (musta yhtenäinen viiva), HSA-miR-17 24 tavoitteet yläreunassa 6 MTI-tuettu kudoksissa (katkoviivalla), HSA-miR-17 24 tavoitteet puolilla 19 laajennetaan kudokset (vihreä katkoviiva) ja HSA-miR-17 95 ennusti tavoitteet yläosassa 6 MTI-tuettu kudoksissa (sininen katkoviiva).

lisäksi olemme myös tutkia tavoite ennustus, joka perustuu valitun kudoksiin. Etsimällä säilytetyn 8mer ja 7mer sivustoja, jotka vastaavat siemenen alueen kunkin miRNA päässä TargetScanS ennustustyökalun [3] – [5], meillä on 95 ennusti tavoitteita HSA-miR-17 meidän aineisto, jotka perustuvat top 6 MTI-tuettu kudoksiin. Sininen katkoviiva kuviossa 5 on korrelaatio tiheys HSA-miR-17 ja 95 ennustetaan tavoitteet yläosassa 6 MTI-tuettu kudoksiin. Vaikka pieni osa korrelaatiot ovat positiivisia korrelaatioita, useimmat korrelaatiot ovat negatiivisia kuin kaikissa 89 kudoksissa. Kuitenkin korrelaatio tiheyden HSA-miR-17 ja 95 ennustetaan tavoitteet yläosassa 6 MTI-tuettu kudoksissa (sininen katkoviiva) ei ole parempi kuin se on saatu käyttämällä 24 kokeellisesti validoitu MTIs yläosassa 6 MTI-tuettu kudoksia (punainen katkoviiva) ja jotka saatiin käyttämällä 24 kokeellisesti validoitu MTIs poikki 19 laajennetun kudoksissa (vihreä katkoviiva). Hyväksymällä 95 ennusti tavoitteita HSA-miR-17 yläosassa 6 MTI-tuettu kudoksissa voi vielä parantaa korrelaatiot, jotka eivät ole lähellä nollaa. Laajennetussa tapauksessa ja ennustettu tapauksessa voidaan päätellä, että ehdotettu algoritmi on luotettava valitsemiseksi MTI-tuettu kudoksissa.

Keskustelu

Meidän lähestymistapamme keskittyy löytää MTI-tuettu kudoksia varten miRNA perustettava kokeellisesti validoitu kohdegeenien. Olemme kuitenkin löytää mRNA: t eivät ole alas-säädellä niiden kokeellisesti validoitu miRNA. Useita mahdollisia syitä on kuvattu. Ensinnäkin mRNA ilmaisu voidaan säädellä useita tekijöistä, kuten DNA: n kopioiden lukumäärä, kopioinnin säätely ja transkription jälkeisen sääntelyn. Koska meidän lähestymistapa valitsee joukko eri kudoksissa, miRNA tukahduttaminen kyky voi olla pienempi kuin muut sääntelymekanismeja osittain valittujen kudosten. Toiseksi jotkut miRNA paitsi alas-säädellä niiden kohdegeenien, mutta myös säätää ylös niiden kohdegeenien [35]. miRTarBase ei sisällä mitään informaatiota miRNA ajan säätelee tai alas-säätelee kohdegeenien. On oletettu, että miRNA vuonna miRTarBase voi vain alas -regulate sen kohdegeenien. Tästä huolimatta monet miRNA on raportoitu, että miRNA voidaan säätää ylös niiden kohdegeenien [35] – [38]. Esimerkiksi kirjaa MIRT004506 in miRTarBase on että miR-466l up-säätelee IL-10 sitoutumisen kautta AU-rikas alue 3’UTR [36]. Siksi jotkut ylössäätöä ilmiöt ovat löytäneet pois korrelaatio tiheyden tontteja poikki MTI-tuettu kudoksissa.

Vuodesta korrelaatio tiheyden tontteja poikki MTI-tuettu kudosten taulukossa 2, huomaamme, että useat kokeellisesti validoitu MTIs ovat korreloi positiivisesti miRNA ekspressioprofiileja. Ensimmäinen, miR-145 on positiivisesti korreloi kohdegeenin insuliinireseptorisubstraatti 1, jossa korrelaatio 0,55. Aiempi raportti osoittaa, että miR 145 voi alas-säädellä proteiinin taso insuliinireseptorisubstraatti 1, mutta ei alas-säädellä mRNA insuliinireseptorisubstraatti 1 [39]. Siksi negatiivinen korrelaatio miR 145 ja insuliinireseptorisubstraatti 1 ei noudateta. Lisäksi jotkut solulinjat, kuten BCT-20, eivät ilmaise insuliinireseptorisubstraatti 1. Siten alas-säätely insuliinireseptorisubstraatti 1 by miR-145 ei voida havaita [40]. Toinen ei-negatiivinen korrelaatio MTI on miR-1 ja SERP1. Tutkimus, joka ei tutkia vuorovaikutusta miR-1 ja SERP1, osoittaa, että down-regulation of SERP1 by miR-1 ei ole merkittävää [41]. MiRTarBase tietokanta voisi tallentaa monia kokeellisesti validoitu MTIs joiden tavoite geenit ovat merkitsevästi alassäädetty vastaavalla miRNA. On vaikea määrittää syy joidenkin korreloi positiivisesti kokeellisesti vahvistettu MTIs, kuten kokeellisesti vahvistettu MTI välillä miR-1 ja FOXP1. Kehittyneempiä kokeita tarvitaan tutkia näitä MTIs.

Kuva 6 (a) on laajennettu kuva kuvion 4 Keräämme ekspressioprofiileja, joista näytteitä samasta elimet, jotka on lueteltu kuviossa 4. Havaitsemme enemmän ristiriidassa korrelaatiot kokeellisesti validoitu MTIs. Ensimmäinen korrelaatio ekspression CDKN1A ja HSA-miR-17 on 0,23, ja korrelaatio ilmentymisen RUNX1 ja HSA-miR-17 on 0,04. Aiemmat tutkimukset ovat osoittaneet, että CDKN1A ja RUNX1 säätelee useita miRNA [42], [43]. Koska meidän lähestymistapaa, joka vain toteaa yhden miRNA ja sen vastaava kohdegeenien ilmentyminen CDKN1A ja RUNX1 ei yksinkertaisesti negatiivisesti korreloivat ilmentymisen HSA-miR-17. Kahden ristiriidassa tutkimukset osoittavat, että HSA-miR-17 voi tai ei voi estää käännös PTEN. Olive et al. (2009) todettiin, että PTEN voitaisiin tukahduttaa vastaavasti miR-19, mutta ei HSA-miR-17, B-solulymfooman [44]. Koe oli raportoinut Trompeter et al. (2007) osoittaa, että PTEN merkittävästi tukahduttaa HSA-miR-17 HEK293T soluissa ja munuaisen soluista [45]. NCOA3 (Aib1) ei korreloi ilmentymisen HSA-miR-17. Ilmaisu korrelaatiot ovat negatiivisia rintakudosten ja ovat yhtä mieltä tutkimus, joka osoitti, että NCOA3 on alas-säädellä HSA-miR-17 [46]. Kuitenkin, nämä vuorovaikutukset eivät korreloi negatiivisesti muun kudoksiin. Tämä ilmiö osoittaa, että miRNA-tavoite vuorovaikutus on MTI-tuettu kudosspesifisiä ja paljastaa, että lähestymistapamme saattavat sisältää kudokset jonka kokeellisesti validoitu MTIs eivät toimi. Koska siemenet alueen miR-17, miR-106a ja miR-20a ovat identtisiä, ilmaus korrelaatio HSA-miR-17 ja sen kohdegeenien saattaa vaikuttaa muiden miRNA. Näin lähestymistapamme voi määrittää, mitä kohdistaa geenejä vallitsevasti säätelee HSA-miR-17 ja löytää ei-MTI-tuettu kudoksissa.

a. Ilmaisu profiilit HSA-miR-17 ja 24 tavoitteet poikki 19 laajennettu kudoksiin. Väliset korrelaatiot ekspressioprofiilit HSA-miR-17 ja kohde- geenien selityksineen vieressä geenin symboleja.