Krooninen sairaus

tiivistelmä

Background

Toistaiseksi tutkijat ovat havainneet lukuisia tuumorisuppressorigeeneille (APT) ja onkogeenien ( OCGs), jotka kontrolloivat solujen lisääntymisen ja apoptoosin aikana syövän kehitystä. Lisäksi APT ja OCGs voivat toimia modulaattoreina transkriptiotekijöiden (TF: t) vaikuttamaan geenisäätelyn. Kattava tutkimus APT, OCGs, TF: ien ja niiden yhteinen tavoite geenien verkon tasolla voi tarjota syvemmän ymmärryksen posttranslationaalinen modulaatio APT ja OCGs TF geenisäätelyn.

Menetelmät /Principal Havainnot

tässä tutkimuksessa olemme kehittäneet uuden laskennallisen kehyksen tunnistamiseksi kohdegeenien APT ja OCGs käyttäen TF: t kuten siltoja integroimalla proteiini-proteiini vuorovaikutusten ja geenien ilmentyminen tietoja. Käytimme tätä putkilinja munasarjasyöpä ja rakennettu kolmikerroksinen sääntelyverkon. Verkossa, pintakerros koostui modulaattorit (APT ja OCGs), keskimmäinen kerros mukana TF: ien, ja pohjakerros sisälsivät kohdegeenien. Laskennallisen suhteita verkossa, me koottu TSG ja OCG profiilit ja suorittaa klustereiden analyysejä. Mielenkiintoista, löysimme APT ja OCGs muodostivat kaksi erillistä oksat. Geenit APT haara merkittävästi rikastuneet DNA-vaurioita ja korjaus, säännellä makromolekyylin aineenvaihdunta, solusyklin ja apoptoosin, kun taas geenien OCG haara merkittävästi rikastettu ErB signalointireitin. Merkillistä, niiden erityistavoitteet osoitti päinvastaiseksi toiminnallinen rikastumista kannalta apoptoosin ja ErbB- signalointireitin: kohdegeenien säätelee OCGs vain rikastuneet anti-apoptoosin ja kohdegeenien säätelee APT vain rikastuneet ErB signalointireitin.

Johtopäätökset /merkitys

Tämä tutkimus tarjoaa ensimmäisen kattavaa tutkimusta vuorovaikutuksen APT ja OCGs on sääntelyverkon moduloidaan TF: iä. Meidän sovellus munasarjasyövän paljasti erillisen sääntelyn malleja APT ja OCGs, mikä viittaa kilpailukykyinen sääntelymekanismi vaikuttamalla apoptoosin ja ErB signalointireitin kautta erityistä tavoitetta geenejä.

Citation: Zhao M, Sun J, Zhao Z ( 2012) Erilliset ja kilpailukykyistä Regulatory Patterns of kasvain ja onkogeeneihin munasarjasyövässä. PLoS ONE 7 (8): e44175. doi: 10,1371 /journal.pone.0044175

Editor: Szabolcs Semsey, Niels Bohr Institute, Tanska

vastaanotettu: toukokuu 28, 2012; Hyväksytty: 30 heinäkuu 2012; Julkaistu: 30 elokuu 2012

Copyright: © Zhao 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: Tämä työ oli osittain tuettu avustuksia National Institutes of Health (R01LM011177 ja VICC Cancer Center Core avustus P30CA68485). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen. Ei ylimääräistä ulkoista rahoitusta saatiin tähän tutkimukseen.

Kilpailevat edut: Kirjoittajat lukenut lehden politiikan ja ovat seuraavat ristiriitoja: Co-kirjailija Zhongming Zhao on PLoS One Editorial hallituksen jäsen. Tämä ei muuta tekijöiden noudattaminen kaikki PLoS ONE politiikan tietojen jakamista ja materiaaleja. Muut kuin edellä, kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Syöpä on ominaista hallitsematon solukasvu, joka johtuu kertyneen genomista mutaatioita geeneissä, jotka normaalisti tärkeä rooli säätelyssä solujen lisääntymisen ja apoptoosin [1]. Kaksi suurta ryhmää proteiinia koodaavan geenit vaikuttavat syöpäsolun kasvua vastakkaiseen tavoilla. Ensimmäinen ryhmä koodaavat tuumorisuppressorien, joiden toiminnan menetys vaikuttaa syövän kehittymiseen [2]. Toinen ryhmä geenejä ovat onkogeenien, joiden voitto toiminto voidaan laukaista syövän kehitystä [3]. Tästä eteenpäin lyhennetty näiden kahden geenejä APT ja OCGs. Monet APT ovat ”vartija solu”, koska niiden kriittisiä rooleja solusyklin tarkastuspisteitä ja aiheuttamaan apoptoosin [2], [4]. Esimerkiksi tunnettu APT

RB

ja

TP53

pidetään anti-onkogeenien koska niiden vaikutuksista vastaisia ​​toimia tunnettujen onkogeenien solukasvun [5]. Normaalissa solussa, OCGs sijaitsevat kromosomeissa, kuten proto-onkogeenien. Kun aktivoidaan pistemutaatioita tai muita järjestelmiä, kuten geenimonistuksen, proto-onkogeenien voidaan muuntaa OCGs stimuloimaan solujen lisääntymistä ja edistää solujen eloonjäämistä häiritsemällä apoptoosin [3].

Viime vuosikymmeninä huomattavan määrä APT ja OCGs luonnehdittiin niiden toimintoja solujen lisääntymisen ja apoptoosin [2], [3], [4]. Kuitenkin taustalla molekyylitason mekanismeja näiden APT ja OCGs säännellä biologisia prosesseja transkriptio tasolla vielä epäselvää, erityisesti järjestelmät ja solujen tasolla. On tunnettua, että DNA-sitovan transkriptiotekijöiden (TF: t) pelata suuria rooleja geenin transkription säätelyyn [6]. TF toimintaa säätelee pääasiassa muiden molekyylien translaation jälkeisen tason [7]. Aikaisemmin tutkimukset ovat osoittaneet, että APT, kuten

RB1 ​​

ja

KL

, voi vaikuttaa aktiivisuuteen TF: ien tai kasvutekijöiden niiden translaation jälkeinen modulaattorit [8], [9]. Syövän tumorigenesis, suurin osa APT ja OCGs eivät kuulu ryhmään ien; Näin ollen, ne eivät voi suoraan säädellä geeniekspressiota. Siksi, muuttaakseen TF: t on translaation jälkeisen tason voi tarjota mekanismi APT ja OCGs säätelemään geeniekspressiota välillisesti.

Munasarjasyöpä (lyhennettynä OVC tässä tutkimuksessa) on viides suurin syy syöpään liittyvien kuolleisuus joiden esiintyvyys 1,4% 2,5% Yhdysvaltain naisten [10]. Etsintä vakuuttavia kandidaattigeenit viime vuosikymmenellä, vaikkakin kaukana täydellisestä tai vakuuttavia, on tarjonnut perustan systemaattista analyysejä niiden geneettisen panoksensa OVC [11]. Lisäksi genomin mittakaavan teknologiat ovat tuottaneet suuria määriä geeniekspressioprofilointi ja muiden geneettisten ja genomista tietoa sadoista OVC näytteiden [12], [13], [14], [15]. Nämä geneettiset ja suuren suorituskyvyn genomista tiedot ovat antaneet meille mahdollisuuden tunnistaa kriittinen sääntelyverkon joka on elintärkeä syövän kehitykseen [16], [17]. Lisäksi karsinogeneesi munasarja liittyy monia erityisiä etiologiset tekijät kuten hormonit ja ovulaation [18], joka kyseenalaiseksi miten geeniregulatiivista verkko integroituu signaaleja vastaamaan hormoni ärsykkeisiin. Meidän hypoteesi oli, että järjestelmällinen integrointi TF: ien ja niiden mahdollisten modulaattorit (APT ja OCGs) tarjoaa tehokkaan lähestymistavan löytää geeniregulatiivista verkon OVC. Tämä sääntelyyn verkko voi tarjota uusia sääntelyn mallia APT, OCGs ja TF: t geenien ilmentymisen kriittisissä kasvainten synnyssä prosesseissa kuten solukierron ja hormoni ärsyke.

Täällä esittelemme laskennallinen lähestymistapa rakentaa hierarkkinen sääntely verkon proteiini-proteiini vuorovaikutusten (PPI) ja geenien ilmentyminen tietoja käyttämällä TF: t kuten siltoja yhdistämään tärkeitä modulaattorit (APT ja OCGs) niiden mahdollisen kohdegeenien. Käytimme tätä lähestymistapaa rakentaa kolmikerroksinen sääntelyverkon OVC, jossa pintakerros mukana 29 APT ja 13 OCGs, keskikerroksessa mukana 15 TF: ien ja pohjakerros mukana 65 yhteisen kohdegeenien. Lisäksi sääntely profiili klustereiden analysoi jaettuina APT ja OCGs kahteen eri oksat. APT olivat pääasiassa mukana DNA-vaurioita ja korjaus, solusyklin ja apoptoosin, kun taas OCGs pääasiassa ryhmittyneet yhteen ErB signaalitransduktioreittiin ja vastaus hormoni ärsykkeisiin. Lisäksi OCG-erityisiä kohdegeenien rikastuneet negatiivinen apoptoosisäätelijät, kun taas TSG-erityisiä kohdegeenien rikastuneet ErB signalointireittejä. Nämä tulokset paljastivat selvä funktio kuvio APT ja OCGs, paitsi omaa vastapäätä tehtävät syövän kehitystä, mutta myös päinvastainen rikastetun toimintoja erityisten kohdegeenien. Olemme ensimmäistä kertaa raportoitu kilpailukykyinen sääntely kuvio APT ja tavoitteensa tutkittu verrattuna OCGs ja tavoitteensa; Tässä raportoitu havainto, löysimme APT, OCGS yhdessä niiden tavoitteiden välillä, on taipumus reagoida oppositiossa kun apoptoosin ja ErB signalointireitin. Lisätutkimuksia Tämän havainnon perusteltua.

Materiaalit ja menetelmät

Gene kerääminen ja Curation sekä APT, OCGs ja TF: iä OVC

kattavasti kerätä OVC liittyviä geenejä, me jäsennetään ja kuraattorina neljätoista tietolähteitä, mukaan lukien syövän mutaatio tietokanta Luettelon Somaattiset mutaatiot Cancer (COSMIC, versio 55) [19], Mendelian Inheritance in Man (OMIM, lokakuu 2011) [20], Genetic Association Database (GAD lokakuuta 2011) [21], tietokannan Functional Census of Human Cancer Gene (F-Census, October, 2011) [22], online-Dragon Database Exploration of munasarjasyövän Genes (DDOC, lokakuu 2011) [23 ], yksi kattava asiantuntija arvio OVC liittyviä geenejä Nature Reviews Cancer [11], kirjallisuudesta tietokannan Generif [24], julkaistu genomin laajuinen yhdistys tutkimukset [25], [26], [27], ja kuusi kandidaattigeenifragmenttikloonien luettelot tuotettu laajamittainen genomista laiturien OVC The Cancer Genome Atlas (TCGA) [12]. Yksityiskohdat geeni keruuta kustakin tietolähteen kuvataan Teksti S1, ja jotkut lähestymistavat geenin keräys ja merkinnät myös sovellettu menestyksekkäästi muiden sairauksien kandidaattigeenifragmenttikloonien priorisointia [28], [29], [30]. Lopuksi, 1257 ei-tarpeeton OVC liittyviä geenejä kuratoinut seuranta-analyysi (taulukko S1).

käsin kuratoinut APT ja OCGs klassista katsauksia OVC ja yleinen syöpä [2], [4], [ ,,,0],11], [31] ja uutetaan tunnettujen ihmisen TF: ien päässä Transfac ammattilainen tietokanta (Release 2011.4) [32]. Niistä 1257 OVC geenejä, 100 ainutlaatuinen sääntelyviranomaisten jaettiin, kuten 35 APT, 15 OCGs, ja 50 TF geenejä.

Verkko Topological Analyysit ja Extraction Aliverkkomaskia keskitetty APT, OCGs ja TF: t Human Interactome

ladataan undirected ihmisen proteiini-proteiini-vuorovaikutuksen (PPI) datan Protein Interaction Network Analysis (PINA) alustan (kesäkuu 2011) [33]. Vuonna PINA, sisältyvä data itse vuorovaikutukset, ennustettu vuorovaikutus tietokoneohjelmien avulla, ja vuorovaikutukset ihmisen proteiineja ja proteiinien muista lajeista. Meidän putki, me vain käyttää ei-tarpeeton ihmisen protonipumpun estäjien kanssa kokeellisen tuet jälkeen poistimme ennusti PPI ja itsensä vuorovaikutusta sekä PPI-lääkkeet, joihin proteiinit muista lajeista. Tämä prosessi tuotti ihmisen PPI verkon 11654 solmujen (proteiineja) ja 72630 linkkejä (PPI).

rakentamiseksi aliverkko keskitetty APT, OCGs ja TF: t ja saada yleiskuvan varten topologinen verkko ominaisuuksia näiden OVC geenien me ensin kartoitettu kaikki siihen liittyvät geenit ihmisen PPI verkkoon. Vertailun vuoksi me koottu viisi geeniä luettelot suorittamaan verkon topologinen analyysejä. Ensimmäinen aineisto sisältyi 467 tunnetaan syöpä geenit Sanger Cancer Gene Census lista [34], joista 378 geenit kartoitettiin ihmisen PPI verkkoon. Seuraavaksi jaetaan meidän kerätty 1257 OVC geenejä neljään ryhmään: tunnettu APT, tunnettu OCGs, TF: t ja jäljellä oleva yhteinen OVC geenejä. Kaikkiaan 33 APT, 14 OCGs, 50 TF geenejä, ja 905 yhteinen OVC geenit kartoitettiin PPI verkkoon. Seuraavaksi lasketaan kolme perus topologinen toimenpiteitä viisi geeniä luetteloihin. Nämä toimenpiteet sisältyvät aste, betweenness keskeisyys, ja läheisyys keskeisyyden ohjelmiston avulla Cytoscape [35]. Tutkinto mittaa yhteydet kunkin proteiinin ihmisen PPI-verkon [36]. Betweenness keskeisyyden edustaa kuinka usein proteiini etsii kaikki lyhimmän polun kahden muut proteiinit [36]. Läheisyys keskeisyys, jota kutsutaan myös lyhin-polku matkan, osoittaa lyhin vaiheet yhden solmun päästä toiseen [36]. Vertailua topologinen ominaisuuksia näistä viidestä geenistä luettelot, suoritimme kaksisuuntainen Kolmogorov-Smirnov testit (KS testit) toteutetaan R pakkauksessa 2.13.2 [37].

arvioimiseksi merkitystä verkon ominaisuuksien kunkin OVC TSG, OCG ja TF ihmisen PPI verkko, haimme empiirinen uudelleen otosta. Täällä otamme TSG geeni listan esimerkkinä. Ensinnäkin, 33 APT kartoitettu ihmisen PPI verkko, me satunnaisesti valittu 33 solmua tahansa 1257 OVC geenien ihmisen PPI verkkoon ja lasketaan kolmen topologinen ominaisuudet (aste, betweenness ja läheisyys). Me toisti satunnaistamista prosessissa 10000 kertaa. Seuraavaksi laskimme satunnaisia ​​valitun solmun sarjaa (N), joiden keskimääräinen aste, betweenness tai läheisyys olivat korkeammat kuin havaitut keskimääräinen aste, betweenness ja läheisyyttä, vastaavasti. Lopuksi laskimme niiden empiirinen

P

arvoon käyttäen N /10000 kolmenlaisia ​​topologinen ominaisuuksia, vastaavasti. Käytimme samanlaisia ​​lähestymistapoja 14 OCGs, 50 TF: t ja 97 säätelygeenit (33 APT, 14 OCGs ja 50 TF geenejä). Kootut

P

arvot luetellaan taulukossa S6.

Riippumatta näistä topologinen analyysien poimimamme 2024 suoraan interaktoreita 97 sääntelyn geenit (33 APT, 14 OCGs ja 50 TF geenit) ihmisen PPI verkko muodostaa aliverkkoon koostuu 2121 geenien tarkempaa analysointia.

rakentaminen hierarkkinen Regulatory verkko perustuu Gene Expression profiilit TCGA

Äskettäin TCGA tutkijat tutki geenin ilmentymisen 489 korkea-asteen serous OVC näytteitä kolmen geenin ilmentymistä microarray alustoille (Affymetrix eksoni 1,0 array, Agilent 244 K koko genomin ilmaisun array, ja Affymetrix HT-HG-U133A array) [12]. Seuraavaksi ne normalisoitui ja arvioitu ilmaisu jokaisesta näytteestä ja geenin kunkin alustan erikseen. Vähentämisen jälkeen keskiarvo poikki näytteitä samasta geenistä, jakoivat lauseke arvon keskihajonta poikki näytteen ja saanut suhteellisen geeniekspression tulokset. Lopuksi suhteellinen ekspressiotietojen kolmesta alustojen yhdistettiin yhdeksi, yhtenäinen tietojen joukko 11864 geenien avulla faktorianalyysiä malli ilman erää vaikutuksia [12], [38]. Lopullinen geenien ilmentyminen ladatun TCGA sivusto on muotoiltu matriisi, joka on yksi rivi jokaista geeniä ja yksi sarake jokaista näytteistä (https://tcga-data.nci.nih.gov/docs/publications/ov_2011 /).

Niistä 2121 geenit aliverkossa keskitetty OVC APT, OVC OCGs ja OVC TF: ien, 352 geenit (29 APT, 13 OCGs, 36 TF geenejä, ja 274 vuorovaikutuksessa geenien) päällekkäin 11864 geeni ilmaisun profiileja TCGA. Seuraavaksi käytimme ohjelmisto Mindy (modulaattori päättely Network Dynamics) ennustaa sääntely suhdetta APT, OCGs ja TF: iä. Mindy käytettiin tunnistamaan modulaattorit ien kanssa ilmentymisen profiilit posttranslationaalinen tason perustu ehdolliseen keskinäiseen tietojen [39]. Mindy vaatii neljä tuloa, mukaan lukien geenien ilmentyminen matriisi, TF kiinnostava, luettelo mahdollisista modulaattorin geenien, ja lista mahdollisista TF tavoitteita. Näin ollen ilmaisu matriisi 352 geenejä kussakin rivissä ja 489 OVC näytteiden kunkin sarakkeen kerättiin ensimmäinen tulo ohjelmiston Mindy. Ien kiinnostavia olivat 36 TF geenit meidän uutettu aliverkon. Mahdollinen modulaattorit sisälsi 29 APT ja 13 OCGs. Loput 274 vuorovaikutuksessa geenien meidän aliverkossa pidettiin mahdollisina TF tavoitteita.

Vähentää vääriä positiivisia TF-tavoite suhteita päätellä Mindy, me edelleen ennusti TF-kohde paria käyttäen MATCH ™ kanssa ydin pistemäärä 1,00 ja matriisin pisteet 0,95 [32], [40]. Otetaan esimerkiksi TF HMGA2: Mindy ennusti 29 APT ja 13 OCGs säännellä 106 ja 79 kohde- geenien kautta moduloiva HMGA2, vastaavasti. Olemme edelleen ennustettu 82 kohdegeenien päässä 1257 OVC liittyvien geenien avulla MATCH ™. Sen jälkeen verrataan 82 ennakoi maalin geenejä HMGA2, vain 18 ja 13 ainutlaatuinen geenejä yhteistyötä säätelee 29 APT ja 13 OCGs, vastaavasti. Lopuksi päällekkäisiä TF-kohde määräykset muodostivat lähtöverkkoon sisältävä 29 APT, 13 OCGs, 15 TF geenejä ja 65 yhteinen tavoite geenejä. Sääntely- verkossa, 3 APT, 3 OCGs, ja 4 TF geenejä myös päätellä kuin kohdegeenien muiden TF: ille. Siksi 112 ainutlaatuinen geenit integroitiin verkkoon. Lisäksi 4 tunnettu TF geenejä

FOXM1

,

MSX1

,

PPARg

ja

STAT5A

oli osoitettu kuten kohdegeenien meidän verkkoon, kun he eivät säännellä geenejä tässä sääntelyverkon. Lopullinen verkosto visualisointi 112 geenien suoritettiin käyttäen Cytoscape ohjelmistoa [35].

Rakentaminen ja Klusterointi TF ja Target Gene profiilit APT ja OCGs

analysoimiseksi loppupään kohdegeenien APT ja OCGs rakensimme tavoite profiilin jokaiselle TSG tai OCG tarkastelemalla kohdegeenien läsnä olevaksi tai poissa sen liittyvän meidän hierarkkinen sääntelyverkon. Tietyn TSG tai OCG, jos on sääntelyn suhde TSG /OCG ja yksi kohdegeenin määritetyn arvon kohdegeenin on TSG /OCG olisi yksi; muuten, se annetaan arvo nolla. Siten tietyn TSG /OCG, kohde profiili sisältää merkkijonon 65 merkinnät 0 tai 1. Samaa menettelyä sovellettiin rakentaa TF profiilin jokaiselle TSG tai OCG 15 merkinnät 0 ja 1. tutkimaan sääntely- malleja APT ja OCGs, hierarkkinen cluster analyysit tehtiin sekä kohdegeenin profiilin ja TF profiilin käyttäen R paketti 2.13.2 [37].

rakentaminen Regulatory aliverkkoihin on Apoptosis, Cell Cycle, hormoni stimulaatio ja Reproduction

jotta saadaan lisää ymmärrystä erityisiä toiminnallisia moduuleja meidän sääntelyverkon keskityimme neljään biologisista prosesseista, jotka sisältyvät apoptoosin, solusykliä, hormoni vaste, ja kopiointi, koska ne on raportoitu tärkeitä rooleja OVC ja myös rikastuneet sääntelyyn verkossa [41], [42], [43]. Olemme koottu neljään toiminnalliseen aikavälillä luetteloita apoptoosin, solusyklin, hormoni vastetta ja lisääntymiselle käyttämällä Gene ontologia (GO), Kyoto Encyclopedia of Genes and Genomit (Kegg) ja SwissP- merkintä termit DAVID verkkotyökalu [44]. Lopuksi, joka perustuu kuratoitu Toiminnallisesti, keräsimme 51 (apoptoosin), 47 (solusyklin), 21 (hormoni vaste), ja 16 (toisto) OVC geenit meidän hierarkkinen sääntelyverkon.

Edellä neljä kerättyjen geenejä, joista suurin osa voitaisiin kuvata ylhäältä ja alhaalta kerroksittain meidän hierarkkinen sääntelyverkon. Poimia aliverkon kunkin prosessin, ensin kartoitettu kerätyn geenit pohjakerrokseen, niin löytyy TF: ien (keskimmäinen kerros), joka liittyy näiden kohdegeenien, ja lopulta palvelukseen prosessin liittyviä APT ja OCGs (pintakerroksen) ja linkit näihin TF: ille. Hyödyntämällä tätä prosessia, saimme neljä aliverkkoa.

Statistical Testit rikastetun Functional GO Ehdot ja biologinen Väylät

arvioimiseksi funktio mielenkiintoisia geenin sarjaa, teimme toiminnallinen rikastamiseen kokeiden avulla online-työkalu DAVID [44]. Valitsimme nämä GO termejä kulkeutumisväylät kanssa tarkistetaan

P

-arvo alle 0,05 laskettuna hypergeometrisen testi seuraa Benjamini-Hochberg menetelmä [45], joka toteutettiin DAVID työkalu.

arvioimiseksi toiminnallista merkitystä 112 geenien lopullisissa aliverkossa, me satunnaisesti valittu 112 geenit 1257 OVC geeneistä ja vertailla korjattuihin

p

arvo jakelun. Kaikkiaan suoritimme satunnaistamiskaavion kymmenen kertaa ja selityksin kukin geeni listan avulla DAVID. Perustuu Benjamini-Hochberg säätää

P

arvoa, vertasimme

P

arvo jakelu meidän 112 geenien ja kymmenen satunnaisesti valitun geenin listoja (kuva S6).

tulokset

Katsaus Computational Pipeline rakentaa hierarkkinen Regulatory Network

Kuten kuviossa 1, meidän putki alkoi kooste kandidaattigeenejä, APT, OCGs, ja TF tietyn syöpä, kuten munasarjasyöpä. Seuraavaksi poimimamme aliverkko keskitetty näiden tunnettujen APT, OCGs, TF: ien ja niiden suora interactors ihmisen PPI verkkoon. Sitten, geenien ilmentyminen profiilit liittyvät geenit aliverkossa oli syötetty mindy päätellä APT ja OCGs post-translaation modulaattorit ien. Tuotos Mindy oli sääntelyverkon joka käsitti pintakerroksen kanssa modulaattorit (APT ja OCGs), keskimmäinen kerros TF: ien ja pohjakerros yhteisiä kohdegeenien kahdessa ylimmässä kerrosta. Edelleen vähentää vääriä positiivisia TF-kohde suhteet päätellä Mindy, me tarvitaan, että ennustettu TF-kohde paria vahvistettiin myös TF-kohde ennustustyökalun MATCH ™. Lopullinen tuotos tämä putki oli kombinatoorista sääntelyverkon Aitojen perinteisten, OCGs, niiden moduloiva TF: ien ja säännellä kohdegeenien. Olemme soveltaneet tätä laskennallinen putki meidän kuratoituja 1257 OVC kandidaattigeenit ja lopuksi rakennettu kolmikerroksinen sääntelyverkon joka sisälsi 29 APT, 13 OCGs, 15 TF geenejä, ja 65 yhteinen tavoite geenejä.

Tämä luku osoittaa TSG ja OCG sääntely- verkon rakentaminen ja kriittisten loppupään reittejä moduloidaan APT ja OCGs. Meidän putki käsittää neljä päävaihetta. 1) kerääminen munasarjasyöpä (OVC) liittyvien geenien, tuumorisuppressorit (APT), onkogeenien (OCGs), ja transkriptiotekijöitä (TF: t) julkisista tietokannoista ja kirjallisuudesta. 2) purkaminen aliverkkoihin keskitetty OVC APT, OCGs ja TF: t mistä proteiini-proteiini-vuorovaikutuksen (PPI) datan. 3) integrointi genomin mittakaavan ekspressiotietojen rakentaa hierarkkinen sääntely verkon OVC liittyvä APT, OCGs, TF: t ja kohde geenejä. 4) Analysoidaan myötävirtaan väyliä ja aliverkoiksi säänneltyjen geenien tutkia vuorovaikutuksen APT ja OCGs tietyissä biologisissa prosesseissa. Modulaattori päättely Network Dynamics (Mindy) on työkalu, jota käytetään tunnistamiseen translaation jälkeisen modulaattorit ien perustuvan ilmaisun profiileja. Proteiini Interaction Network Analysis (PINA) on alusta proteiinin vuorovaikutukseen verkon rakentamiseen.

APT, OCGs ja TF: iä OVC Show Korkea Connectivity, Betweenness ja läheisyys Centrality Human PPI Network

vertailujen perusteella kolmen topologinen ominaisuudet (aste, betweenness keskeisyys, ja läheisyys keskeisyyden) viideksi syöpään liittyvien geeni luetteloita, saimme ensimmäinen oivalluksia arkkitehtuuria OVC liittyvien geenien ihmisen protonipumpun estäjiä (katso materiaalit ja menetelmät) . Kuvio S1 näyttää asteen jakauma viiden aineistot ja kaikki proteiinit ihmisen PPI-verkkoon. Keskimääräinen aste 97 geenien (OVC APT, OCGs ja TF: t) oli 56,12, joka oli huomattavasti korkeampi kuin geenien syöpää geenistä laskennan (35.33, Kolmogorov-Smirnov testi (KS-testi),

P

-arvo = 3.36 x 10

-2) tai 905 OVC yhteisiä geenejä (21.83, KS testi

P

-arvo = 7,12 x 10

-8). Arvioidaan merkitystä lasketun topologinen ominaisuudet, haimme empiirinen uusien näytteiden lähestymistapa laskea empiiristen

P

arvot kullekin ominaisuuksien (taulukko S6). Paitsi

P

arvo betweenness keskeisyyden peräisin TF: t (0,08), kaikki loput

P

arvot olivat alle 0,01. Nämä empiiriset

P

-arvot ehdotti, että havaitut verkko-ominaisuuksia olivat todennäköisesti syntyy sattumalta. Edelleen KS testit osoittivat, että betweenness ja läheisyys centralities ja 97 geenit olivat huomattavasti korkeammat kuin geenit Cancer Gene Census ja 905 OVC yhteinen geenejä (

P

-arvot 0,05, taulukko S2). Meidän vertailu 97 geenien (OVC APT, OCGs, ja TF: t) ja muut syöpä geenit hiljaista, että nämä 97 geenit olivat korkeampia paikallisia yhteyksiä ja lyhyempiä polkuja muihin proteiineihin. Kun otetaan huomioon korkea, betweenness ja läheisyys centralities, aliverkko niiden suora interactors saattaa riittää kuvaamaan sääntelyn ominaisuudet 97 geenien.

OVC sääntelyyn Gene Network moduloidaan APT ja OCGs

alkaen 97 geeneistä, me integroineet PPI-lääkkeitä, geeniekspressioprofiilien, ja TF-kohde ennustuksen tietoja ohjelmistot Mindy and match ™ (katso materiaalit ja menetelmät). Lopullinen kolmikerroksinen sääntelyverkon rakennettiin, joka sisälsi 112 ainutlaatuista geeneistä (29 APT, 13 OCGs, 15 TF geenejä ja 65 yhteinen tavoite geenejä) ja 353 linkit (kuvio 2A ja taulukko S3). Toiminnallinen rikastamiseen analyysit osoittivat, että 112 geenit rikastuneet lukuisissa toimintakategorioihin liittyvän syövän synnyn (taulukko S4). Kaikkein rikastettu toimintakategorioihin liittyivät OVC etenemistä, kuten ”apoptoosin säätelyyn” (oikaistu

P

-arvo = 4,84 x 10

-24), ”sääntely solukierron” (oikaistu

P

-arvo = 8,10 x 10

-20), ”vastaus hormoni ärsyke” (oikaistu

P

-arvo = 5.31 x 10

-10), ja ”monisoluisen organismin lisääntymiselle ”(oikaistu

P

-arvo = 1,06 x 10

-4). Arvioida funktionaalisen analyysin tulokset 112 geenit, olemme satunnaisesti valittu kymmenen geenin luettelot 112 geenien 1257 OVC geeneistä. Kuten kuvassa on esitetty S6, useimmat korjattu

P

arvot toiminnallisesti selityksin meidän 112 geenit olivat alle 0,01, mikä on selvästi erilainen kuin kymmenen satunnaisesti valitun geenin listoja (Kolmogorov-Smirnov testi,

P-

arvojen 0,05). Nämä korkeasti rikastettua syövän synnyn liittyviä toimintoja osoitti, että meidän sääntelyverkon liittyi läheisesti OVC kehitykseen ja saattaa olla hyödyllistä mainita ydin cancerogenesis moduuleita.

(A) Integroitu hierarkkinen verkosto munasarjasyöpä (OVC) liittyvät tuumorisuppressorigeeneille (APT), onkogeenien (OCGs), ja transkriptiotekijöitä (TF: t). Solmut punaisella (ympyrä) edustavat OVC liittyviä APT, solmuja keltainen (kolmio) edustavat OVC liittyviä OCGs, solmuja vihreä (Octagon) edustavat OVC liittyviä TF: ien ja solmuja sininen (VEE) edustavat kohdegeenien. Linkit oranssi edustavat asetukset päässä APT tai OCGs niiden moduloiva TF: ille. Vihreä nuoli viivat edustavat säännöksi ien niiden kohdegeenien. (B) Tontti in-asteen ja out-aste 15 TF: iä on kolmikerroksista sääntelyverkon. In-aste määritellään solmujen määrä, jotka välittömästi viittaavat ja säännellä solmu kiinnostava, ja out-asteen määritellään solmujen lukumäärä, jotka välittömästi viittaavat ja säädellään solmu kiinnostavat. (C) Aliverkkomaskia kolmella takaisinkytkennät keskitetty ETS1. Väri ja muoto skeema solmujen ja yhteydet ovat samat kuin (A).

Kuten kuvassa 2B, TF: ien ”in-astetta APT ja OCGs oli vahvasti yhteydessä niiden out-astetta niiden kohdegeenien (Pearsonin korrelaatiokerroin = 0,74,

P

-arvo = 1,60 x 10

-3). Täällä asteen määritellään määrä TSG /OCG solmujen välittömästi viittaavat ja säännellä TF solmu, ja out-asteen määritellään määrä kohdegeenin solmujen välittömästi viittaavat ja säätelee TF solmu. Esimerkiksi vuonna asteen ja out-asteen TF ETS1 olivat 34 ja 14, tässä järjestyksessä; toisin sanoen se oli moduloitu 23 APT ja 11 OCGs kun se säännelty 14 alavirran kohdegeenejä. Lisäksi 14 kohdegeenien ETS1 rikastuneet ”tyrosiiniproteiinikinaasin”, joka perustuu GO huomautusta (oikaistu

P

-arvot = 2,15 x 10

-3). Kaiken kaikkiaan tulokset viittaavat siihen, että TF: iä enemmän tuloa sääntelyyn verkosto voisi säädellä enemmän kohdegeeneissä.

Tässä verkossa kaikki lakisääteiset signaalit APT ja OCGs siirrettiin keskimmäiseen kerrokseen (asuu TF: t) ja sitten siirretään alemman kerroksen kanssa kohdegeenien. Kuitenkin 10 65 kohdegeenien kuuluvat myös APT, OCGs tai TF geenit verkostomme. 10 geenejä useita rooleja muodostuu kuudesta sääntely silmukoita välillä TF: ien ja APT /OCGs. Silmukat olivat E2F3 ↔ CHEK2, ETS1 ↔ EGFR, ETS1 ↔ erbB2: n, ETS1 ↔ SPARC, HMGA2 ↔ MYC, ja HNF1B ↔ MYC (taulukko S5). Esimerkiksi ETS1 muodostuu kolmesta takaisinkytkentäsilmukoiden koodaavilla geeneillä EGFR, erbB2, ja SPARC. Niistä kolme geeniä, EGFR ja erbB2: kuuluvat epidermaalisen kasvutekijän reseptorin (EGFR) perhe (kuvio 2C). Olemme edelleen palvelukseen suoraan interaktoreita ETS1 liittyy kolme takaisinkytkentäsilmukoiden muodostaa aliverkkoon. Oli yhteensä 17 geenien aliverkossa erityisiä ETS1, jotka rikastettua GO biologisten prosessien kannalta ”solujen jakautumisen” (oikaistu

P

-arvo = 1,94 x 10

-8) ja ”säätely solusyklin” (oikaistu

P

-arvo = 9,77 x 10

-6). Nämä analyysit osoittavat, että ETS1 voisi olla tärkeitä rooleja solujen lisääntymisen kautta vuorovaikutusta EGFR perheen, joka on sopusoinnussa tulokset aikaisemmista tutkimuksista ihmisen syöpäsoluja [46].

APT ja OCGs osallistuivat eri biologiset prosessit OVC

lisäksi täsmentää erityisiä biologisia prosesseja, jotka APT ja OCGs osallistuvat teimme toiminnallinen rikastamiseen analyysit APT ja OCGs itsenäisesti. Tulokset osoittivat, että APT ja OCGs oli mukana erilaisissa biologisissa prosesseissa aikana syövän synnyn of OVC (taulukko 1). 29 APT pääosin mukana solusyklin, DNA-vaurioita vastaus positiivinen säätely apoptoosin, ja kielteisesti säännellä makromolekyylin aineenvaihduntaa, kun taas 13 OCGs olivat pääasiassa mukana signalointireittien, kuten ErB ja vastauksena hormoni ärsyke, ja vastapäätä APT tulokset, negatiivinen apoptoosin säätelyyn. Niistä 112 geenit verkostomme, 46 geenit kartoitettiin sen Kegg ”väylän syöpä” (13 APT, 9 OCGs, 8 TF geenejä ja 16 kohde- geenejä) (kuva S3). Kartan osoitti suurimman APT ja OCGs säännellään tärkeitä syövän synnyn prosesseja. Valtaosa APT ympäröi prosesseihin, kuten solusykliä, DNA: n korjaukseen ja apoptoosin; OCGs taipumus vuorovaikutuksessa signaloinnin tulo, kun taas TF geenejä ja kohdegeenien usein hajallaan ympäri karttaa liittää APT ja OCGs.

Aiemmat tutkimukset ovat osoittaneet, että APT osallistuvat kasvainten synnyssä, koska niiden tuotteet ovat yleensä osallistuvat solusyklin Checkpoint, apoptoosin, tai korjaukseen vahingoittuneen DNA [2], ja OCGs koodata chromatin remontoijille, kasvutekijät ja reseptorit, signaalimuunta-, ja apoptoosisäätelijät [3]. Tuloksemme funktionaalisten analyysien OVC APT ja OCGs olivat yhdenmukaisia ​​niiden yhteisiä rooleja kasvainten synnyssä. On syytä huomata, että analyysit osoittivat, että OCGs oli tärkeä rooli tässä prosessissa ”vastaus hormoni signaaleja”, mikä on tärkeää nopeuttaa solujen lisääntymisen aikana OVC kehitystä, kuten gonadotropiinit, estrogeenit, androgeenit, progesteroni ja insuliinin [18].