Krooninen sairaus

tiivistelmä

Epänormaali DNA: n metylaatio tunnetaan pelaa tärkeä rooli tumorgenesis. On hyödyllistä erottaa spesifisyyden diagnoosin ja terapeuttisia kohteita syöpien perustuu ominaisuuksiin DNA metylaation poikki syöpiä. Suurikapasiteettisten DNA: n metylaatio analyysi antaa mahdollisuuden kattavasti suodattaa epigenetiikka moninaisuutta eri syöpiä. Me kokonaisuuden genomin metylaatio data havaittu 798 näytettä seitsemän syöpiä. Hierarkkinen klusterointi ilmeni, että syöpää erityisiä metylaatiokuvion. Sitten tunnistettiin 331 erilaisesti metyloituja geenien poikki näitä syöpiä, joista suurin osa (266) oli nimenomaan porrastetun metylaatio ainutlaatuinen syöpä. DNA metylaatio korrelaatio verkko (DMCN) rakennettiin perustuu metylaation välinen korrelaatio näiden geenien. Se näytettiin keskuksista DMCN oli taipuvainen syöpää geenit seitsemässä syövissä. Edelleen selviytyminen analyysi osa käytetään geenien DMCN paljasti riskiryhmään ja matalan riskin ryhmässä oli erottaa seitsemän biomarkkerit (

PCDHB15, WBSCR17, IGF1-, GYPC, CYGB, ACTG2

, ja

PRRT1

) rintasyövän ja kahdeksan biomarkkerit (

ZBTB32, OR51B4, CCL8, TMEFF2, SALL3, GPSM1, MAGEA8

, ja

SALL1

) paksusuolen syöpä, vastaavasti. Vihdoin, proteiini-proteiini-vuorovaikutuksen verkon otettiin käyttöön sen varmistamiseksi, biologisen toiminnan erilaisesti metyloitua geenejä. On osoitettu, että

MAP3K14, PTN, ACVR1

ja

HCK

jakaminen eri DNA metylaatio ja geenien ilmentymisen poikki syöpiä olivat suhteellisen korkea jakelun PPI verkossa. Tutkimuksessa ehdotetaan, että ei ainoastaan ​​tunnistettu syöpää geenit säädetty viite yksilöllistä hoitoa, mutta myös suhde poikki syövistä voitaisiin selittää ero DNA: n metylaatio.

Citation: Zhang C, Zhao H, Li J, Liu H Wang F, Wei Y, et ai. (2015) kartoittaa erityisiä metylaatiovyöhykkeiden eri syöpiä. PLoS ONE 10 (3): e0120361. doi: 10,1371 /journal.pone.0120361

Academic Editor: Hiromu Suzuki, Sapporo Medical University, Japani

vastaanotettu: 2. lokakuuta, 2014; Hyväksytty: 20 tammikuu 2015; Julkaistu: 16 maaliskuu 2015

Copyright: © 2015 Zhang 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

Data Saatavuus: kaikki asiaankuuluvat tiedot kuuluvat paperin ja sen tukeminen Information tiedostoja.

Rahoitus: tuettiin National Natural Science Foundation of China [no. 31371334, 61203262, 61403112, 61402139]. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Yan Zhang on tällä hetkellä akateeminen toimittaja. Tämä ei muuta tekijöiden noudattaminen kaikki PLoS ONE politiikan tietojen jakamista ja materiaaleja.

Background

Epigenetiikka viitataan periytyvä mekanismi, joka vaikuttaa geenien ilmentymisen, joka on muuttumaton DNA sekvenssi [1]. DNA: n metylaatio on yksi tärkeimmistä epigeneettisiä tapahtumia nisäkkäillä, ja viittaa lähinnä kovalenttinen lisäämällä metyyliryhmä (CH

3) 5′-asemassa sytosiinin. CpG-rikas alue kutsutaan CpG-saarekkeen, joka aina on päällekkäinen geenien promoottorit ja assosioituu negatiivisen säätelyn geenien ilmentymisen [2,3]. On käynyt ilmi, että CpG metylaatio on tärkeä rooli biologisissa prosesseissa kuten painamista, retroposoni hiljentäminen, X kromatiinin inaktivoiva, DNA päällekkäisyyttä, transkriptio, korjata, vaikka syövän kehittyminen ja monia muita monimutkaisia ​​sairauksia [4]. Viimeaikaiset tutkimukset osoittavat, että metylointi mekanismi vaikuttaa suuresti sisällä syöpä geenit [5,6]. Siksi edelleen ymmärrystä CpG metylaation monimutkaisiin sairauksiin on hyödyllistä taudin diagnosointiin, hoitoon ja ennustetta. Tähän mennessä on olemassa kasvava määrä tutkimuksia keskittyneet lähinnä mekanismi epigeneettiset prosesseja, erityisesti CpG metylaatio [7].

Syövät on pidetty monimutkaisia ​​sairauksia [8]. On monia tekijöitä syövissä, kuten kopioluvun muutos, differentiaalikaavojen, epigeneettiset poikkeama ja niin edelleen, joista epänormaali DNA: n metylaatio on havaittu monissa syövissä, mukaan lukien rintasyöpä, keuhkosyöpä ja peräsuolen syöpä. Hypermetylaation in promoottori alueilla estää ilmentymistä tuumorisuppressorigeeneille. Toisaalta, hypometylaatio vuonna promoottorialueita aktivoi onkogeenin ilmentymisen. Global hypometylaatio myös tärkeä piirre prosessissa Karsinogeneesin lisääminen genomista ja kromosomi epävakautta [9,10]. Esimerkiksi monet raportit ovat osoittaneet, että rintasyöpä on yleisin syöpä naisilla ympäri maailmaa ja sillä on yli kuusi merkittävää alatyyppejä kuvata geenin ilmentymisen.

BRCA1 /2

ovat syöpään liittyvien geenien rintasyövän, ne sisältävät DNA: n korjaukseen, säätely transkription aktivaation ja apoptoosin. Hypermetylaatiota

BRCA1 /2

promoottorin alueilla johtaa inaktivoimiseksi toiminto ja lisää riskiä sairastua rintasyöpään [11,12]. Samoin hypermetylaatiota

AOX1

(aldehydioksidaasi 1) ja

GSTP1

(glutationi S-transferaasi 1) eturauhassyövässä myös johtaa hiljaisuus geeniekspression [13,14].

LINE-1

(pitkä välissä nukleotidi elementti-1) pidetään usein surrogaattimarkkerina maailmanlaajuinen DNA: n metylaation ja yli-ilmentyminen

LINE-1

aiheuttama hypometylaatio vuonna promoottorit tulosten huonon ennuste ei-pienisoluinen keuhkosyöpä [15].

suuri määrä syöpään liittyvien geenien on tunnistettu ja monia merkittäviä geenejä jotka liittyvät useampaan kuin yhteen syöpä.

CDH1

(E-kadheriinin), joka on adheesiomolekyylien epiteelisoluissa tärkeä rooli luomisessa ja ylläpitää solujen väliset yhteydet. Hypermetylaatiota

CDH1

peräsuolen syövän synnyssä vähentää geenin ilmentymistä ja tuhoaa toimintaa solu-solu-adheesio-järjestelmä [16]. Lisäksi hypermetylaatiota

CDH1

häiritsee myös välistä adheesiota mahasyövän, rintasyövän ja virtsarakon syövän [17-19].

RASSF1

(RAS yhdistys domain perheen geeni 1) on myös tiheä metylaation promoottorialueiden ja toimii riskitekijä eturauhassyöpää ja levyepiteelikarsinooma kohdunkaulan syövän [20-22]. Siksi on tarpeen kehittää yhdennetty analyysi poikki kasvaimia löytää yhtäläisyyksiä eri syöpien ja kasvaimen ominaispiirteet.

Tässä tutkimuksessa rakensimme integroitu kooste DNA: n metylaatio dataa seitsemän syöpiä. Aineisto oli valittu Cancer Genome Atlas (TCGA) hanke, mukaan lukien yli 12000 kasvainnäytteestä noin 20 kasvaintyypit, jossa voitiin löytää geenin poikkeamaa eri syövistä [23]. Vertailu metylaation profiilien eri näytteitä käytettiin tutkittaessa syöpään liittyvien metylaatio vaihtelua ja syöpää erityisiä metylaation. Kvantitoimme korrelaatio promoottorin DNA metylaatio ja geenien ilmentymisen esittää tunnustamista DNA: n metylaatio syöpään liittyvien allekirjoitus. Lisäksi se oli myös osoittanut yhdistys poikki syövät kautta DNA metylaatio korrelaatio verkko (DMCN) rakennettu tässä tutkimuksessa. Olemme lisäksi raportoitu, että syöpään liittyvien biomarkkereiden geenit voivat myös antaa panoksensa ennusteen kautta selviytyminen analyysi rintasyövän ja paksusuolen syöpä.

Materiaalit ja menetelmät

DNA: n metylaation ja ekspressiotietojen

DNA: n metylaatio tiedot saatiin Cancer Genome Atlas (TCGA). Näytteet koostuivat 832 syöpänäytteissä ja 284 normaalia kerätyistä näytteistä sovitettu viereisten normaaleista kudoksista, mukaan lukien rinta- invasiivisia karsinooma (BRCA), paksusuolen adenokarsinooma (COAD), munuaisen munuaisten kirkas cell carcinoma (KIRC), munuaisen munuaispapillan karsinooma (KIRP), keuhkojen adenokarsinooma (LUAD), keuhkojen okasolusyöpä (LUSC), peräsuolen adenokarsinooma (LUE) ja niiden yhteensovitettujen näytteet normaalisti niistä. Tiedot on havainnut Infinium HumanMethylation27 BeadChip sisältävät of 27578 CpG sivustoja 14475 geenejä. Tiedot oli tasolta 2 ja β arvo määriteltiin DNA: n metylaatio tasoa, joka laskettiin radio metyloitua anturi (M /(U + M)) välillä 0 1

antureilla tunnistus ”NA ”käsiteltiin puuttuvat tiedot. Näytteitä, joissa on yli 150 puuttuu koettimet käsitelty puuttuvat tiedot ja 66 näytettä poistettiin. Seuraavaksi sivustoja puuttuvat tiedot poistettiin. Variaatiokerroin (CV) käytettiin arvioimaan diskreetti määrin kaikki tiedot. Geenit CV on alle 0,5 yli 80% näytettä jäi. CV = SD /AVE. CV oli variaatiokerroin alueista, jotka kuuluvat saman geenin yhdessä näytteessä, SD oli varianssi sivustoja, AVE oli keskimäärin sivustoja. Keskimääräinen metylaatio taso useiden CpG: t samalle geeni määriteltiin metylointi tasosta geenin.

Ilmaisu tiedot saatiin 210 syöpänäytteissä ja 68 normaalia näytettä (sisältäen sovitetun ja normaalit näytteet) in TCGA. COAD ja LUE havaittiin alustan AgilentG4502A lukien 17814 geenejä. BRCA, KIRC, KIRP, LUAD ja LUSC havaittiin alustan illminaHiseq_RNASeqV2 mukaan lukien 20531 geenejä. Näytteen tiedot sekä DNA: n metylaation tiedot ja ilmaisun tietoja lueteltu S1 taulukossa.

tunnistaminen ero geenien

Tässä tutkimuksessa käytimme R kirjastopakettina ”SAMR” perustuu t- testata tilastollinen merkitsevyys tunnistamiseksi differentiaalisesti metyloitu geenit (DMGs). DMG määriteltiin merkitsevyystasolla vääriä löytö määrä (FDR) alle 0,05 ja ero DNA: n metylaatio tason yli 0,15 välillä syövät ja normaalin näytteitä [24]. Version -pakettityökalu käytimme oli 4,0. Jotta ymmärtää mekanismia DNA metylaation syöpiä, myös käytetty SAMR tunnistamiseen ilmentyvät eri geenit (DEGS) kanssa merkitsevyystasolla vääriä löytö määrä (FDR) pienempi kuin 0,05.

rakentaminen DNA: n metylaatio korrelaatio verkko

risteys DMGs ja DEGS käytettiin solmut rakentamisessa DNA: n metylaation korrelaatio verkkoon. Sitten lasketaan korrelaatiokertoimet jonka metylaatiotasoilla differentiaali geenien reunoilla, absoluuttinen arvo Pearsonin kertoimen korrelaatio ei ollut alle 0,7 kanssa merkitsevyystaso p-arvo alle 0,05 [25].

Verkko visualisoitiin läpi Cytoscape (https://www.cytoscape.org/), avoimen lähdekoodin ohjelmisto rakentamiseen biologisten verkkojen. Sitten satunnaisille aikaansaatiin permutaatio seitsemän syövän etiketit kunkin geenin arvioimiseksi luotettavuutta DMCN. Aineisto häiritsi yhdessä geenissä 1000 kertaa ja laskimme korrelaatiokertoimet satunnaisen datan rakentaa satunnaisille.

Survival analyysi erilaisesti metyloitua geenien

eloonjääminen analyysi suoritettiin Based on ennustetekijöiden indeksi (PI) tuottaa riskin groups.where x

p oli ilmaus biomarkkereiden geenien ja

β

p

laskettiin läpi COX regressio. Kun PI lisääntynyt, potilaat olisi huono ennuste. Käytimme PI erottamiseksi näytteet kahteen ryhmään, joilla on sama testiotokseen onko biomarkkerit liittyivät selviytymisen vaiheessa.

rakentaminen proteiini-proteiini vuorovaikutusverkosto

Valitsimme integroidulla PPI verkko tausta, joka oli integroitu päässä biomolekyylitutkimuksesta Interaction Network Database (BIND), biologisia General säilöä Interaction Data sarjaa (BioGRID), tietokannan vuorovaikutuksessa proteiinit (DIP), Human Protein viitetietokantaan (HPRD), ehjä, Molecular IN kutus tietokanta (MINT), nisäkkään PPI tietokanta Munich Opastuksen Protein Jaksot (MIPS), PDZBase (PPI tietokannan PDZ-verkkotunnuksia) ja Reactome. Rakennettu siemen geeni asetettu olivat SIN_D, DOU_D ja TRI_D edellä mainitut. Ne kartoitettiin integroituja PPI verkkoon ja alaverkon uutettiin. Alaverkon koostui siemenet geenit ja geenit yhdistävät siemeniä geenien integroiduissa PPI verkossa. Aste solmun aliverkon määriteltiin joukko geenejä, jotka liittyivät siemenen geenejä. Sitä voidaan käyttää ennustamaan, miten tärkeää on tunnistaa syöpään liittyvien DMGs.

Tulokset

Differential metylaation koko syöpien

Seitsemän syövän tietoja TCGA käytettiin tässä tutkimuksessa, mukaan lukien niiden DNA: n metylaatio profiilin ja geeniekspressioprofiili. Kun tietoja esikäsittely (katso materiaalit ja menetelmät), 832 syöpä näytteet ja 284 normaalin näytteet seitsemästä syöpiä pysyi (taulukko 1). Jotta edelleen tunnistamiseksi DMGs, säilytimme 7936 geenejä, joiden DNA: n metylaation arvo olemassa kaikista syövistä (S2 taulukko). DMGs seitsemän syöpiä tunnistettiin vastaavasti läpi SAMR. Oli 509 geenit osoittavat ero metylaation BRCA, 591 geenien COAD, 130 geenien KIRC, 67 geenien KIRP, 53 geenien LUAD, 508 geenien LUSC ja 701 geenien READ (S3 taulukko). Liitto on DMGs oli 1,318 (S4 taulukko). Jakauma metylaatiovyöhykkeiden of DMGs keskuudessa todettu syöpää perustuu kaksisuuntaisen hierarkkinen klusterointi analyysi (Fig. 1). Näytteet ryhmittyneet clades perustuu tietyntyyppisiä biologisten näytteiden. COAD ja LUE ryhmittyivät yhteen, joka osoitti samanlaista metylaation näiden kahden syöpiä. Useimmat DMGs osoitti korkean metylaatio tasolla COAD ja READ verrattuna muihin viisi syöpänäytteissä ja normaali näytteet, ja noin 11% DMGs näytetään erityinen hypermetylaation vuonna COAD ja LUE vastaavasti. Tulosta nostivat että kasvaimia näytti hypermetyloitunut useammin ja ei ollut merkittäviä eroja, jotka saattavat erottaa paksusuolen ja peräsuolen syöpien at metylaatio tasolla [26]. Samanlainen Tulokset osoittivat myös vuonna LUAD ja LUSC, KIRP ja KIRC. Todistamisen havaitut tulokset, laskimme korrelaatiokertoimet että näkyvissä sama seuraus kuin hierarkkinen klusterointi analyysi (Fig. 2). Mielenkiintoista, BRCA oli korkea korreloi LUAD ja LUSC. Ne saattavat johtua sädehoidon rintasyövän, jotka lisäsivät kuolleisuutta keuhkosyöpien [27]. Lisäksi normaali näytteitä edellä mainituista syövistä osoitti myös samanlainen metylaation. Toisaalta käsiä, syövät eri alkuperäisestä organisaatioiden oli ero DNA metylaatiotasoilla (Fig. 1). Ehdotettiin, että DNA: n metylaation liittyivät kudosten ja syöpätyyppeihin.

C-kirjain edustaa syöpä, ja N edustaa normaalia. Punainen oli hypermetylaation, valkoinen on midmethylation ja sininen oli hypometylaatio. Näytteet tulee samasta tai samankaltainen kudokset kokosi yhteen, tuloksena klusterin merkinnät päälle kuvion.

vaaleanpunainen seisoi korkean korrelaatiokertoimen, keltainen seisoi keski korrelaatiokertoimen ja vihreä seisoi pieni korrelaatiokertoimen. BRCA, LUSC ja READ oli vahva korrelaatio. Tämän lisäksi KIRC ja KIRP, COAD ja READ oli myös samanlainen tulos ilmoitetaan erikseen.

Lisäksi toiminta rikastaminen analyysi näistä 1318 DMGs tehtiin käyttämällä DAVID (http: //david.abcc. ncifcrf.gov/) (S5 taulukko). Nämä geenit olivat pääasiassa rikastettu puolustus vaste, immuunivasteen, solu-solu-signalointi, soluadheesio, solun tappaminen ja niin edelleen. Syöpä pidettiin pahanlaatuisen sairauden ja liittyvät puolustusjärjestelmä, immuunivastetta ja monia muita biologisia prosesseja, jotka liittyvät säätelemätön solukasvu [28]. Apoptoosi oli perus biologinen prosessi, joka saattaa olla tärkeä suhteet moniin sairauksiin, kuten syöpä ja autoimmuunisairauksien. Apoptoosi säännelty kasvaimissa negatiivisesti ja poikkeavuus apoptoosin oli mukana syövistä [29]. Nämä biologiset prosessit voidaan vapautettu epänormaali metylointi differentiaalisen geenien, mikä vaikuttaa prosessin syöpiä. Lisäksi nämä geenit liittyy monia syöpään liittyvien reittien (Fig. 3).

Y-akselin vasemmassa ja sininen histogrammi seisoi numerot selityksin in Kegg ja BP, Y-akseli oikean ja punainen käyrä seisoi prosenttia selityksin geenien BP ja Kegg.

Differentially ilmaistuna geenejä säätelee negatiivisesti DNA: n metylaatio

DNA-metylaation promoottorialueille oli tärkeä tehtävä taloudenhoito geenejä. Useat tutkimukset osoittivat, että geenin ilmentyminen säädeltiin negatiivisesti DNA metylaatiostatuksen [30]. Tässä tutkimuksessa 201 geenit 1318 DMGs jakaa negatiivista suhdetta DMGs ja DEGS erottuivat. Ne jaettiin 127 hypermetyloitunut geenejä ja 74 hypometyloidut geenien eron perusteella arvo on välillä syövän näytteiden ja normaalia näytettä. Vuonna lisätutkimuksia toiminnon negatiivisesti liittyvien geenien hypermetyloitunut geenit olivat pääasiassa rikastuneet syöpään liittyvien reittien, mukaan lukien systeeminen lupus erythematosus (

CD40

), Sytokiini-sytokiinireseptoriantagonistit vuorovaikutus (

TNFRSF8, CX3CL1 , CD40, IL11RA, ACVR1

), Neuroactive ligandi-(

MCHR2, PPYR1, GRIA2

) ja autoimmuunisairauksien kilpirauhasen (

CD40

). Erityisesti,

CD40

oli olemassa kolmea reittiä pitkin. CD40 voisi tuottaa eri kasvua signaalien välillä normaaleista kudoksista ja kasvaimia. Se on osoitettu olevan tuumorisuppressorigeenin ja voidaan hypermetyloitunut rintasyöpä (taulukko 2) [31]. Siksi metyloinnin

CD40

tukevat todisteet ennustamiseksi rintasyövän ja teki tärkeän panoksen rintasyövän hoitoon. Kuitenkin hypometyloidut geenit eivät näytä selvää yhteyttä syöpään liittyvien reittejä. Tulokset viittasivat siihen, että nämä hypermetyloitunut geenit syövässä olivat syöpään liittyvien geenien ja voidaan katsoa ehdokas biomarkkereita ennusteeseen syöpien.

Differential DNA: n metylaatio geeni korrelaatio verkko

tutkiakseen suhde poikki syöpiä DNA: n metylaatio väliaineen, me määrällisesti korrelaatio DMGs perustuu niiden metylaation poikki syöpiä. Differentiaalinen DNA: n metylaatio korrelaatio verkon (DMCN) rakennettiin mukaan Pearsonin korrelaatiokertoimet metylaatiotasoilla, joka oli suuntaamaton verkko näyttää monimutkainen suhde paljon geenejä ja seitsemän syöpiä. DMCN koostui 5492 reunoja ja 331 solmut vastaavasti (Fig. 4A). Leikkauspisteessä DEGS ja DMGs käytettiin solmuja taas reunat punnittiin metylointi korrelaatiokertoimet välillä DMGs.

(A) väri oli eri syöpiä. Koko solmujen seisoi aste geenejä. Viiva edusti välisen korrelaation kahden geenin. (B) jakelu klusterointi kertoimen. Y-akseli Jaettiinko satunnainen verkkojen x-akseli oli klusterointi kerroin. Tähti oli arvo laskimme (C) jakelu asteen. (D) Hub geenejä ja astetta. Sininen palkki seisoi jolle syöpien tasauspyörästön geenit sijaitsevat.

Analysoimme DMCN osoittaa luotettavuutta verkon kahdella topologinen rakenteita erikseen, kuten klusterointi kerroin ja keskiarvo astetta. Ensin levoton data jokaisessa geenien ja laskettiin korrelaatiokertoimet (p = 0,01) ja keskiarvot asteen (1000 kertaa). Sitten verrataan klustereiden kertoimet (0,54) ja keskiarvo aste (33,18) sisään DMCN satunnaisen verkkoihin (Fig. 4B C). Tulos osoitti, että verkko oli korreloi ja merkittävä kuin satunnainen verkoissa. Lisäksi napa geenit olivat geeniluokassa on suurella ja oli tärkeä rooli keskeisinä sääntelyn piirteitä tartuntatautiverkoston. Aste oli 1-127 ja geenien Top 10 astetta määriteltiin navat (Fig. 4D). Navan geenit sisältyvät ADCYAP1, ZNF454, ZBTB32, SST, PCDHB15, WBSCR17, OR51B4, CCL8, CRISPLD2, NALCN, IGF1, TMEFF2, HYLS1 oireyhtymän ja GYPC. Tuloksesta, huomasimme, että merkittävä geenit jakautunut pääasiassa BRCA ja COAD, joka näkyi voimakas korrelaatio kaksi syövät [32].

Kuten kuviossa. 4A, seitsemän väriä käytettiin erottamaan solmuja, jotka syövät ne kuuluivat. Oli 72 geenit osoittavat erityisiä metylaation BRCA, 81 COAD, 36 KIRC, 7 KIRP, 3 LUAD, 48 LUSC ja 19 READ verkossa. Solmut verkossa lähinnä kolmeen luokkaan, mukaan lukien kolminkertainen ero (TRI_D, 5 geenit), kaksinkertainen ero (DOU_D, 60 geenejä) ja yksi ero (SIN_D, 266 geenejä). Esimerkiksi

SLIT2

of TRI_D oli epänormaalia BRCA, COAD ja READ, joka osoitti negatiivista suhdetta DNA metylaatio ja geenien ilmentymisen.

SLIT2

oli yleensä pidetty tuumorisuppressorigeeniä ja vaiennettu niin peräsuolen syöpä ja rintasyöpä, jonka hiljaisuus johtui hypermetylaatiota sen promoottorin alueiden ja alleeliset tappio [33,34]. Gene

EFEMP1

jäsenenä Fibuliini perhe oli myös epänormaalia BRCA, COAD ja READ. Tämä geeni liittyy angiogeneesiä ja kuvattiin avainasemassa syövän etenemisen. Alas-säätely se johtui hypermetylaatiota promoottori. Lisäksi vähentynyt ilmentyminen

EFEMP1

näytti vahvasti korreloivan huonon tautivapaan ja eloonjäämiseen [35,36]. Lisäksi, vaikka

CHODL

ei esitetty toiminto aikaisemmissa tutkimuksissa, löysimme geeni oli myös poikkeava DNA metylaatio tason BRCA, COAD ja lukea ja näyttää negatiivisen säätelyn välillä DNA metylaatio ja geenien ilmentymisen. Ehdotettiin, että oli vahva suhde keskuudessa BRCA, CORD ja READ. Vuonna DOU_D setti oli 31 geenejä, jotka olivat eron COAD ja READ. Tämä ilmiö hiljaista korrelaatio COAD ja READ, mikä oli yhdenmukainen tulos hierarkkinen klusterointi. Noin 80% geenit olivat osa SIN_D, näytetään laajasti erityisiä keskuudessa syöpiä. Erityisesti monet syöpään liittyvien geenien myös

CDH5, BVES, CX3CL1, FGFR1, IGF1

ja

CD40

tunnistettiin SIN_D. Tuloksena ehdotti, että geenit tunnistimme oli korkea yhdessä syöpien ja oli tärkeä rooli biologisen prosessin sekä syövän kehittyminen.

Survival analyysi syövän geenien

Survival analyysi BRCA ja COAD tehtiin arvioimaan mahdolliset roolit ehdokkaan biomarkkereiden lukien kaikki TRI_D geenit, top 10 korkean asteen SIN_D ja DOU_D geenit, vastaavasti (taulukko 3). Valitsimme 502 näytteitä BRCA ja 151 näytteitä COAD joka ladattiin TCGA selviytymiselle analyysiä. Näytteet jaettiin kahteen ryhmään kautta mediaani PI (prognoosi- indeksi, korkeat arvot olivat korkean riskin ja matalia arvoja seisoi alhainen riski) ja käytetään mediaanin diabetesriskitestiin cutoff. Löysimme SIN_D voisi erottaa riskiryhmään ja matalan riskin ryhmässä merkittävämmin kuin DOU_D tai TRI_D (Fig. 5). Lisäksi potilailla, joilla huipputuloksia oli lyhyempi elinaika. Lisäksi käytimme seitsemän geenien BRCA ja kahdeksan geenejä COAD jotka ilmentyvät differentiaalisesti mutta ei erilaisesti metyloidut vastaavasti suorittamaan selviytymisen analyysin verrokkeina. Tulokset SIN_D vuonna BRCA (p = 0,036) ja COAD (p = 0,022) olivat suurempia kuin niiden valvonnan tulosten (p = 0,981 vuonna BRCA ja p = 0,602 in COAD) (Fig. 5 G, H). Tämä tulos viittaa siihen, että yhdistelmä välillä DNA: n metylaation ja ilme voisi tehdä paremmin panoksen ennustetta kuin ilmaisun vain.

”+” seisoi sensurointi näytteitä. X-akselin ja Y-akselin vastaavasti seisoi tarkkailtavaksi aika (kk) ja prosenttia selviytymisen ihmisiä. Punainen ja vihreä käyrät olivat riskiryhmään ja matalan riskin ryhmään. Biomarkkerit olivat päällä jokaisen kuvan. Concordance Index (CI) ja p-arvo oli vasemmassa alareunassa sisäkkeet.

Differentially metyloitu geenejä proteiini-proteiini vuorovaikutusverkosto

Proteiini-proteiini vuorovaikutuksen verkostot voisivat olla tarkempi kuvaamaan suhteita monimutkainen elementtien ja näkyvämpi näyttää rakenteet nämä elementit. Jotta tutkia merkitys DMGs jotka liittyvät syöpiin, PPI alaverkon rakensi julkaistiin PPI verkkoon. Oli paljon tietokantojen tallentamiseen vuorovaikutusta geenien, mukaan lukien biomolekyylitutkimuksesta Interaction Network Database (BIND), biologisia General säilöä Interaction Data sarjaa (BioGRID), tietokannan vuorovaikutuksessa Proteiinit (DIP), Human Protein viitetietokantaan (HPRD ), ehjä, Molecular IN kutus tietokanta (MINT), nisäkkään PPI tietokanta Munich Opastuksen Protein Jaksot (MIPS), PDZBase (PPI tietokannan PDZ-verkkotunnuksia) ja Reactome [37-45]. Koska monet kokeelliset tekijät saattavat vaikuttaa tulokseen PPI-verkon, joka johti toistettavissa vuorovaikutuksia PPI verkossa, me integroitu korkean luottamuksen PPI verkko perustuu edellä mainittuihin tietokantoihin meidän tausta verkko [46]. Verkko rakensimme koostui 80980 reunojen ja 13361 solmuja. Siksi kartoitimme SIN_Ds, DOU_Ds ja TRI_Ds siemenenä geenejä PPI verkkoon. Vuorovaikutuksia mukaan lukien siemenet geenit haettiin vastaa 2272 reunat ja 1892 solmujen alaverkon (Fig. 6). Mukaan alaverkon oli neljä geenejä solmukohdat sijoitusta top 10 astetta, kuten

MAP3K14, PTN, ACVR1

, ja

HCK

, ja ne olivat kaikki siemenet geenit. Tulokset viittasivat siihen, että DMGs voisi olla tärkeä rooli syövän synnyssä. Esimerkiksi

MAP3K14

(mitogeeniaktivoidut proteiini kinaasikinaasikinaasina 14) hypermetyloitunut LUSC säännelty NF-KB-aktiivisuutta polku ja osallistui NF-KB-asiakkuutta signalointi reseptoreihin kasvain-nekroosi /hermo -growth (TNF /NGF) perhe [47]. Lisäksi, joka perustuu vuorovaikutukseen geenien alaverkon, olemme määritelleet 127 geenejä, jotka astetta oli enemmän kuin kolme, kun uusi syöpään liittyvien geenien. Toiminnallinen rikastaminen analyysi näistä 127 geenien avulla DAVID osoitti, että monet syöpään liittyvien biologisten prosessien ja reitit olivat merkittäviä (S6 taulukko), kuten ”sääntely ohjelmoidun solukuoleman”, ”apoptoosin säätelyyn”, ”positiivinen säätely ohjelmoidun solukuoleman ”,” positiivinen säätely transkription ”ja niin edelleen. Tuloksesta huomasimme, että biologisia prosesseja (BP) keskittyivät apoptoosin säätelyyn, ohjelmoitua solukuolemaa ja transkription säätelyyn. Kun otetaan huomioon aiempien tutkimuksen, nämä biologiset prosessit liittyivät syöpiin [48,49]. Täten geenit ennustettu perustuen PPI-verkon ja epänormaalien geenien voisi olla mukana prosesseissa syöpiä mahdollisina biomarkkereita.

Solmut edusti geenin ja värit seisoi ero geenien syövissä. Harmaa geeni oli biomarkkerit me ennustettu.

Lisäksi joitakin tutkimuksia osoitti, että monet reitit liittyvät syövät alkaen Kegg olivat merkittäviä [50,51]. Meidän analyysi osoitti, että mahdollinen biomarkkereita Tässä tutkimuksessa saadut rikastuneet 11 syöpään liittyviä reittejä, ja merkittävin polku oli ”reittejä syöpä (hsa05200)”, jossa oli 33 geenejä annotated (FDR = 2.44E-15). Tämä polku mukana paljon polkuja, jotka liittyvät syöpiin kuten Wnt-signalointireitin, MAPK -signalointireitistä, vega signalointireittiä ja niin edelleen [52,53]. Lisäksi meidän biomarkkerit olivat myös selityksin monissa muissa syöpään liittyvien reittien, esimerkiksi ”ErbB-signalointireitin”, ”Chemokine signalointireitin”, ”Natural killer soluvälitteisen sytotoksisuuden” ja ”Focal tarttuvuus” [54-56]. Tuloksena huomautus osoitti, että mahdollinen biomarkkereita mukana monissa etenee syövistä, ja toimi tärkeä rooli syöpien.

Keskustelu

Aberrant DNA: n metylaatio geenien promoottori alueisiin liittyvät yleensä syövät . Esimerkiksi poikkeava DNA metylaatio

SIRT1

havaitaan usein eri syöpien ja oli tärkeä rooli syövän synnyssä [57]. Epigeneettiset inaktivointi

ST6GAL1

osoitetaan kasvain tukahduttava rooli virtsarakon syövän synnyn [58]. Lisäksi,

ST6GAL1

liittyy myös rintasyöpään. Esimerkkien mukaan edellä ominaisuuksia DNA: n metylaation heijastuvat syövän erityisiä ja syövän jakamista. On todennäköistä, että useita syöpiä on sijoitettu alkuperän samasta kudoksista, mikä johtaa samaan DNA-metylaation. Esimerkiksi on tutkimus osoittaa, että paksusuolen ja peräsuolen syövät ovat vaikea erottaa DNA metylaatio tasolla [26]. Siksi on hyödyllistä analysoida suhdetta eri syöpien sisällyttämällä DNA: n metylaatio peräisin genominlaajuisten.

Tässä tutkimuksessa tulos hierarkkinen klusterointi ja Pearsonin korrelaatio osoittivat, että DNA metylaatio tasoa eri syöpiä vaikuttivat jonka anatomiset alkuperää lisäksi DNA metylaatio taso oli vakaa DNA: n metylaation allekirjoitusten samassa syöpiä, joka on yhtenevä aiempien tutkimusten [26]. Ja DMGs pääosin rikastuneet puolustus vastauksena, immuunivasteen, solu-solu signalointi, soluadheesion ja solun tappaminen ja muita syöpään liittyvien Kegg väylät toiminto annotation analyysi viittaa siihen, että vahinko näiden biologisten prosessien aktivoida leviämisen syöpäsolujen ja estävät yksilöiden suojelusta [59-64]. Lisäksi hypermetyloitunut geenit olivat pääasiassa rikastuneet useita syöpään liittyvien Kegg väyliä verrattuna hypometyloidut geenejä, ja tämä havainto tukee edellinen tutkimus polttopisteen hypermetylaation aiheuttavan kasvaimia [65].

DMCN, topologinen ominaisuudet osoittivat, että DMCN seurasi ominainen biologisen verkon verrattuna satunnaisille ja DMGs saattaa olla samanlaisia ​​tehtäviä johtuen toimii samanlaisia ​​tehtäviä caners [66]. Rikastamista navan geenien BRCA ja COAD tukenut tätä riskiä paksusuolen syövän ehkä lisääntynyt, koska potilaiden historiaan rintasyöpiä edellisessä ehdotus [32]. Jotta merkityksen arvioimiseksi SIN_D, DOU_D ja TRI_D, suoritimme selviytyminen analyysin avulla BRCA ja COAD. Huomasimme, että syöpä-geenit voisivat jakaa toiminnon syövät paljon influentially. Tuloksena osoittivat edelleen mahdollisia rooleja navan geenien DMCN ja tärkeyttä integroidun analyysin välillä DNA: n metylaation ja geenien ilmentymisen.

Lisäksi tulos PPI osoittaman verkon tarkkuutta meidän ennuste ja mahdolliset roolit novel syöpään liittyvien geenien syöpiä.