Krooninen sairaus

tiivistelmä

suuri joukko in silico resurssien ja tietojen suurikapasiteettisten profiloinnin tällä hetkellä saatavilla biotieteissä tarjoavat mahdollisuuden avustaminen syövän geeni ja lääkekehityksen prosessi. Tässä ehdotamme hyödyntämään näitä resursseja kehittää väline, TARGETgene, tehokkaasti tunnistaa mutaation kuljettajien mahdollisia terapeuttisia kohteita, ja lääke-ehdokkaiden syövässä. Yksinkertainen graafinen käyttöliittymä mahdollistaa nopean, intuitiivinen kartoitus ja analyysi järjestelmien tasolla. Käyttäjät voivat etsiä, valita ja tutkia tunnistetut kohdegeenien ja kiinnostavia yhdisteitä (esim uusia syövän geenien ja niiden rikastetun biologisia prosesseja), ja vahvista ennusteita käyttämällä käyttäjän määrittämiä benchmark geenit (esim kohdegeenien havaittu RNAi näytöt) ja kuraattorina syöpä geenien kautta TARGETgene. Korkean tason ominaisuuksia TARGETgene myös osoitettava kaksi sovellusta tässä asiakirjassa. Ennustukset Näiden kahden hakemuksen sitten tyydyttävästi vahvistanut useilla tavoilla, mukaan lukien tunnetut syövän geenit, tulokset RNAi näyttöjä, geenien toiminnan merkinnät, ja kohdegeenien lääkkeitä, joita on käytetty tai kliinisessä tutkimuksessa syöpähoitojen. TARGETgene on vapaasti saatavilla Biomedical simulaatiot Resource kotisivuilta (https://bmsr.usc.edu/Software/TARGET/TARGET.html).

Citation: Wu CC, D’Argenio D, Asgharzadeh S, triche T (2012) TARGETgene: väline määritettäessä mahdollisia terapeuttisia kohteita Cancer. PLoS ONE 7 (8): e43305. doi: 10,1371 /journal.pone.0043305

Editor: Ying Xu, University of Georgia, Yhdysvallat

vastaanotettu: 19 huhtikuu 2012; Hyväksytty: 18 heinäkuu 2012; Julkaistu: 31 elokuu 2012

Copyright: © Wu 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 tukivat National Institutes of Health (NIH) avustus P41-EB001978 (DD), Yhdysvaltojen puolustusministeriön apurahan W81XWH-07-1-0580 (TT), ja NIH Child Health Research Urakehitys palkinto-ohjelma K12-CA60104 (jotta SA). 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

Intensiivinen käyttö sytostaattien multimodaalisessa hoitojen on parantunut viiden vuoden tautivapaan elinajan ja jopa aiheutti parannuskeinoa joidenkin syöpäpotilailla. Tämä menestys voi liittyä vakavia toksisia vaikutuksia ja lisääntynyt esiintyminen toissijainen syöpiä. Syntyminen kohdennettujen hoitomuotojen suunnattu säädeltyyn tai mutatoituja geenejä /proteiinien pahanlaatuisten solujen edustaa paradigman muutosta syöpähoidon, vähemmän riippuvainen lääkkeitä, jotka tappavat normaalit solut sekä syöpäsoluja. Esimerkkejä ovat hoitoja HER2 yli-ilmentyy rintasyövistä (kuten Trastutsumabi ja Lapatinibin), c-Kit-täsmähoitoihin in BCR-ABL viallinen leukemiat (Gleevec), ja VEGF /VEGF-R-kohdennettuja yhdisteitä estämään syövän angiogeneesiä (esimerkiksi Bevasitsumabilla) . Kun taas korkea suoritusteho tekniikoita, kuten microarray, ja seuraavan sukupolven sekvensointi voidaan nyt käyttää tunnistamaan satoja tai tuhansia ehdokkaan geenejä, jotka ilmentyvät differentiaalisesti tai mutantit syöpäsoluissa verrattuna normaaleissa kudoksissa, on vaikea priorisoida mahdollisia syövän terapeuttisia kohteita tällaisten suuri määrä kandidaattigeenejä.

systemaattinen tutkimalla kompleksin säätelyreittejä tarvitaan ymmärtämään mekanismeja oncognesis löytää mutaation kuljettajille tai kehittää tehokkaita hoitoja. Useita reittejä on todettu olevan vapautettiin syöpäsolujen johtuen yli-ilmentyminen tai tukahduttamisen joidenkin ohjauselementtejä [1]. Mutta, havainnot väyliä mennessä ovat olleet hyvin rajalliset. Suuri joukko high-tekniikoiden avulla ja julkisia tietovarantoja nyttemmin käytettävissä, tarjoaa mahdollisuuden ymmärtää solun mekanismeja järjestelmien tasolla ja siten avustaisivat lääkekehityksen [2] – [5]. Useat tiukka tilastollisia lähestymistapoja on kehitetty päätellä solu- ja molekyylitason verkkojen kautta integroidun analyysin näistä varoista [6] – [10]. Olemme myös aikaisemmin käyttöön osuma Vector Machine (RVM) -pohjaisen ensemble lähestymistapa, suunniteltu laajamittainen oppimisen ongelmia, ja käyttää sitä yhdistää useita heterogeeninen tietolähteitä rakentaa ihmisen geeni verkko, joka voi paljastaa geeni-geeni toiminnalliset suhteet [11 ]. RVM-pohjainen kokonaisuus malli tuotot parantunut suorituskyky laajamittaiseen oppimisen ongelmia massiivinen puuttuvat arvot verrattuna Naiivi Bayes, suosituin tapa käyttää ennustamaan proteiini-proteiini vuorovaikutusten ja geneettisten vuorovaikutusten [6] – [10].

Useat käsitteet on myös johtanut siihen, että verkko-lähestymistavat ennustaa uusia taudin geenien molekyyli- verkkoihin [12], [13], [14]. Geenit liittyy samankaltainen tautien fenotyyppejä yleensä ryhmä yhdessä molekyyli verkkoon. Täten geenit, joiden on todettu olevan yhteydessä tiedetään liittyvän sairauden geenien verkot ovat itse todennäköisemmin samasta taudista prosessi [12]. Lisäksi monimutkaisuuden syövissä, potentiaalinen terapeuttinen tavoitteet voivat niitä geenejä /proteiineja, joilla on kriittinen rooli säätelyssä useita eri reittejä pitkin tai ylläpidosta pahanlaatuinen fenotyypit [15]. Se on hiljattain raportoitu, että syöpään liittyvä geenit ovat todennäköisemmin signalointi proteiineja, jotka toimivat solmukohdat, lähetetään tai vastaanotetaan signaaleja läpi useita reittejä [16], [17]. Laajempaa käyttöä näiden käsitteiden ja rakennettu molekyylitason verkostojen edistetään saatavuutta työkaluja, joiden avulla on helppo tunnistaa mahdollisia terapeuttisia kohteita tiettyjen syöpien.

laajempaa käyttöä tällaisten rakennettu molekyyli- ja verkot lähestymistavat olisi edistettävä saatavuus työkaluja, jotka mahdollistavat helpon tunnistamisen mahdollisia terapeuttisia kohteita tiettyjen syöpien. Tässä kertomuksessa esitellään ohjelmistotyökalu TARGETgene joka käyttää rakennettu geeni verkko, joka yhdistää useita genomista ja proteomiikka tietoja käyttämällä RVM perustuva malli [11], jotta käyttäjät voivat helposti tunnistaa mahdolliset terapeuttisia kohteita tietylle syöpään. Verkko sisältää paitsi suoraa molekyylien vuorovaikutus tietoa, mutta myös laajempi geeni-geeni toiminnallisia suhteita. Lisäksi yhdistämällä lääke-kohdetiedot koostettu äskettäin saatavissa julkisista tietokannoista, kuten drugbank [18], PharmGKB [19] sekä terapeuttinen Target Database [20], TARGETgene voidaan tunnistaa mahdollisia lääkekandidaatteja syöpähoitojen. Käyttäjät voivat etsiä, valita ja tallentaa tunnistettu kohdegeenien huumeita kohteisiin (esimerkiksi valitsemalla uusia syövän geenien) kautta TARGETgene. Integroimalla resursseja useista julkisista tietokannoista, TARGETgene myös antaa käyttäjille mahdollisuuden tutkia molekyylien toimintoja, jotka liittyvät kirjallisuutta, ja rikastettua biologisten prosessien niiden valittujen kohdegeenien. Lisäksi TARGETgene tarjoaa myös käyttäjille mahdollisuuden vahvistaa niiden ennusteita käyttämällä käyttäjän määrittämiä benchmark geenit (esim kohdegeenien havaittu RNAi näytöt) ja kuraattorina syöpä geenit. Tässä raportissa korkean tason ominaisuuksia TARGETgene osoitetaan kahden sovelluksia tässä asiakirjassa: potentiaalisten terapeuttisten kohteiden välillä differentiaalisesti ilmentyvien geenien ja tunnistaminen mutaation kuljettajia. Ennustukset näissä kahdessa sovelluksissa tyydyttävästi validoitu useilla tavoilla, mukaan lukien tunnetut syövän geenit, tulokset RNAi sreens, geenien toiminnan merkinnät, ja kohdegeenien lääkkeitä, joita on käytetty tai kliinisissä tutkimuksissa.

Methods

rakentaminen Gene-Gene toiminnallinen suhde Network

Seitsemäntoista heterogeeninen genomista ja proteomiikka tiedot integroitiin käyttäen RVM-pohjainen kokonaisuus malli raportoitu [11], jotta geenin rakentamiseksi toiminnallinen verkko (kuten esitetään yksityiskohtaisesti osan 1 teksti S1). Solmut tähän verkkoon edustavat kaikkien geenien ihmisen genomin, ja funktionaalinen yhdistyksen minkä tahansa kahden niistä on määrällisesti geeni-parin sidos todennäköisyys, joka voi paljastaa taipumus geenien toimimaan samoja tai samankaltaisia ​​reittejä. Siten tämä verkko ei sisällä ainoastaan ​​suoraa molekyylien vuorovaikutus tietoa, mutta myös laajempi geneettisiä suhteita reittejä. Tämä verkosto voidaan tutkia erilaisten biologisten kysymyksiä terveys ja sairaus, ja tutkitaan geenin toimintojen ymmärtäminen monimutkainen solumekanismeja, ja tunnistaa mahdollisia terapeuttisia kohteita. TARGETgene käyttää tätä geeniä verkko kartoittaa ja analysoida mahdollisia terapeuttisia tavoitteita järjestelmien tasolla.

tunnistaminen mahdollisia kohteita käyttäen Network lähestymistavat

Perustuu rakennettu geeni verkko, TARGETgene tunnistaa potentiaalisia terapeuttisten kohteiden kahdella eri verkko-mittarit: 1) navan pisteet tai 2) siemenet geeni yhdistys pisteet (kuten kuvattu kohdassa 2 teksti S1). Kaksi keskeistä mittausten painotettua asteen keskeinen ja painotettu ominaisvektori keskeisyyden, edellyttäen TARGETgene voi määrittää taipumus geenin olla keskitin kasvain-tietyn verkon, joka on luotu kuvaamalla ehdokas geenit kasvaimen rakennetun geenin verkkoon. TARGETgene myös avulla käyttäjät voivat tunnistaa tärkeitä syövän geenien tai mahdollisia terapeuttisia kohteita yhdistämällä ne käyttäjän määrittämiä siemenet geenit (esim tunnettu syövän geenien) geenissä verkossa. Tarkemmin sanoen on tärkeää kunkin ehdokkaan geenin lasketaan summattu sen välitön toiminnallinen yhdessä näitä siemeniä geenejä. Kaikki kandidaattigeeneihin sijoitus määräytyy niiden navan pisteet tai niiden siemen geenin yhdistys pisteet. Ne korkealle rankattu geenejä ennustamisessa tunnistetaan mahdollisia tärkeitä syövän geenien ja siten potentiaalisia terapeuttisten kohteiden. Drug-tavoite jälkeen tiedot kartoitetaan kandidaattigeenejä. Lääkkeet, joiden kohdegeenien ovat erittäin sijoittuu ennustus voidaan myös pitää mahdollisina hoitoja.

Katsaus TARGETgene

graafinen käyttöliittymä TARGETgene koostuu neljästä työ- paneelit, kuten Input, toteutus , Gene, ja niiden paneelien (kuvio 1A ja 1 B). Syötepaneelin avulla käyttäjät voivat määrittää syövän tyyppi (nykyisin: rintasyöpä, paksusuolen syöpä, Ewingin sarkooma, glioblastooma, keuhkosyöpä, munasarjasyöpä, ja eturauhassyöpä) ja kandidaattigeenit sekä haluttu ranking metrinen (keskitin pisteet tai siemeniä geeni yhdistys pisteet), kuten kuviossa 1A. Täytäntöönpanoraportissa Panel avulla käyttäjä voi luoda uusia ennusteita, tallentaa tulokset ja ladata olemassa olevia tuloksia. Gene Paneeli luetellaan tiedot kaikista kandidaattigeenit myös niiden sijoitus ennusteita sekä syövän kirjallisuuden lainaus numero. Cancer kirjallisuuden lainaus tietoa geenien laadittiin Entrez Gene (ftp://ftp.ncbi.nih.gov/gene/). Tällä paneeli, käyttäjä voi myös löytää, valita tunnistettu kohdegeenien (esim valitaan uusi syöpä geenejä), ja tutkia niiden toiminnot mainitussa kirjallisuudessa sekä rikastettua biologiset prosessit. Lisäksi TARGETgene avulla käyttäjät voivat vahvistaa niiden ennusteita käyttämällä käyttäjän määrittämiä benchmark geenit (esim kohdegeenien havaittu RNAi näytöt) ja kuraattorina syövän geenien kautta tämän paneelin. Lopuksi, huumeiden ja niiden tavoite kerättyä tietoa useista julkisista tietokannoista, kuten drugbank [18], PharmGKB [19] sekä terapeuttinen Target Database [20], on myös integroitu TARGETgene ilmoittamisesta niille huumeiden /yhdisteitä, joilla voi olla toimintaohjelma tavoitteet tunnistaa TARGETgene. Drug Paneeli luetellaan yleisnimiä, huumeiden tyypit (hyväksytty tai kokeellinen), määrä kandidaattigeenejä tiedetään kohteena tunnistetun lääkkeet, korkeimmalla sijalla kohdegeenin nimi, ja aivosairauksien tunnistetuista huumeita. Luettelo huumeet tilataan niiden korkein kohdegeenin. TARGETgene on myös muokattavissa ja voi tuottaa luettelon valituista huumeiden perustuu joukkoon tavoitteensa tai huumeiden tyyppi. Lisäksi käyttäjät voivat tutkia yleisempiä tietoja havaituista huumeita kohteita läpi useita ulkoisia linkkejä.

. Arkkitehtuuri suunnittelu. B. Tärkeimmät graafinen käyttöliittymä.

Tulokset

havainnollistamiseksi käytön TARGETgene olemme soveltaneet sitä kaksi esimerkkiä: 1) potentiaalisten terapeuttisten kohteiden tuhansista eri tavoin ilmaisi geenit tunnistaa eksoni matriisi; 2) tunnistaminen kuljettajan mutatoitujen geenien sekvensointi ja kopioluvun tiedot.

Esimerkki 1: Mahdollisten terapeuttisten kohteiden välillä ilmentyvät eri Genes

Tässä esimerkissä TARGETgene sovellettiin puolestaan ​​kuhunkin kolme syöpätyyppien: Her2-positiivinen rintasyöpä, paksusuolen syöpä, ja Lung Adenokarsinooma. Ihmisen eksoni aineistot vuonna Affymetrix alustan kolme syöpätyyppeihin kerättiin National Center for Biotechnology Information Gene Expression Omnibus (GEO) [21]. Myöhempi data analyysit tehtiin käyttäen Partek Genomic Suite 6.3 (tarkemmin osassa 3.1 Teksti S1). Lopuksi, 5203, 5153 ja 6203 differentiaalisesti ilmentyvien geenien havaittiin tapaustutkimusta paksusuoli-, rinta-, ja keuhkosyöpä, vastaavasti. Ilmennetty eri geenien jokaisessa syöpätyypin olivat kaikki sijoittui perustuvat niiden napa pisteet (painotettu aste keskeisyyden) on kasvain-tietyn verkon, joka muodostettiin kartoittamalla differentiaalisesti ilmentyvien geenien kuhunkin syövän tyypistä rakennetun geenin toiminnallinen verkko. Täydellinen ranking-listan geenien kunkin kolmen syöpätyyppien saadaan käynnissä TARGETgene käyttämällä kandidaattigeeneihin tallennettuun esimerkeissä tiedostot (sisältyy TARGETgene paketti) ja valitsemalla painotettu asteen keskeisyyden ranking vaihtoehto (kohta 3.1 Teksti S1 luetteloiden top 10 korkein geenejä kunkin kolmen syöpätyyppien kuten on esitetty Gene paneelit TARGETgene). Tulokset osoittavat, että useita tärkeitä syövän geenien kullekin syöpätyypin paremmuusjärjestykseen osaavan TARGETgene, kuten AKT1 (sijoitus # 1), SRC (sijoitus # 10), ja erbB2 (sijoitus # 25) rintasyövän. Lisäksi TARGETgene myös riveissä useiden geenien erittäin (top 10%), jotka olivat äskettäin tunnistettu syöpään liittyvien geenien kuhunkin syöpätyypin. Esimerkiksi rintasyöpä ADAM12 (sijoitus # 153) ja MAP3K6 (sijoitus # 205) on äskettäin raportoitu rintasyöpään liittyvän oncogenesis [22], [23]. Lisäksi monet geenit eivät ole koskaan todettu näissä syövän tyypit ovat myös sijoittui hyvin. Nämä geenit voivat olla osallisina muissa

in vitro

ja

in vivo

tutkimuksessa arvioida niiden merkitystä näiden syöpätyyppeihin. Useat näistä on myös todettu RNAi näytöt (selitetään seuraavassa jaksossa).

Prediction arvioinnit.

Tuloksena sijoittui geenejä TARGETgene myös validoitu käyttäen geeniä toiminnallisia merkintöjä ja useita vertailuarvo geenin sarjaa, mukaan lukien kuratoituja syövän geenien joukko geenejä mainittu syöpä kirjallisuudessa, ja joukko kohdegeenien havaita RNAi näyttöjä. Vastaanotin Toiminta (ROC) käyrät ja AUC käytetään näihin benchmark arviointeja. Kussakin arvioinnissa vertailukohtana geeni sarjat käsitellään positiivisina tapauksissa toiset geenit käsitellään negatiivisina esimerkiksi.

kuratoitu syöpä geenit ladata CancerGenes tietokannasta [24] käytetään ensimmäisen kerran sen selvittämiseksi, ne ovat erittäin paremmuusjärjestykseen by TARGETgene. Kuvio 2A esittää TARGETgene ennustuksen suorituskyky kullekin syöpätyypin. Korkea AUC-arvot TARGETgene ennustus kuhunkin syöpätyypin (kaikki AUC 0,85) osoittavat, että suurin osa tunnetuista syöpä geenit ovat yleensä sijoittui hyvin. Lisäksi geenit, jotka on mainittu kirjallisuudessa kunkin syöpätyypin käytetään myös arvioida. Benchmark geenien jokaisessa syövän tyyppi voidaan määrittää perustuen eri lainaus sulku numero. Koska lainaus cutoff määrä käyttää kasvaa niin tekevät tuloksena TARGETgene AUC-arvot (kuvio 2B esittää tulokset rintasyöpä tuloksia kaksi muuta tapausta on esitetty osassa 3.2.1 Teksti S1), mikä osoittaa, että geenit on enemmän lainauksia on myös korkeampi TARGETgene sijoitusta. Tulokset Spearmanin listalla korrelaatio kolmessa syöpätyypeissä osoittaa myös merkittävä korrelaatio riveissä syntyy TARGETgene ja kirjallisuuden lainaus numero (kohta 3.2.1 Teksti S1). Tämä antaa lisänäyttöä, että geenit erittäin paremmuusjärjestykseen TARGETgene ovat myös mainittu enemmän syövän kirjallisuudessa; eli ne todennäköisesti pelata tärkeämpi rooli näiden syöpien, verrattuna alentaa sijoittui geenejä.

Oikea positiivinen korko merkitään TPR ja vääriä positiivisia on merkitty FPR kuviossa. A. Arviointi käyttäen kuraattori syöpä geenit. B. Arviointi käyttäen geenejä mainitsema mainitsema syövän kirjallisuuden eri lainaus määrä sulku arvoja 1, 5 ja 10 (ainoastaan ​​kun kyseessä on rintasyöpä on esitetty). C. Arviointi käyttäen kohdegeenien havaita solujen elinkelpoisuus RNAi näyttöjä.

Suurikapasiteettinen RNAi näytöt on äskettäin osoitettu olevan lupaava keino löytää uusia tavoitteita hoitoon useita syöpiä [25]. Siksi tehokas tavoitteet kunkin syöpätyypin havaitaan solujen elävyys RNAi jotka ladattu GenomeRNAi [26] sovelletaan myös arvioida suorituskykyä ennustukset TARGETgene. Lähdeaineistona RNAi näyttöjä käytetään tässä työssä on yhteenveto kohdassa 3.2.3 Teksti S1. Tulos on esitetty kuviossa 2C. Korkea AUC kussakin syövän tyyppi osoittavat, että parhaita toteutuneiden tavoitteiden tunnistettu genominlaajuisten RNAi näytöt yleensä paremmuusjärjestykseen osaavan TARGETgene. Jotkut RNAi kohdegeenien, jotka ovat erittäin paremmuusjärjestykseen TARGETgene on osoitettu olevan tärkeä rooli syövän synnyssä kunkin kolmen syöpätyyppien, kuten AKT1 (# 1) rintasyövässä. Erityisesti, jotkut näistä kohdegeenien on vasta hiljattain havaittu liittyvän näiden kolmen syöpätyyppeihin. Esimerkiksi rintasyöpä, PIK3R2 (fosfoinositidi-3-kinaasi, säätelyalayksikön 2 beta) ja ECT2 (epiteelisolujen muuttamassa järjestyksessä 2-onkogeenin) on TARGETgene listalla 37 ja 272, ja jossa on 3,31 ja 4,94 kertainen muutos geenien ilmentyminen rintasyövän kudoksiin, vastaavasti. PIK3R2 on osoitettu, liitetään funktionaalisesti fosforyloitumaton PTEN ja PTEN-liittyvä kompleksi joissakin HER2-monistettiin rintasyövän solulinjat [27]. ECT2 on viime aikoina raportoitu olevan mukana mekanismeja aktivoimiseksi RhoB jälkeen genotoksinen stressi, mikä helpottaa solukuolemaa hoidon jälkeen DNA: ta vaurioittavat aineet Breast Cancer [28]. Mitä mielenkiintoisinta, Huomasimme myös, että useita uusia tavoitteita (eli ei lainaus liittyy tiettyyn syöpään tyyppi perustuu PubMed vuonna joulukuu 2010) havaitsee RNAi näytöt myös sijoittui osaavan TARGETgene. Esimerkkejä rintasyövässä, tynnyri (kalsium /kalmoduliinista riippuvan seriini proteiinikinaasi) ja CIT (rho-vuorovaikutuksesta, seriini /treoniinikinaasi 21) on rankattu 161 ja 115, ja jossa on 2,88 ja 3,06 kertainen muutos geenien ilmentyminen rintasyövän kudoksia, vastaavasti. Tynnyri on todettu liittyvän kasvaimen kehittymisen ruokatorven [29]. CIT koodaa seriini /treoniini-proteiinikinaasi, joka toimii solujen jakautumista. [30]. Nämä tulokset tukevat solujen linja malleja kyky TARGETgene tunnistaa uusia terapeuttisia kohteita syövissä. Tämä viittaa myös siihen mahdollisuuteen yhdistelmän RNAi ja verkko-näytöt hyväksymän TARGTgene terapeuttista kohde tunnistaminen (enemmän keskustelua Keskustelu Lohko).

Gorilla [31], geeni ontologian rikastamiseen analyysityökalu, sovellettiin tunnistaa rikastettua GO termeistä tiheästi yläosassa TARGETgene n sijoittui geeni luettelot kunkin kolmen syöpätyyppeihin. Monet tunnistetut GO prosessin kannalta ovat tunnettuja syöpään liittyvien biologisten prosessien, kuten sääntely solukuoleman, solujen jakautumisen, säätely solujen vaeltamiseen. Mielenkiintoista, useat biologiset prosessit liittyvät uusiin tunnusmerkkejä syöpien [32] tunnistetaan myös, kuten DNA-vaurioita, oksidatiivisen stressin, kiertää immuunivalvonnan, metabolinen stressi, mitoosi stressi, ja proteotoxic stressiä. Nämä tulokset osoittavat, että geenit erittäin paremmuusjärjestykseen TARGETgene ovat mukana useita syöpään liittyvien biologisten prosessien ja polkuja. Lisäksi useita erilaisia ​​molekyylejä, kuten signalointikinaasit, reseptorityrosiinikinaasit, ja transkriptiotekijät ovat usein ehdotetaan kuin mahdollista molekyylipainon tavoitteet syövissä [33] – [36]. Esimerkiksi proteiini fosforylaatio on osoittautunut tärkeä liikkeellepaneva voima solusignalointi [37]. Lisäksi havaitaan, että monet kinaasi, reseptorin, ja transkriptiotekijä liittyvät GO toiminto termejä rikastettu korkeasti rankattu geenien TARGETgene (kohta 3.2.2 Teksti S1). Tarkemmin näistä toiminnalliset merkinnät löytyvät File S1.

integrointi Target Ennusteet and Drug-Target tiedot.

kartoituksen jälkeen tiedot huumeiden /yhdisteiden ja niiden tavoitteet paremmuusjärjestykseen geeniä luettelot TARGETgene, Drug paneeli auttaa tunnistamaan yhdisteitä, jotka joko on hyväksytty tai ovat tällä hetkellä kliinisissä kokeissa hoitoon kunkin kolmen syöpiä. Muut lääkkeet ja yhdisteet tunnistetaan TARGETgene, joita ei vielä ole käytetty kliinisissä tutkimuksissa, ovat myös osoittaneet syövän vaikutusta ja voisi näin ollen pitää mahdollisina uusi lääke näiden syöpien. Taulukossa 1 luetellaan joitakin näistä lääkkeistä ja yhdisteet, joiden kohdennetut geenit ovat yli-ilmentynyt ja erittäin paremmuusjärjestykseen TARGETgene rintasyövässä (tulokset Lung ja paksusuolen syövän löytyvät kohdasta 3.3 Teksti S1). Trastutsumabi ja Lapatinibin on hyväksytty HER2-positiivisen rintasyövän ja niiden tärkein tavoite ERRB2 on erittäin hyvin paremmuusjärjestykseen TARGETgene (ja sääteli). Useat muut lääkkeet, joiden tavoitteet ovat erittäin paremmuusjärjestykseen TARGETgene, kuten Dasatinibia, UCN-01, selekoksibi, Flavopiridoli, ja Vorinostat, on jo kliinisissä kokeissa hoitoon rintasyövän. Lisäksi muiden huumeiden /yhdisteiden on osoitettu olevan kasvaimen vastainen vaikutus, ja niitä voidaan pitää mahdollisena uusia lääkeaineita rintasyövän, kuten Alsterpaullone ja olomousiinia. Lisäksi kaksi luonnossa esiintyviä yhdisteitä, melatoniinin ja D-vitamiinia (kalsidioliksi), ovat myös tunnistaa TARGETgene. Melatoniini, luonnossa esiintyvä yhdiste löydetty organismeja, voi säädellä vuorokausirytmiä useita biologisia toimintoja. Äskettäin kliininen tutkimus osallistui yhteensä 643 syöpäpotilasta käyttävät melatoniinia löytyy alentuneen kuolleisuus [38]. Tutkimus osoitti myös, että naisten alhainen melatoniinin on lisääntynyt rintasyöpäriski [39]. D-vitamiini-reseptoreita on löydetty jopa 80% rintasyövistä, ja D-vitamiinin reseptorin polymorfismit on liitetty eroihin selviytymisen [40], [41], [42]. Aktiivinen D-vitamiinin yhdisteet (kalsidioliksi; Kalsitriolia) pitänyt määritellä niiden antiproliferatiivisia vaikutuksia rintasyöpäsoluissa [43], [44], vaikka yksityiskohdat mekanismit ovat vielä epäselviä. Yhteenvetona nämä tulokset tarjoavat joitakin muita todisteita siitä, että geenit, jotka ovat erittäin paremmuusjärjestykseen TARGETgene voivat olla mahdollisia terapeuttisia kohteita.

Esimerkki 2: tunnistaminen Kuljettajan mutatoidut Genes in Cancer

Suuri määrä geenimutaatioita on löydetty seuraavan sukupolven sekvensointi [65]. Suurena haasteena on kuitenkin erottaa kuljettajan mutatoituja geenejä, jotka edistävät kasvua syövän henkilöautojen mutaatio geeneistä, jotka eivät osansa syövän etenemiseen. Useita yrityksiä on tehty tunnistettu toistuvasti mutatoituja geenejä kuljettajat [66], [67], [68], mutta tähän mennessä nämä ponnistelut eivät ole kyenneet havaitsemaan monet kuljettajat ellei niitä muuntunut huomattavalla taajuuksilla. Esimerkiksi ryhmät geenien koulutusjakson jotka ovat keskinäisiä yksinomaan mutatoitunut. Erilaisia ​​yhdistelmiä mutaatioita sama tärkeä signalointi tai sääntelyyn reitin voivat kaikki tuottaa merkittävän häiriön ja aiheuttaa syöpää kehitystä, mutta nämä yhdistelmät yksinomaan näkyvät tietyssä näytteessä.

mutaatiot navan geenien molekyyli- verkoissa voidaan dyregulating säännöllinen toimintojen monien geenien ja niiden polkuja, koska kyky navan geenejä suoraan tai epäsuorasti muuttaa muiden komponenttien solu laajaa vuorovaikutusta. Niinpä mutatoitunut navan geenit voivat olla kuljettajille syövän etenemisen. Tässä esimerkissä käytimme TARGETgene tunnistaa mahdollinen kuljettaja mutatoituja geenejä noin 500 mutatoituja geenejä genomissa glioblastoma multiforme (GBM) [69]. Jotta voitaisiin tunnistaa ne geenit, joiden mutaatiot on eniten merkittäviä vaikutuksia muihin geenissä, me valitsemme kaikki geenit genomissa siemeninä geenit ja sitten TARGETgene paremmuusjärjestykseen kaikki mutatoitunut geenit perustuu niiden yhdessä kaikkien geenien genomin. Yhdet geenien tunnistettu ytimen polkuja GBM [68] käytettiin validointi. Huomasimme, että näiden geenien validointi ydin polkuja yleensä paremmuusjärjestykseen osaavan TARGETgene (AUC = 0,94; kuva 3). Useat näistä tunnistaa ydin-reitin geenit ovat hyvin tunnettuja GBM geenejä, kuten EGFR (# 1), TP53 (# 22), ja PTEN (# 27). On huomionarvoista, että kaksi geenit tunnistetaan TARGETgene ovat uusia GBM geenejä (eli ei GBM kirjallisuutta lainaukset löydettiin), mukaan lukien, CCND2 (# 66) ja SPRY2 (# 68). Tämä osoittaa korkealle rankattu geenien TARGETgene ennustaminen voi olla onkogeenisia kuljettajia tai mahdollisia terapeuttisia kohteita. In Drug paneeli, TARGETgene luetellaan myös joitakin hyväksyttyjä lääkkeitä, jotka kohdistuvat näihin erittäin paremmuusjärjestykseen geenit tunnistetaan TARGETgene, joista on käytetty hoitoon GBM tai ovat nyt GBM kliinisissä tutkimuksissa (tuloksia ei esitetty). Kaikki tulokset voidaan regeneroida käyttäen Esimerkki2 kandidaattigeeneihin -tiedosto TARGETgene paketti ja valitsemalla yhdessä kaikkien geenien genomin.

TARGETgene ennuste suorituskykyä arvioidaan geenien tunnistetun ytimen polkuja.

keskustelu

Mahdollisten terapeuttisten kohteiden

tulosten perusteella kahdessa esimerkit, parhaiten tutkittu syöpä geenit, mukaan lukien ne, jotka ovat osoittaneet kliinistä hyötyä (esim erbB2 ja TOP2 taulukossa 1), ovat erittäin sijoittuu TARGETgene ennustukset kussakin kolmessa syöpätyyppeihin. Merkittävintä on, TARGETgene tunnistettiin myös useita erittäin paremmuusjärjestykseen geenejä, jotka ovat uusia kunkin kolmen syöpätyyppeihin. Vaikka useimmat uudet hyväksynnät lääkkeitä kohde syöpähoitojen kohdistuvat muutaman voimassa olevien tavoitteiden, kuten EGFR, ABL1, vain pieni määrä yhdisteitä ovat kehitteillä vastaan ​​uusia tavoitteita [25]. Tämä osoittaa, että monet mahdolliset tavoitteet ovat tuntemattomia tai kanssa etä ilman huumeita. Edellinen lähestymistapoja käytetään tunnistamaan ja toimiviksi uudenlaisia ​​tavoitteita sairaudet ovat rajalliset, koska korkeat kustannukset, matala läpimeno ja paljon aikaa [25]. Geeni verkko lähestymistapa kuin istutettavaksi TARGETgene pystyy tehokkaasti ja kattavasti tunnistamaan tärkeitä syövän terapeuttisia kohteita. Tärkeintä on, että biologinen aineistoja käytetään muodostamaan geenin verkon ovat kaikki julkisen aloilla. Lisäksi, vaikka tutkimukset ovat arvioineet koko ”druggable” ihmisen genomin olevan noin 10~20% ihmisen proteomiin (eli kuinka monta mahdollisten proteeinikohteet pienimolekyylisille lääkesuunnitteluun lääkkeiden kemia) [70], [71], kehittämällä RNAi-pohjainen hoitoja voidaan sallia täsmähoitoihin lähes kaikki geenin [72]. Siten tavoitteet (säädelty tai mutantit) tunnistetaan geeni verkko-pohjainen lähestymistapa TARGETgene, voivat kaikki olla mahdollisia terapeuttisia kohteita käyttäen RNAi-pohjainen terapia. Kuitenkin suurin osa tavoitteista ennustama TARGETgene on vielä validoitu ei-kliinisissä malleissa ja lopulta potilaille.

Kahden esimerkit, napa geenit tunnistettu tärkeiksi syöpään liittyvien geenien tai potentiaalisia terapeuttisten kohteiden käytetään painotettua asteen keskeisyyden toimenpide. Vaikka ennusteet kolmen syöpätyypeissä tyydyttävästi validoitu useilla tavoilla, ennusteet perustuvat tämän menetelmän odotetaan painotettu hyvät yhteydet geenien verkkoon. Esimerkiksi jotkut pullonkaula napa geenejä [73] vain muutamia suoria yhteyksiä muihin solmuihin, mutta toimivat keskeiset liittimiä verkossa, ei voida tunnistaa käyttämällä painotettua asteen keskeisyyden toimenpide. Painotettu ominaisvektori keskeisyyden toimenpide, joka voi selittää maailmanlaajuista merkitystä geenin rakennettu verkko on lähestymistapa tämän ongelman. Rakennettu geeni verkko Tässä tutkimuksessa käytetyt kuitenkaan sisällä ainoastaan ​​suoraa molekyylien vuorovaikutus tietoa, mutta myös laajempi (undirected) geeni-geeni toimivia ihmissuhteita, mikä vähentää edellä mainittu valinta bias ongelma käytettäessä painotettua asteen keskeisyyden. Toteamme, että vertailukelpoiset ennustuksen suorituskyky painotettua asteen keskeisyydestä ja painotetun ominaisvektori keskeisyyden toimenpide, joka tukee tässä vaiheessa (tuloksia ei esitetä). Kuitenkin geenejä, joita ei ole hyvin tutkittu tähän päivään mennessä, mutta voi olla tärkeää syövän etenemistä ei voida tunnistaa TARGETgene, koska vähän tiedetään niiden toiminta. Tämä on nykyinen rajoitus TARGETgene kohde tunnistaminen, joita voidaan lievittää enemmän genomista ja proteomiikka tiedot luodaan ja integroitu muodostaa täydellisemmän geeni verkko voidaan sisällyttää tuleviin versioihin TARGETgene.

yhdistelmä Ennusteet of TARGETgene ja RNAi näytöt

RNAi näytöissä on kyky tunnistaa kriittisiä geenejä, jotka ohjaavat syöpään liittyvien (tai sairauteen liittyvien) fenotyyppien käyttämättä mitään aiempaa biologista tietoa. RNAi näyttöjä voidaan siten olettaa olevan tehokas väline tunnistamaan ja validointi uusia tavoitteita Lääkekehitysprosessi [25]. Geeni verkkopohjaiset lähestymistapaan TARGETgene, ei kuitenkaan listalla joitakin tavoitteita tunnistetaan RNAi näytöt erittäin. On useita syitä eroa ennakoi maalin käyttäen RNAi ja geeni verkko-lähestymistapaa TARGETgene. Käyttö RNAi näyttöjä on useita merkittäviä rajoituksia. Ensinnäkin, RNAi näytöt voidaan toteuttaa vain solulinjoissa, mikä merkitys tavoitteiden on edelleen validoitu kliinisissä tutkimuksissa. Toiseksi, RNAi reagenssit on off-tavoite vaikutuksia, mikä johtaa inhibitioon geenejä, jotka eivät ole aiottu tavoitteet johtaa tiettyyn fenotyyppiin [25]. Vaikka on mahdollista vähentää tällaisia ​​vaikutuksia käyttäen laajaa validointien, vain muutamia kohteita viimeistellään ja siten luoda useita vääriä negatiivisia (ts monet geenit, jotka tulisi olla tavoitteita, mutta ei havaita). Sen sijaan geeni verkko-seulonta TARGETgene voidaan käyttää tunnistamaan mahdollisia terapeuttisia kohteita suoraan käyttäen potilaan tiedot. 3).