Krooninen sairaus

tiivistelmä

Tässä raportissa kuvaamme strategian optimoitu valinnassa proteeinikohteet sopivia lääkekehityksen vastaan neoplastisia sairauksia ottaen erityistapauksessa rintasyövän esimerkkinä. Yhdistimme ihmisen interactome ja transcriptome tietoja pahanlaatuisia ja ohjaus solulinjoissa koska erittäin kytketty proteiineja, joita säädellään ylöspäin pahanlaatuisten solulinjojen odotetaan olevan sopivia proteiini tavoitteita kemoterapiaa pienemmällä nopeudella toivottuja sivuvaikutuksia. Me normalisoitui transcriptome tiedot ja sovelsivat tilastotieto kohtelu objektiivisesti poimia osa-verkkojen alas- ja ylöspäin geenien joiden proteiineja tehokkaasti vuorovaikutuksessa. Valitsimme eniten liitetty ne, jotka toimivat proteiinin solmukohdat, joista useimmat on signalointi verkkoon. Osoitamme, että proteiini tavoitteet tehokkaasti tunnistaa yhdistelmä proteiinin yhteydet ja differentiaalikaavojen tunnetaan sopivia kohteita onnistuneen kemoterapiaa rintasyöpä. Mielenkiintoista, löysimme ylimääräisiä proteiineja, ei yleensä kohteena lääkehoitojen, mikä saattaa perusteltua laajentaa nykyisten muotoilu lisäämällä estäjien suunniteltu näitä proteiineja vastaan, minkä seurauksena parantaa hoitotulosten. Molekyyli muutoksia havaittiin rintasyövän solulinjoissa edustavat joko kuljettajan tapahtumia ja /tai kuljettajan polkuja, jotka ovat välttämättömiä rintasyövän kehitykseen tai etenemisen. On kuitenkin selvää, että signalointi mekanismeja luminaalinen A, B ja kolmen negatiivinen alatyyppejä ovat erilaisia. Lisäksi ylä- ja alassäädetty verkot ennusti alatyypin-tiettyä lääkettä tavoitteita ja mahdollisia korvauksia piirien välillä ylä- ja alas geenien. Uskomme, että nämä tulokset voivat olla merkittäviä kliinisiä vaikutuksia henkilökohtainen syöpäpotilaiden hoidossa mahdollistaa objektiivisen lähestymistavan kierrätystä arsenaali käytettävissä huumeita erityistapaus kunkin rintasyövän antaneet erillisiä laadullisia ja määrällisiä molekyyli- piirteitä.

Citation: Carels N, Tilli T, Tuszynski jA (2015) laskennallisen strategia Valitse optimoitu Protein tavoitteet Drug Development kohti valvonta syöpäsairauksia. PLoS ONE 10 (1): e0115054. doi: 10,1371 /journal.pone.0115054

Academic Editor: Pranela Rameshwar, Rutgers-New Jersey Medical School, Yhdysvallat |

vastaanotettu: 29 syyskuu 2014; Hyväksytty: 21 lokakuu 2014; Julkaistu: 27 tammikuu 2015

Copyright: © 2015 Carels 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: kirjoittajat eivät tuki ja rahoitus raportoida.

kilpailevat edut: kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä olemassa.

Johdanto

Syöpä on yksi haastavimmista ja monimutkaisia ​​sairauksia maailmanlaajuisesti. Vaikka merkittävä parannus diagnosoinnissa ja hoidossa tapahtui viime vuosina, syöpä on edelleen yleisin kuolinsyy maailmanlaajuisesti, mikä ennustetaan olevan huikeat 13,2 miljoonaa kuolemantapausta vuoteen 2030 mennessä [1]. Nämä numerot voivat vain pahenee seurauksena yleisen suuntauksia väestön ikääntymisen ja väestön kasvu [2].

Body solut voivat muuttua syöväksi seurauksena geneettisen ja epigeneettiset uudelleenohjelmointi prosesseja, joihin liittyy monimutkaisia ​​sääntelyyn piirit johtavat niiden kuolemattomuus ja hallitsematon jako [3]. Prosessi hallitsematon solujen jako menee rinnan kasvua syöpäkasvaimen johtaen paikalliseen fysiologisia häiriöitä johtaa etäpesäkkeitä ja lopulta kuoleman koko elimistöön usein johtuu kuihtuminen tai elimen epäonnistumisista. Etäpesäkkeitä muodostavat suurimman haasteen lääketieteellinen hoito syövän, on tärkein kuolinsyy syöpäpotilaiden [4].

tunnistaminen molekyylitason mekanismeja, jotka ohjaavat kasvaimen kehittymisen ja syövän etenemistä on ratkaisevan askel tarjoamalla tehokkaampia hoitomuotoja , parantunut diagnostiikka ja korreloivia kliininen käyttäytyminen sairauden etiologia. Viimeisten kolmen vuosikymmenen aikana satoja potentiaalisia syöpään liittyvien molekyylikohteista (oncotargets) on tunnistettu ja hoitomuotoja kehitetään, joilla pyritään näihin tavoitteisiin. Monet tällä hetkellä saatavilla lääkkeitä suunniteltu tiettyjä syöpiä ovat erittäin kalliita, tarjota vaatimattomia parannuksia kokonaiselinaika, ja olla merkittäviä kielteisiä sivuvaikutuksia. Kriittisin kysymys osoite on luonteeltaan molekyyli tavoitteet, jotka on ymmärrettävä valvomiseksi syöpäsolujen lisääntymistä kanssa mahdollisimman vähäiset sivuvaikutukset säilyttääkseen kohtuullinen elämänlaatu potilaalle. Koska geneettinen säätelyhäiriön tautia laajalle levinneitä fysiologisia vaikutuksia, syövän luontaisesti edellyttää antaminen monimutkaisten usean lääkkeen terapeuttisia. Määrittää soveltuvat terapeuttisia kohteita hoitoon huumeiden cocktaileja ei ole yksinkertaista, koska syöpäsoluja ei ole ilmeisiä molekyylirakenne erot verrattuna normaaleihin soluihin. Oikeastaan ​​erot normaalin ja pahanlaatuisten solujen melko hajallaan niiden asetuksessa [5], joita voidaan arvioida kautta transcriptome tiedot. Viimeaikainen edistyminen

in silico

data mining ja korkean kapasiteetin tietojen tuottamista suhteessa geeni, proteiinin ja metabolinen verkkojen [6,7] tarjoaa uuden erittäin lupaava mahdollisuus tunnistaa ne proteiinit, jotka olisivat marginaalinen seurauksia normaalissa soluja, mutta tulisi signalointi solmukohdat syöpäsoluissa, koska niiden luonnollisen korkea yhteyden muihin proteiineihin ja merkittävä muutos ilmaisun hinnat.

Complex verkot ovat läsnä kaikkialla fysiikan, biologian ja yhteiskuntatieteet. Matemaattisesti, verkko voidaan kuvata suunnatulla tai suuntaamaton verkko G = (V, E), jossa Vertex ja reuna asettaa V ja E, tässä järjestyksessä. Reunan näkyy kuvaajan jos on tiedossa vuorovaikutus kaksi kumppania, joko suoraan sitoutumisesta tai Entsyymikatalyysi. Automorphism on permutaatio joukossa V, joka säilyttää läheisyytensä suhteen ja, jos läsnä, suunta nuolet välillä kärkipisteet. Toiminnan kanssa koostumuksesta, automorphisms muodostavat ryhmän Aut (G). Viimeaikaiset työn MacArthur et al. [8] luetellaan 20 esimerkkiä reaalimaailman verkkoihin ja niiden rikas symmetria ryhmiä. Real verkot näyttää modulaarinen rakenne, jonka kärjet järjestetään yhteisöissä tiiviisti kytketty sisäisesti ja löyhästi kytketty toisiinsa [9]. Tämä johtaa siihen, että läsnä on symmetrinen subgraphs, kuten puita ja täydellinen klikkien, jotka auttavat luokitella solmut verkon osaksi ”selkäranka” (ne, jotka pysyvät kiinteinä alle automorphisms) ja ”lisäkkeet” (jotka saavat kartoitettu muiden pisteiden ).

Tällainen strategia on tutkittu viime aikoina useissa paperit [10-12]. Nämä kirjoittajat osoittivat, että todennäköisyys 5 vuoden elossaololuku (tiedot näkijä tietokannasta, https://seer.cancer.gov/) on kääntäen verrannollinen monimutkaisuuteen signalointiverkon (otettu Kioton Encyclopedia of Genes and Genomes – Kegg, https://www.genome.jp/kegg/) varten syöpien harkita. Verkoston monimutkaisuus kuvattiin käyttämällä Shannonin entropia mittaamalla jakelu yhteyksien proteiinin interactomes edustettuina suuntautuneita kuvaajia. Siten monimutkaisuus kuvaaja voidaan muotoilla kannalta verkon entropia H (G) yhteen on solmujen ja harkitsee d (v) aste reunojen vastaan ​​ja määrittelemällä H (G) = – Σ d (v) log d (v). Signalointipolkujen ja verkostot ajaa sekä normaalin fysiologisen ja patologisen prosessin soluissa. Menetelmä määrittelemään ja rajaamaan näiden signalointireitteihin olisi hyödyllistä suunnitella uusia lääkkeitä tulevalle syöpähoidon kehittämiseen. Saadakseen lisää tietoa siitä, taustalla olevien mekanismien rintasyövän signalointireittien, arvioimme geeniekspressiomalleja useita rinnan solulinjoja, jotta saadaan aikaan solu-line-tietyn verkon. Tässä etsimme proteiinin tavoitteet, joilla on merkittävä määrä yhteyksiä, jotka ilmentyvät differentiaalisesti useita pahanlaatuisten solulinjojen rintojen suhteessa ei-kasvainten solulinjassa. Olemme havainneet, että useat mahdollisia proteiineja suuret

liitettävyys

ei toisin ilmaistu harkittaessa pahanlaatuinen ja normaali solulinjoissa ja siten ei voida katsoa lääkekehityksen ilman merkittäviä haitallisia sivuvaikutusten potilaan terveydelle. Kuitenkin toinen joukko proteiineja suuret

liitettävyys

ovat todellakin alas- tai ylöspäin säädeltyjä pahanlaatuisten solulinjojen ja säädelty niistä ovat potentiaalisia lääkekehityksessä. Analysoimalla kirjallisuudessa, voisimme varmistaa, että kaikki mahdollinen proteiinin tavoitteet saadaan analyysimme ovat hyvin tunnettuja, ja jotkin, on jo käytetty aineina syövän ohjaus lääkehoitoa. Muitakin mahdollisia kohteita ilmi tässä tutkimuksessa, joita ei käytetty lääkekohteita vielä, mikä nostaa olettamusta, että näiden oletettujen tavoitteet saattavat motivoida tiettyjä lääkekehitys tehostaa nykyisten huumeiden cocktaileja. Löysimme sekä yhtäläisyyksiä merkittäviä eroja verrattaessa luettelot kärkipään tavoitteet eri rintasyövän solulinjoissa. Tämän seurauksena tietyn cocktail voidaan katsoa yhteydessä

henkilökohtaisen lääketieteen

kulloisenkin joukon otaksuttu tavoitteita yksilöidyt biopsia tietyn potilaan. Ehdotamme, että tällaiset henkilökohtaisen avun odotetaan merkittävästi lisäämään tehokkuutta syövän hoidossa.

Tulokset

normalisoituminen tag näytteiden mukaan CDS koon ja merkin numero johti arvojen geenin ilmentymisen jotka voivat eroavat näytteestä toiseen vain siksi näytteen koon. Tällainen triviaali bias onnistuneesti eliminoitu

Q

-norm yli kaikki näytteet analysoitiin tässä tutkimuksessa. Jakelu tag lukemien transcriptome data on tyypillisesti laskeva käyrä, jossa alin ilmaistaan ​​geenit ovat yleisimpiä niistä. Vähennyslasku normalisoitu tag laskee kunkin pahanlaatuisen solulinjan normaalista solulinjasta MCF10A antoi frekvenssijakaumien jonka muoto oli hyvin kapea, mutta symmetrinen ja keskitetty nolla. Tukin

10 (

x

i + 1) muutos yhdessä

Q

– normi johti symmetriset jakaumat (havaittu) hyvin lähellä Gaussin (teoreettinen) (ks. 1A). Kun teoreettinen jakelu kädessä, laskimme luokittelu kynnysarvot -90 ja +90 tageja havaittuun jakelusta vastaa

p

-arvo α = 5% teoreettisen jakelu. Luokittelu kynnysarvoja vastaa

p

-arvo α = 1 ‰ olivat -150 ja +150, vastaavasti. Täten geenit pahanlaatuisten solujen luokiteltiin alassäädetty kun heidän tag määrä oli alhaisempi kuin -90 tai -150 tai säädelty kun heidän tag määrä oli suurempi kuin +90 tai +150 mukaan α = 5% ja α = 1 ‰ vastaavasti vertaamalla MCF10A.

(B) välinen korrelaatio

liitettävyys

ja

betweenness keskeisyyden

. (C) välinen korrelaatio liitettävyys proteiinien ottaen huomioon koko verkon näytteen käytettävissä (~10,000) ja osa-verkkojen ~600 proteiinien BT-474 rintasyövän solulinjoissa.

Protein navat on määritelty proteiinit (solmut), jossa on paljon suurempi yhteyden numero (reunat) kuin keskiarvot proteiinin (tai geenien) verkkoon; ne toimivat maailmanlaajuinen signaali integraattoreita tai globaali säätimet useita signalointireittien. Harkittaessa betweenness keskeisyys ja proteiinin yhteydet, löysimme suuri positiivinen korrelaatio (

r

= 0,91) on näyte ~10,000 vuorovaikutuksessa proteiineja. Koska yhteys on objektiivista, joka on yksinkertaisempaa laskea kuin betweenness keskeisyys, me vain harkita proteiinia yhteyden alla (ks. 1 B). Olemme myös löytäneet positiivinen korrelaatio (

r

= 0,95) välinen liitettävyys proteiinien huomioon koko verkon näyte saatavilla (~10,000) ja osa-verkostojen ~600 proteiinien (kts. 1 C). Niinpä katsotaan proteiinin yhteydet tasolla alaverkon edustajana koko verkon, joka mahdollisti ekspression proteiinin yhteydet on suhteellisena arvona, joka on melko vankka näyte koon vaihtelut.

kartta verkon välisen vuorovaikutuksen alas- ja ylöspäin geenien rintojen pahanlaatuisten solulinjojen on esitetty kuvassa. 2. Top 5 eniten kytketty geenejä Saharan verkostoja ylä- ja alas geenien ovat sopivia ehdokkaita kuin proteiini tavoitteet lääkekehityksen (katso S1 ja S2 taulukot).

solmut edustavat geenejä, kun taas linkit ovat vuorovaikutuksessa geenien välillä. Koko solmut osoittavat yhteydet ja väri edustaa ekspressiokuviota välillä kasvainten vs. ei kasvaimen rintojen solulinjassa. (A) p 0,05. (B) p 0,01. Gephi käytettiin esittää ja visualisoida verkoissa.

Venn-kaavio kuvassa. 3A ja B esittää osajoukko geenien, jotka ilmentyvät differentiaalisesti kunkin histologisen alatyypin suhteen kontrolloida soluihin. Niistä up geenien tunnistimme HSP90AB1 kuin proteiini napa, joka on säädelty kaikissa pahanlaatuisten solujen ja on raportoitu indusoivan angiogeneesiä. Mielenkiintoista, löysimme CSNK2B kuin proteiinin napa, joka on säädellään ylöspäin luminal B ja kolminkertainen negatiivinen pahanlaatuisten solulinjojen, mutta yleensä ei luminaalista soluissa. Grb2 ja HER2 /3, YWHAB, PA2G4 ovat nimenomaan säädellään ylöspäin luminal A ja B, vastaavasti. Aktiini on proteiini napa, joka säätyy alas kaikissa histologisia alatyyppejä. Havaitsimme alas-säätely VIM luminaalista A ja B; NFKBIA välillä kolminkertainen negatiivinen ja luminal B; ja MAP1LC3A luminaalista A ja kolminkertainen negatiivinen. HSPAS, GAPDH, GABARAPL2 ja GABARAP ovat alaspäin säädeltyjä luminal B.

Up-geenien (A) ja alas- geenien (B). Luminaali luokitus sisältää MCF-7, T47D e ZR751 solulinjoissa; Luminaali B sisältää BT-474; ja kolminkertainen negatiivinen BT-20, MDA-MB-231 ja MDA-MB-468.

Jos haluat etsiä otaksuttu druggable onkoproteiineja rintasyövässä keskityimme täällä, jopa geenien. Meidän tutkimuksessa paljastui oncotargets (top 5-geenejä), jotka liittyvät solusyklin ohjaus, vastustavat solukuoleman, angiogeneesin, invaasio ja metastaasi, purkamalla cellular energetics, genomin epävakautta ja mutaatio, ja kasvaimen edistävät tulehdusta, jotka ovat tunnusmerkkejä syöpä [3] . Vuonna kolminkertainen negatiivinen alatyyppi ja luminaaliselle A, suurempi prosenttiosuus up-geenien liittyvät yllä proliferatiivisten signalointi, vastustavat solukuolemaa, ja aktivoimalla invaasio ja etäpesäkkeiden. Sen sijaan luminal B, jopa geenien ensisijassa liittyvät angiogeneesiin induktioon, solukuoleman vastus, ja invaasio ja etäpesäkkeiden aktivointi (katso S3 taulukko) [3,13-41].

kolminkertainen syöpäkasvain jotka aiheuttavat yleisesti huono ennuste, havaitsimme ylös-säätely osallistuvien geenien (i) solusyklin kontrolli, joka sisältää EGFR, MAPK13, YWHAB, MAGOH, EEF1G, CSNK2B, MYC, SRPK1, TK1, GABARAPL1, ja CHD3; (Ii) anti-apoptoottisia tekijöitä, kuten YWHAB, MYC, GABARAPL1, ja HDGF; ja (iii) aktivointi ja metastaasit, kuten YWHAB, SRPK1, CSNK2B, GABARAPL1, CHD3, ja HDGF. Merkittävimmät sääteli transkriptit jotka liittyvät vapauttamisen solun energetics (GAPDH); syntymässä tunnusmerkki havaittiin ainoastaan ​​kolminkertainen negatiivinen alatyyppi. Tämä tunnusmerkki liittyy myös MYC ja GABARAPL1. Vain 1 transkriptio liittyy angiogeneesiin HSP90AB1. Näitä tunnusmerkkejä ovat kaikki liittyvät kasvaimen etenemiseen, jotka tukevat huonon ennusteen triple syöpäkasvain.

ontelon Sub-verkoissa jopa geenien viittasivat toimintoihin liittyvät genomiin epävakautta ja mutaatio (EIF4A3), ja kasvaimen edistävät tulehdusta (KPNA2). Lisäksi luminal solut yli-ilmentävät selostukset liittyvät solusyklikontrollin, kuten Grb2, EEF1G, MCM7, CSNK2B, PAK2, TK1, MAPK13, ja NPM1; sekä erbB2 /3, PAK2, TK1, ICT1, ja NPM1, mukana vastustuskykyä solujen kuolemaan. Mitä tulee geenit liittyvät syövän etenemiseen, löysimme HSP90AB1, Grb2, erbB2 /3, EIF4A3, HDGF, ja CSNK2B. Luminaali B aliverkot olivat samanlaisia ​​kuin luminaaliselle solut; tämä samankaltaisuus ei ole yllättävää, sillä luminaalisen A ja B-solut olivat myös ryhmitellä vain yhteen luokkaan, eli luminal, kuten on esitetty S1 taulukossa. Vertailu Ontelonsisäisen A ja B solulinjat kolminkertainen negatiivinen osoitti säätely ylöspäin (i) kiertää kasvutekijät erbB2 /3 luminaalista A, ja (ii) YWHAB ja PA2G4 luminaalista B. YWHAB ja PA2G4 ovat sekaantuneet kennovastuksen kuolemaan, omavaraisuuskyky proliferatiivisen signalointi ja invaasiota ja etäpesäkkeiden aktivointi (katso S1 taulukko).

saadaan käsitys merkitystä verkon piiri liittyvät rinta- syövän etenemiseen, me myös luokiteltu alas geenien suhteen toiminnallisen biologian ja tunnusmerkkejä syöpä (katso S4 taulukko) [17,22,25,42-56]. Alas geenien kattaa laajan joukon prosesseja osallisina syövän biologian. Kuten odotettua, alas geenien etusijassa liittyvät ylläpitoon tasapainon olosuhteissa; löydettiin toimintoja, kuten: (i) solun kuoleman signalointi (GABARAPL2, GABARAP, MAP1LC3A, TP53), (ii) solun tukirangan vakaus (ACTB, ACTG1, TUBA1A), ja (iii) lisääntymistä (TP53, GRP78, NFKBIA, GSK3b, BHLHE40 ).

Yhteenvetona, nämä tulokset osoittavat monimutkaisuus signalointi näiden verkkojen ja massiivinen seurauksia indusoi proteiinia napa sääntelyn purkamista rajat puhua välillä säätelijöinä solutapahtumia.

keskustelu

Tuloksemme on kolme suurta vaikutuksia syövän hoidossa (i) auttamaan määritellä strategia tunnistaa mahdolliset oncotargets rintasyövän hoitoon; (Ii) paljastamisessa sääntelykysymystä piirien välillä alas- ja ylöspäin geenien vastuussa solun fysiologiaa rinta- syövän etenemiseen; ja (iii) tarjoamalla nopea proteiinikohde tunnistamisen yhteydessä henkilökohtaisen lääketieteen joka kykeni yksittäiset kasvaimet tyypit ja histologisia alatyyppejä. Kuvattu menetelmä pitäisi auttaa luomaan kvantitatiivinen suhde otaksuttu oncotargets ja asiaan terapeuttinen strategia. Tutkimuksemme tarjoaa myös kehyksen tunnistamiseksi keskeisten toimijoiden rinta maligniteetti, ja saattaa johtaa uusia oivalluksia käyttökelpoisia kehitettäessä hoitointerventioiden rintasyövän hoitoon ja ehkäisyyn. Lisätyötä tarvitaan toiminnallisesti validoiminen oncotargets alkava prekliinisen testauksen klo

in vitro

tasolla.

Vaikka useat raportit ovat osoittaneet, että on tärkeää proteiinin verkkojen rintasyövän [57, 58], vain harvat tutkimukset ovat tunnistaneet ilmaus profiilia niiden vastaavien geenien [59,60]. Vaikka muut raportit ovat käsitelleet proteiini verkkoja subtype- erityisiä solulinjoja rintasyövän, yksikään niistä ei ole normalisoitu ekspressiomalleja näiden pahanlaatuisten solujen ei-kasvaimen rintojen solulinjassa. Raporttimme keskittyy profilointiin geenin ilmentymisen navan proteiinien, jotka nousevat sopii lääkekehityksen pienemmällä nopeudella epäsuoria kielteisiä vaikutuksia potilaiden terveyteen. Itse asiassa, kuten tyypin I ja tyypin II virheitä, on kompromissi koskee valinta proteiinin kohteisiin, joiden p-arvo on 0,1% tai 5%. Määrä tavoitteita käytettävissä p-arvo 0,1% on luonnollisesti pienempi kuin 5%, mutta sen sijaan niiden inhibition odotetaan aiheuttavan vähemmän sivuvaikutuksia potilaalle, koska suurempi ero geenin ilmentymisen välillä ja pahanlaatuiset normaalit solut. Sitä vastoin harkittaessa p-arvo on 5%, määrä potentiaalisia kohde kasvaa, mutta hinta on palkka on korkeampi haitallisia sivuvaikutuksia.

Täydelliset vuorovaikutuksessa ihmisen proteiineja, jotka meidän käytetään perustuu ~10,000 geenejä, joka on noin kolmasosa koko ihmisen perimän joukko, joka on arvioitu olevan ~30,000 perustuvat tietoihin expressed sequence tags [61]; näyte kolmasosa koko ihmisen geeniperimä pidetään täällä tilastollisesti erittäin merkitsevä. Breitkreutz et ai. [10] osoitti, että signalointi verkon mallinnus sopii syövän tunnusmerkit tunnistamista, koska se tarjoaa tärkeää tietoa siitä, miten geenimutaatioita voivat vaikuttaa solujen fysiologiaan ja johtaa syövän sekä tunnistaa otaksuttu syöpä biomarkkereita.

olemassaolo vuorovaikutuksessa alaverkon välillä alas- ja ylöspäin geenien osoittaa, että ilmennetty eri geenit, sen lisäksi, että aiheuttamien erityisten syövän reittejä, ovat vuorovaikutuksessa toistensa kanssa ilmeisesti kompensoiva tavalla, mikä edelleen osoittaa, että kasvainten synnyssä ja kasvaimen etenemistä edellyttää useita ja ylikuuluminen signalointi. Verkot liittyvät erilaisiin solualatyyppien ja niiden erityiset kuviot havaittiin täällä ovat hyvässä kanssa tietoja kirjallisuudesta.

Kun nopea vauhti modernin teknologian kehitys, voimme tehdä turvallinen ennustus, että jossain vaiheessa jota ei ole-niin-kaukaisessa tulevaisuudessa, kun potilas on diagnosoitu syöpä, se on silti mahdollista sekvensoida sekä pahanlaatuiset ja normaalien solujen kautta biopsia, jotta ilmoittaa hoitosuunnitelman. Kun tietty oncotargets tunnistetaan, siitä tulee teoriassa mahdollista määritellä henkilökohtaisen lääkkeen cocktail pohjalta olemassa olevan tiedon tai edes, lennossa, jonka

in silico

simulaatioita (telakointi ja molekyylidynamiikan) inhibiittorien näillä oncotargets. Teoriassa tämä strategia on yhteensopiva yksittäisiin lääketieteen, siinä mielessä, että kun strategia on suunniteltu, se voi olla periaatteessa pitkälle automatisoitu. Koska hoitovaste tiettyyn kemoterapeuttinen lääkeaine saattaa olla suhteellisen alhainen valitsematon esikäsitellään potilasryhmää, se on perusedellytys, että repurposing strategiaan kuuluu esivalinta ne potilaat, joilla on suotuisa molekyyliprofiilin niiden syöpäsolujen eli ne potilaat, joilla on korkein todennäköisyys hyötyä hoidosta. Strategiamme poikkeaa perinteisestä huumausainepoliittista repurposing odottaa, löytää uusia indikaatioita cocktail hoidot pitäisi vaikuttaa olennaisen väyliä /mekanismeja johtaa syöpäsolun kuoleman mahdollisimman vähän sivuvaikutuksia normaaleille soluille. Toisin sanoen, olemme samanaikaisesti pyrkiä maksimoimaan tehokkuuden ja minimoida toksisuutta annetun hoito-ohjelman. Tämä strategia on tarkoitus voittaa luontainen ja hankittu resistenssi, kasvain heterogeenisyys, sovittaminen ja geneettinen epävakaus syöpäsoluja. Kuitenkin useita vaihtoehtoisia signalointi reittejä olemassa kasvaimia, jotka tekevät niistä vastustuskykyisiä lääkehoitoa. Siten useita kysymyksiä olisi käsiteltävä sen varmistamiseksi, että ehdotettu strategia on yhtä voimakas kuin ennustettu, koska biologisesta monimuotoisuudesta aina tuo odottamattomia tilanteita.

On tärkeää, että koko joukko ennustettu lääkekohteita on kokeellisesti vahvistanut lääkkeille tai siRNA (S5 taulukko) [36,38,40,62-86], mikä osoittaa, että tässä esiteltyä lähestymistapaa on sopusoinnussa uusinta ja pitäisi käyttäytyä samalla uusissa tilanteissa, joissa tietoa on niukasti. Täten kuvattu lähestymistapa tässä voidaan ajatella toteutettavaksi huomattava määrä nykyisin käytetään kemoterapeuttisten, koska niiden molekyylitason toimintamekanismit ovat hyvin ymmärrettävissä tuhansia tutkimuksia saatavilla kirjallisuudessa. On toivottavaa, että strategiamme avulla selvittäminen molekyyli- verkkojen eri kasvaimia ja histologisia alatyyppejä. Uskomme, että tämä strategia on arvokas ja voi mahdollisesti lisätä uusia työkaluja armamentarium huumeiden käytössä olevat onkologit.

Koska pahanlaatuisiksi on kuvattu sisältävän määritellyistä fysiologisia muutoksia emme luokitteli top 5-geenejä tunnusmerkkejä syöpä, kriteerien mukaisesti ja esimerkit ehdottamat Hanahan ja Weinberg [3] ja perustuu nykyiseen toiminnallinen ymmärrystä geenien BLAST geeni ontologian (Blast2GO). GO termejä käytetään tunnistamaan luettelo mahdollisista komponenteista, toiminnot ja prosessit, jotka ovat merkittävästi tuonut esiin valitussa geenit. Tämä luokitus osoitti, että viisi ylös- ja alas geenien kunkin solulinjan osaltaan kaikki kuusi hankitut ominaisuudet, joita tarvitaan syövän etenemiseen. Nämä tulokset viittaavat siihen, että meidän lähestymistapamme on hyödyllinen tunnistamaan oncotargets soveltuu rintasyövän hoitoon. Vaikuttaa järkevältä löytää osallistuvia geenejä solusyklin, kun otetaan huomioon, että aineisto koskee rintasyöpä ja jakautuviin pahanlaatuisia soluja, joissa ilmentyminen solun lukiertosäätelijöistä on ratkaisevan tärkeää ja heijastaa korkean mitoosi-indeksi tyypillisesti liittyvät rintojen kasvaimia. Todellakin, koska erittäin lisääntyvien solujen vaativat energiaa Glykolyysivaiheen on merkittävä polku mukana energian tuotannossa. Tämän maisemaan, tuloksemme osoittavat GABARAPL1 ja GAPDH solmukohtia BT-20-solut (kolminkertainen negatiivinen). Toinen luokka tavoitteet on ryhmä liittyvien geenien solun signalointiin ja solujen viestintä, kuten kalvoproteiinit, HER2 ja 3 tai EGFR, signaalitransduktion proteiineja, kuten MYC, TK1, NPM, YWHAB, MCM7, EIF4A3, HDGF, Grb2, CHD3, PAK2, PA2G4, ja liikenne proteiineja, kuten KPNA2. Ei ole yllättävää, että tässä työssä, me poimi valvontaa geenejä solusyklin tai apoptoosin kuten MAPK13, HSP90AB1, MAGOH, CSNK2B, EEF1G, PDIA3, ICT1, SRPK1, ja myös ne osallistuvat EMT prosessissa kuten VIM, joka on tärkeä rooli kasvainten kehittymiseen.

tunnistettu HSP90AB1 ainoana säädelty proteiini napa yhteinen kaikille solutyyppejä tutkimuksessamme, jossa korostetaan sitä, että syöpä alatyypeistä osoitettu tässä kaikilla ydin proliferatiivisia signalointireiteissä yleinen rintasyöpiä, mutta monet erityispiirteet. Osa ekspressiomallin, joka on yhteinen kaikissa solulinjoissa mukana voidaan lisäksi vaikuttaa taustalla geneettisen taustan kasvainsolujen ja vaihe kasvaimen etenemisen, jossa solulinja on peräisin.

osoittavat edelleen, ennustavan voiman alatyypin-erityisverkkojen, yritimme ennustaa alatyypin erityisiä hoitotoimenpiteiden. Jos keskitin geeni nimenomaan näkyy joko luminal A, B tai kolminkertainen-negatiivinen alatyypin-tietyn verkon, odotamme, että tämä geeni voisi olla lääke tavoite spesifinen tämän alatyypin. Tämän periaatteen mukaisesti, Grb2, ICT1, PDIA3, KPNA2, NPM, PAK2, EIF4A3 ja MCM7 ennustetaan mahdollisina lääkekohteita erityisiä luminaaliselle Solu tyyppi, PA2G4 olisi erityinen luminaaliselle B-solujen tyyppi, ja MAGOH, MYC, SRPK1, VIM, GABARAPL1, GAPDH ja CHD3 ennustetaan mahdollisina lääkekohteita erityisiä triple negatiivisen alatyyppi.

Huomasimme myös assosiaatioita alas-säätely geenien ja terapian, joka joissakin tapauksissa tarjota oivalluksia vuorovaikutus tuumorisuppressoreilla ja solukoneisto välittämisessä huumeiden herkkyys. Esimerkiksi Zheng et ai. [87] osoittivat, että yli-ilmentyminen HER-2 /

neu

voisi vähentävät villityypin p53-proteiinin aktivaation kautta PI3K reitin, ja induktio MDM2 tumaansiirtymiseen MCF-7 ihmisen rintasyöpä solut. Tukkeutuminen PI3K reitin sen erityisen estäjän LY294002 aiheutti G1-S-vaiheessa pidätyksen, vähensi solujen kasvu ja lisääntynyt kemo- ja radio-terapeuttinen herkkyys MCF-7-solut ilmentävät villityyppistä p53. Lisäksi Wang et al. [88] osoitti, että kumoamisen GRP78 aiheuttama herkkyys rintasyövän solujen taksolin ja vinblastiinin.

Johtopäätökset

Käyttämällä integroiva verkosto analyysi saatujen tietojen transcriptome ja interactome julkisia varoja, me on ennustettu selektiivinen yhdistelmiä druggable tavoitteet avainsalpalupa reittejä rintasyövässä. Molekyyli muutoksia havaittiin rintasyövän solulinjoissa edustavat joko kuljettajan tapahtumia ja /tai kuljettajan polkuja, jotka ovat välttämättömiä rintasyövän kehitykseen tai etenemisen. On kuitenkin selvää, että signalointi mekanismeja luminaalinen A, B ja kolmen negatiivinen alatyyppejä ovat erilaisia. Lisäksi ylä- ja alassäädetty verkot ennusti alatyypin-tiettyä lääkettä tavoitteita ja mahdollisia korvauksia piirien välillä ylä- ja alas geenien. Yhdessä toteamisesta enemmän yhteydessä geenit voivat toimia syövän sääntelyviranomaisten, nämä tulokset voivat olla merkittäviä kliinisiä vaikutuksia henkilökohtainen syöpäpotilaiden hoidossa, koska jokainen rintasyöpä voidaan pitää ainutlaatuinen ja heijastaa erillisiä laadullisia ja määrällisiä molekyyli- piirteitä. Siten tietoa koko joukko molekyyli- piirteitä kuljettaa tahansa rintasyöpä ja potilas tarvitaan todellinen yksilöllinen hoito toteutuvan.

Methods

Interactome tiedot

proteiini liitettävyys johtopäätökset kuvattu alla perustuvat proteiini vuorovaikutusten annetaan tiedoston intact-micluster.zip saatavilla ftp://ftp.ebi.ac.uk/pub/databases/intact/current/psimitab/(tutustuttavissa 04.04. 2014). Valitsimme kaksi saraketta UniProtKB tunnisteiden (UID) on intact-micluster.zip tiedostoon ja poistanut epätäydellinen parit (merkitty ”-”, eli kun ehjä pääsy määrä ei ole UniProtKB vastaavaa tiedossa). Tuloksena tiedosto sisälsi 308314 proteiinia paria. Tämä vuorovaikutus tiedosto käsiteltiin sitten muodostamaan ei-tarpeeton UID lista käytettyjen saatavissa vastaavat proteiinisekvenssien (68504) kyselemällä UniProtKB klo https://www.uniprot.org/help/uniprotkb. Koska jotkut UID olivat vanhentuneita, korvasimme heitä heidän nykyinen nimi noutaa kyselemällä kentän

at UniProtKB käyttämällä muotoa ”korvaa:

vanhentunut UID”

. Vastaavuudesta UID ja ihmisen geenit saatiin homologiahakua (tblastn) proteiinisekvenssien (68504) käytetään kyselyt ja ihmisen koodaussekvenssit (CDS) käytettiin aiheista aineisto (hs37p1.EID.tar.gz) on Fedorov laboratorio [ ,,,0],89] osoitteessa https://bpg.utoledo.edu/~afedorov/lab/eid.html. Homologinen osumia olivat consideredsignificant kun niiden tilanne oli ≥120, E-arvo ≤10

-4 ja identiteetti korko ≥80% yli ≥50% kyselyn koko (https://mitointeractome.kobic.kr/supplement.php). Poistamisen jälkeen aihe redundanssia (pitäen osuma matching suurin identiteetti rate), lopullinen koko ihmisen CDS aineisto täysin kuvattu proteiini vuorovaikutusten oli 17301.

transcriptome tiedot

talteen transcriptome aineistoja of solulinjoja (BT-20, BT-474, MDA-MB-231, MDA-MB-468, MCF-7, MCF10A, T-47D, ZR-75-1, katso tiedot osoitteessa http: //www.atcc. org /) alkaen https://www.illumina.com/science/data_library.ilmn. Geeniekspression profiilin arvioitiin kautta homologiahaun ihmisen CDS näyte Fedorov laboratoriossa.