Krooninen sairaus

tiivistelmä

Tavoite

varhainen diagnoosi eturauhassyöpä (PCA), joka on kliinisesti heterogeeninen-multifokaalinen tauti , on välttämätöntä parantaa ennustetta potilaille. Kuitenkin julkaistu PCa diagnostisia markkereita jakaa vähän päällekkäisyyttä ja huonosti vahvistetaan käyttämällä riippumatonta tietoa. Siksi olemme täällä kehittäneet integroiva proteomiikka ja vuorovaikutusta verkko-luokittelija yhdistämällä ero proteiinin ilmentymisen kanssa topologinen ominaisuuksia ihmisen proteiinin vuorovaikutuksen verkkoja parantaa kykyä Eturauhassyövän diagnoosia.

Menetelmät ja tulokset

By kaksiulotteinen fluoresenssi ero geelielektroforeesilla (2D-DIGE) yhdistettynä MS käyttäen PCa ja viereisten hyvänlaatuinen kudoksia eturauhasen, yhteensä 60 proteiinien kanssa ero ilme PCA kudoksissa havaittiin ehdokas markkereita. Sitten niiden verkkojen analysoitiin GeneGO Meta-Core ohjelmistojen ja kolme napa proteiineja (PTEN, SFPQ ja HDAC1) valittiin. Sen jälkeen, PCA diagnostinen luokitin rakennettiin tukivektorikone (SVM) mallinnus perustuu microarray geenien ilmentyminen tietojen geenien, jotka koodaavat navan proteiineja edellä. Vahvistukset diagnostisten suorituskyky osoitti, että tämä luokittelija oli korkea ennakoivaa tarkkuus (85.96~90.18%) ja pinta-ala ROC-käyrän (lähentää 1,0). Lisäksi kliininen merkitys PTEN, SFPQ ja HDAC1 proteiinien PCa validoitiin sekä ELISA- ja immunohistokemia analyysejä. Enemmän kiinnostavaa, PTEN-proteiinin tunnistettiin itsenäisenä prognostinen merkkiaine biokemiallisten uusiutuminen elinaika PCa potilaiden mukaan monimuuttujamenetelmin Coxin regressio.

Johtopäätökset

tulokset osoittivat, että integroiva proteomiikka ja vuorovaikutus verkko-luokittelija, joka yhdistää ero proteiinin ilmentymisen ja topologinen ominaisuuksia ihmisen proteiini vuorovaikutuksen verkko voi olla tehokas keino diagnoosin Eturauhassyövän. Havaitsimme myös PTEN-proteiinin uutena prognostinen merkkiaine biokemiallisten uusiutuminen elinaika PCA potilailla.

Citation: Jiang F-n, hän H-c, Zhang Y-q, Yang D-L, Huang J-H, Zhu Y-x, et al. (2013) integroiva Proteomiikka ja Interaction Network-Based luokitin eturauhassyövän diagnoosi. PLoS ONE 8 (5): e63941. doi: 10,1371 /journal.pone.0063941

Editor: Natasha Kyprianou, University of Kentucky College of Medicine, Yhdysvallat

vastaanotettu: 27 tammikuu 2013; Hyväksytty: 09 huhtikuu 2013; Julkaistu: toukokuu 30, 2013

Copyright: © 2013 Zhong 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 rahoitettiin osittain National Natural Science Foundation of China (81200550), Kiinan National Key Program of Basic Research (2010CB912700, 2011CB910601), National S T Major Project (2008ZX10002-016, 2009ZX09301-002), National merkittäviä tieteellisiä ja teknologisia Special Project (2011ZX09307-304), Science and Technology Project Guangdong (2010B060500003), Guangzhou Science and Technology Key Project (2010Y1-C041). 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

Eturauhassyöpä (PCA), kliinisesti heterogeeninen-multifokaalinen tauti, on yleisin maligniteetti miehillä ja toiseksi yleisin syy miesten syöpään liittyvä kuolema [1]. Ilmaantuvuus ja kuolleisuus tästä syystä Kiinassa näyttävät kasvaa nopeasti, ja kliininen tulos PCa potilaiden on vaikea ennustaa. Arviolta 20% Eturauhassyövän potilaat kärsivät uusiutuva sairaus jälkeen eturauhasen tai säteilyä [2]. 5 vuoden syöpäspesifisessä eloonjäämisaste on lähes 80% miehillä, joilla oli paikallinen PCa mutta on vain 34% miehillä, joilla etäpesäkkeiden [3]. Eturauhasen-antigeenin (PSA) seulonta on laajasti käytetty varhaisen havaitsemisen kliinisesti lokalisoitu PCa. Tähän mennessä ei ole olemassa luotettavaa ennustavat PCa käyttäytymistä ja aggressiivinen etenemistä. Ottaen huomioon, miten tärkeää on varhaisen diagnoosin soveltamista parantavia hoitoja, jotka ovat vain toivoa lisätä elinajanodote PCa potilaista on kiireellinen tarve kehittää tehokkaita järjestelmiä, jotka voivat ennustaa esiintyminen tämän kasvaimen.

Molecular profilointi ihmisen syövän on osoitettu olevan uusi lähestymistapa tutkia tämän monitahoisen sairaudesta. Joukossa eri suurikapasiteettisia menetelmiä molekyylielektroniikkaan profiloinnin proteomianalyysi on yleisimmin perustuu menetelmiin, joissa käytetään differentiaalikaavojen kaksiulotteinen polyakryyliamidigeelielektroforeesi (2D-PAGE) geelien tai nyttemmin kaksiulotteinen kromatografia seuraa massaspektrometria proteiini tunnistaminen [4 ]. Sitä pidetään tehokas työkalu yleisarviointia proteiinin ilmentymisen, ja on laajasti sovellettu analyysi sairauksien, erityisesti aloilla syöpätutkimuksessa. Kaksiulotteinen ero geelielektroforeesilla (2D-DIGE) tekniikalla mixed-näyte sisäistä standardia, on nyt tunnustettu tarkan menetelmän määrittämiseksi ja kvantifioimiseksi ihmisen proteiineja, vähentää välinen geeli vaihtelevuus ja yksinkertaistamalla geeli analyysi [5]. Useat ryhmät myös meidän omat ovat antaneet tämän suurikapasiteettisten lähestymistapa arvioida globaalin proteiinien ekspressiota useissa ihmisen syövissä, mukaan lukien maksasolusyövän (HCC) [6], peräsuolen syöpä [7], ruokatorven okasolusyöpä [8], rintasyövän [ ,,,0],9], munasarjasyöpä [10], virtsarakon syöpä [11], PCa [12], [13] ja haimasyövän [14]. Kuitenkin on ollut useita ehdokkaan proteiineja tunnistettiin suurikapasiteettisten alustoilla ja se on epäjohdonmukainen eri havaitsemisjärjestelmät, koska heterogeenisyys potilasaineistoihin ja ero alustoilla. Siksi on tarpeen tunnistaa luotettavasti ja ennustaja, joka on riittävän vahva voittamaan variabilities aiheuttama eri alustoilla tai erilaiset potilasaineistoihin.

Tutkimuksemme ryhmä on viime aikoina kehittänyt systeemibiologian perustuva luokittelija varhaisen diagnoosin HCC yhdistämällä ero geenien ilmentyminen ja topologinen ominaisuuksia ihmisen proteiinin vuorovaikutuksen verkkoja, ja myös osoittanut, että tämä luokittelija voi tehokkaasti parantaa diagnostinen suorituskykyä HCC potilaille [15]. Tällä perusteella nykyisessä tutkimuksessa, aiomme kehittää integroiva proteomiikka ja vuorovaikutusta verkko-luokittelija käyttämällä ilmentyvät eri proteiinia, jotka havaitaan 2D-DIGE edellisessä tutkimuksessa [12], jotta voidaan parantaa kykyä Eturauhassyövän diagnoosia. Olemme edelleen suorittaa kokeellinen validointi kliinistä merkitystä ehdokkaan PCa merkkiaineiden Enzyme immunosorbenttimääritys (ELISA) ja immunohistokemia analyysit.

Materiaalit ja menetelmät

Potilaat ja näytteet Collection

Tutkimus hyväksyttiin Research Ethics komitean Guangzhou First Municipal kansan sairaalan Guangzhou Medical College, Guangzhou, PRChina. Kirjallinen tietoinen suostumus saatiin kaikki potilaat. Kaikki näytteet käsiteltiin ja tehdään nimettömiä mukaan eettisiä ja oikeudellisia normeja.

2D-DIGE analyysi, neljä tuoretta PCa kudosten ja pariksi 4 viereisten hyvänlaatuinen kudoksia eturauhasen saatu 4 PCa potilailla, joille tehtiin höyläysleikkaus n eturauhasen tai eturauhasen toimitti Guangzhou First Municipal kansan sairaalan Kiinan Guangzhoussa. Kukaan potilaista palvelukseen tässä tutkimuksessa oli adjuvanttia tai neoadjuvant hormonaalista tai sädehoitoa ennen leikkausta. Kliinis tiedot kasvaimen näytteet on esitetty taulukossa 1.

proteiinin validointi ELISA: lla ja immunohistokemiallisesti analyysit, 22 tapausta eturauhassyövän kudosten ja 21 tapauksissa vierekkäisten hyvänlaatuisia kudokset saatiin potilailta, joilla on PCa jotka toimivat Guangzhoun First Municipal kansan sairaalan ja Guangdongin maakunnan kansan sairaalan Kiinan Guangzhoussa. Ihmisen PCa kudos microarray (TMA), joka koostuu 112 PCa kudokset Kaukasian ja Afrikkalainen Amerikan PCa potilailla (ikääntyminen 46-87 vuotta, keskiarvo ± SD = 58 ± 7,36 vuotta, TNM lavastus päässä I-III) yksityiskohtaiset kliiniset tiedot hankittiin Jieqing yritys (Guangzhou, Kiina) kantavassa kliinis tiedot näistä potilaista on koottu taulukkoon 2.

tunnistaminen differentiaalikaavojen profiilin proteiinien PCa

ero ekspressioprofiili proteiinien eturauhassyövän kudokset verrattuna viereisten hyvänlaatuinen kudosten eturauhasen tunnistettiin 2D-DIGE protokollien mukaisesti meidän aiemman tutkimuksen [12].

Verkko analyysi

Verkko analyysi tehtiin valita olennaisia ​​proteiineja sairaus verkon osat Eturauhassyövän luokittelija protokollien mukaisesti meidän aiemman tutkimuksen [15]. Verkosto esitys luotiin käyttäen GeneGO Meta-Core ohjelmisto (Encinitas, CA). Ohjelmisto toisiinsa kaikki kandidaattigeenit mukaan julkaistun kirjallisuuden-pohjainen merkintöjä. Vain suorat yhteydet tunnistettujen geenien katsottiin. Suurimmat solmukohdat määriteltiin ne, joilla on enemmän kuin kolmekymmentä yhteyksiä ja 50% reunojen piilossa verkon sisällä.

Integrative proteomiikka ja vuorovaikutus verkkopohjaisten PCa luokittelija rakentaminen

Tietoaineistot.

tämän osoittamiseksi romaani luokituksen kolme julkisesti saatavilla aineistoja of geeniekspressioprofiilien saatu Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/, Julkaisupäivä: 01 huhtikuu 2012, mukaan lukien 29123 Series, 9933 Alustat ja 719101 näytteet) käytettiin tässä tutkimuksessa, mukaan lukien Tomlins_prostate [16] (GEO hakunumero: GSE6099, 51 PCa näytteet ja 23 ei-kasvain eturauhanen näytettä), Wallace_prostate [17] (GEO hakunumero: GSE6956, 75 PCa näytteet ja 14 ei-kasvain eturauhanen näytettä) ja Taylor_prostate [18] (GEO hakunumero: GSE21034, 150 PCa näytteet ja 29 ei-kasvain eturauhanen näytettä) aineistot. Nämä aineistot jaettiin satunnaisesti koulutusta ja testi aineistot 100 kertaa.

tukivektoriluokitin.

tukivektorikone (SVM) [19], jotka voivat käsitellä yleisiä tapauksessa epälineaarinen ja ei-erotettavissa luokittelu tehokkaasti, käytettiin määritettäessä meidän Integrative proteomiikka ja vuorovaikutus verkkopohjaisten PCa luokittelija. Tavoitteena SVM on löytää hypertaso joka maksimoi leveys välinen marginaali luokkien ja samalla minimoi empiirinen virheitä [20]. Täällä on valittu säteen perusteella funktio (RBF), kuten seuraava kaava [21]: Sitten, koulutus aineisto käytettiin syöttää SVM mallia niin, että voidaan laskea kynnysarvoa pisteet valitsemalla kynnysarvon, jonka pinta-ala vastaanotin Toiminta Characteristic (ROC) käyrä () oli suurin. Lopuksi SVM luokittelija päättää: jos näyte voidaan ennustaa PCa kudoksiin.

Suorituskyvyn arviointi

kokonaistehokkuutta PCa luokittelija arvioitiin kaksi erillistä lähestymistapaa: 5-kertainen rajat validointitestiä ja itsenäinen aineisto testi. Yleinen ennakoiva tarkkuus (), ja niitä käytetään mittaamaan ennustuksen suorituskyky meidän menetelmällä. ROC Curve voi näyttää tehoa yhden testin esittämällä sekä herkkyys ja eri sulku pistettä [22]. Herkkyys ja spesifisyys voi mitata kykyä testi tunnistaa tosi positiivisia ja vääriä pienimmille dataset.where,,, vastaavasti viittaavat määrän oikeita positiivisia, tosi negatiivinen, vääriä positiivisia ja vääriä negatiivisia tulos komponenttien testissä, kun taas viittaa jotta kokonaismäärä ennustusnäytteet.

ROC käyrät on piirretty ja tasoitetaan SPSS ohjelmiston kanssa herkkyyttä akselilla ja 1-spesifisyyden akselilla.

5-kertainen cross -validation testissä aineisto oli satunnaisesti jaettu 5 sarjaa, joista neljä on käytetty kouluttaa parametrit ennustavan algoritmin. Ennustavan tarkkuus algoritmin sitten arvioitiin jäljellä asetettu, ja tämä menettely toistettiin viisi kertaa ennen herkkyys ja spesifisyys vastaan ​​eri parametrien viidellä testi aineistot lasketaan ROC käyrä.

Protein validointi entsyymejä immunosorbenttimääritys

ELISA analyysi suoritettiin havaitsemiseksi ekspressiotasoja mahdollisten ehdokasmaiden markkereita, joiden osalta olennaisia ​​proteiineja sekä 2D-DIGE ja verkkoanalyysejä mukaan edellisessä tutkimuksessa [12].

proteiini Validation immunohistokemiallisesti analyysi

immunohistokemia-analyysi suoritettiin määrittämiseksi ilmentymiskuviot ja subcellular lokalisoinneissa mahdollisten ehdokasmaiden merkkiaineiden PCA kudoksissa mukaan edellisessä tutkimuksessa [23].

tilastollinen analyysi

SPSS13.0 ohjelmisto Windows (SPSS Inc., USA) käytettiin tilastolliseen analyysiin. Jatkuvia muuttujia ilmaistiin

. Ryhmä vertailuja kategorisen muuttujia arvioitiin käyttämällä χ

2 testiä tai lineaarinen lineaarisesti -alueella. Vertailuja keskimääräinen avulla suoritettiin riippumaton näytteiden t-testi tai 1-tie varianssianalyysi.

p

arvot alle 0,05 pidettiin tilastollisesti merkitsevä.

Tulokset ja keskustelu

tunnistaminen ehdokas PCa merkkiaineiden verkkoanalyysissa

mukaan meidän edellisessä tutkimuksessa [12], yhteensä 60 eri tavoin ilmaistuna proteiineja, mukaan lukien 37, jotka säädelty ja 23, jotka säädellä vähentävästi PCA kudoksissa, käytettiin verkkoanalyysissa (yksityiskohtaiset tiedot tämän proteiinin luettelon näytettiin in).

tunnistaminen verkkokeskitin proteiinien PCA luokittelija

Voit luoda verkon, proteiinit (solmut) ja julkaistusta kirjallisuudesta perustuvia yhteyksiä (reunat) piirrettiin käyttämällä GeneGo-MetaCore. Verkko arkkitehtuuri on yhdenmukainen skaalautumaton verkko ja edustaa vuorovaikutusta yksittäisten tavoitteiden. Koska tavoitteita korkea asteita yhteydet pidetään tärkeimmistä osista verkosto [24], tutkimme navat yli 30 liitäntää ja alle 50% reunojen piilossa verkon sisällä. Verkon differentiaalisen ilmaistuna geenien PCa kudoksissa (kuvio 1A), 13 navat valittiin rakentaa niiden vuorovaikutusta verkon (kuvio 1 B): DDX5, ERG, HDAC1, HSP27, NDPK_A, NDPK_B, PEA3, SFPQ (PSF), PTEN, PUR-alfa, TAF1, TAF15, ja hnRNP_L (yksityiskohtaiset tiedot näiden navan proteiinien on esitetty taulukossa S2). Kuten kuviossa 1B on esitetty, kolme navan proteiineja (PTEN, HDAC1 ja SFPQ), jotka vuorovaikutuksessa toistensa kanssa läheisesti valittiin rakentaa myös PCa luokitin.

Hub-pohjaisen verkon näkymä 13 differentiaalisesti ilmaistuna navan geenejä (B ). GeneGO MetaCore käytettiin tuottamaan verkon suoria yhteyksiä joukossa geenit valitaan analyysiä varten. Punainen, vihreä ja harmaa nuolet osoittavat negatiivinen, positiivinen, ja määrittelemätön vaikutukset, tässä järjestyksessä. Solmukohdat todettiin olevan yli kolmekymmentä yhteyksiä ja alle 50% reunojen piilossa verkon sisällä.

toiminnan arviointi PCa luokittelija

PCa luokittelija rakentamiseen.

perusteella geenin ekspressiotasot kolme navat edellä on mainittu, PCa luokittelija on rakennettu käyttäen SVM mallia. Koulutuksen aineisto käytettiin koulutukseen parametrien Eturauhassyövän luokittelija ja riippumattomien aineistoja käytettiin arvioitaessa suorituskykyä tässä luokittelija.

Independent validointi.

Riippumattoman microarray geenien ilmentymisen aineistoja käytettiin testata Eturauhassyövän luokittelija. Tomlins_prostate [16] (GEO hakunumero: GSE6099, 51 PCa näytteet ja 23 ei-kasvain eturauhanen näytettä), Wallace_prostate [17] (GEO hakunumero: GSE6956, 75 PCa näytteet ja 14 ei-kasvain eturauhanen näytettä) ja Taylor_prostate [ ,,,0],18] (GEO hakunumero: GSE21034, 150 PCa näytteet ja 29 ei-kasvain eturauhanen näytettä) aineistot jaettiin satunnaisesti koulutusta ja testi aineistoja, ja tämä menettely toistettiin 100 kertaa. Painot navan geenien ja pisteet kynnyksen PCA luokittelija koulutti koulutusta aineisto. Ennustavan tarkkuutta ja AUC-arvo algoritmin sitten arvioitiin testin aineistoja, ja tämä menettely toistettiin 100 kertaa. Lopuksi, tarkkuutta ja AUC-arvot erilaisia ​​kokeita laskettiin yhteen laskea keskiarvo ja keskivirhe.

Yleinen ennustava tarkkuus ja AUC-arvot eri PCa luokittelijoiden on Tomlins_prostate, Wallace_prostate ja Taylor_prostate testi aineistot laskettiin. Kuten taulukosta 3, tarkkuutta arvot tämän PCa luokittelijan eri riippumaton testi aineistot olivat 85.88~92.71% ja AUC-arvot olivat 0.89~0.93. AUC-arvo on osoitus tehokkuuden arvioinnin järjestelmän. Ihanteellinen Täydellisen erottelun testillä (100% herkkyys ja 100% tarkkuus) on AUC 1,0, kun taas ei-informatiivinen ennuste on alueella 0,5, mikä osoittaa, että se voidaan saavuttaa pelkän arvaus. Lähemmäs 1,0 AUC testi on, sitä suurempi on yleistä tehokkuutta testi on [22]. Olemme havainneet, että tämä PCa luokittelija oli alueella lähentämällä 1,0, mikä viittaa siihen, että se oli suhteellisen korkea kyky tunnistaa todellinen PCa kudosten vastaan ​​eri riippumattomat testi aineistoja.

Valitsimme 3 navat (PTEN, HDAC1 ja SFPQ) 13 solmukohdissa verkon osasta meidän PCa luokittelija, koska ne vuorovaikutuksessa keskenään tiiviisti. Sen tarkistamiseksi järkevyyden tämän valinnan, vertasimme suorituskyky Eturauhassyövän luokittelijan 13 navat ja että Eturauhassyövän luokittelija 3 solmukohdat. Kuten tulokset on esitetty kuviossa 2, ennakoivaa tarkkuus ja AUC-arvot luokitin 3 navat ovat molemmat suurempia kuin luokittelijan 13 navat. Mutta erot olivat tilastollisesti merkitseviä (kaikki P 0,05), mikä osoittaa, että se voi olla järkevää valita navat suora vuorovaikutusta komponenttina meidän PCa luokittelija.

ennustava tarkkuus ja AUC-arvot lajittelijan 3 navat olivat molemmat korkeammat kuin luokittelijan 13 navat. Mutta erot olivat tilastollisesti merkitseviä (kaikki P 0,05).

Five-kertainen ristivalidointi.

Käytimme myös 5-kertainen rajat validointikuvauksessa arvioida suorituskyky tämän PCa luokittelija. Koska AUC on osoitus erottelukykyä varten luokituksen sitä käytettiin tässä arvioimaan ennakoivan tehosta PCa luokittelija. Kuten taulukosta 4, tarkkuutta arvot tämän PCa luokittelija kaikissa viidessä testit olivat 86.32~92.88% ja AUC-arvot olivat 0.89~0.93, mikä viittaa siihen, että sillä on suuri luotettavuus ja tehokkuus tunnistaa tosi PCa kudosten vastaan ​​eri testi aineistoja.

Kliininen merkitys PTEN, HDAC1 ja SFPQ napa proteiinien PCa

Nextly, tutkimme yhdistysten kolme napa proteiineja: PTEN, HDAC1 ja SFPQ, jossa kliinis ominaisuudet ja ennusteen potilaiden PCA. 2D-DIGE tulokset solmukohdat oli kuvassa 3.

pariksi Studentin t-testiä sovellettiin kaikkiin neljä paria käyttäen DeCyder BVA ohjelmistoa.

PTEN.

PTEN (fosfataasi ja tensin homologin kromosomissa 10), lokalisoitu 10q23.3, on yksi yleisimmistä tuumorisuppressorigeeneille ihmisen syövissä [25]. Se toimii negatiivisena säätäjänä PI3K /AKT-reitin [26]. Kertyvät tutkimukset osoittivat tärkeät roolit PTENin kasvainten synnyssä ja syövän etenemiseen Eturauhassyövän. Chaux et ai. [27] osoitti, että menetys PTEN ilmaisun voi liittyä suurentunut riski uusiutumisen jälkeen eturauhasen kliinisesti paikallinen PCa; Choucair et ai. [28] ehdotetaan, että PTEN poistetut kasvaimet ilmentävät alhainen androgeenireseptorin voi edustaa huonompi ennustetekijöiden osajoukko PCa perustamisesta haaste terapeuttinen hallinta; Antonarakis et ai. [29] totesi, että menetys PTEN ilmaisun ensisijainen PCa näytteitä voidaan ennustaa ilman taudin etenemistä tarkemmin kuin kliiniset tekijät yksin miehillä korkean riskin PCa jotka saavat liitännäishoitona dosetakselia jälkeen eturauhasen. Kun samanlaisia ​​tuloksia edellisen raporttien sekä ELISA ja immunohistokemia analyysit nykyisessä tutkimuksessa osoittanut, että ekspressiotason PTEN proteiinin PCa kudoksissa oli merkittävästi pienempi kuin viereisillä hyvänlaatuista eturauhasen kudosten [ELISA-määritys: 60.96 ± 7,08 (ng /mg) vs. 89,28 ± 20,62 (ng /mg), P 0,001; immunohistokemia-analyysi: 2,38 ± 0,37 vs. 3,92 ± 0,40, P = 0,01; Taulukko 5, kuvio 4A ja B]. Lisäksi ekspressiotasot PTENin PCA kudoksissa kehittyneitä patologinen vaiheessa ja positiivisia metastaasin olivat merkittävästi alhaisemmat kuin varhaisen patologinen vaiheessa (P = 0,041, taulukko 6) ja negatiivinen etäpesäkkeiden (P = 0,006, taulukko 6). Lisäksi biokemiallisten uusiutuminen elinaika osuus potilaista, joilla on alhainen PTEN ilme olivat merkittävästi alhaisemmat kuin ne, joilla on korkea PTEN ilme (P = 0,016, kuvio 5A). Lisäksi monimuuttuja analyysit osoittivat, että alas-säätely PTEN (P = 0,03) oli itsenäinen ennustaja lyhyempiä biokemiallisten uusiutuminen vapaa-eloonjäämisen (taulukko 7).

, PTEN heikosti positiivinen värjäytyminen havaittiin sytoplasmassa Eturauhassyövän kudoksia; B, PTEN voimakkaasti positiivista värjäytymistä havaittiin syto- hyvänlaatuinen onteloerityssolut; C, SFPQ heikosti positiivinen värjäytyminen havaittiin sytoplasmassa PCa kudoksia; D, SFPQ voimakkaasti positiivista värjäytymistä havaittiin syto- hyvänlaatuinen onteloerityssolut; E, HDAC1 voimakkaasti positiivista värjäytymistä havaittiin sytoplasmassa PCa kudoksia; F, HDAC1 heikosti positiivinen värjäytyminen havaittiin syto- hyvänlaatuinen onteloerityssolut; G, negatiivinen vertailu immunohistokemiallisesti analyysia; H, immunohistokemiallinen värjäys tulokset PTEN, SFPQ ja HDAC1 PCA ja viereisten hyvänlaatuinen eturauhasen kudoksia.

SFPQ.

SFPQ ( silmukoinnin tekijä proliini /glutamiini-rikas, joka tunnetaan myös nimellä PSF) toimii polypyrimidiinijuosteen sitovan proteiiniin liittyviä silmukointi tekijä, joka on kaksi kiertynyt kierrealue domeenit [30]. Se voi sitoa DNA: ta ja RNA: ta ja on olennainen tekijä Silmukointi. Xu et ai. [31] osoittivat, että SFPQ voi aiheuttaa resistenssin HeLa-solujen 2 ’, 2’-diflurodeoxycytidine sekä muut pyrimidiini nukleosidianalogit; Tanaka et ai. [32] raportoitu SFPQ /PSF-TFE3 geenin fuusio verisuonia epithelioid kasvain ensimmäistä kertaa. Parhaan tietomme mukaan osallistuminen SFPQ PCA ei ole selvitetty. Esillä olevassa tutkimuksessa, sekä ELISA ja immunohistokemia analyysit osoittavat, että ekspressiotaso SFPQ proteiinin PCa kudoksissa oli merkittävästi pienempi kuin viereisillä hyvänlaatuista eturauhasen kudosten [ELISA-määritys: 1,95 ± 2,06 (ng /mg) vs. 3,75 ± 2,18 (ng /mg), P = 0,02; immunohistokemia-analyysi: 3,81 ± 0,54 vs. 5,01 ± 0,48, P = 0,02; Taulukko 5, kuvio 4C ja D]. Lisäksi alennettu ilmentyminen SFPQ proteiinin merkitsevästi yhteydessä kehittynyt kliinisessä vaiheessa PCa kudosten (P = 0,007, taulukko 6). Kuitenkin meidän data ei löytänyt ennustetekijöiden merkitystä SFPQ PCA potilailla (kuvio 5D~F).

HDAC1.

HDAC1 (histonideasetylaasi 1) kuuluu luokan I histonideasetylaasien joka sisältää myös HDAC2, -3 ja -8 [33]. Se on merkittäviä rooleja solujen vanhenemista, ikääntyminen, maksan, myelinaation aikuisten neurogenesis ja syövän syntymistä [34]. HDAC1 vuorovaikutuksessa retinoblastoomakasvainsoluissa-soriproteiini ja tämä kompleksi on avaintekijä valvonnassa solujen lisääntymistä ja erilaistumista [35]. Yhdessä etäpesäkkeitä liittyvä proteiini-2, HDAC1 deasetyloi p53 ja moduloi sen vaikutus solujen kasvuun ja apoptoosin. PCA, Patra et al. [36] ja Halkidou et ai. [37] havainnut huomattavasti korkeampi HDAC1 ilmentyminen eturauhassyövässä kuin hyvänlaatuista eturauhasen solulinjoissa ja kudoksissa, mikä viittaa siihen, että HDAC1 saattavat liittyä syövän synnyn Eturauhassyövän. Äskettäin Lei et al. [38] osoitti, että PTEN menetys PCA saattaa aiheuttaa pienentää ilmaus NKX3.1 joka negatiivisesti moduloi androgeenireseptorin transkription ja siten androgeenireseptorin liittyvä signalointi tapahtumia. He totesivat myös, että NKX3.1 voi harjoittaa solusyklin ja solukuolemaa koneiden kautta yhdessä HDAC1. Yhdenmukaisesti näiden aiempien tutkimusten, meidän tiedot esitetään ylös-säätely HDAC1 proteiinin PCA kudoksissa verrattuna viereisten hyvänlaatuinen eturauhasen kudosten [ELISA-määritys: 6,70 ± 5,02 (ng /mg) vs. 4,84 ± 3,68 (ng /mg), P = 0,03; immunohistokemia-analyysi: 5,13 ± 0,56 vs. 3,44 ± 0,61, P = 0,01; Taulukko 5, kuvio 4E ja F]. Mitä sen kliinistä merkitystä, huomasimme, että yli-ilmentyminen HDAC1 oli useammin esiintynyt PCa kudoksissa kehittyneitä kliinisessä vaiheessa (P = 0,01, taulukko 6). Kuitenkin meidän data ei löytänyt ennustetekijöiden merkitystä HDAC1 PCA potilailla (kuvio 5G~I).

Johtopäätös

Nykyinen tutkimus kehittäneet uuden luokittelija Eturauhassyövän diagnoosi, joka perustuu integrointi topologinen ominaisuudet proteiini-proteiini vuorovaikutukseen verkon ero proteiinin ilmentymisen profiilien sairaustiloissa. Tämä järjestelmällistä tarjoaa meille kaksi pääasiallista etua: Ensinnäkin, se antaa meille mahdollisuuden hyödyntää riittävästi proteiinin ilmentäminen rinnakkain antamat tiedot proteomiikan data, jonka uskotaan olevan enemmän informatiivinen kuin ilmentyminen muuttuu yksittäisten proteiinien biomarkkereiden tunnistamiseen. Toiseksi verkko analyysi on tehokas väline ymmärtää patologisten mekanismien tauti. Integroimalla topologinen ominaisuuksia biologisten verkko, joitakin tietoja hävisi ero ilmaisun analyysi lisätty luokittelija. Lisää kiinnostavaa, kokeellinen validointi käyttäen suurta määrää kliinisiä PCa kudosnäytteiden, myös tunnistettu PTEN-proteiinin uutena prognostinen merkkiaine biokemiallisten uusiutuminen elinaika PCA potilailla.

tukeminen Information

Taulukko S1.

ilmentyvät eri Protein List tunnistetaan 2D-DIGE.

doi: 10,1371 /journal.pone.0063941.s001

(DOC) B Taulukko S2.

Hub proteiineja verkon ero ilmaistaan ​​proteiinien PCa.

doi: 10,1371 /journal.pone.0063941.s002

(DOCX)