Krooninen sairaus

tiivistelmä

Tarkoitus

Tutkimuksen tavoitteena on tutkia geenien ilmentymisen allekirjoituksia ja seerumin biomarkkerit ennustaa luontainen chemoresistance epiteelin munasarjasyöpä (EOC).

Potilaat ja menetelmät

geeniekspressioprofilointi tietojen 322 korkealaatuisesta EOC tapausten välillä 2009 ja 2010 The Cancer Genome Atlas hanke (TCGA) käytettiin kehittää ja todentaa geeniekspressiota allekirjoitusta, joka voisi syrjiä eri vastauksia ensilinjan platina /paklitakseli -pohjainen hoitoja. Geeni asetus verkko sitten rakennettiin edelleen tunnistaa napaan vastaavat geenit ero geeniekspression välinen täydellinen vaste (CR) ryhmä ja etenevä sairaus (PD) ryhmä. Edelleen löytää vankempi seerumin biomarkkereita kliinisissä sovelluksissa, me yhdistäneet geeni allekirjoitukset ja geeni allekirjoitukset raportoitu aiemmin tunnistaa eritysproteiinigeenien-koodaavat geenit etsimällä DAVID tietokannasta. Lopulta geeni-lääke vuorovaikutus verkko rakennettiin etsimällä Comparative Toksikogenomiikka Database (CTD) ja kirjallisuus.

Tulokset

349-geenin ennustava malli ja 18-geenin mallin riippumaton keskeisten kliinisiä piirteitä suurella tarkkuudella kehitettiin ennustamiseksi chemoresistance in EOC. Niistä kymmenen tärkeä solmukohta geenejä ja kuusi kriittistä signalointireitteihin tunnistettiin olevan merkittäviä vaikutuksia kemoterapeuttisten vastausta. Lisäksi kymmenen potentiaalista seerumin biomarkkereita havaittiin ennustamiseen chemoresistance in EOC. Lopuksi ehdotetaan joitakin lääkkeitä yksilöllistä hoitoa.

Johtopäätös

Olemme kehittäneet ennustavia malleja ja seerumin biomarkkereita platina /paklitakseli vasteen ja perustettu uusi lähestymistapa löytää mahdollisia seerumin biomerkkiaineissa geeniekspression profiilit. Mahdolliset lääkkeet, jotka kohdistuvat napa geenit on myös ehdotettu.

Citation: Han Y, Huang H, Xiao Z, Zhang W, Cao Y, Qu L, et ai. (2012) Integroitu analysointi geeniekspressioprofiilien Associated kanssa reaktio Platinum /paklitakselin-Based Käsittely epiteelikasvaimet munasarjasyöpä. PLoS ONE 7 (12): e52745. doi: 10,1371 /journal.pone.0052745

Editor: Sandra Orsulic, Cedars-Sinai Medical Center, Yhdysvallat

vastaanotettu: 12 syyskuu 2012; Hyväksytty: 21 marraskuu 2012; Julkaistu: 27 joulukuu 2012

Copyright: © 2012 Han 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 tutkimus rahoittivat National 973 Program of China (2009CB521805). 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

epiteelikasvaimet munasarjasyövän, joka muodostaa yli 90% kaikista munasarjojen syöpien, esiintyy yleisimmin kuudennessa ja seitsemännessä vuosikymmenten postmenopausaalisilla naisilla ja on johtava syy syövän kuolemaan naisten kehittyneissä maissa [1]. Yhdysvalloissa oli noin 21990 uutta tapausta munasarjasyövän diagnosoidaan ja 15460 kuolemantapausta vuonna 2011 [2]. Ensisijainen sytoreduktiivisen leikkausta seuraa leikkauksen jälkeinen kemoterapia pidetään hoidon taso kehittyneen munasarjasyövän [3]. Ensilinjan kemoterapiaa platinaa ja paklitakselin aineet pystyy saavuttamaan täydellisen vasteen (CR) on noin 70%: lla, edenneen taudin [4]. Kuitenkin noin 30% potilaista eivät vastaa näitä lääkkeitä ja jopa potilailla, jotka alunperin reagoivat ensilinjan kemoterapiaan usein relapsi ja lopulta näille lääkkeille vastustuskykyisten.

Miten ennustaa kemoterapia-vastus ja mikä vielä tärkeämpää, miten kääntää vastus ovat kliinisesti kyseenalaiseksi. Yksi lähestymistavoista on tunnistaa ennustavan biomarkkerit varsinkin ne biomarkkerit, jotka voivat olla myös terapeuttisia kohteita. Geeniekspressioprofilointi teknologiaa käytetään tunnistamaan chemoresistance liittyvät biomarkkerit [5] – [13]. Tähän mennessä, ei geenin ilmentymisen allekirjoitusta on osoittautunut riittävän tehokkaaksi ennustettaessa chemoresistance kliinisessä käytännössä, mikä johtuu suurelta osin sopimattoman näytteen osallisuutta ja /tai pieneen otokseen käytettiin tutkimuksissa.

osoitteen tähän haasteeseen me kriittisesti valittu ja arvioitu 322 serous munasarjasyöpäpotilailla vain CR tai etenevä sairaus (PD) ja platina /paklitakseli-pohjainen terapia The Cancer Genome Atlas (TCGA) hanke tunnistaa geeniekspression allekirjoituksia liittyy chemoresistance. Käyttämällä ohjattua pääkomponentit menetelmässä 349-geenin ennustava malli ja 18-geeni dekorreloidulla malli riippumaton potilaan iästä, vaiheessa rajaamisvai- asemasta tai kasvain vaiheessa kehitettiin chemoresistance ennustamiseen. Edelleen tunnistaa seerumin kemoterapeuttisten biomarkkereita käytännöllisemmin kliinisissä sovelluksissa, yhdistimme 322-geeniekspressioprofiili ja neljä aiempia havaintoja, jotka valitaan perustuen tiukat kriteerit geeniekspressioprofiili epiteelin munasarjasyöpä, validointi, sopiva otoskoko, ja hoitovasteen ennustaminen ensilinjan kemoterapiaa. Löysimme kymmenen seerumista biomarkkereita, jotka ovat ennustearvo Ensisijaisista ensilinjan kemoterapiaa. Lopulta useita lääkkeitä, jotka voivat kohdistaa napa geenien mallimme ehdotettiin. Tuloksemme tarjoavat alustan valintaa varten sopivin huumeiden paremman hoitotuloksen näiden potilaiden resistenttejä platina /paklitakseli kemoterapian.

Potilaat ja menetelmät

Ethics Statement

Olemme vapaasti käyttää munasarjasyövän tietoja TCGA täyttämällä sen vapaus-to-julkaisemaan kriteerit A markkeri paperi on julkaistu, että kasvaimen tyyppi. Tutkimus- eettinen komitea Pekingin yliopisto Cancer Hospital Institute luopunut vaatimasta eettisen hyväksynnän tämän analyysin, koska rekisteri on poistettu tunnistetiedot tietokantaan. Kirjalliset hyväksynnät saatiin kaikki elossa potilaista.

Potilaille ja Kudosnäytteiden

Kaikkiaan 322 potilasta, joilla on korkea-asteen serous munasarjasyöpään valittiin huolellisesti TCGA tietokannasta (National Cancer Institute. Syöpä genomia atlas data portaalin. https://tcga-data.nci.nih.gov/tcga/findArchives.htm. Accessed 01 syyskuu 2011). Yksityiskohtaiset tiedot valitun potilaiden kuten ikä diagnoosin, kasvaimen vaiheessa laatu ja rajaamisvai- asema on lueteltu taulukossa 1. Kaikki munasarjasyöpä näytteet ’tiedot ja kliininen määritelmiä aiemmin kuvattu [14]. Kaikki valitut potilaat saivat ensilinjan platina /paklitakseli-pohjainen käsittely paitsi että neljän potilaan hoito-ohjelma oli tuntematon. 322 näytteet jaettiin satunnaisesti koulutus (n = 200), ja testauksen sarjaa (n = 122). Vuonna training set 177 200 potilasta osoitti CR ja 23 200 potilasta osoitti PD pääasiallinen platina /paklitakseli-pohjainen terapia leikkauksen jälkeen. Testauksessa joukko, 110 122 potilaista oli CR ja 12 122 potilaalla oli PD platina /paklitakseli-pohjainen hoito.

Valinta opinnot Julkaistu aikaisemmin

Jotta löytää aiemmat tutkimukset liittyvät läheisesti tutkimuksessamme etsittiin verkossa tietokantoja 2005~2011 tiukat kriteerit: sama syöpä alatyypin, validointi, sopiva otoskoko, ja hoitovastetta ennustaminen ensilinjan kemoterapiaa. Neljä tutkimukset tunnistettiin [6], [8], [10], [11] ja niiden yksityiskohtaiset tiedot on lueteltu taulukossa 2. validointi meidän allekirjoitus geenit, 3 aineistot [15] – [17] NCBI GEO tietokannasta [18] ladattiin. Nämä 3 aineistot ovat kaikki geeniekspressioprofiilien of solunsalpaajaresistentti munasarjasyövän solulinjoissa ”A2780 kestävä” ja emosolulinjassa ”A2870”, jotka itsenäisesti tuottamat 3 eri ryhmiin. On 5, 3 ja 6 toistolla aineistoja GSE15372, GSE28646, ja GSE33482 vastaavasti. Geenit, jotka liittyvät läheisesti platina /paklitakselihoidolla vastaus myös etsinyt CTD tietokantaan.

geeniekspressioprofilointi Analysis

geeniekspressioprofilointi data (taso 3) 322 serous munasarjojen syöpänäytteissä saatiin TCGA Data Portal. Profilointi kaikkien näytteiden suoritettiin Human U133A Gene Chip (Affymetrix, Santa Clara, CA).

bioinformatiikan ja Tilastollinen analyysi

Valvottu pääkomponentit menetelmää käytettiin synnyttämään yleistä ennustava geeni malli ja geeni malli, joka on riippumaton keskeisten kliinisten ominaisuuksia, kuten ikä, vaiheessa rajaamisvai- tila ja laatu (de-korreloivat malli). Edellä esitetty analyysi suoritettiin käyttäen superpc paketti [19] R 2.14.0 (R Foundation for Tilastollinen Computing [https://www.r-project.org/]). Differentiaalisesti ilmentyvien geenien 3 GEO aineisto myös laskea R. Käytimme Chea varten transkriptiotekijän analyysi [20], DAVID ja Clone /Gene ID muunnin geeni huomautus [21], [22], ja kokoontuvat polku rikastamiseen analyysi [ ,,,0],23]. GNCpro (https://gncpro.sabiosciences.com/gncpro/gncpro.php), C3NET paketti [24] R 2.14.0, Mimi plugin [25], ja GeneMANIA [26] plugin Cytoscape [27] käytettiinkin tutkia ja juoni geeni-geeni vuorovaikutusverkosto ja transkriptiotekijä verkon sekä kymmenen geenien vuorovaikutuksen verkko ja geeni-huume vuorovaikutusverkosto.

Standard tilastollisia testejä käytettiin analysoida kliinisen ja geenien ilmentymisen profilointi tiedot, mukaan lukien χ

2 testiä, Fisherin eksakti testi ja riippumaton näytteitä

t

-testi. Merkitys määriteltiin

p

arvo on alle 0,05. Benjamini-Hochberg useita testaus korjausta käytettiin arvioitaessa väärä löytö korko koulutusjakson analyysi [28]. Vastaanotin toimii (ROC) käyrä ja käyrän alapuolinen alue (AUC) käytettiin allekirjoitettavaksi ennustettavuuden arviointi. Analyysit olivat pääasiassa suoritetaan käyttämällä R ja SPSS version 18 (SPSS Inc., Chicago, Illinois).

Tulokset

kehittäminen ennustavia malleja liittyy Kemoterapia Response

tunnistamiseksi geenin ilmaus allekirjoitus, joka ennustaa vastaus kemoterapiaa ja siten auttaa määrittämään sopivimman hoito-ohjelma yksilöllisten, joka on 349-geenin ennustava malli ja 18-geeni dekorreloidulla malli kehitettiin koulutusta asetettuun superpc paketin Bioconductor (Fig. 1) . Erityisesti ensin meidän laskenut yhden muuttujan regressio pisteet kunkin ominaisuuden (12042 geenit) osalta potilaan hoitotulokset (CR tai PD). Sitten suoritimme 10-kertainen rajat validointi selvittää paras kynnyksen ja muodostaa pienemmän data matriisin, joka koostuu vain ne piirteet, joiden pisteet ylittää raja (tässä tapauksessa paras kynnys on 1,26). Sitten suoritimme Pääkomponenttianalyysin selvittää merkittävimmät geeniperimä ennustamiseksi hoitovasteen. On käynyt ilmi ensimmäisen pääkomponenttina sisältävä 349 ominaisuuksia on paras (

p

= 0,025). Pitääkseen vahvin vallan ennustaminen vastauksen, emme tee kutistuminen. Lopuksi, merkittävin pääasiallinen komponentti regressiomallia käytettiin ennustamaan hoitotulokseen. Samoin jos kehittää dekorreloidun mallia, ensin meidän sovitettu lineaarinen malli avaimen kliiniset piirteet (ikä, vaiheita, rajaamisvai- tila, ja laatu) kuin kilpailevien ennustavia, ja sitten korvata nämä ominaisuudet, joita jäljellä tästä sopivaksi. Vuonna superpc pienoismallit prosessi, nämä ”de-korreloivat” ominaisuuksia käytetään nimenomaan etsiä ennustajia, jotka ovat riippumattomia keskeisiä kliinisiä piirteitä. Valitsimme kynnys 1,85 ja ensimmäinen pääasiallinen komponentti sisältää 18 ominaisuuksia p = 0,001. Koska 18-geeni malli on pieni geeniperimä, emme tee kutistuminen myöskään.

322 korkealaatuista serous munasarjasyöpään tapauksissa jaettiin satunnaisesti harjoitussarjassa (200 näytettä) ja testaus joukko (122 näytettä). Harjoitussarjassa tuotettiin ennustavan mallin ja dekorreloidun malli, joka on riippumaton keskeinen kliinisiä piirteitä. Sitten nämä kaksi mallia validoitiin käyttäen testauksen asetettu. Seuraavaksi käytimme 3 aineistoja GEO tietokannasta validoida allekirjoitus geenien havaintomme. Tutkia mahdollisia biomarkkereita seerumissa, yhdistimme allekirjoitus geenien nämä kaksi mallia, joissa geenien aiemmin raportoitu neljässä edellisessä tutkimuksessa ja tiedustella näiden geenien DAVID tietokantaan. Seitsemänkymmentä seitsemän eritysproteiineja koodaavien geenien havaittiin (taulukko S3). Ennustettavuutta kyseisten geenien kemoterapia-vaste testattiin sitten yksitellen käyttämällä tietoja kaikista 322 näytteistä. Lopuksi teimme toiminnallinen analyysi niihin allekirjoitus geenien ja ehdotti joitakin lääkkeitä, jotka voitaisiin kohdistaa navan geenien havaintomme.

Kuten kuviossa. 2 349-geenin allekirjoitus oli AUC = 0,826 (

p

0,001) harjoitussarjassa (Fig. 2A) ja AUC = 0,702 (

p

= 0.022), että testaus setti (Fig. 2B). 18-geeni dekorreloidulla allekirjoitus oli AUC = 0,775 (

p

0,001) harjoitussarjassa (Fig. 2C) ja AUC = 0,614 (

p

= 0,197) vuonna testauksen asettaa (Fig. 2D). Vuonna 349-geenin mallin, 30 eniten painotettu geenit taulukossa 3 (Selvitimme alkuun 30 geenien sijoitus merkitys-pisteet kunkin geenin kuvassa. S6, joka laskettiin kunkin geenin yhtä suuri sen korrelaatio valvottu pääkomponenttina ennustaja. taulukossa S1 kaikkien geenien tiedot tässä mallissa) ja 18 geenien 18-geenin dekorreloidulla -mallin taulukossa 4 (merkittävä-pisteet kunkin geenin on listattu kuvassa. S7).

(A) ROC käyrä 349-geenin ennustava malli koulutuksessa set (200 näytettä, AUC = 0,826;

p

0,001. (B) ROC käyrä 349-geenin ennustava malli testaus sarja (122 näytettä, AUC = 0,702;

p

= 0,022). (C) ROC käyrä 18-geenin dekorreloidulla ennustava malli harjoitussarjassa (200 näytettä, AUC = 0,775;

p

0,001. (D) ROC käyrä 18-geenin dekorreloidulla ennustava malli testaus sarja (122 näytettä, AUC = 0,614;

p

= 0,197).

näiden tulosten perusteella, 349-geenin malli oli korkea herkkyys ja spesifisyys sekä harjoitussarjassa ja testaus asetettu. 18-geeni dekorreloidulla malli oli hyvä herkkyys ja spesifisyys koulutukseen asetettu, mutta suhteellisen alhainen herkkyys ja testaukseen set.

toiminnallinen analyysi Allekirjoitus Geenit Two ennustavia malleja

ymmärtää biologisia rooleja allekirjoituksen geenit 349-geenin ennustava malli ja 18-geenin dekorreloidulla mallin mukana chemoresistance teimme kolmenlaisia ​​analyysejä. Ensin teimme geeni-geeni vuorovaikutusverkosto analyysi tunnistaa napaan geenien 349-geenin malliin käyttäen Mimi plugin Cytoscape (Fig. 3). Määrittelemällä napa geenejä, geenit, jotka ovat vuorovaikutuksessa ainakin kolme muita geenejä, kymmenen napa geenejä tunnistettiin (taulukko 5), joista UBE2I (Ubiquitin-konjugointientsyymiä E2I) [29], [30], CASP3 (Caspase 3, apoptoosi- liittyvä kysteiini peptidaasi) [31] ja MAPK3 (mitogeeniaktivoidut proteiinikinaasi 3) [32], [33] liittyvät läheisesti platina /paklitakseli-pohjainen kemoterapeuttisten vasteen.

geenit ovat vuorovaikutuksessa ainakin kolme muuta geenit valittiin, joista UBE2I, CASP3 ja MAPK3 ovat tärkeitä molekyylejä, jotka ovat mukana munasarjasyövän etenemisen tai chemoresistance. Yksityiskohtaiset tiedot näistä kymmenestä navan geenit on esitetty taulukossa 4.

Koska suurin muutoksia geenien ilmentymistä säätelevät ylävirran sääntely- transkriptiotekijät ja /tai signaloinnin geenit, olemme sitten etsinyt CHEA transkription tekijöitä, jotka voivat säädellä 349 geenejä. Kaksikymmentä yhdeksän transkriptiotekijöiden kanssa tilastollista merkitystä (

p

0,01) havaittiin (taulukko S2). Perustuu eri vuorovaikutuksen tyyppejä, rakensimme vuorovaikutusverkosto näiden transkriptiotekijöiden (Fig. S5) .ja suoritetaan väylän rikastukseen analyysin avulla nämä tekijät. Olemme havainneet, että kuusi reitit olivat eniten liittyvät kahdeksan 29 transkriptiotekijöiden, mukaan lukien MAPK signalointireitin (

p

= 0,0007), TGF-beeta-signalointireitin (

p

= 0,001), solu sykli (

p

= 0,001), Wnt-signalointireitin (

p

= 0,003), fokaalisen adheesion (

p

= 0,007), ja solujen lisääntymistä (

p

= 0,02). Nämä reitit voivat olla tärkeä rooli chemoresistance munasarjasyövän. Yksityiskohtaiset tiedot transkriptiotekijät on lueteltu taulukossa 6 ja S2.

geeni-geeni vuorovaikutusverkosto 18-geenin malli rakennettiin C3NET vuonna Bioconductor (Fig. S6A), jossa 17 geenit ovat fyysinen vuorovaikutus muiden geenien. Saadaksemme kattavamman kuvan 18 geenejä ja niiden vuorovaikutuksessa naapurit rakensimme verkkoon GNCpro (Fig. S6b), jossa 11 18 geeneillä on vuorovaikutusta muiden geenien ja PAPPA, TNFSF11, ja ESR2 ovat tärkeitä napa geenejä että 18-geenin malli. Kuten on esitetty kuviossa. S6b, TNFSF11 up-regulation kriittiset transkriptiotekijöiden kuten kesäkuu, SRC ja AKT1, ESR2 on fyysinen vuorovaikutus SP1 AKT1 ja SRC, ja PAPPA muuttaa IGFBP4 [34] – [40].

metsästys Mahdolliset Serum biomarkkereita kemoterapeuttisia Response

Koska seerumi biomarkkereiden kätevimmin havaitaan klinikoilla, yritimme perustaa uuden tavan tunnistaa mahdolliset seerumin biomarkkereita kemoterapeuttisten vastausta geeniekspressioprofiilien kohdistamalla eritysproteiineja koodaavien geenien. Me integroitu geenejä 349-geenissä malli ja 18-geenin mallin ja ne geenit neljästä aikaisempien tutkimusten ja etsitään koodaavat geenit erittyviä proteiineja in DAVID tietokannassa (Fig. 1). Tämän seurauksena 77-geenit tunnistettiin koodata erittyviä proteiineja, jotka voivat erittyä seerumin (taulukko S3). Sitten testataan ennakoivan arvot näiden geenien erikseen kemoterapia-vaste käyttämällä 322 geeniekspressioprofilointi tiedot ja laskettu AUC-arvo näiden geenien (taulukko S4). Kymmenen geenejä korkeimmat AUC-arvot (taulukko 7) todettiin kyky erotella CR ryhmä PD ryhmän (

p

0,05), josta AFM on raportoitu olevan riippumaton seerumin biomarkkereiden CA125 ennustamiseen munasarjasyöpä etenemisen vertaileva proteomiikka-analyysi [41], [42].

Functional Analysis of Potential Serum terapeuttinen biomarkkerit

tutkimiseksi edelleen roolit kymmenen seerumin biomarkkereita kemoterapeuttisessa vastauksena rakensimme geeni /proteiini vuorovaikutuksen verkkoon GNCpro. Kuten on esitetty kuviossa. 4A, IL1RL1, PRG4, AFM, GIP ja COMP näytti olevan kriittinen napaan geenejä, koska ne voisivat olla vuorovaikutuksessa geenien tiedetään osallistuvan chemoresistance. Esimerkiksi AFM näyttää vuorovaikutuksessa epäsuorasti MUC1, ESR1, ja BRCA1, joiden tiedetään osaltaan vastus platina /paklitakseli-perustuva hoito (Fig. 4B).

(A) Hub geenejä ja lähialueiden geenejä kymmenen eritysproteiinigeenien-koodaavat geenit. (B) AFM oli esimerkkinä osoittaa mahdollisia mekanismeja kymmenen eritysproteiinigeenien-koodaavat geenit todennäköisesti liittyy vuonna chemoresistance.

Further validointi geenien meidän allekirjoitus, napa geenit ja mahdollisten seerumin biomarkkerit

edelleen validoitu geenien meidän allekirjoitus, napa geenit ja potentiaalia seerumin biomarkkereita 3 useammalla tavalla. Ensinnäkin käytämme 3 eri aineistoja (GSE15372, GSE28646 ja GSE33482) NCBI GEO tietokannasta vahvistamaan tietomme. Nämä 3 aineistot ovat kaikki geeniekspressioprofiilien of solunsalpaajaresistentti munasarjasyövän solulinjoissa ”A2780 kestävä” ja emosolulinjassa ”A2870”, jotka syntyvät 3 eri ryhmiin. On 5, 3 ja 6 toistolla aineistoja GSE15372, GSE28646 ja GSE33482, vastaavasti. Ilmennetty eri geenit näissä 3 aineisto laskettiin ja on esitetty taulukossa S8. Käytämme Venn-kaavio näyttää päällekkäisyyden meidän allekirjoitus geenien ja ne ilmentyvät differentiaalisesti geenien (Fig. 5). 133 geenejä 349-geenin mallin, 9 geenejä 18-geenin mallin, 7 13 navan geenien ja 5 10 mahdollisten seerumin biomarkkerit ovat päällekkäin ilmentyvät eri geenien näistä 3 aineistot (Kuva. 5A, 5B, 5C, 5D, vastaavasti).

Venn-kaavio osoittaa, kuinka paljon geenien 349-geenin malli (A), 18-geeni malli (B), napa geenit (C), ja top 10 seerumin biomarkkerit (D) ovat päällekkäin 3 ulkoinen aineistoja GSE15372, GSE28646 ja GSE33482.

Samalla etsittiin CTD tietokannan geenejä, jotka voivat liittyvä herkkyys platina /paklitakseli-pohjainen lääkkeiden (taulukko S5), sitten päällekkäisyys allekirjoituksemme geenejä ja hakea tuloksia esiteltiin myös (Kuva. S4C). 30 349-geenin mallin, 3 18-geenin malli ja 4 13 navan geenien päällekkäin hakea tuloksia.

Lisäksi esittelimme päällekkäisyyden meidän allekirjoitus geenien ja ne allekirjoitus geenejä 4 kirjallisuus ( kuva S3 ja S4b). 16 geenejä 349-geenin mallin, 0 geenejä 18-geenin malli, 1 13 navan geenien ja 2 10 mahdollisten seerumin biomarkkerit ovat päällekkäin geeni allekirjoitukset 4 aiemmat julkaisut (taulukko S9). Kuten voimme nähdä kuviosta S4d, allekirjoitus geenejä kirjallisuutta Taulukossa 2 esitetään myös vähän päällekkäisyyttä joukossa. Tämä voi johtua niiden suhteellisen pieni otoskoko, eri standardi otoksen valinnasta tai erilaisia ​​menetelmiä kehittää ennustavia malleja.

rakentaminen Gene-lääkkeen vuorovaikutusverkosto ja geeni huumeita ehdotus

Koska meillä jo saanut avaimen transkriptiotekijöitä ja navan geenit, me ehkä tietää mikä lääkitys saattaa kohdistaa näiden geenien, jotta voitaisiin muuttaa vastustuskykyä platina /paklitakseli perustuvaa hoitoa. Etsimällä CTD ja NCBI PubMed tietokanta, useita lääkkeitä ja erityisiä estäjät todettiin vuorovaikutuksessa keskeisten transkriptiotekijöiden ja navan geenejä. Yhdistämällä nämä tulokset, voimme rakentaa keskeinen transkriptiotekijä-lääke vuorovaikutus verkon (Fig. S7) ja navan geenien kemiallista vuorovaikutusta verkon (Fig. 6), joka paitsi näyttää meille, mitä kemikaaleja voi estää näitä keskeisiä transkriptiotekijöitä ja napa-geenien , mutta myös kertoa, miten nämä geenit voivat lisätä tai vähentää alttiutta kemoterapeuttisten. Esimerkiksi, ESR2 voi lisätä potilaan alttiutta sisplatiini, etoposidi ja Raloxifene, kun taas Gefitinibi voi lisätä ilmentymistä ESR2. MAPK3 voisi vähentää potilaan alttiutta doksorubisiini, dakarbatsiini ja Estrogeeni taas Gefitinibi ja sisplatiinia voisi alentaa ilmaus MAPK3, mikä viittasi Gefitinibi voisi olla hyvä lääke platina /paklitakseli-resistenttejä potilaita.

napa geeneihin huumeiden vuorovaikutus verkko osoitti kuinka nämä geenit ja lääkkeet voivat olla vuorovaikutuksessa toistensa kanssa. Esimerkiksi, ESR2 voi lisätä potilaan alttiutta sisplatiini, etoposidi ja Raloxifene, kun taas Gefitinibi voi lisätä ilmentymistä ESR2.

Keskustelu

Prediction kemoterapeuttisten vastaus on aina haastavaa kliininen tehtävä. Monet yritykset on tehty löytää geeniekspression allekirjoituksia syrjiä eri vaste käyttämällä suuren suorituskyvyn tekniikkaa. Kuitenkaan mikään näistä geenin allekirjoituksia on virallisesti käytetään klinikoilla. Mahdollisia syitä saattavat olla puutteellisia kriittisten otoksen valinnasta tai pienen otoksen koosta. Tutkimuksemme ja 4 aikaisemmin julkaistu lueteltu taulukossa 2 kaikkien tarkoituksena selvittää geenin allekirjoitusten ennustamiseen Platinapohjaisen hoitotulokseen on vakavasta munasarjasyöpä. Ja on olemassa useita geenejä päällekkäin välillä allekirjoitus geenien ja ne allekirjoitus geenejä aikaisemmista julkaisuista. On kuitenkin olemassa useita eroja meidän ja ne 4 julkaisuja. Tilastolliset menetelmät kehitetään malleja käytämme (Dressman et al. Haulikko stokastinen hakuun [10], Ju ym. Manuaalisesti alkuun differentiaalisesti ilmentyvien geenien [11], Helleman ym. BRB SAM [8], ja Jazaeri et ai . BRB [6]), otoskoko, ja valinta vakio eivät ole samoja. Mallimme koko (349-geeni allekirjoitus) on sopivampi verrattuna Dressman et al. (1704 antureista edustaa 1388 geenejä). Vaikka Ju et ai., Helleman et ai. ja Jazaeri ym olla pienempi malli koko (100, 68, ja 85 vastaavasti), ne joko olivat pieniä koulutus asettaa tai pelkästään käyttää top ilmentyvät eri geenien ennustajia.

Yhteenvetona meidän allekirjoitukset ovat uusia verrattuna 4 aiemmat julkaisut (taulukko 2) 4 näkökohdat: 1) Meillä on suurempi otoskoko (322 verrattuna 119, 96, 45 ja 13), jotka ovat convincible kehittää ennustavia malleja. 2) Meillä on parempi otoksen valinta (vain käyttämällä CR ja PD näytteitä ja keskittyneet lähinnä platina /paklitakselia vastus). 3) saadakseen selville, mitkä geenit ovat todella liittyvät hoitotuloksia ja sulkea pois mahdollinen harha niiden keskeisten kliiniset piirteet, kehitimme dekorreloidulla malli, joka oli romaani. 4) Meillä työskentelee valvottu komponenttien analyysin kehittää 349-geenin allekirjoitusta ja 18-geenin allekirjoitus, joka on erilainen kuin vain käyttämällä korkeinta ilmentyvät eri geenit (Ju et al.).

Selventämään lisäksi biologisen panos ne allekirjoitus geenejä hoitotuloksia, rakensimme säätelyverkkoja tunnistaa kriittiset napaan geenien ja signalointireittejä differentiaalisesti läsnä CR ja PD ryhmiä. Niistä kymmenen napa geenit tunnistettu 349-geenin mallin, UBE2I korreloi histologinen alatyyppejä EOC [43], CASP3 on tärkein markkeri apoptoosin [44], ja MAPK3 on keskeinen rooli EOC etenemiseen. Muut geenit (SMARCE1, DISC1, CENTD2, RHOT1, ARHGAP6, ARHGEF9 ja ARHGEF11) ovat myös osallisina syövän etenemiseen tai chemoresistance [45] – [49].

Koska geeni-ilmentymisen profiilit ovat meluisia ja on vaikea löytää merkittävimmät reitit tekemällä koulutusjakson rikastamiseen suoraan, voimme perustaa uuden strategian tämän ongelman ratkaisemiseksi. Strategiamme perustuu kahteen seikkaan: 1) eniten geeniekspression muutoksia säätelevät transkriptiotekijät ja 2) toiminnan transkriptiotekijöiden on suhteellisesti vähemmän melua. Tällä lähestymistavalla huomasimme, että geenien 349-geenin mallin säätelee 29 transkriptiotekijöitä, jotka ovat rikastuneet kuusi kriittisten polkuja, mukaan lukien MAPK, TGF beta, Wnt, solusykliä, Focal tarttuvuus, ja solujen lisääntymisen signalointireitteihin. Yhdistyksen näistä reiteistä annettu vastaus kemoterapiaa tai syövän etenemisen on raportoitu aikaisemmissa tutkimuksissa [50] – [58]. Keskiö geenit, transkriptiotekijät ja kriittinen signalointireitteihin tunnistimme voisi olla potentiaalisia kohteita lääkkeiden kehittämisen jälkeen lisävalidointia.

Yksi tärkeä piirre ihanteellinen biomarkkerina on helppo havaita. Olemme siis kehittäneet uuden lähestymistavan seuloa kemoterapeuttisen biomarkkereita, jotka voitiin määrittää seerumista. Löysimme kymmenen eritysproteiineja koodaavien geenien, joilla on kyky erottaa CR PD ja näin voisivat olla mahdollisia seerumin biomarkkereita ennustamiseksi vastaus platina /paklitakseli-pohjainen hoitoa EOC. AFM tunnistettu tutkimuksessa ilmoitettiin olevan riippumaton diagnostinen markkeri CA125 [42], joka osittain tukee strategiaamme ja havainnoista. Koska CA125 on tavanomainen biomarkkereiden munasarjasyövän etenemisen ja kemoterapia-vastaus, lisäämällä AFM CA125 voisi siten parantaa ennustetekijöiden valtaa EOC.

rakentaminen geeni-lääke vuorovaikutus verkko antoi meille lisää vihjeitä siitä, miten valita oikea lääkkeitä yksilöllistä hoitoa. Kuten on esitetty tulokset -osiossa Gefitinibi voisi olla sopiva lääke hoitoa varten platina /paklitakseli-resistenttejä potilaita ekspression vähentämiseen MAPK3 ja lisäämällä ilmentymistä ESR2.

Vaikka tulokset ovat rohkaisevia, on vielä joitakin kysymyksiä vastaamatta. Esimerkiksi kokeelliset validoinnit tarvitaan vielä tutkia erityiset roolit näiden navan geenien, transkriptiotekijät ja signalointi reittejä chemoresistance käyttäen munasarjasyövän solulinjoissa ja eläimen. Lisäksi meidän täytyy vielä testata niitä seerumin biomarkkerit käyttävät seeruminäytteistä munasarjasyöpä potilaille.

Summittaisesti kehitimme kaksi ennustavia malleja, jotka tuottavat oivalluksia molekyylimekanismeihin chemoresistance. Mallien pohjalta rakensimme vastavirtaan sääntelyn verkosto, jossa useita kriittisiä transkriptiotekijät ja signalointireitteihin voi olla ratkaiseva rooli chemoresistance in EOC. Edelleen, yhdistämällä julkaistujen havaintojen löysimme kymmenen potentiaalia seerumin biomarkkereita, joita voitaisiin käyttää kliinisessä työssä. Lisäksi geeni-lääke vuorovaikutus verkko rakennettiin, joka paitsi näyttää meille, jotka lääkkeet voivat estää näitä keskeisiä transkriptiotekijöitä ja navan geenejä, vaan myös kertoa, miten nämä geenit voivat lisätä tai vähentää alttiutta kemoterapeuttisten. Tämä on hyvä alku meille valita sopivin huumeiden paremman hoitotuloksen näiden potilaiden resistenttejä platina /paklitakseli kemoterapian.

tukeminen Information

Taulukko S1.

Gene luettelo 349-geenin allekirjoitus.

doi: 10,1371 /journal.pone.0052745.s001

(XLSX) B Taulukko S2.

Mahdolliset transkriptiotekijöitä, jotka säätelevät geenien 349-geenin allekirjoitus.

doi: 10,1371 /journal.pone.0052745.s002

(XLSX) B Taulukko S3.

77 geenejä, jotka koodaavat erittyviä proteiineja, jotka liittyvät platina /paklitakseli-pohjainen hoito (integroitu tuloksemme 4 aikaisempien tutkimusten).

doi: 10,1371 /journal.pone.0052745.s003

(XLSX) B Taulukko S4.

Area Under the Curve geenien, jotka koodaavat erittyviä proteiineja.

doi: 10,1371 /journal.pone.0052745.s004

(XLSX) B Taulukko S5.

Geenit vuorovaikutuksessa platinaa tai paklitakselin etsitään CTD tietokannasta.

doi: 10,1371 /journal.pone.0052745.s005

(XLSX) B Taulukko S6.

merkitys-tulokset 349 geenien ennustavaa regressiomalli.

doi: 10,1371 /journal.pone.0052745.s006

(XLSX) B Taulukko S7.

merkitys-tulokset 18 geenien dekorreloidut malli.

doi: 10,1371 /journal.pone.0052745.s007

(XLSX) B Taulukko S8.

Differentially ilmaistu geenien GSE15372 GSE33482 GSE28646.

doi: 10,1371 /journal.pone.0052745.s008

(XLSX) B Taulukko S9.

allekirjoitus geenit 4 aiemmat julkaisut, jotka on lueteltu taulukossa 2.

doi: 10,1371 /journal.pone.0052745.s009

(XLSX) B Kuva S1.

Heat kartta 349-geenin allekirjoitusta vastaan ​​322 potilasta. Tämä kaavio näyttää lämpö kartta 349-geenin allekirjoitusta vastaan ​​322 potilasta, jossa rivit edustavat eri geenien 349- geenin allekirjoitus ja pylväät edustavat eri potilailla. Sininen palkki yläpuolella lämpökartassa edustaa CR ja vihreä palkki edustaa PD.

Doi: 10,1371 /journal.pone.0052745.s010

(TIFF) B Kuva S2.

Heat kartta 18-geenin allekirjoitusta vastaan ​​322 potilasta.