Krooninen sairaus

tiivistelmä

Background

Haiman adenokarsinooma (PDAC) on edelleen tärkeä syy syövän kuolemaan. Muutokset apoptoosin signalointia haimasyövän tuloksen kemoterapiassa vastuksen ja aggressiivinen kasvu ja metastasizing. Tutkimuksen tavoitteena oli tutkia luonnehtia apoptoosireittiä haimasyövän laskennallisesti arvioimalla mittaustuloksia suurikapasiteettisia tekniikoita ja julkisia tietokantoja. Siksi geeniekspressioanalyysiä microdissected haiman kasvainkudoksen toteutettiin malli apoptoosireittiä saatu laskennallinen proteiini vuorovaikutuksen ennustamiseen.

Menetelmät /Principal Havainnot

apoptoosireitin liittyvät geenit kootaan elektroniset tietokantoja. Arvioida näiden geenien ilmentymistä rakensimme virtuaalinen alaryhmä päässä koko genomin analyysia mikropaloitelluista natiivi kasvainkudoksessa. Jotta saadaan malli apoptoosireittiä vuorovaikutukset jäsenten apoptoosireittiä analysoitiin julkisiin tietokantoihin ja laskennallinen ennustaminen proteiinin vuorovaikutusta. Geenien ilmentyminen tietoja toteutettiin apoptoosireittiä mallia. 19 geenit löydettiin ilmentyvät differentiaalisesti ja 12 geenit oli jo tiedossa patofysiologista rooli PDAC, kuten surviviinia /BIRC5, BNIP3 ja TNF-R1. Lisäksi me validoitu ero ilmaus IL1R2 ja Livin /BIRC7 RT-PCR ja immunohistokemia. Täytäntöönpano geeniekspression data apoptoosireittiä kartan ehdotti kaksi korkeampaa viat reitin tasolla solukuoleman reseptorit ja sisällä luontainen signalointi cascade sopusoinnussa viitteet apoptoosin PDAC. Proteiini vuorovaikutus ennustus osoitti lisäksi mahdollisia uusia vuorovaikutuksia yhden reitin jäsenet, jotka osoittavat monimutkaisuus apoptoosireitin.

Johtopäätökset /merkitys

Tuloksemme osoittavat, että laskennallisilla arviointi julkisen saataville tiedoista, joita hyväksyttävä virtuaalisen kuvan apoptoosireittiä voitaisiin antaa. Tällä lähestymistavalla voimme tunnistaa kaksi korkeampaa virheitä apoptoosireittiä PDAC. Voisimme lisäksi ensimmäistä kertaa tunnistaa IL1R2 mahdollisimman ehdokkaana geeni PDAC.

Citation: Rückert F, Dawelbait G, Winter C, Hartmann A, Denz A, Ammerpohl O, et al. (2010) tutkiminen Apoptoosin Signaling in Haimasyöpä mukaan Computational Signaalinvälitys Analysis. PLoS ONE 5 (8): e12243. doi: 10,1371 /journal.pone.0012243

Editor: Syed A. Aziz, Health Canada, Kanada

vastaanotettu: 25 kesäkuu 2010; Hyväksytty: 20 heinäkuu 2010; Julkaistu: 19 elokuu 2010

Copyright: © 2010 Rückert 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 tukivat Deutsche Krebshilfe ja MedDrive38 ohjelma lääketieteellisen tiedekunnan Technische Universität Dresden. 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

Haiman adenokarsinooma (PDAC) on 8. yleisin syöpä länsimaissa [1]. Sen kuolleisuus lähes yhtä suuri kuin sen esiintyvyys 6,3 /100000 [2]. Huolimatta yhdistetyn liikennemuodon terapiassa haimakarsinooma- esittää epätyydyttävä hoitovaste [3]. Äskettäin kattavan genomisen analyysin

Jones

et al. voisi tunnistaa apoptoosin keskeisenä signalointireitin haimasyövän. Reitti on geneettisesti muutettu useimmissa 24 ensisijaisen haimasyövän solulinjoissa [4]. Clinicopathologically, tämä puutteellinen apoptoosin signalointi vaikuttaa kasvaimen huono vastaus kemoterapiaa, ionisoiva säteily ja immunoterapia [5] ja vaikuttaa metastasizing kapasiteetin ja kasvuvauhti kasvain [6], [7]. Siksi ymmärtämistä apoptoosin vastus on edellytys parantamiseksi syövän hoidossa.

Apoptoosi, tai solukuolema-ohjelma, voidaan aktivoida eri mekanismeja ulkoista ja sisäistä tietä,. Vaikka aktivoituminen solukuoleman reseptoreihin johtaa kytkeytyminen ulkoinen tie, sisäisen reaktiotien aktivoidaan mitokondrioita aikana solujen stressiä, sekä mikä johtaa kaspaasien aktivaatio [8].

Nykyään apoptoosireittiä on yksi parhaista tutkittu solunsisäisiä reittejä. Kuitenkin tulkinta kokeellista tietoa haittaa lukuisia signalointimolekyylien ja monimutkaisia ​​vuorovaikutuksia reittiin. Tässä tutkimuksessa yritimme lähestyä solukuolemareittiin haimasyövän jonka laskennallinen analyysi kokeellisen datan highthroughput teknologioiden ja julkiset tietokannat. Yritimme käyttää suuri määrä tietoa mallin solunsisäisen tiedonkulun apoptoosireittiä haimasyöpä. Sillä näyttää graafisesti tutkimuksen suunnittelu katso kuva 1.

toteuttaminen geeniekspression data mallin apoptoosireittiä saatu proteiini vuorovaikutuksen tietokantoja ja proteiinin vuorovaikutus ennustus osoitti vakiintunut korkeamman tason puutteita luontainen polku ja tasosta solukuoleman reseptoreja, jotka voivat mahdollisesti johtaa fenotyypin apoptoosin vastustuskyvyn haimasyövän.

tulokset

Computational rakentaminen apoptoosireittiä kartan

vuorovaikutus 103 apoptoosin liittyvät geenit tietokannastamme haku arvioitiin aluksi seulomalla proteiini-proteiini-vuorovaikutuksen tietokantoja. Haun tulos oli 940 tunnettuja yhteisvaikutuksia. Ne yhteisvaikutukset edusti kokeellisesti vuorovaikutuksia määritelty proteiineja. Näitä tietoja käytettiin konstruoimaan reitin kartalla, kuten edellä on mainittu (kuvio 2).

solmut nämä kaaviot ovat reseptorit, ligandit, efektoreja, kinaasit ja transkriptiotekijät, kun taas kunkin reunan kuvaa suhde näiden lajien . Ylemmässä osassa kuvion suoran apoptoosin on esitetty (A), kun taas alaosassa modulaatiota geeniekspressioon on kuvattu (B). Musta vuorovaikutukset merkitä tunnetun proteiinin vuorovaikutuksia tietokannoista. Paremman näkymä emme näytä kaikkia 940 tunnettuja yhteisvaikutuksia, katso File S3 on luettelo kaikista vuorovaikutusta. Blue reunat merkitsevät laskennallisesti ennustettu vuorovaikutus kaikkien 103 apoptoosin liittyvien geenien, joilla on korkea todisteita tasolla.

Toisessa vaiheessa yritimme löytää aiemmin tuntemattomia vuorovaikutuksesta 103 apoptoosin liittyvien geenien. Meidän oli siis antaa rakenteellisia perheitä geenin tuotteita, koska suurin osa rakenteista ei aiemmin tunnettu. Rakenteellinen toimeksianto ja perheen luokittelu apoptoottisen liittyvän geenien johti siirrosta 53 geenejä. Soveltamalla rajapinta säilyttämistä arvioinnin mahdollisista yhteisvaikutuksista tuotteiden näiden 53 geenien johti 21 novel vuorovaikutuksia (katso esimerkkejä File S2, sillä koko data katso File S3).

Nämä uudet vuorovaikutukset ovat otaksuttu vuorovaikutuksia, jotka eivät ole mutta kokeellisesti todistettu. Kaikki uudet vuorovaikutukset toteutettiin ensimmäisen kartta solukuolemareitin (kuvio 2).

GeneChip tulokset

rakennettu virtuaalisen alaryhmä tunnistamaan geeni-ilmentymisen muutoksia 93 apoptoottisten geenien, jotka tunniste voi saada. Toiminnan arvioinnissa tämän lähestymistavan vertasimme tuloksia apoptoottisen geenin asetettu koko genomin ja virtuaalisia alaryhmä analyysi. 23 koetinsarjojen tunnistetaan virtuaalisen aliryhmän analyysi vain 18 havaittiin koko genomista analyysiä. Keskimääräinen ilmaus intensiteetit probesets havaittujen vain alaryhmä analyysi oli 125 verrattuna 346 koetinsarjojen havaita molemmissa menetelmissä, mikä osoittaa, että virtuaalinen aliryhmän analyysi oli herkempi. 23 probesets oli 19 differentiaalisesti ilmentyvien geenien (kuvio 3). Näistä 11 geenit yliekspressoidaan ja 8 ali-ilmentynyt vuonna PDAC verrattuna mikropaloitelluista normaaliin duktaalisia soluissa. Niistä yhdeksäntoista geenit, 12 oli jo raportoineet muita ryhmiä PDAC (taulukko 1).

Heat kartta 19 mikropaloitelluista PDACs (merkitty punaisella), 13 näytettä microdissected normaalin tiehyen solut (merkitty vihreällä), ja 13 perustettu haimasyöpäkasvainsolulinjo- linjojen (merkitty magenta) käyttäen 93 ero geeniperimä ja euklidinen etäisyys matriisi. Normaalit stromasoluja toimi sisäinen laadunvalvonta (merkitty sinisellä).

tarkastaminen differentiaalikaavojen

Valitsimme kaksi geeniä, Livin /BIRC7 ja IL1R2, validointia kvantitatiivisen RT-PCR ja /tai immunohistokemia. Me vahvisti merkittävästi säätelyyn ylöspäin PDAC soluissa tai IL1R2 (

p

= 0,035) ja LIVIN /BIRC7 (

p

= 0,01) (kuvio 4 A, B). Rinnakkain RT-PCR 16 näytettä potilaista, joilla PDAC ja 16 normaalin haiman kudoksista värjättiin Livin /BIRC7. 89% PDAC solut testattiin positiivisiksi Livin /BIRC7, mutta sitä vastoin vain 62%: n normaalin tiehyen solut (

p

= 0,001). PDAC kudos osoitti myös tiiviimpää värjäytymistä kuin normaali kudos, ja tulokset olivat tilastollisesti merkitseviä (

p

0,001) (kuvio 4 C, D).

Käyrät näyttää tulokset kvantitatiivinen RT-PCR normaalissa kudoksessa haiman ja haiman adenokarsinooman Livin /BIRC7 (t-testi p = 0,01) (A) ja IL1R2 (t-testi p = 0,035) (B). Immunohistokemiallinen värjäys Livin /BIRC7 hyvänlaatuisia haimassa ja invasiivisia adenokarsinooma. Haimakarsinooma (nuoli), mikä osoittaa intensiivistä sytoplasmista värjäytymistä (alkuperäinen suurennos x100) (C). Hyvänlaatuinen ductal epiteeli osoittaa huomattavasti heikompi värjäytymistä (nuoli) (alkuperäinen suurennos x 40) (D). * Tarkoittaa p-arvo 0,05.

Keskustelu

Haimasyöpä on maligniteetti erittäin huonon ennusteen eikä merkittävää parannusta terapiassa viimeisten 30 vuoden aikana [1]. Äskettäin kattavan genomisen analyysin tunnistaa apoptoosin keskeisenä signalointireitin haimasyövän [4].

apoptoosireittiä on yksi parhaista tutkittu solunsisäisiä reittejä. Kuitenkin reaktiotie käsittää lukuisia signalointimolekyylien ja näyttää monimutkaisia ​​vuorovaikutuksia. Tämä jättää tulokset kokeellisten tutkimusten vaikea tulkita. Tässä tutkimuksessa yritimme lähestyä solukuolemareittiin haimasyövän jonka laskennallinen analyysi mittaustuloksia suurikapasiteettisia tekniikoita ja arvioimalla julkisten tietokantojen. Avulla näiden tekniikoiden yritimme ymmärtää paremmin suuren määrän tietoa ja antaa lausuntoja siitä häiriöitä tiedonkulkua apoptoosireittiä haimasyöpä. Meidän tuloksia verrattiin edelliseen julkaisuja apoptoosin haimasyövän.

103 apoptoosin liittyvät geenit tunnistettiin tietokannasta haku. Arvioida vuorovaikutukset tunnistettu apoptoosin liittyvät geenit arvioimme tietokantoja ja laskennallisesti ennustaa proteiinien vuorovaikutusta. Se, että apoptoosireittiä on yksi parhaiten tunnetuista reitit on peilattu, että suuri määrä kokeellista osoittautunut proteiini-vuorovaikutusten julkisista tietokannoista. Lähestymistapamme tuotti 940 vuorovaikutukset ja voisimme edelleen tunnistaa 21 aiemmin tuntemattomista vuorovaikutuksista laskennallisesti sekvenssi-pohjainen ja rakenne-pohjainen ennusteen proteiinivuorovaikutussuhteiden. Varsinkin MCL-1, Casp 3, TRADD, 4 syyskuu, AIF, rauhallinen ja TRAF 6 osoitti sivuhaaraa on signalointikaskadissa aiemmin tuntemattomia. Vaikka emme voineet kokeellisesti todiste ne yhteisvaikutukset, tämä on näyttöä monimutkaisuuden tiedonkulun tämän reitin. Asettamalla solukuolemaa reseptoreihin kuin lähtökohta signalointireitiksi rakensimme mallin polku visualisoida vuorovaikutusta.

Geenien ilmentyminen analyysi apoptoosin liittyvien geenien suoritettiin käyttäen virtuaalista alaryhmä on joukko mikropaloitelluista kudoksen normaalin haiman kanavat ja PDAC. Vertaamalla tietoja aliryhmän kanssa koko genomin analyysi paljasti huomattavasti enemmän koetin asettaa olla ilmennetty eri käyttämällä virtuaalista aliryhmän lähestymistapaa. Mielenkiintoista koetinsarjojen ei tunnistetaan koko genomin analyysi näytetään alempi ilmaisu arvoja, jotka osoittavat, että rakentaminen virtuaalisen alaryhmä voi johtaa parannetun herkkyyden havaitsemiseen alapäässä geeniekspression intensiteetit. Tämä johtuu pääasiassa pienemmästä koetinsarjojen testattu, vähentää mahdollisimman vähän melua vaihtelua analyysin aikana.

Geenien ilmentyminen analyysi osoitti 19 ilmentyvät eri geenit. Näistä 11 geenit yliekspressoidaan ja 8 ali-ilmentynyt vuonna PDAC verrattuna mikropaloitelluista normaaliin duktaalisia soluissa. Niistä yhdeksäntoista geenit, 12 oli jo raportoinut muille ryhmille PDAC.

surviviinia Livin, MCL-1, ja DcR3 oli voimistunut ja näytti erittäin hyvä mukaisesti Aiempien raporttien (katso File S1). TNF-R1, BNIP3, ja kaspaasi 9 olivat vaimentua, nämä geenit osoitti myös hyvä mukaisesti aikaisempiin tutkimuksiin (ks File S1).

Kuitenkin XIAP, jäsen IAP perheen proteiinien vaimentua meidän analyysi vastoin aiempia tutkimuksia. Tämä ero saattaa johtua kasvain heterogeenisuus, perustavanlaatuinen puoli kaikkien kiinteiden kasvainten [9]. Se saattaa johtua myös eroista tutkimuksessa malleja, koska useimmat aikaisemmat tutkimukset XIAP käytetään haiman sinoomasolulinjoja, kun käytimme microdissected native kasvainkudoksessa.

Kuitenkin meidän saadut tiedot mielenkiintoinen tulos, sillä me löydetty kaksi suurta pesäkkeitä säätelyhäiriöiden sisällä solukuolemareittiin.

Yksi tärkeimmistä pesäkkeitä oli tasolla solun reseptoreihin. Yleisesti näyttää olevan downregulation solukuoleman reseptoreita ja säätelyyn ylöspäin houkutuslintujen-reseptoreihin. Vaimennussäätely solukuolemaa reseptori TNRF-1 ja säätelyä Fas-valereseptori DcR3 meidän tiedot on jo raportoitu aiemmin [10]. Tämä säätelyhäiriötä tarkoituksena on auttaa kasvaimen kiertää immuunijärjestelmää, vähenemisen vuoksi herkkyyttä kohti apoptoottista ligandien [11], [12].

Toinen valereseptori, IL1R2, valittiin lisävalidointia, koska säätelyä tämä reseptori ei raportoitu aikaisemmin. Kvantitatiivisella RT-PCR voisimme ensimmäistä kertaa validoimiseksi säätelyä IL1R2 haimasyövän. IL1, ligandi IL1R2 tiedetään erittyvän haimasyövän soluja [13]. Se on tärkeää, elintoimintojen tulehdusta ja lisääntymistä, mutta voivat myös laukaista apoptoosin aktivoitumisen kautta IRAK ja MyD88 [14], [15], [16]. Vaikka microenvironment voisivat hyötyä angiogeneettisiä ja proliferatiivisen ominaisuudet IL1, syötti-reseptori voivat suojella haimasyöpä apoptoosin aiheuttama immuunivaste [17].

Toinen merkittävä painopiste säätelyhäiriöiden löydettiin taso postmitokondriaalisen sääntelyyn proteiinien inhibiittorit apoptoosin proteiinien (IAP: t). Tämä ryhmä proteiineja estää toiminnan caspases ja apoptosome ja siten häiritsee sekä ulkoista ja sisäistä tietä,. IAP: t ovat jo tunnettuja niiden tärkeä rooli syövän synnyssä muiden kasvain yksiköiden ja myös PDAC [18], [19]. Tutkimuksessamme löysimme säätelyä surviviinin /BIRC5 ja Livin /BIRC7 in mikropaloitelluista kasvain-kudosta ja voisimme validoida dysregulaatio Livin /BIRC7 kvantitatiivisen RT-PCR ja IHC.

säätelyhäiriöiden ryhmässä of IAP: t saattaa olla korkea kliinistä merkitystä, koska sisäisen reaktiotien normaalisti välittää sytotoksista vaikutusta säteilyn ja monet kemoterapia-[20], [21].

laskennallinen analyysi apoptoosireittiä PDAC muodostuisi hyvä mukaisesti meidän tuloksia kokeisiin aiemmin viitteet apoptoosin haimasyöpä. Olemassa olevien raaka dataa suurikapasiteettisia tekniikoita, voisimme osittain toistaa kokeelliset tiedot. Nämä tiedot otettiin yhteydessä monimutkaisen solunsisäisten apoptoosin signalointi laskennallisin vuorovaikutuksen analyysi. Vaikka suuri määrä tietoa voidaan arvioida nopeasti ja kuvailevaa meidän lähestymistapa, se on taloudellisesti haastavaa kokeellisesti todistaa havainnot. Tätä on pidettävä suurena haittana lähestymistapamme.

Yhteenvetona Esillä oleva tutkimus osoittaa, että laskennallinen arviointi tietojen geenien ilmentymisen analyysin ja julkiset tietokannat hyväksyttävän virtuaalisen kuvan apoptoosireittiä voitaisiin antaa. Vertailu meidän tietojen aikaisempiin julkaisuihin sulatettu hyvä mukaisesti. Tällä lähestymistavalla voimme tunnistaa virheitä tasolla solukuoleman reseptorien ja apoptoosi-inhibiittori proteiineja, jotka saattavat taustalla fenotyypin erillisten apoptoosin resistenssin PDAC. Olemme voisi lisäksi ensimmäistä kertaa tunnistaa IL1R2 mahdollisimman kandidaattigeenin.

Materiaalit ja menetelmät

vuorovaikutus ennustaminen apoptoosireittiä jäsenet

apoptoosireittiä liittyvät geenit kootaan sähköisiin tietokantoihin, kuten

Kioto Encyclopedia of Genes and Genomit

(www.genome.ad.jp/kegg),

Gene Data Base of the National Center for Biotechnology Information

(www.ncbi .nlm.nih.gov) ja

GeneMAPP

(www.genmapp.org). Avainsanat hakusanalla olivat ”apoptoosi”, ”solukuolema”, ”solukuolemareittiin”, ”solukuolemaa reseptori” (katso File S1).

arvioimiseksi vuorovaikutukset apoptoosin liittyviä proteiineja me aluksi tiedustella tietokantoja tunnettu proteiini-proteiini-vuorovaikutuksia, kuten NetPro (www.molecularconnections.com), SCOPPI (www.scoppi.org) ja HPRD (www.hprd.org).

löytää uusia vuorovaikutuksia käytimme kahta eri menetelmää. Ensin käytetty rakenne-pohjainen ennusteen proteiinin kanssa (ks File S2). Suurin osa 103 apoptoosiin liittyviä geenejä joiden rakenne on tuntematon. Me käyttivät aluksi Genomic Threading Database (GTD) kuin kertaiseksi tunnustusta menetelmä määrittää rakenteellisia perheitä geenituotteiden [22]. Domeenit proteiinit määritetään sitten rakenne- luokittelu Proteiineja, SCOP. Kaksi verkkotunnuksia pidetään vuorovaikutuksessa jos on vähintään 5 jäännös paria 5 Å, sopusoinnussa sen rajapintamäärittelyt [23]. Vain domain-toimeksiannot tiettyjen ja korkea luottamusta GTD pidettiin. Voit ennustaa mahdollisia yhteisvaikutuksia kahden annetun verkkotunnuksia me sitten käytetään SCOPPI [24]. Tämä tietokanta edellyttäen ilmeistä domain-domain vuorovaikutus, joka toimi rakenteellisia malleja meidän alkuperäinen osoitettu verkkotunnuksia. Kaksi proteiinia pidetään vuorovaikutuksessa jos jokainen sisältää toimialueen, jossa on rakenteellista näyttöä tällaisen verkkotunnuksen-domain vuorovaikutuksen mukaan SCOPPI. Mahdolliset yhteisvaikutukset arvioitiin analysoimalla rajapinnan säilyttämistä. Tiedot tähteiden käyttöliittymän oli jälleen saatu SCOPPI tietokannasta. Kuvan alkuperäinen proteiinisekvenssi rinnastettiin vastaan ​​SCOPPI templaattisekvenssin, joka on säilyttäminen yli 30%: n rajapinnan tähteet oletettiin olevan riittävä samaa vuorovaikutusta kumppani.

Toiseksi, käytimme sekvenssin perustuva ennuste proteiini vuorovaikutusten (katso File S2). Siksi käytimme NetPro, asiantuntija kuratoinut ja selityksin sisältävä tietokanta noin 100000 proteiini-proteiini vuorovaikutusten, ennustamiseksi vuorovaikutuksesta meidän proteiinien osalta. Käyttämällä tätä ortologisia tietoja ja BLAST etsittiin homologisia vuorovaikutusten ( 80% sekvenssi-identiteetti) tietyn proteiinin pari. Me vain tarjota uusia vuorovaikutuksia, joita ei ole vahvistettu ennen kanssa NetPro tai HPRD [25], [26]. Rakentaa meidän koulutusjakson kartta, asetamme solukuolemaa reseptorit lähtö- kohtia signalointiryöpyn. Vuorovaikutus proteiinit määriteltiin loppupään signalointi proteiineja. Proteiinit, jotka ovat tunnettuja solujen kuoleman reseptorin ligandit näkyy solun proteiinien kanssa.

Geenien ilmentyminen analyysi

rakentaminen virtuaalisen aliryhmän dataa asettaa E-MEXP-950 ja E-MEXP- 1121 käytettiin [27], [28].

Affymetrix koetinsarjaa tunnisteet saatiin Ensembl johtaen 189 probeset tunnisteiden 93 geenejä. 10 geenejä ei tunnistetta voitaisiin saada (ks File S1). Cel Files saatu Affymetrix MAS 5.0 ohjelmistoa käytettiin lisäanalyysiä. Cel Files ladattiin dChip2006 (https://www.dchip.org), normalisoidaan sitten, ja ilmaisu-arvot laskettiin käyttäen PM /MM malli. Ilmaisu arvot 189 probesets vietiin ja vielä tarkastella käyttämällä SAM (https://www-stat.stanford.edu/~tibs/sam/) ja Excel (Microsoft, Redmond, WA). Me sijoitettiin geenien differentiaalisesti ilmaisi jos ne täyttävät seuraavat kriteerit: kertamuutos 2 ja q arvo alle 5%. Lämpö kartat luotiin käyttäen dChip.

Käänteinen transkriptio-polymeraasi reaktio (RT-PCR) B

1 ng cDNA: ta käytettiin TaqMan-määritys (Applied Biosystems, Weiterstadt, Saksa). Geenit monistettiin TaqMan Universal PCR Master Mix mukaan valmistajan ohjeiden, ABI PRISM 5700 Sequence Detection System käyttää geeniä aluketta ja koettimia. Geenien ilmentyminen kvantifioitiin vertaileva CT-menetelmä, normalisoi CT-arvot kotitalouksien geenin (β-aktiini) ja laskemalla suhteellinen ekspressio arvot käyttäen seuraavia alukkeita: RT-PCR: BIRC7 /Livin: ACT GAC CAG CCC TGA TTC C ja CTC CAG GGA AAA CCC ACT TT; Actin: AAG CCA CCC CAC TTC TCT CTA A ja AAT GCT ATC ACC TCC CCT GTG T; IL1R2: ATC AGC TTC TCT GGG GTC AA ja GGT AGG CGC TCT CTA TGT GG [29].

immunohistokemia

Immunohistokemiaa kudoksen mikrosiru (TMA), joka sisältää 16 PDAC näytteitä rakennettiin. Tämän TMA 5 um: n leikkeitä valmistettiin käyttäen silanoitua kalvot (Menzel Gläser, Braunschweig, Saksa). Immunohistokemiaa Livin /BIRC7 suoritettiin käyttämällä streptavidiini-biotiini-peroksidaasi-menetelmällä kuten aiemmin on kuvattu, ja antigeenin haku suoritettiin mikroaaltouunissa (250 W: ssa 30 minuutin ajan sitraatti- liuoksen pH 6,0) [30], [31]. Primaarista vasta-ainetta käytettiin hiiren monoklonaalinen vasta-aine Livin /BIRC7 proteiinia (# 40958, Active Motif, Rixensart, Belgia). Normaali paksusuolen limakalvon ja peräsuolen syöpä käytettiin positiivisena kontrollina. Negatiivisena kontrollina käytettiin näytettä inkuboitiin ilman primaarista vasta-ainetta. Jälkeenpäin Objektilasit lyhyesti vastavärjät- hematoksyliinillä. Stained ja värjäämätön PDAC soluja tai ductal solut laskettiin ja suhde luotiin. Värjäytymisintensiteettiä arvioitiin puolittain määrällisesti yksi patologi (AH) ilman tietoa histopatologisia ja molekyylitason tietoa 3 laadut (negatiivinen, kohtalainen ja vahva).

Tilastollinen

tilastollinen analyysi t testi ja chi neliö-testi ”SPSS 13.0” for Windows käytettiin.

kirjallisuus

paremmin arvioida muutoksia geenien ilmentyminen nähty tietomme teimme laajan kirjallisuuden hakuja molekyyli- puutteita apoptoosin haimasyövän. Avainsanoja olivat nimi geenin tai proteiinin kanssa termi ”haiman karsinooma”, ”haimasyöpä”, ”haimasyövän” tai ”haiman adenokarsinooma”. Mukana olivat tutkimukset tasolla genomin geenin ilmentyminen ja proteiinin /toiminnallinen tutkimuksia tuumorin kudoksen ja /tai solulinjat. Kirjallisuudesta käsitti julkaisut vasta marraskuussa 2009. Katso myös Tiedosto S1.

tukeminen Information

Tiedosto S1.

Tiedot kattavan kirjallisuushaku rooliin apoptoosin liittyvien geenien haimasyöpä. Taulukossa näkyvät kaikki geenit, joita pidettiin tutkimuksessamme. Huomaa, että suurin osa tutkimuksista tasolla DNA, mikä tarkoittaa mutaatiotutkimukset, kvantitatiivista koskeva lausunto ilmentyminen oli tehty. Mukana olivat tutkimukset tasolla genomin geenin ilmentyminen ja proteiinin /toiminnallinen tutkimuksia tuumorin kudoksen ja /tai solulinjat. Kirjallisuudesta käsitti julkaisut joulukuuhun 2009 (- /- = vähemmän /hieman vähemmän ilmaisua kuin normaalissa kudoksessa; +/- = lauseke riippuen näytteen /solu-line, ei yleinen toteamus mahdollista; 0 = ei eroa ilmaisun normaali kudos /normaali toiminta proteiinia kokeellisissa tutkimuksissa, ++ /+ = korkeampi /hiukan suurempi ilmaisua kuin normaalissa kudoksessa;? = ei määrällistä lausumaa tässä tutkimuksessa.) B doi: 10,1371 /journal.pone.0012243.s001

(1,49 MB DOC) -iin Tiedoston S2.

Ominaisuudet meidän proteiinin vuorovaikutuksen ennustuksen (A). Esimerkkejä rakenteellisia malleja kolmesta mahdollisesta uutta vuorovaikutusta solukuolemareittiin (yli 30% sekvenssi ja käyttöliittymä identiteetti). Rakenteellinen välinen kohdistus mallin ja vuorovaikutuksessa proteiini rakenteita on 2 Angstrom. 1 = Arts-Apollon; 2 = p16-ERK; 3 = p16-JNK (B).

Doi: 10,1371 /journal.pone.0012243.s002

(2,16 MB PPT) -iin Tiedoston S3.

Proteiini vuorovaikutukset tietokannastamme haun ja vuorovaikutusta ennustus analyysi. Sheet yksi osoittaa jo tunnettuja yhteisvaikutuksia tietokannastamme haun. Sheet kaksi näyttelyä otaksuttu vuorovaikutuksia, ehdottama vuorovaikutusta ennustemalli.

Doi: 10,1371 /journal.pone.0012243.s003

(0,09 MB XLS) B

Kiitokset

Tutkimus tukivat Deutsche Krebshilfe ja MedDrive38 ohjelma lääketieteellisen tiedekunnan Technische Universität Dresden. Me kiittää Beatrix Jahnke teknistä tukea.