Krooninen sairaus

tiivistelmä

Tilastollinen mallintaminen, yhdistettynä genominlaajuisten ilmentymisen profilointi tekniikoita, on osoittanut, että molekyylitilassaan kasvaimen riittää päätellä sen patologinen tila. Nämä tutkimukset ovat olleet erittäin tärkeitä diagnostiikassa ja ovat parantaneet ymmärrystä tuumoribiologiassa. Kuitenkin niiden merkitys syvällistä ymmärrystä syövän patologis-fysiologia voidaan rajoittaa, koska ne eivät nimenomaisesti otettava huomioon keskeinen asema kudoksen microenvironment täsmentää kasvain fysiologia. Koska on tärkeää normaalien solujen muokkaamisessa kudoksessa microenvironment muotoilemme hypoteesia, että molekyylikomponentit profiilin normaalien epiteelisolujen vieressä kasvain ennustavat kasvaimen fysiologia. Olemme käsitelleet tätä hypoteesia kehittämällä tilastollisia malleja, jotka viittaavat geeniekspressioprofiilien edustavat molekyylitilassaan vierekkäisten normaalin epiteelisolujen kasvaimen ominaisuuksia eturauhassyövässä. Lisäksi verkko-analyysi osoitti, että ennustava geenit liittyvät toimintaan tärkeitä erittyy tekijöitä, jotka voivat mahdollisesti vaikuttaa kasvaimen biologiaan, kuten IL1, IGF1, PDGF BB, AGT, ja TGFp.

Citation: Trevino V, tadesse MG, Vannucci M, Al-Shahrour F, Antczak P, Durant S, et ai. (2011) analyysi Normal-Kasvaimen Tissue Vuorovaikutus Kasvaimet: Prediction of Eturauhassyöpä-toiminnot Molecular profiili Vieressä normaalit solut. PLoS ONE 6 (3): e16492. doi: 10,1371 /journal.pone.0016492

Editor: Diego Di Bernardo, Fondazione Telethon, Italia

vastaanotettu: 04 elokuu 2010; Hyväksytty: 03 tammikuu 2011; Julkaistu: 30 maaliskuu 2011

Copyright: © 2011 Trevino 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: Victor Trevino oli saajan Darwin Trust Fellowship ja CONACyT. Tämä työ on osittain rahoittama avustuksia CRUK (C8504 /A9488), Espanjan tiede- ja innovaatio (BIO2008-04212), GVA-Feder (PROMETEO /2010/001). Kirjoittajat myös kiittää tukea National Institute of Bioinformatics (www.inab.org) ja RTICC (avustus RD06 /0020/1019) sekä aloitteita Instituto de Salud Carlos III (MICINN). Marina Vannucci on osittain tuettu NIH-NHGRI R01-HG003319. 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

soveltaminen funktionaalisen genomiikan teknologiaa ja erityisesti geeniekspressioprofilointi, on antanut tiedeyhteisön työkalut luonnehtia molekyylitilassaan solujen ja kudosten klo genomin tasolla. Nämä teknologiat yhdistettynä kykyyn leikellä tietyn solutyyppejä monimutkaisesta kudoksesta ovat luoneet ennennäkemättömän mahdollisuuden luonnehtia molekyyli identiteetin spesifisten solutyyppien yhteydessä monimutkaisen kudoksen [1]. Tämän lähestymistavan, geeniekspressioprofilointi on sovellettu tuottamaan transkription profiilia kasvainsolujen, jotka ovat ennustavia sekä kasvaimen ominaisuuksia ja kliinisten tulosten erilaisia ​​ihmisen syövissä [2]. Monet genominlaajuisten tutkimukset kuitenkin usein eivät analysoi määrittämisessä otetaan huomioon, että komponentit soluväliaineessa (ECM) (matriisiproteiineista, liukoinen kasvaa tekijät ja kemokiinien) erittämiä normaalit solut, vieressä tuumoripaikkaan, voimakkaasti vaikuttamaan biologia kasvain. Viime aikoina stromasoluja ovat nousseet ensisijainen ehdokkaita pelissä rooli normaaliin-tuumorisolun vuorovaikutus [3]. Nämä solut erittävät useimmat osallistuvien entsyymien ECM erittely, esimerkiksi ne tuottavat kasvutekijöitä, jotka on rooli valvoa kasvainsoluproliferaation, apoptoosin, ja muuttoliike. He myös erittää proinflammatoristen sytokiinien mukana kemoattraktiota ja aktivoimalla tiettyjä leukosyytit ja siksi olla merkitystä määritettäessä tulehdusreaktioita [4]. Kasvutekijöiden ja sytokiinien ovat mukana myös neoplastisten solujen transformointi, angiogeneesi, kasvaimen klonaalinen laajentuminen ja kasvua, läpi ECM, intravasation vereen tai imusuonten ja ei-satunnainen homing tuumorimetastaasin tiettyihin sivustoihin. Monet näistä tekijöistä ovat myös erittävät normaalin epiteelisolujen, immuunijärjestelmän solut ja endoteelisolujen läheisyyteen kasvaimen massan. On myös osoitettu, että strooman voi vaikuttaa vaste kasvaimen hoidon. Itse asiassa, kun läsnä on CD11 + leukosyyttien resistenssin anti-angiogeneesin hoidossa [5].

Lisäksi esikäsittely strooman anti-angiogeneesiä molekyylejä ennen kasvaimen istutuksen hiiren kasvainmalleissa voi paradoksaalisesti lisätä kasvaimen kehittymisen [6], [7]. Tämä osoittaa, että laatu kasvaimen strooman voi vaikuttaa merkittävästi kasvainten kehittymiseen.

merkitys mikro-ympäristön määritettäessä puhkeamiseen ja etenemiseen syövän herää kuitenkin kysymys voi olla mahdollista ennustaa patologis-fysiologia ja kliininen tulos kasvaimen tietyn komponenteista molekyylitilassaan normaalien solujen. Jos mahdollista, me odottaa näiden molekyylien allekirjoituksia ovat tärkeitä komponentteja solu-solu cross-talk mukana täsmennetään syövän kehittymiseen.

käsitellyt tätä kysymystä kehittämällä tilastollisia malleja, jotka perustuvat genomin laaja profilointi normaali viereiseen kudokseen kasvain ja tunnistaa näkökohdat, jotka ovat ennustavia syövän ominaisuuksia.

Olemme analysoineet kaksi eri eturauhassyövän microarray aineistoja saatavilla julkista [8], [9]. Osoitamme, että molemmat aineistot molekyyli- tilasta solujen vieressä kasvain on ennustava kliinisesti merkittävää syövän ominaisuuksia. Nämä reitit ovat informatiivisia molekyyli- allekirjoituksia ja edustavat reittejä mukana tuotannon ja vastaus erittyvän tekijöistä.

Nämä havainnot tukevat Ilmiön merkitystä normaalin kudosbiopsioista diagnosointiin ja ennusteen eturauhassyövän. Tämä lähestymistapa on myös yleisesti sovellettavissa analyysi strategia tunnistaa keskeiset reittejä mukana solusta soluun viestintää.

Tulokset

Tilastollinen mallintaminen luodaan yhteys molekyyli tilan normaalien solujen ja kasvaimen histo-patologinen ominaisuudet

alkuperäistä tavoitetta analyysimme oli testata, onko molekyyli profiilia normaalien solujen ennustaa syövän ominaisuuksia. Me katsottiin aluksi kaksi tärkeitä näkökohtia eturauhasen kasvain fysiologia: järjestäytymisen aste kasvainsolujen määritelty histo-patologinen pisteytysjärjestelmä nimeltään Gleason pisteet, ja kyky syöpäsolujen tunkeutumaan elin kapseli yhteenvetona binäärinen histo-patologinen pisteet nimeltään Kapselipolysakkaridiantigeenin levinneisyys. Taso erilaistuminen kasvainsolujen mittaa taipumusta solujen aggregoitua rauhas kaltaisia ​​rakenteita, jotka muistuttavat organisaatiosta normaalia kudosta. Gleason pisteet voidaan määritellä kahteen pääluokkaan. Ensimmäinen on ominaista matala-asteinen kasvaimia, jotka näyttävät erittäin järjestäytynyt rakenne (kirjeenvaihtaja pisteet alle tai yhtä suuri kuin 6), kun taas toisen luokan on tunnusomaista korkea-asteen kasvaimet soluja, jotka dispergoidaan matriisiin, eivätkä ne osoita taipumusta muodostaen rauhas kaltaisia ​​rakenteita (kirjeenvaihtaja pistemäärä yli tai yhtä suuri kuin 7). Sen sijaan capsular tunkeutuminen kuvaavat sitä, missä määrin solut ovat kiertäneet kapseli joka ympäröi eturauhanen.

analyysi, jonka tarkoituksena yhdistää molekyyliprofiilin normaalien solujen erilaistumisen tasolle (matala vs. korkea eriyttäminen) ja Kapselipolysakkaridiantigeenin levinneisyys (positiivinen vs. negatiivinen). Tämä saavutettiin kehittämällä tilastollisia malleja, jotka perustuivat molekyylitason profiilia normaalien solujen ja ennakoivan näytteen luokkien, erityisesti Gleason pisteet ja kapselimainen levinneisyys.

Tätä varten käytimme kahta eri monimuuttuja mallintamisnäkökulmaan ( GA-MLHD ja BVS menetelmät) ja kaksi riippumatonta aineistoja kehittäneet Singh et al. [9] ja Lapointe et ai. [8]. Kaksi tilastollinen mallintaminen lähestymistapoja on suunniteltu etsimään usean geenin markkereita, jotka maksimoivat ero näytteen luokkiin. Käyttämällä näitä menetelmiä, olemme kehittäneet edustaja malleja, jotka olivat ennustava kasvaimen ominaisuuksia avulla geeniekspressioprofiili normaalien solujen. Luokittelu tarkkuus ja koko näiden mallien olivat verrattavissa niitä kehitettiin käyttämällä molekyyli- tila tuumorisolujen (taulukko 1). Edustavia kehitettyjen mallien kanssa BVS ja GA-MLHD menetelmät edustavat optimaalista ennustavan osajoukot, jotka perustuvat hyvin samanlainen joukko geenejä ja on korkea päällekkäisyyttä geeni- tasolla, mikä viittaa siihen, että tulokset ovat riippumattomia käytetystä menetelmästä (kuvio 1 ja kuviot S1, S2 ja S3). Yhdenmukainen suhteellisen pieni verran päällekkäisyyttä mikrosirun alustojen ( = 8%, katso Data Processing osio teksti S1 lisätietoja), edustaja mallien kehitetty kaksi riippumatonta aineistot eivät geenien yhteistä.

kuvassa lämmön kartat, jotka edustavat ilmentymisen profiili geenien valitsee GA ja BVS mallit sekä Lapointe ja Singh aineistot normaalista kudoksesta tiedot. Jokainen neljänneksessä kuvassa on yhdistelmä mallinnus lähestymistavan ja tietty aineisto. Geenit läsnä GA-MLHD ja BVS saman aineisto on korostettu punaisella. Tarkkuus on raportoitu alla jokaisen lämpökartta. GeneBank- numero ja geenin symboli näkyvät vasemmalla puolella lämpökartta. Kirkkaampi vihreä tai punainen värejä lämpökarttoja edustavat pienempi tai suurempi suhteellinen ilmentymisellä. t-testi, p-arvo on esitetty vertailu ero ilmaisua kriteerejä käytetään yleisesti Yksiulotteisissa muuttujan valinta lähestymistapoja.

tarkempi analyysi suhteellisesta osuudesta yksittäisten geenien näytteeseen erottaminen oli suoritettiin käyttäen pääkomponenttianalyysi (kuvio 2). Tämä lähestymistapa on paljastanut, että geenit osallistuvat solujen viestintä reitit ovat ennustavia Kapselipolysakkaridiantigeenin levinneisyys. Geenissä asetettu valitseman GA normaalissa kudoksessa aineisto, yhdistelmä suurempi geenin ilmentymisen

PRELP

ja alempi geenien

UBE4A

,

ZNF146

normaalissa soluissa oli ennustava kasvaimen Kapselipolysakkaridiantigeenin levinneisyys. Vuonna geeniperimä kehittämä soveltamalla BVS menettelyn normaaliin kudokseen aineisto, korkea ilmaus

PPP2R4

,

PRELP

,

CALLA

,

ISG20L2

oli ennustava kasvaimen Kapselipolysakkaridiantigeenin levinneisyys. Mallit kehitetty Lapointe aineisto osoitti, että alempi ilmaus

OAT

ja korkeampi ilmentyminen

PCGF5

ja

MYCN

että GA malli ja pienempi ilmaus

IGF1

ja

PRAC

ja korkeampi ilmentyminen

PCGF5

ja

CPSF7

ennustavat Kapselipolysakkaridiantigeenin levinneisyys.

kuva esittää tulosta PCA edustaa näytteen erottamisen perusteella ilmaisun normaalissa kudoksessa geenien valitaan mallinnus menettelyjä. Jokainen neljänneksessä kuvassa on yhdistelmä mallinnus lähestymistavan ja tietty aineisto. Jokainen neljännekseen sisältää 2D juoni edustaa erottaminen Kapselipolysakkaridiantigeenin tunkeutuminen negatiivinen (musta sulje ympyrät) ja positiivisen (punaisen lähellä ympyrät) näytteitä (tontteja B, D, F ja H) ja pylväskaaviona (tontit A, C, E ja G) edustava PC kuormitukset (x-akseli) kunkin geenin osan (y-akseli). Huomaa, että PC kuormitukset edustavat panos jokaisen geenin luokan erottamista. Katkoviivat täsmennettiin geenejä suurempien osuus, joista keskustellaan käsikirjoituksen. Geenit läsnä GA-MLHD ja BVS saman aineisto on korostettu punaisella.

Yhteys normaalin ja kasvaimen esitetään tämä analyysi tukee myös yhden muuttujan analyysiin, jonka olemme suorittaa käyttäen laajaa spektri käytettävissä menetelmiä (kuva S4).

erityisyys geenin allekirjoitusten ennustava syövän histo-patologiset ominaisuudet

Vieressä normaalin ja kasvaimen kudokset ovat morfologisesti erilliset. Ne kuitenkin osoittavat jonkin verran molekyyli- samankaltaisuus, joka on osittain seurausta jakavat saman mikro-ympäristössä [10]. Siksi pohti ennustavia malleja olemme kehittäneet normaalien epiteelisolujen edustavat mole- allekirjoitus, joka on spesifinen normaalia kudosta vai ilmentymisen ennustavan geenien tuumorisoluissa voidaan myös ennustaa kasvaimen ominaisuuksia. Ratkaistakseen tämän hypoteesin, otimme geenit valitaan Mallinamme strategioiden normaalista kudoksesta aineistot ja testataan onko niiden ilmaisun kasvain kysymys oli ennustava syövän ominaisuuksia.

Myös haastoi ennusteen tarkkuus mallien kehittyi kasvain tiedot suorittamalla vastaavan vertailun normaalissa aineisto. Molemmissa tapauksissa ennustearvon mallien on lähes 50% (mikä vastaa odotettua tarkkuutta arvaus) (kuvio 3). Tämä analyysi osoittaa siten, että molekyyli allekirjoitukset olemme tunnistaneet ovat spesifisiä kudoksia (normaali tai kasvain) ne on valittu edustamaan.

ennustava tarkkuus kehitettyjen mallien avulla normaalin kudoksen (paneeli A, täytetyt ympyrät ) on verrattavissa malleihin kehitetty kasvainkudoksen (paneeli B, täynnä timantteja). Kun mallit kehitetty käyttäen normaalia kudosta koulutetaan ja testataan tietojen avulla kasvainkudoksen, ennustuksen tehoa pienennetään huomattavasti (tyhjät ympyrät). Vastaavasti kasvainmuodoista koulutettu ja testattu tietojen normaalia kudosta ovat myös ei ennustava (tyhjä ruutu).

Toimivat verkostot liittyvät ennustavan allekirjoituksia tyypillisesti normaaliin epiteelisolujen ilmaisun profiilit sisältävät tärkeitä sytokiini ja kasvutekijä signaaleja

helpottamiseksi biologisen tulkinta geenien edustettuina meidän tilastollisten mallien käytimme IPA analyysin ohjelmisto suorittaa perusteellisen analyysin verkostotasolla. Varmistaakseen analyysimme käsitti koko kirjon mahdollisia ratkaisuja, käytimme syötteenä IPA ohjelmiston luettelo geenien edustettuina kokoelma ennustavia malleja tunnistaa normaalista kudoksesta, jonka GA menettelyä. Nämä kattaa laajemman kirjon ratkaisun tilan suhteen edustavia malleja edellä kuvattu (kuva 1 ja 2) ja edustaa 239 ja 259 geenit Singh ja Lapointe aineistot vastaavasti. Tässä analyysissä keskityttiin kapselipolysakkaridikonjugaatti tunkeutuminen koska sen kliinistä ja prognostiset merkitystä. Verkko-analyysi tehtiin itsenäisesti kahdessa aineistot ja merkittävin verkot (tilastollisesti merkitsevä ja 50% kohdegeenien edustettuna verkossa) valittiin lisäanalyysiä.

Molemmissa aineistoja, ennustava geenejä osa verkot, jotka yhdistävät solunulkoisen molekyylejä kuten proinflammatoristen sytokiinien

IL1B

, pro-metastasoitunut kemokiinien

CX3CL1

ja

CCL20

ja kasvutekijöiden

IGF1

,

TGF

ja

PDGF BB

kanssa aktiivisuutta ydin- transkriptiotekijöiden

NFKB

,

HF4A

,

TP53

ja

MYC

.

Kuva 4 kuvaa merkittävimpiä verkot tunnistetaan IPA soveltaminen edustaja mallien perusteella molekyylitilassaan normaalien solujen ja ennakoivan kapselipolymeerien levinneisyys Lapointe et al . aineisto (katso taulukko S2 täydellinen luettelo merkittävistä verkkojen tunnistaa IPA). Kuvio 4A esittää verkon, jota edustaa vuorovaikutuksen pro-inflammatoristen sytokiinien

IL1B

ja transkriptiotekijä

NFKB

. Kuva 4B-D edustavat kolmea toisiinsa aliverkot, joihin liittyy vuorovaikutusta useiden kasvutekijöiden geenien ja transkriptiotekijöiden P53 (

TP53

) ja C-MYC (

MYC

). Tarkemmin sanottuna, kuvio 4C muodostavat verkoston lukien kasvutekijät

IGF1-

, sen reseptori

IGF1 R

ja

PDGF BB

. Kuvio 4B esittää vuorovaikutus solunulkoisen tekijöiden angiotensiini (

AGT

), kasvutekijän

TGF

ja Notch-reseptorin ligandin Jagged (

JAG

). Kuva 4D toisaalta edustaa geenejä, jotka ovat joko suoraan tai epäsuorasti liitetty transkriptiotekijä c-myc (

MYC

).

Kuvassa edustaa neljä merkittävin verkkojen valitsemien IPA ohjelmisto. Geenit edustaa sininen muodot ovat läsnä kokoelma mallien keräämien GA-MLHD menettely. Geenit edusti punaisella muodot edustavat geenien kokoelma mallit, mutta myös mukana edustaja eniten ennustavia malleja. Geenit verkkoihin on järjestetty solusijaintipaikan (ekstrasellulaarinen, kalvo, solulimaan ja ydin). Huomaa, että IPA ohjelmisto etsiä tilastollisesti merkittäviä aliverkkoja tietyn maksimikoko yksinkertaistaa niiden visualisoinnin. Kuitenkin tässä tapauksessa nämä ovat sidoksissa kuten osoitetaan punaisella katkoviivoilla yhdistävät tietyn verkon osia.

Neljä parasta Merkittävimmät verkot tunnistaa Singh aineisto (kuva S5) edustavat geenejä kytketty samaan sytokiinien ja kasvutekijät yksilöity Lapointe aineisto. Tämä mielenkiintoinen havainto viittaa siihen, että huolimatta rajallinen määrä päällekkäisyyttä geenin tasolla, mallit johdettu kahdesta aineisto voi edustaa toiminnallisesti samanlainen molekyyli verkoissa.

Expression of ennakoivaa sytokiinien, kasvutekijöiden ja niiden reseptorien Eturauhassyöpä etenemistä

parantamiseksi ymmärrystä biologista merkitystä IPA verkkojen olemme analysoineet geenien ilmentymistä eri vaiheissa eturauhassyövän etenemistä. Keskityimme tutkimuksessa pienessä määrässä 20 geenien edustavat erittyvän tekijät sisältyvät IPA verkkoihin ja niiden reseptorien (taulukko S3).

tarkoitus rajoittaa häiriöitä stroomasolujen epäpuhtauksia, valitsimme aineisto edustavat mikrosiruanalyysi seitsemän eri normaalin ja kasvaimen epiteelisolujen populaatiot, puhdistetaan laser-capture mikro-leikkely (LCM) raportoineet Tomlins et al. [11]. Näihin sisältyvät, normaalit eturauhasen solut puhdistettiin tervettä eturauhanen (Nor), normaalit solut eturauhasen hyvänlaatuisen liikakasvun (BPH), normaalien solujen vieressä kasvain (adj), syöpäsolujen eturauhasen epiteelinsisäisen neoplasia (PIN), syöpäsolujen huono laatu prostatakarsinoomassa (L-PCA), tuumorisolut korkealuokkaisesta prostatakarsinoomassa (H-PCA) ja syöpäsolujen eturauhassyöpäetäpesäkkeet (Meta).

Hypoteesimme että koska 20 geenit valitsimme sisällytettiin malleja prediktiivisille kasvaimen capsular tunkeutuminen, ne voidaan myös ilmentyvät eri aikana eturauhassyövän etenemistä. Testasimme tätä olettamusta vertaamalla seitsemän LCM solupopulaatioiden. Havaitsimme, että yllättävän suuri osa näistä geeneistä oli ilmennetty eri (75% p

0,001

ja 95%

p 0,05

) (taulukko S3, kuvio 5, S7 ja S8). Lisätukea merkitystä geenin ilmentymisen allekirjoitus olimme tunnistettu tuli havainto, että kaksiulotteinen klusterin analyyseissä käyttäen matriisi ero geeniekspressioprofiilien (keskiarvo lauseke kullekin ryhmälle), kertasi odotettavissa suhdetta eri vaiheissa kehittäminen eturauhassyövän (kuvio 5A). Tarkemmin, normaali solupopulaatioiden ryhmitelty yhteen seuraa PIN ja klusterin L- PCA ja H-PCA. Metastaattista solun ryhmä ryhmittyneet syrjään.

luku ilmoittaa analyysin tulokset suoritetaan aineisto kehittänyt Tomlins et al. [11]. Eri solujen populaatiot merkitty seuraavasti. Normaalit solut (norm), normaalien solujen vieressä kasvain (adj), eturauhasen hyvänlaatuisen liikakasvun (MPH), huono laatu eturauhasen syöpä (L-PCA), korkea-asteen prostatakarsinoomassa (H-PCA) ja metastaattinen soluja (meta). Paneeli A esittää kaksiulotteisen klusterianalyysillä suoritetaan geenit ilmentyvät differentiaalisesti (

p 0,01

) yli seitsemän LCM puhdistettiin normaalin ja kasvaimen epiteelisolujen populaatioissa. Paneeli B edustaa ilmentymistason (y-akseli) geenien differentiaalisesti ilmaistuna välillä normi, vierekkäisten ja BPH (edustaa y-akselilla). Tasot yksittäisten geenien kaikkiin vaiheisiin on esitetty paneelien CF ja kuvassa S8.

Merkityksellistä ymmärtämiseksi biologinen perusta ennusteita normaalien solujen allekirjoitus on havainto, että normaalit solut vieressä kasvain osoittivat merkittäviä eroja suhteessa normaaleihin soluihin ja BPH (kuvio 5B). Viisi geenit (

IL1R, LOX

ja

TGFBR, CX3CL1

ja

Cyr61

) on ilmennetty eri välillä kolmen populaation normaalien solujen. Tarkemmin sanottuna, normaalien solujen vieressä kasvain (Norm) on tunnettu siitä, että alempi ilmentyminen tuumorisuppressorigeenin

LOX

, reseptorit interleukiini 1 (

IL1R

) ja

TGF

(

TGFBR

) ja suuremman ilmaus pro-kasvain geenien

Cyr61

ja

CX3CL1

.

jälkeen tutkittiin ilmaus yksittäisten geenien poikki eri vaiheissa syövän etenemisen suhteen verkkoihin tunnistetaan IPA ohjelmisto (kuva 4).

sytokiini

IL1B

, tunnistetaan IPA analyysin sidoksissa aktivointi pro etäpesäkkeitä kemokiinien

CX3CL1

ja

CCL20

(kuvio 4A), oli ajan säännelty kasvainsolupopulaatioissa PIN ja H-PCA (kuvio 5A, ja 5C), kun taas ilmaus

IL1R1

, jonka välittämää aktiivisuutta

IL1B

, seuraa vastakkainen suuntaus (kuvio 5A, B ja C). Pro-metastasoitunut kemokiini

CX3CL1

ilmaistiin korkeammalla tasolla viereisen solun väestön suhteen PIN, L-PCA ja H-PCA mutta ei Meta soluissa (kuvio 5E). Ilmaus

LOX

geenin havaittiin korkeampi kaikissa kasvainsolupopulaatioissa suhteessa viereisiin ja normaalien solujen (kuvio 5F), sopusoinnussa sen kanssa, että korkeampi ilmentyminen

LOX

on liitetty hypoksia indusoimaan etäpesäkkeitä rintasyövän, pään, kaulan syöpiin [12], [13].

ilmentyminen

AGT

,

TGFb

ja

JAG1

liittyivät eri IPA-verkon (kuvio 4B). Ilmentyminen Angiotensinogeeni (

AGT

) on korkeampi viereisissä soluissa verrattuna PIN, L-PCA ja H-PCA taas

JAG1

seuraa päinvastainen suuntaus (säädeltiin viereisissä soluissa suhteen L -PCA, H-PCA ja Meta). Jos angiotensinogeenit tuotetaan korkeammalla tasolla vierekkäisissä soluissa yhdessä aktivoimalla entsyymejä, jotka muuntavat tuote

AGT

geenin angiotensiini II (

ACE

) on sen sijaan suurempi PIN ja L-PCA , mikä kuvaa potentiaalisia käytettäväksi tuumorin soluja alemmilla vaiheissa eturauhasen syövän kehittymisen. Havainto, että

AGT

ja

JAG1

on vastakkaiset suuntaukset tukee oletusta, että

AGT

voi tukahduttaa ilmaisun

JAG1

(kuva S8 paneelit E ja F). Tämä yhteys on raportoinut IPA ohjelmisto (kuva 4B), mutta tukivat endoteelisolujen kulttuurin kokeellinen malli [14]. Nämä tulokset ovat sopusoinnussa hypoteesin, että tämä mekanismi voi myös olla merkitystä eturauhassyövässä.

Kolmas IPA verkko edustaa vuorovaikutusta kasvain edistäviä tekijöitä

IGF1-, PDGF BB

ja

Cyr61

(kuvio 4C). Vaikka ilmaus

PDGF

on vakio kaikissa solupopulaatioissa, sen reseptori (

PDGFR

) on korkeampi H-PCA ja Meta solupopulaatioiden verrattuna viereisiin soluihin. Ilmaisu on

Cyr61

on suurempi viereisissä soluissa kunnioittaa PIN ja Meta solupopulaatioiden (kuvio S8).

Keskustelu

Olemme osoittaneet, että normaali epiteelisolujen allekirjoitukset ovat ennustavia tärkeitä ominaisuuksia eturauhassyövän. Tämä havainto on mahdollista kliinistä merkitystä, koska se voi ehdottaa, että molekyylitilassaan normaalien solujen on ennusteen arvioinnissa. Molekyylitasolla, verkko-analyysi on paljastanut, että meidän lähestymistavalla on mahdollista tunnistaa geenien taudin synnyssä. Näihin kuuluu tärkeitä geenejä, jotka koodaavat sytokiineja ja kasvutekijöitä ilmaistaan ​​normaalin epiteelisolujen ja tiedetään vaikuttavan biologian kasvain.

Cytokine indusoiman pro-metastaattisen kemokiinit

verkko on esitetty kuviossa 4A