Krooninen sairaus

tiivistelmä

biomarkkerit ennustetekijöitä peräsuolen syöpä (CRC) olisi hyvin toivottavaa kliinisessä työssä. Jotka säätelevät sappihappoja (BA) homeostaasin, linkittämällä metabolinen anturit ja metabolisia entsyymejä, joita kutsutaan myös silta proteiinit, voi olla luotettava prognostisia biomarkkereita CRC. Perustuu kehitetty metrinen, ”bridgeness” tunnistimme silta proteiinien säätelyyn osallistuvan BA homeostaasin ja tunnistaa niiden ennustetekijöiden mahdollisuuksia. Ilmaisu kuviot Näiden sillan proteiineja voitiin erottaa normaali ja sairaiden kudosten, mikä viittaa siihen, että nämä proteiinit liittyvät CRC synnyssä. Käyttämällä valvottu luokitusjärjestelmä, huomasimme, että nämä silta proteiinit olivat toistuvasti prognoosi-, jossa ennustearvo kyky verrattuna muihin tunnettuihin merkkiaineita.

Citation: Lee S, Lee K, Yoon S, Lee JW, Lee D (2014 ) poikkeamat Network Bridges Osallisena Sappihappoja Metabolism Ennakoi Outcomes of peräsuolen syövän Potilaat. PLoS ONE 9 (9): e107925. doi: 10,1371 /journal.pone.0107925

Editor: Antonio Moschetta, IRCCS Istituto Oncologico Giovanni Paolo II, Italia

vastaanotettu: 27 maaliskuu 2014; Hyväksytty: 18 elokuu 2014; Julkaistu: 26 syyskuu 2014

Copyright: © 2014 Lee et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Data Saatavuus: Tällä kirjoittajat vahvistavat, että kaikki tiedot taustalla olevat havainnot ovat täysin saatavilla rajoituksetta. Aineistot noin geeniekspressioprofiilien käytetyt ovat saatavilla GEO (Marisa et al., Liittyminen = GSE39582, Sheffer et al., Liittyminen = GSE41258, Calon et al., Liittyminen = GSE39397). Tietoaineisto noin ihmisen metabolisia entsyymejä on saatavana täydentävä tiedot Hao et al., Paperi: Hao et al., ”Lokerointi Edinburghin Human Metabolic Network”, BMC Bioinformatics, 2010, 11: 393. Tietoaineisto noin ihmisen koko-kudos geeniekspressioprofiilien on saatavissa BioGPS tietokannasta (URL: https://biogps.org/downloads/). Tietoaineisto noin ihmisen proteiini-proteiini vuorovaikutusten saa HPRD (URL: https://www.hprd.org/download). Proteiini-DNA vuorovaikutuksia (TF-kohdegeenin vuorovaikutuksia) alkaen Transfac tietokannasta olisi hyväksyttävä BIOBASE GmbH.

Rahoitus: Tätä työtä tukivat avustusta NIH (DK064678 on J.W.L.). K. L. tukivat Basic Science Research Program kautta National Research Foundation of Korea (NRF) rahoittama opetus-, Science and Technology (NRF-2013R1A2A2A04013317). D. L. tukivat avustuksia Korea Health Technology R ja myös Bio-Synergy Research Project (NRF- 2012M3A9C4048758) on tiede, ICT ja tulevaisuus suunnittelu kautta National Research Foundation. 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

peräsuolen syöpä (CRC) on kolmas johtava syy syöpäkuolemista maailmanlaajuisesti, jossa 746000 henkilöt kuolevat tähän tautiin vuonna 2012 [1]. Prognostiset biomarkkerit paranisi hoitostrategioita riskien stratifications [2]. Tähän mennessä kuitenkin vain harvat indikaattorit potilaan ennusteeseen on tunnistettu, mikä estää valinta ja ajoitus adjuvanttihoito varten korkean riskin potilailla.

Prognostiset biomarkkerit pitäisi olla mekaanisesti merkitystä tautien synnyssä. Vaikka nykyinen data-driven ilmaisu allekirjoitusta, jossa geeniekspressiomalleja ovat korreloi voimakkaasti potilaan ennusteeseen, ovat osoittaneet huomattavia ennustetekijöiden kyky, ne eivät ole osoittaneet oleva mekanismi ja siten peitetty oikea hoitotoimenpiteiden [3]. Biologiset hypoteesit ovat tarjonneet priori näyttöä mekanistinen merkitys [4], mutta nykyiset kohdennetut hypoteesia perustuvaa lähestymistapaa todennäköisesti menetä lukuisia geenejä, jotka liittyvät biologiseen hypoteeseja, edellyttävät uusia vaihtoehtoisia lähestymistapoja löytää monia hypoteeseja asiaa geenejä.

Sappihappoja (BA) ovat syöpää [5], [6], runsasrasvaisten ruokavalion moduloiva BA homeostaasiin ja muuttanut tasoja BA johtaa CRC synnyssä. Esimerkiksi BA täydennetty ruokavalio hiirillä on osoitettu indusoivan CRC suoraan, mikä viittaa siihen, että BA ovat syöpää [7]. Vaikka BA johtaa CRC synnyssä, BA ei hyödyntää käytännön markkereita. Tällä in vivo tasot, he olivat heikkoja ja indistinctive sairastavien potilaiden välillä CRC ja verrokkia eri tutkimuksissa [8] sittemmin muuttuneet BA tasot ravinnonotolla ovat väliaikaisia ​​ja heikko, joten vaikea havaita. Poikkeavuuksia säätelevien geenien solujen BA homeostaasin ovat enemmän määrätyn tekijöiden kehittämiseksi CRC.

proteiinit osallistuvat säätelyyn homeostaasin paitsi BA vaan kaikki aineenvaihduntatuotteet ovat myös aineenvaihdunnan antureita ja metabolisia entsyymejä. Metabolinen anturit tunnistavat metabolisen tiedot aikana sääntelyä homeostaasin ilmaisemalla Solunsisäiset aineenvaihduntatuotteiden [9] – [11]. Esimerkiksi farnesoid X-reseptori (FXR, joka tunnetaan myös NR1H4) tason ilmaisemiseksi solunsisäisen BA, jossa tämä tieto hyödynnetään aikana säätelyyn solujen BA homeostaasin. Metabolinen entsyymit katalysoivat reaktioita aineenvaihduntatuotteiden, muuttamalla niiden solunsisäisiä tasoja. Poikkeavuuksia nämä anturit ja entsyymit siis muuttaa BA homeostaasin [12], [13] ja lopulta vaikuttaa CRC synnyssä. Esimerkiksi geenivirheitä BA säännellä entsyymien tai anturi proteiineja havaittiin johtavan CRC synnyssä [14], [15]. Kuitenkin, nämä geenit olivat myös ei prognostisia markkereita vähäisen mutaatioiden ilmaantuvuutta CRC.

Mielenkiintoista on, muita tekijöitä, jotka eivät ole metabolisia antureita eikä entsyymejä osoitettu moduloivan BA homeostaasin [16]. Vaihtoehtoisena tunnistaa luotettavasti prognostisia markkereita, me arveltu, että nämä tekijät voivat välittää tietoa metabolisen tilan välillä metabolisen anturit ja entsyymejä, toiminnallisesti yhdistää nämä kaksi luokkaa molekyylejä. Nämä tekijät, kutsutaan silta proteiineja, voi toimia luotettavana prognostisia markkereita potilailla, joilla on CRC, koska poikkeavuuksia näitä proteiineja häiritsisi toimituksen metabolisen tieto ja asianmukainen sääntely BA homeostaasin. Nykyinen lähestymistapojen olisi tehoton hyvää rele proteiinien sanottuna metabolisia antureiden ja entsyymejä, johtuu suurelta osin puute kvantitomtimenetelmä rele aste proteiineja. Järjestelmällisiä lähestymistapoja, käyttäen tietoa tunnettuja molekyylien vuorovaikutusten ja proteiinien yhdistää anturit ja entsyymit voivat tunnistaa ja erottaa silta proteiinien sekaantunut solusignaloinnissa verkoissa.

Tässä ehdotamme verkkopohjainen lähestymistapaa, jossa yksilöidään ennustetekijöitä markkereita keskuudessa proteiinien ratkaisevassa asemassa mahdollisesti yhdistää anturit ja entsyymien BA aineenvaihdunnan, jotka liittyvät tunnettuihin biologisiin hypoteesi. Nämä proteiinit, kutsutaan silta proteiineja, voidaan arvioida systemaattisesti perustuu tietoa molekyylivuorovaikutusten tallennettu useita tietokantoja. Tätä varten olemme määritelleet ”bridgeness” metrinen edustava asteita yhteys antureiden ja entsyymejä, ja ehdottaa avain silta proteiineja verkko markkereita ennusteen potilailla, joilla on CRC. Käyttämällä tätä ”hypoteesi-aloitettu” lähestymistapa, me määritetty joukko markkereita, jotka voisivat paremmin ennustaa tuloksia potilailla, joilla on CRC kuin aiemmin tunnistettu ennustetekijöitä markkereita. Verkko-pohjainen tutkimus biomarkkereiden perustuu niiden bridgeness ominaisuus voi tunnistaa ennustetekijöiden biomarkkereita sekaantuneet matkapuhelinverkoissa.

Tulokset

silta verkkojen ja silta proteiinien sappihappoja aineenvaihduntaan

verkko-pohjainen lähestymistapa tunnistettu 50 silta proteiineja luotettavana ennustetekijöitä markkereita (taulukko S1). Kärkipään silta proteiinit sisältyvät peroksisomiproliferaattoreilla aktivoituvan reseptori gamma, koaktivaattorikompleksien 1 alfa (PPARGC1A), hnf4a (HNF4A), glykogeenisyntaasikinaasi 3 beta (GSK3b), retinoidi-X-reseptori-gamma (RXRG), kaspaasi 8, apoptoosin -aiheiset kysteiini peptidaasi (CASP8), CREB sitova proteiini (CBP), peroksisomiproliferaattoreilla aktivoituvan reseptori-alfa (PPARa), p53 (joka tunnetaan myös nimellä TP53), E1A sitovan proteiinin p300 (EP300) ja retinoidi-X-reseptori-alfa (RXRA). Erityisesti RXRA muodostaen heterodimeerin kanssa BA anturi, FXR, osallistuu sääntely BA homeostaasin [17]. Myös p53 säätelee BA homeostaasin linkittämällä välillä BA anturin ja BA entsyymejä, mikä epänormaali BA kerääntymistä sen vika [16], [18]. Samoin jotkut silta proteiineja, jotka toimivat säätelyssä BA homeostaasin on koottu taulukkoon S2, joissa ilmenee, että silta proteiineja, vaikka ne ovat laskennallisesti valittu, voivat osallistua sääntelyn BA homeostaasiin.

tutkia näitä silta proteiineja, rakensimme viittaus verkon BA aineenvaihduntaa (kuvio 1), joka on verkko, joka koostuu metabolisen anturit, metabolisia entsyymejä ja proteiineja yhdistää anturit ja entsyymejä. Pivotal silta, jotka säätelevät tietty metaboliatiet tutkittiin ensin integroimalla aikaisempaa tietoa ja interactome tiedot. Tähän mennessä 53 entsyymit, mukaan lukien kuljettajat, on raportoitu osallistuvan BA aineenvaihduntaa ja tallennetaan EHMN tietokannassa (taulukko S3) [19]. Kuten havaitaan BA ja säädellä tasoa muuttamalla loppupään väyliä BAS, FXR on todettu in vivo ja in vitro -tutkimuksissa olevan anturin BA [11]. Aikaisempien tietojen perusteella ja tietokanta, anturi ja entsyymit sisällytettiin BA sillan verkkoon. Laajamittainen interactome tiedot tietokannoista, kuten HPRD [20] ja Transfac [21], yhdistettiin proteiinien tunnistamiseksi, jotka viittaavat anturit ja entsyymejä (kuvio 1 B). Olemme havainneet, että 10805 tai geenituotteiden olivat vastuussa 110741 vuorovaikutus; Näiden geenituotteiden, poimimamme vain anturit, entsyymit ja niihin liittyvät väli- proteiineja. Kaikki proteiinit vastaavat suorat ja epäsuorat vuorovaikutukset antureiden ja entsyymit katsottiin, jossa välivaiheen proteiinin ollessa mahdollinen silta proteiinia.

Yleinen prosessi verkon rakentamisen on kuvattu (B-E). (A) rakenne sillan verkosto muodostuu aineenvaihdunnan anturin (punainen), metabolinen entsyymi (sininen) ja sillan proteiini (harmaa). Metabolinen entsyymit katalysoivat reaktioita aineenvaihduntatuotteiden. Metabolinen anturit havaitsevat Solunsisäiset metaboliitteja. Bridge proteiinit viittaavat metabolisen antureita ja metabolisia entsyymejä. (B) integrointi mahdollisista yhteisvaikutuksista antureiden ja entsyymejä käyttäen proteiini-proteiini vuorovaikutusten (PPI) ja proteiini-DNA vuorovaikutuksia (PDI). Tiedot anturit ja entsyymejä kerättiin julkaistuista tutkimuksista ja tietokantoja. (C) asettamaan rajoituksia solmut ja reunat integroidun verkon. (D) Lopullinen viittaus verkko tunnistaa silta proteiineja. (E) valinta silta proteiinien viiteverkko niiden bridgeness tulokset.

rajoitteet myöhemmin kannetaan sekä proteiinien ja niiden vuorovaikutusta tarkastelemalla kudosspesifisen yhteydessä aineenvaihdunnan (kuvio 1 C, materiaalit ja menetelmät). Huolimatta runsaasti tietoa laajamittainen interactome data voi olla valinnan harhat ja kudosspesifisiä vaihteluita. Tämän seurauksena asetetaan rajoituksia, saimme lopullisen viittaus verkon 63070 reunat ja 7011 solmut, anturit ja entsyymejä, jotka muodostavat 23 solmua (kuvio 1D, katso kuvio S1 Lopullisessa viite-verkko).

From viittaus verkko, valitsimme silta proteiineja, joukossa väli proteiineja, että parempi yhteys BA antureita ja BA entsyymejä, käyttäen ”bridgeness” metrinen, olettaen että erittäin yhdistävät proteiinit kriittisesti säätelevät BA homeostaasin kautta toimittamalla metabolisen tiedot (kuvio 1 E, Methods). Verrattuna muiden centralities, kuten aste, läheisyys ja betweenness centralities (katso teksti S1), menetelmämme oli paremmin keskittyä tiettyyn proteiiniin yhteydet tietyissä polkuja välillä anturit ja entsyymejä, riippumatta kytköksiä muissa riippumattomat polut verkossa . Kuten odotettua, paikallisesti tiheä proteiinien joukossa polkuja BA antureiden ja BA entsyymit vaikuttavat merkittävästi sääntelyn BA aineenvaihduntaa; Näin ollen, nämä proteiinit voivat liittyä CRC karsinogeneesiin. Siksi keskityttiin ennustetekijöiden potentiaalia sillan proteiinien korkean bridgeness tulokset.

Biologiset ominaisuudet bridge proteiinien

Ennen tutkimalla niiden ennustetekijöiden mahdollisuuksia, tutkimme biologisia ominaisuuksia sillan proteiineja, jotka laskennallisesti valittu by bridgeness arvosanat CRC. Ensin tunnistetaan ekspressiomalleja sillan proteiinien upotettu CRC; tutkimme erottelevia kaavoja silta-proteiinit transcriptomic tasolla, käyttäen geeni-ilmentymisen profiilit CRC potilailla, kuten aiemmin on kuvattu [22]. Käyttämällä univariate Student

t

-testaukset, tarkistimme kyky yksittäisten sillan proteiinien erottamiseksi normaalin paksusuolen (

N

= 54) ja ensisijaisen CRC kudosnäytteistä (

N

= 186) on transcriptomic tasolla. Top-50-proteiineja, 42 (84%) oli merkitsevästi erotteleva (kaksipuolinen

P

0,01). Gene ontologia rikastaminen analyysi näistä 42 proteiineja paljasti, että suurin osa rikastuneet termejä kuten ”sääntely transkription RNA-polymeraasi II promoottori” ja ”transkription säädin toiminta”, jotka liittyvät sääntelyn rooleja solun prosessit (taulukko S4). Ne myös rikastuneet CRC patogeenisten reittiin liittyviä termejä, kuten ”kanoninen Wnt signalointireitin agonisti” ja ”ak- siini-APC-beeta-kateniinin-GSK3b monimutkainen”, mikä viittaa siihen, että kyseiset sillan proteiineja CRC synnyssä.

Seuraavaksi verrattiin p-arvo jakaumat i) sillan proteiinit, ii) anturin ja entsyymin, ja iii) yhdistetty ryhmä i) ja ii) (kuvio 2). Verrattuna taustalla jakauma p-arvot yleistä geenituotteita havaittiin microarray (

N

= 12752), p-arvo jakelun yhdistetyn ryhmässä oli jokseenkin oikea-siirtynyt (Kolmogorov-Smirnov (KS) testi, yksipuolinen

P

= 7,89 x 10

-2). Kun kuitenkin keskitytty vain sillan proteiineihin, ne osoittivat korkea tilastollinen merkitys KS testissä (

P

= 2,93 x 10

-3), mikä osoittaa, että erotteleva voima sillan proteiineja, klo transcriptome taso, oli merkittävästi suurempi kuin yleinen geenituotteiden mikrosirulla. Mielenkiintoista, anturi ja entsyymiproteiineja osoittivat samanlaisia ​​jakaumat suhteessa taustan (

P

= 0,812), mikä osoittaa, että anturi ja entsyymi proteiinit ovat vähemmän tietoa kuin silta proteiinien erottamiseksi normaalin ja sairaan paksusuolen kudoksiin.

(A) p-arvo jakaumien (i) anturia, entsyymi ja silta proteiinit (S + E + B), (ii) anturi ja entsyymiproteiineja (S + E) ja (iii) silta proteiinit (B). (B) vertailu näiden p-arvo jakaumat tausta p-arvo jakelun. Tilastollinen merkitys tasot siirtynyt p-arvo jakaumat määritettiin yksipuolinen Kolmogorov Smirnov testit.

tutki myös top-50 silta proteiinit ovat toteutettavissa useita valintoja näytetään korkea tilastollista merkittävyyttä. Siksi verrattuna p-arvo jakaumia valinnat eri määriä sillan proteiineja käyttäen KS-testi. Ylimmän 50 silta proteiinit osoitti alimman p-arvo tämän vertailun (kuva S2), jossa tilastollisen merkityksen valitun sillan proteiinien on alempi. Siksi olemme keskittyneet top-50 silta proteiinien tarkempaa analyysiä. Olemme myös muita rajoitteita käytetään verkon rakentamisen samalla tavalla (kuva S3).

vieressä verrattiin erotteleva voima valitaan sillan proteiinien eri verkkojen kautta monimuuttuja luokittelu (kuvio 3A) (Katso tarkemmat prosessin Materiaalit ja menetelmät). Syntyvä verkkojen vertailut olivat: (i) silta verkko kehittynyt BA aineenvaihduntaa, (ii) silta verkko kehitetty glukoosiaineenvaihdunnan (eli glykolyysin-reitti) ja (iii) koko proteiini verkkoon ilman eristämistä antureiden ja entsyymit tietyissä metaboliareittiä. Vertasimme myös satunnaisesti valitun proteiineja riippumatta niiden vuorovaikutusta. Glykolyysivaiheen valittiin verrattuna BA aineenvaihdunnan vuoksi sen merkitystä yhteisen syövän etenemisessä [23], [24]. Kuten odotettua, erotteleva voima BA silta verkko edustaa transcriptome taso ylitti jonkin Glykolyysivaiheen silta verkossa, koska Glykolyysivaiheen ei ole erikseen mukana CRC. Kyky komponenttien BA sillan verkko luokitella näyte normaalisti paksusuolen tai ensisijainen CRC kudoksen (kuvio 3B) oli huomattavasti suurempi kuin satunnaisesti valitun geenin tuotteita. Sen sijaan komponentteja muissa verkoissa, mukaan lukien osallisena Glykolyysivaiheen, oli yhtä suuri tai hieman ylittänyt satunnaisesti valitun geenituotteita erotteleva kyky. Eli vain geeniekspressiotasot sillan proteiinien valitaan BA sillan mukainen verkko bridgeness oli informatiivinen erottamisessa normaalin paksusuolen ja CRC.

(A) Yleinen prosessi monimuuttujaisesta luokitusten ominaisuuksia käyttäen sillan proteiineja eri verkoissa. Lajittelun jälkeen silta proteiinien niiden bridgeness (), piirteet poimittiin kumulatiivisesti peräisin kärkipään silta proteiinit (). Näytteet myöhemmin luokiteltu kumulatiivisesti valituista ominaisuuksista ja lasketaan luokitus tarkkuuksia (). (B) tarkkuudet luokitusten välillä normaalin paksusuolen ja ensisijainen CRC kudoksiin. Sillä luokituksia, silta proteiinit saatiin (i) sappihapon silta verkko (punainen), (ii) Glykolyysivaiheen silta verkko (keltainen) ja (iii) koko proteiini verkko (violetti). Luokittelu tarkkuudet laskettiin myös käyttäen satunnaisesti valitun proteiineja (mustaa), 95%: n luottamusväli (harmaa) keskimääräisestä luokittelusta tarkkuudet toistuvia satunnaisia ​​valintoja (C) tarkkuudet luokitusten välillä normaalin paksusuolen ja polyyppien kudoksiin. (D) tarkkuudet luokitusten välillä polyyppi ja ensisijaisen CRC kudoksissa.

tutki CRC vaiheessa ekspressio malleja valittujen sillan proteiineja. Useimmat satunnaista CRC kehittää normaalin paksusuolen kautta adenomatoottisen polyypit, sekvenssin kanssa, johon kertynyt geneettinen poikkeavuuksia vaiheittain [25]. Tunnistaa vaiheessa erityisiä vaihtelut silta proteiineja, suoritimme monimuuttuja luokitukset normaalin kaksoispisteet ja adenomatoottisten polyyppien välillä polyypit ja ensisijaisen CRC. Löysimme huomattavaa vaihtelua geeniekspressioiden sillan proteiinien välillä normaalin kaksoispisteet ja polyypit (kuvio 3C ja D). Nimittäin, silta liittyvien proteiinien BA aineenvaihdunta vaihteli merkittävästi vuoden alkuvaiheessa CRC synnyssä, mikä viittaa siihen, että nämä silta proteiinit voivat olla aloitteentekijöitä CRC kasvaimien syntyyn. Olemme myös havainneet, että silta proteiinien BA aineenvaihduntaa ja glykolyysiin näytteillä käänteinen kuvioita välillä polyyppien ja ensisijaisen CRC, osoittaa heikompaa, mutta huomattavia vaihteluja aikana myöhemmässä vaiheessa CRC synnyssä, ikään kuin nämä muutokset olivat seuraajat CRC kehitys (kuvio 3C ja D). Yhdessä nämä havainnot osoittivat, että silta proteiinien BA aineenvaihduntaa ja glykolyysiin käyttäytyivät commutatively aikana CRC etenemisen.

Lisäksi käyttämällä koulutusjakson rikastamiseen testejä, havaitsimme muita merkityksellisiä biologisia ominaisuuksia sillan proteiineja. Bridge proteiinit osallistuvat BA aineenvaihduntaan rikastuneet CRC liittyviä reittejä, kuten Wnt (Kegg ID: hsa04310; vääriä löytö korko-oikaistu, hypergeometrisen

P

= 4,47 x 10

-5), CRC ( Kegg ID: hsa05210;

P

= 2.80 x 10

-5) ja yleisin syöpä (Kegg ID: hsa05200;

P

= 6,94 x 10

-10) väyliä ( Taulukko S5). Tämä havainto osoittaa, että useimmat silta proteiinit ovat osallisena CRC synnyssä liittyviä reittejä ja on mahdollista edistää CRC läpi näitä reittejä. Siten ominaisuudet määritetään syrjiviä malleja ja rikastamiseen testit osoittavat, että silta proteiinit valitsemat bridgeness liittyvät CRC synnyssä.

Potential of silta proteiinien ennustetekijöitä markkereita

arvioimiseksi ennustetekijöiden kykyä computationally- valitut silta proteiineja, arvioimme niiden ekspressiokuvioita potilailla on luokiteltu on hyvä tai huono ennuste. Ensin ryhmitelty potilaita ilman valvontaa tavalla, joka perustuu yhtäläisyyksiä ilmaisun kuvioita, ja verrattiin selviytymisen tuloksia potilailla klustereissa. Yhteensä 178 potilasta aikaisemmista aineisto [26] koottiin kolmeen alaryhmään käyttäen hierarkkinen klusterointialgoritmi: BA-m1 (

N

= 106), BA-m2 (

N

= 28) ja BA-m3 (

N

= 44) (kuvio 4A). Kaplan-Meier-menetelmää ja log-rank-testi osoitti, että yksi kolmesta potilasalaryhmissä, uusiutumisen elinaika oli merkittävästi erilainen, mikä osoittaa niiden merkittävää ennustetekijöitä potentiaali (

P

= 2,37 x 10

-3 ) (kuvio 4B). Sitten, arvioimme prognostisia mahdollisten muiden tunnettujen ilmentymisen-allekirjoituksen markkereita samalla tavalla. Käyttäen ilmaisua malleja geenien valittu Wang et al [27] ja ColoPrint [28], me luokitellaan potilaat kolmeen alaryhmään ja verrata selviytymisen tulosten kesken niiden alaryhmien (ColoPrint n alaryhmää: col-m1 (

N

= 20) , col-m2 (

n

= 1) ja col-m3 (

n

= 157); Wangin alaryhmää: Wang-m1 (

n

= 19), Wang -M2 (

N

= 3) ja wang-m3 (

N

= 156)). Tämän seurauksena potilasalaryhmissä ryhmittyivät ColoPrint geenit voidaan erottaa hyvän ja huonon ennusteet (

P

= 2,75 x 10

-8), vaikka vain yksi potilas löytyy köyhimpien ennusteeseen ryhmä (sar -M2), mutta Wang geenit eivät olleet prognostiset (

P

= 0,258) (kuvio 4C ja D). Lisäksi tunnetun molekyylipainon merkkiaineita, kuten p53 mutaatioita (

P

= 0,233), mismatch korjaus geeni tila (

P

= 9,8 × 10

-2), KRAS mutaatioita (

P

= 5,75 x 10

-2), ja BRAF mutaatiot (

P

= 0,338), eivät olleet merkittävästi myös ennustetekijöiden tässä aineisto (kuvio 4E-H).

Niiden ennustetekijöiden kyky tutkittiin käyttäen aineisto kudosnäytteitä potilaalla on CRC [26]. (A) Heatmap CRC kasvaimen näytteiden alaryhmiä luokiteltu ekspressiomalleja silta proteiinien: BA-m1 (sininen), BA-m2 (keltainen) ja BA-m3 (punainen). Prognostiset kyky arvioitiin Kaplan-Meier selviytymisen analyysit. BA-m2 ryhmä osoitti köyhimpien ennustetta. (B) Prognostic kyky meidän sillan proteiineja. (C) Prognostic kyky ColoPrint geeniperimä [28], jossa alaryhmät luokiteltu col-m1 (sininen), col-m2 (keltainen) ja col-m3 (punainen). (D) Prognostic kyky Wang et al. allekirjoitus geeniperimä [27], jossa alaryhmät luokiteltu Wang-m1 (sininen), Wang-m2 (keltainen) ja Wang-m3 (punainen). (E) Prognostic kyky p53-mutaation tila, mutantti ja villityypin. (F) Prognostic kyky epäsuhta korjaavan geenin (MMR) tila, puutteellinen (dMMR) ja asiantunteva (pMMR). (G) Prognostic kyky KRAS mutaatiostatus, mutantti ja villityypin. (H) Prognostic kyky BRAF mutaatiostatus, mutantti ja villityyppinen.

arvioimiseksi ennustetekijöiden toistettavuus näiden sillan proteiinien ja muiden ilmentymistä-allekirjoitusta markkereita, me sitten luokiteltu potilaista itsenäinen aineisto [ ,,,0],22] olevan hyvä tai huono ennusteita kautta valvottu luokitusjärjestelmä käyttäen edellinen aineisto [26], kun koulutus aineisto (kuva 5). Potilaat testituloksia luokiteltiin käyttäen niiden ekspressiotasot, jotka perustuvat korrelaatiokertoimet tarkoittavan ekspressiotasoja huono-ennusteen-ryhmän potilaista harjoitusdatasta, kuten aiemmin suoritettu [29]; me annetaan potilaille köyhään-ennusteen ryhmä, jos niiden korrelaatiokertoimet olivat korkeat. Saimme kynnysarvot korrelaatiokertoimet päättämään huono-ennusteen potilaita, joilla on korkein tilastollisen merkittävyyden kautta ristivalidointi menettelyt harjoitustietosivut (katso materiaalit ja menetelmät). Huomionarvoista, potilaat testituloksia voidaan merkittävästi eron hyvän ja huonon ennusteet kun käytimme ekspressiotasot silta proteiinien ominaisuuksia korrelaatiokertoimet; selviytyminen tuloksia, eli CRC-specific jäänteitä, luokiteltujen ryhmien sillan proteiinit olivat merkittävästi erilaiset, kun Kaplan-Meier-menetelmää ja log-rank-testiä käytettiin (P = 2,70 x 10

-2) (kuvio 5A) . Muut ilme allekirjoitukset, kuten ColoPrint (P = 0,210) ja Wangin (P = 0,558) (kuvio 5B ja C), ei ennustetekijöitä itsenäisissä testissä aineisto viittaa siihen, että vain silta proteiinit olivat toistettavasti ennustetekijöiden. Nämä tulokset korostavat potentiaali ja luotettavuutta sillan proteiineja ennustetekijöitä markkereita.

Niiden ennustetekijöiden kyky tutkittiin riippumattomassa testituloksia [22] valvottuna luokituksia ja siten vahvistivat ennustetekijöiden toistettavuus. (A) Prognostic kyky meidän sillan proteiineja (B) Prognostic kyky määrittää ColoPrint geeni sijaitsee viite [28] (C) Prognostic kyky määrittää Wang et al. geeni asetettu viite [27].

Keskustelu

Tutkimalla geenien säätelyyn BA homeostaasiin, tämä tutkimus on tunnistanut lukuisia geenejä prognostisia biomarkkerit CRC, jossa näytetään mekanistinen merkitystä CRC synnyssä. Vaikka eri prognostisia biomarkkerit on ehdotettu oleva biologinen oletuksiin [4], nämä biomarkkerit ovat osoittaneet rajallisesti kliinistä käyttökelpoisuutta. Hypoteesi, että BA pelata keskeisiä rooleja CRC, antaa vihjeitä ymmärtämiseen synnyssä tämän taudin. Sen sijaan, että keskitytään BA itse, olemme keskittyneet geenien säätelyssä BA aineenvaihduntaa yhdistämällä metabolisen anturien ja metabolisia entsyymejä. Perustuu kehitetty metrinen, ”bridgeness”, lukuisia silta proteiinit valitaan viite, tai silta, verkko, ja niiden ennustetekijöiden kykyjä analysoitiin. Bridge proteiineja voitiin erottaa normaali ja sairaiden kudosten ja ovat siten merkityksellisiä synnyssä CRC. Nämä silta proteiinit oli suurempi ja toistettavissa ennustetekijöiden kyky, mikä näkyy tilastollista merkittävyyttä, kuin aiemmin tunnistettu ennustetekijöitä markkereita, mikä viittaa siihen, että ne ovat luotettavia prognostisia markkereita potilailla, joilla on CRC.

Mielenkiintoista kyllä, kumpikaan anturi eikä entsyymiproteiineja voisi merkittävästi erottaa normaalin paksusuolen kudosta ja CRC, päätelmä voi johtua taloudenhoito rooleista näiden anturin ja entsyymiproteiineja solun eloonjäämisen. Solut puuttuu proteiinien molekyyli- samankaltaisia ​​tehtäviä kuin useimmat näistä anturin ja entsyymiproteiineja; Näin ollen, puutteita niiden ilmentyminen olisi haitallisia vaikutuksia solun toimintoja. Siten evolutionarily, geneettinen poikkeavuuksia silta proteiinit voivat olla selviytymisen etuja poikkeavuudet anturi ja entsyymiproteiineja. Itse asiassa, jotkut silta proteiineja, mukaan lukien kaspaasin 8, apoptoosiin liittyvä kysteiini peptidaasi (CASP8), p53 ja kateniinin (kadheriini-liittyvä proteiini), beeta 1, 88 kDa: n (CTNNB1, joka tunnetaan myös nimellä β-kateniinin), osoittivat korkeaa mutaatiostatuksesta taajuuksia CRC näytteitä, kun taas anturi ja entsyymejä proteiinien BA aineenvaihdunta ei [30]. Tämä evoluution paine, mukaan lukien aikana CRC tuumorigeneesiprosessin nopeuttaisi hankinta poikkeavuuksien siltaa proteiineja.

Aiemmissa tutkimuksissa, erityisesti, yksi silta proteiinia, STK11, osoitettiin olevan erityisen mekanistisiin mahdollisuudet edistää peräsuolen kasvaimien syntyyn [31 ] – [33]. STK11 on liittynyt Peutz-Jeghersin oireyhtymä (PJS), tila, joka lisää mahalaukun adenomatoottisten polyyppien ja maksasyövän [31]. Useimmilla PJS potilaista, yhden alleelin STK11 on mutatoitunut, aiheuttaen useita mahalaukun adenomatoottisten polyyppeja tai maksasyövän [32], [33]. Samoin STK11 voi olla mekanistinen mahdollista edistää peräsuolen kasvaimien syntyyn. Muita silta proteiinit voivat myös olla ennusteen arvioinnissa CRC synnyssä.

STK11 liittyy myös energia-aineenvaihduntaa, joko yksin tai vuorovaikutuksessa AMPK, joten se potentiaalinen sillan proteiini osallistuu energia-aineenvaihdunnan säätelyyn [34] , [35]. Niistä toinen silta proteiinit, jotka osallistuvat energia-aineenvaihduntaan ovat PPARGC1A, GSK3b, PPARa, peroksisomiproliferaattoreilla aktivoituvan reseptori gamma (PPARg), liuenneen aineen kantaja-perhe 2 (helpottaa glukoosin kuljettajaa) osa 4 (SLC2A4, joka tunnetaan myös GLUT4), glyseraldehydi-3- fosfaattidehydrogenaasi (GAPDH), ja laktaattidehydrogenaasin A (LDHA), kaikki tärkeät säätelijöitä tai entsyymejä, jotka osallistuvat energia-aineenvaihduntaan. Siten niiden molekyylitason toiminnot voivat selittää toimintaan BA jotka lisäävät energiankulutusta [36]. Arvioinnit molekyyli- toimintoja sillan proteiinit voivat tarjota uusia oivalluksia niiden vielä tuntemattoman roolit BA homeostaasiin.

Huolimatta silta proteiinit osoittavat ennustetekijöiden potentiaalia, BA silta verkot osoittavat rajallinen kyky tunnistaa muita tunnettuja CRC-altistavia geenejä. Olemme esimerkiksi havainneet, että BA silta verkko ei pystynyt tunnistamaan useita tunnettuja CRC-altistavia geenejä, kuten APC, KRAS, ja BRAF. Epätarkkuuksia peräisin laajamittainen interactome tiedot voisivat haitata perusteellisen analyysin sillan verkkojen. Myös keskinäisten metaboliareitit, kuten lipidien, kolesteroli ja glukoosiaineenvaihduntaan, laajentaisi kyky tutkia kaikkia riskitekijöitä CRC synnyssä. Tätä lähestymistapaa voidaan soveltaa myös muihin sairauksiin alttiita aineenvaihdunnan poikkeavuuksista, mukaan lukien lihavuus, tyypin 2 diabetes ja Alzheimerin tauti, kun metabolinen anturit, entsyymejä ja asianmukainen interactome generoidaan näitä sairauksia. Määritys oikea ja tarkka sillan verkkojen metaboliareitit voi pystyä tunnistamaan taudin altistavia geenejä ja niiden kliiniseen käyttöön ennustetekijöitä markkereita.

Yhteenvetona huomasimme, että silta proteiineja, jotka osallistuvat säätelyyn BA aineenvaihdunta, on prognostista mahdollisia potilailla, joilla on CRC. Vaikka mahdollisuudet edistää CRC synnyssä, silta proteiineja ei ollut systemaattisesti tutkittu aiemmissa tutkimuksissa. Perustuu kehitetty mittari ”bridgeness”, me laskennallisesti valittu silta proteiineja osaamisverkosto ja tutkittiin niiden ennustetekijöiden potentiaalia CRC. Testasimme myös eroja niiden syrjivät ekspressiokuvioita normaalissa paksusuolessa ja CRC ne olisivat olleet hyödyllisiä CRC synnyssä. Tulokset osoittavat, että silta osallistuvien proteiinien säätelyssä BA aineenvaihdunta voi olla luotettava ennustetekijöitä merkkiaineita CRC potilaille.

Materiaalit ja menetelmät

Bridge verkon rakentaminen

Viittaus verkosto BA aineenvaihdunta koostui metabolisen antureita, metabolisia entsyymejä ja proteiineja vuorovaikutuksessa molemmat. Valittu BA anturi oli FXR ja BA entsyymit olivat nimetty EHMN ihmisen aineenvaihdunnan verkon tietokantaan entsyymejä mukana ”sappihappojen biosynteesin” polku [19].