Krooninen sairaus

tiivistelmä

Background

NCI-60 on paneelin 60 ihmisen erilaisiin syöpäsolulinjoissa käyttämä US National Cancer Institute seulomiseksi yhdisteiden syövän vastaista aktiivisuutta. Olemme hiljattain ryhmittyneet geenejä perustuen korrelaation ilmaisun profiilien poikki NCI-60. Monet tuloksena klusterien leimasi syöpään liittyvän biologisia toimintoja. Joukko kuratoiman glioblastooma (GBM) geenien ilmentyminen tietoja Cancer Genome Atlas (TCGA) aloite on äskettäin tullut saataville. Täten voimme nyt määrittää, mitkä prosessit ovat voimakkaasti yhteisiä sekä kuolemattomia solulinjoja ja kliinisen syöpiä.

Tulokset

keskeinen havainto on, että jotkut sarjaa korreloi geenien NCI-60 ekspressiotietojen myös korreloi GBM-kalvoon ekspressiotietojen. Lisäksi ”double kalastus” strategia tunnistettu monta sarjaa geenejä, jotka osoittavat Pearson korrelaatio ≥0.60 sekä NCI-60 ja GBM data asettaa suhteessa tiettyyn ”syötti” geeni. Määrä tällaisia ​​geenin sarjaa huomattavasti suurempi määrä odotettua sattumalta.

Johtopäätös

Monet geeni-geeni korrelaatioita löytyy NCI-60 eivät heijasta pelkästään edellytyksiä solulinjojen kulttuuri; pikemminkin ne heijastavat prosesseja ja geeni verkostoja, jotka toimivat myös

in vivo

. Useita geeniterapian verkon korrelaatiot yhteistyössä esiintyy NCI-60 ja GBM aineistoja, mutta on olemassa muitakin, jotka esiintyvät NCI-60 tai vain GBM. Kaiken tämä analyysi antaa lisäperspektiivi sekä hyödyllisyys ja rajoitukset NCI-60 edistää ymmärrystämme syöpien

in vivo.

Citation: Zeeberg BR, Kohn KW, Kahn A, Larionov V, Weinstein JN, Reinhold W, et al. (2012) Concordance geeniekspression ja Functional korrelaatio kuviot poikki NCI-60 Cell Lines ja Cancer Genome Atlas Glioblastoma Näytteet. PLoS ONE 7 (7): e40062. doi: 10,1371 /journal.pone.0040062

Toimittaja: Javier S. Castresana, Navarran yliopisto, Espanja

vastaanotettu: 11 huhtikuu 2012; Hyväksytty: 31 toukokuu 2012; Julkaistu: 26 heinäkuu 2012

Copyright: © Tämä on avoin-yhteys artikkeli, vapaa kaikki tekijänoikeudet, ja saa vapaasti jäljentää, levittää, välittää, modifioitu, rakennettu, tai muuten käyttää kuka tahansa laillista tarkoitusta. 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 tuettiin osittain Intramural tutkimusohjelma National Institutes of Health, National Cancer Institute, Center for Cancer Research. Työ JNW tuettiin osittain Grant Number U24CA143883 National Cancer Institute (UT-MD Anderson TCGA Genome Data-analyysi Center), jonka lahja H.A. Mary K. Chapman Foundation, ja avustusta Michael Susan Dell säätiö kunnioittaa Lorraine Dell. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Yksi tekijä, tohtori Ari Kahn, on sidoksissa kaupallinen yhtiö SRA International Inc . Tämä ei muuta tekijöiden noudattaminen kaikki PLoS ONE politiikan tietojen jakamista ja materiaaleja.

Johdanto

NCI-60 [1] on paneeli 60 ihmisen syövän solulinjoissa jota Developmental Therapeutics Program (DTP) US National Cancer Institute seuloa 100000 yhdisteitä sekä luonnontuotteita vuodesta 1990. NCI-60 paneeli sisältää syöpiä paksusuolen (CO), munuaisten (RE), munasarjojen (OV), eturauhasen (PR), keuhkoissa (LC), rinta (BR), ja keskushermoston (CNS) alkuperä sekä leukemiat (LE) ja melanoomien (ME). Me ja monet kollegat ympäri maailmaa ovat profiloitu NCI-60 kattavammin DNA-, RNA, proteiini, mutaatio, toimiva, ja farmakologinen tasolla kuin mikään muu paneeli erilaisten solutyyppien olemassa. NCI-60 tietoja on käytetty laajalti syöpätutkimuksessa ja bioinformatiikan, mutta useat aineistot voi olla kaikkein informatiivinen tunnustamista monimutkaisten ”biosignatures” (a ’BioSignature ”liittyy kokonaisuus geenejä, joiden ominaisuudet ovat ennakoivaa). Analyysi kuten biosignatures on lisännyt ymmärrystä solun fenotyyppejä ja reitin suhteita.

Kun äskettäin ryhmitelty geenien perustuu korrelaation ilmaisun profiilien poikki NCI-60 [2], monet klusteria liittyy syövän -aiheiset biologisia toimintoja. Määrä tällaisten klusterien ylitti mitä olisi odotettavissa sattumalta. Yksi klustereita, nimetty ”cluster 52 160-leikkaus,” koostui merkittävistä luokat yleensä heijastuu neuroni kehitys, immuunivasteen, ja epiteelin että mesenkymaalitransitioon (EMT) lisäksi solujen vaeltamiseen. Sen sijaan klusterin 68 160 leikattu keskityttiin vahvasti yhteen biologisen prosessin, nimittäin immuunijärjestelmän toimintaa.

Täysikokoinen luvut ovat käytettävissä Kuviot S1 ja S2. Numerot liitteenä jälkeen geenin nimen viittaavat NCI-60-klusteri, jossa kyseinen geeni esiintyi.

edellisessä tutkimuksessa [3] nähden geeniekspressioprofiilien välillä solulinjojen ja rintojen kasvain kudosnäytteitä. Kirjoittajat totesi, että: ”solulinjat ja kasvaimet jakaa useista heidän geeniekspressiomalleja jotka voivat liittyä normaalin ja patologisen fysiologia, joka erottaa rinta solutyyppejä

in vivo

. Näihin geeni sarjat ovat 1) pohjapinta epiteelin klusteri, 2) luumenin epiteelin /ER + klusteri, 3) ErbB2 + amplikonin klusteri, 4) leviämisen klusterin, ja 5) interferoni klusterin. ”

syöpäsolut viljelmässä sovelletaan hyvin erilaisia ​​ehtoja kuin kasvainsoluihin isännässä. Ne on poistettu niiden fysiologisia miljöö muiden solutyyppien, kudosrakenne, hormonaalista vaikutteita, ja autokriininen /parakriininen signaaleja. Joten kysymys jäi: ”Mitä nämä ominaisuudet yhdistymisvapaus soluviljelmässä kertovat syöpäsoluja in vivo?”.

Tutkiakseen tätä kysymystä, analysoimme erittäin kuratoi glioblastooma (GBM) transkriptin ilmentyminen tietokokonaisuus tuottamat The Cancer Genome Atlas (TCGA) aloite [4]. TCGA perustettiin rakentaa kattava luettelo genomista ja fenotyyppisen poikkeavuuksia, jotka ohjaavat syövän synty ja mahdollisesti vaikuttaa hoidon 20 eri kasvaintyypeille. Erityisesti, TCGA on nyt tarjonnut yksityiskohtainen näkymä genomisen poikkeamia on GBM kohortin koostuu 206 potilaan näytteistä. Verhaak ja Hoadley

et al.

[5] äskettäin kuvattu geeniekspressiovektoria-pohjainen molekyyli luokittelu GBM osaksi Proneuraaliset, Neural, klassinen ja mesenkyymikasvaimia alatyyppejä ja integroitu useita erityyppisiä genomista tietoa luoda malleja somaattisen mutaation, DNA kopioluvun muutos, ja geenien ilmentyminen.

Tässä analyysissä, testasimme sarjaa geenien me aiemmin todettu (1) erittäin koekspressoi- poikki NCI-60, ja (2) toiminnallisesti yhtenäisen olivat myös erittäin koekspressoi- poikki GBM näytteitä. Sitten laajennettu että perus analyysi ”kaksinkertainen kalastus” strategiaa. Eli tunnistimme sarjaa geenejä, jotka osoittivat korrelaation ≥0.60 sekä NCI-60 ja GBM data asettaa suhteessa tiettyyn ”syötti” geeni. Huomasimme, että useita tällaisia ​​geenin sarjaa ylitti määrän arvioidaan sattumalta. Tämä analyysi ei tarkoita, että syöpäsoluja kulttuurin osuus koko tai jopa useimmat, niiden ominaisuuksien solujen kanssa in vivo, mutta se osoittaa yhtäläisyyksiä.

Methods

Tietoaineistot

GBM ekspressiotietojen, tiedostot

unifiedScaled.txt

(joka sisältää täydellisen sarjan ekspressiotietojen, kutsutaan

TCGA.GBM.complete

)

TCGA_unified_CORE_ClaNC840.txt

(joka sisältää alatyypin tunnisteet kunkin näytteen) on ladattavissa TCGA kotisivuilta https://tcga-data.nci.nih.gov/docs/publications/gbm_exp/.

Käytimme kaikki 202 GBM näytteet, jotka ovat käytettävissä, jotka edustavat lähes vastaava määrä näytteitä kustakin alatyyppi. Koska laskettu korrelaatio arvot ovat tarkempia, jos ne ovat peräisin monipuolisempi näytteenotto väestö, halusimme säilyttää niin paljon monimuotoisuutta kuin mahdollista tarkastelemalla kaikki alalajit yhdessä, joten meillä ei raportoinut koekspressoimalla sisällä tai välillä alatyyppejä.

täysikokoinen luvut ovat käytettävissä Kuviot S3 ja S4. Numerot liitteenä jälkeen geenin nimen viittaavat NCI-60 klusteri, jossa kyseinen geeni ilmestynyt.

Täysikokoinen CIM on saatavana kuva S5. Geeni nimi annetaan sarakkeen otsikossa on edustaja luettelo geenejä. Täydellinen luettelo geenien on saatavilla HTGM Download S1.

NCI-60 ilmentyminen tiedot saatiin CellMiner [6]. Määrittäminen komposiitti ekspressiotasot kunkin geenin suoritettiin kuten aiemmin on kuvattu [7] – [9]. Erityinen pyyntö tehtiin järjestelmänvalvojalta täydellinen geeniekspressioprofiilien (kutsutaan

NCI-60.complete

). Tämä lataus olisi ollut liian suuri suorittamaan kautta tavallisella web-käyttöliittymän. Lisätietoja annetaan [2]). Lyhyesti,

NCI-60.complete

oli etukäteen käsitelty valitsemalla vain ne geenit, jotka on sekä HGNC symboli ja merkitsemällä GO Biological Process ontologian. Jokainen geeni profiili vektori skaalataan nollaan keskiarvo ja yksikkö varianssi. Tämä pienentää aineisto on kutsutaan tässä

NCI-60.BP.

Kuten edellä mainittiin, että GBM näytteet, me yritämme saavuttaa yhtä voimakasta monimuotoisuuden mahdollisimman solussa linjat, niin että hyvin heterogeeninen seos solulinjojen edustaa NCI-60 on ihanteellinen. Havainnollisuuden harkita kaksi geeniä. Etsimme onko ekspressiotasot näiden kahden geenejä mennä ylös ja alas yhdessä me kulkevat 60 solulinjat. Jos kaikki solut linjat olivat olennaisesti identtisiä keskenään, ei olisi vaihtelua ja emme voi nähdä, kuinka kaksi geenit liittyvät eri olosuhteissa.

Useimmissa tutkimuksissa raportoitu täällä, ilmaisu tiedot GBM ja NCI-60 oli rajoitettava niihin geenejä, jotka olivat läsnä molemmissa

TCGA.GBM.complete

ja

NCI-60.BP

.

R kieli

R kielikoodi [10] kehitettiin lukea ja integroida tiedot kahdessa ladatut tiedostot sekä antamaan tukea sekä perus- ja monimutkaisempia kyselyitä [

esim

, automaattisesti löytää sarjaa geenit, jotka täyttävät tietyt ehdot suhteen sekä NCI-60 ja GBM ja luo asianmukaisen sarjan ilmaisun tai korrelaatio ryhmittyneet kuvakarttoja (CIM)]. Historiallisesti CIM otettiin ensimmäisen kerran käyttöön vuonna [11], [12].

Tutkimukset nojautui Olemassa -korrelaatiot NCI-60

Keskeinen kysymys käsittelimme täällä oli onko geenien co -clustered suhteessa niiden ekspressioprofiileja poikki NCI-60-solujen yhteistyötä myös ryhmitelty suhteessa niiden ekspressioprofiileja poikki GBM näytteitä. Helpottaakseen analyysin, me käytti R kielen toiminto

cutree ()

. Keskeinen parametri

cutree () B on ”k” määrä klustereita johon klusterin puu on jaettava. Klusterin 52 ja klusterin 68 tutkimukset (

ts.

Sarjaa geenien raportoitu [2]), alustavat tutkimukset osoittivat, että k = 2 oli optimaalinen NCI-60 ilme klustereita. Kukin tällainen geeniperimä oli johdettu klusterointi tutkimus käyttäen absoluuttista korrelaatio metristä, ja siksi oli kaksi suurta partitionings (

esim.

, Kuviot 1A, S1). Kaksi partitionings on nimetty ”cluster 1” ja ”cluster 2” ja hahmotellaan useissa liitetään kunkin geenin nimen oikealla CIM. Geenit yksittäisessä osioinnin toisiaan positiivisesti korreloivat, ja kaikki geenit klusterin 1 negatiivisesti-korreloivat kaikkien geenien klusterin 2. Me puhekielessä viittaavat suuremman klusterin (jos kyseessä kuvioista 1A, S1, tämä olisi klusterin 2) kuten ”positiivisesti korreloi” geenien ja pienempi klusterin nimellä ”negatiivisesti korreloivat” geenejä. Toisin kuin k = 2 NCI-60, ei ollut

a priori

perustana valittaessa tiettyä arvoa k klusteroinnin poikki GBM, joten annoimme k GBM vaihtelevan 2 kautta 8.

määrittelee optimaalisen arvon k, rakensimme 2 * k kontingenssitaulukkomenetelmillä (

esim

taulukko 1), jokainen solu

i, j joka sisältää useita geenejä, jotka ovat molemmat i

th klusterin NCI-60 klusterointia ja j

th klusterin GBM klusterointi. Me lasketaan Fisherin tarkka p-arvo hypoteesi, että jakelun äärimmäinen kuin havaitut jakelu saattoi tapahtua sattumalta. Lisäksi olemme satunnaistettu geeni nimet toteuttaako se NCI-60 ja GBM clusterings, onko havaitut Fisherin p-arvo voitaisiin saavuttaa satunnainen geeniperimä.

De novo tunnistaminen Sarjaa Genes kanssa korrelaatio ≥0.60 Across sekä NCI-60 ja GBM

viittaamatta mihinkään ennalta klustereiden analyysi, ohjelma on rakennettu

de novo

listan kaikista paria geenien ottaa korrelaatio ≥0.60 suhteen sekä NCI-60 ja GBM ekspressioprofiileja. Kynnys 0,60 valittiin laskelmissa, koska se oli käytetty aiemmassa tutkimuksessa geenin-geenin korrelaatiot minimoimiseksi määrä vääriä positiivisia. Geenit rankattiin taajuuden suhteen ulkonäön luetteloon. Jokainen geeni ”G” taajuuden ≥5 käytettiin sitten ”edustaa” joukko geenejä, jotka osoittivat korrelaation ≥0.60 kanssa G. kärkikastiin G-geeni WS (49 geenit oli korrelaatio ≥0.60 kanssa WAS). Monet geenin luetteloiden rakennettu tällä menetelmällä olivat erittäin tarpeeton suhteessa toisiinsa (

ts.

, Paria luetteloita voi olla monia geenin yhteisiä). Lievittämiseksi redundanssin ongelma, me lasketaan Jaccard’in samankaltaisuus metrinen (Jaccard’in kerroin toimenpiteet samankaltaisuus näytejoukoille, ja määritellään koko risteyksen jaettuna koko liiton näytejoukoille [13]) me eliminoitu erittäin tarpeeton (Jaccard arvo ≥0.90; 0,90 määritettiin optimaalinen alustavia tutkimuksia ei esitetty tässä) geeni settejä tarkempaa analyysiä. Siten käytimme vähemmän turha joukko 68 geenin sarjaa (alkuperäisestä valinnan alkuun (mahdollisesti tarpeeton) 100 geenin sarjat) analyysiä varten.

halusivat määrittää, kuinka monta paria geenien ottaa korrelaatio ≥0.60 suhteen sekä NCI-60 ja GBM ekspressioprofiileja ylitti määrän arvioidaan sattumalta. Siksi suoritetaan joukko 10 tutkimuksia, joissa me satunnaistettu geeni nimet GBM ekspressioprofiileja. Määrä tällaisia ​​pareja saatu todellinen tutkimus oli 2708. Sen sijaan numero satunnaistamista tutkimuksissa oli pieni verrattuna (193 ± 14).

Toiminnallinen luokittelu

toiminnallinen luokittelu geenin luettelot suoritettiin käyttäen suuren tuotantotehon GoMiner (HTGM) ohjelma [14]. Käytetyt parametrit käynnissä HTGM on esitetty taulukossa S1.

Klusteroitu Kuvakartat

Käytimme joko Genesis klusterointi ohjelma [15] tai omaa in-house R kielikoodi rakentaa CIM esittelyyn täällä.

tulokset ja keskustelu

Tutkimukset nojautui Olemassa -korrelaatiot NCI-60

Olemme hiljattain ryhmittyneet geenejä perustuen korrelaation ilmaisun profiilien poikki NCI-60 [2 ]. Monet näistä klustereista karakterisoitiin syöpään liittyvän biologisia toimintoja.

Ilmaisun profiileja klusterin 52 geenien poikki NCI-60-solulinjojen ja myös yli GBM näytteet, pystyimme tuottamaan ilmaisun korrelaatio CIM poikki molemmat näistä sarjaa ekspressioprofiileja (kuviot 1A, S1, 1B, S2). Erillinen kuvioita punainen ja vihreä NCI-60 korrelaatio CIM (kuviot 1A, S1) johtuu siitä, että klusterin 52 oli johdettu ryhmittelemällä ilmaisun profiileja NCI-60 solulinjoissa käyttäen absoluuttista korrelaatiota metristä. Niinpä klusteri 52 koostuu ”negatiivisesti” ja ”positiivisesti” korreloivat alaryhmiä. Ei ole yllättävää, kuviot punainen ja vihreä ovat vähemmän erillisiä, mikä GBM korrelaatio CIM (kuviot 1 B, S2), koska klusteri 52 oli määritelty suhteessa NCI-60, ei GBM, ekspressiomalleja. Vaikka vähemmän selvä kuin NCI-60, GBM kuvio korreloi voimakkaasti kaavat NCI-60. Tämä suhde on selvää silmämääräisesti. Kvantitatiivinen analyysi Alla vahvistaa visuaalisen vaikutelman.

korrelaatio CIM, me liitteenä numero (1 tai 2) geeni nimet, jotka vastaavat jäsenyyden kaksi suurta klustereita NCI-60 CIM. Nämä samat numerot jäivät geeni nimet GBM CIM joista voidaan todeta klusterin, johon tämä geeni kuului NCI-60 CIM. Rakenteessa klustereiden että GBM korrelaatio CIM (kuviot 1 B, S2) on merkittävästi samanlainen kuin NCI-60 CIM. Tämä havainto osoittaa, että jotkut geeni ilmentäminen rinnakkain kuvioita NCI-60 ihmisen kasvainsolulinjaa paneeli säilyvät kliinisissä glioblastooma, ja tukee arveluihin, että NCI-60-geenin ilmentyminen korrelaatioita voidaan osoittaa laajasti sovellettavissa geeni-geeni suhteita.

Tarkemmin sanottuna taulukko 1 osoittaa, että on olemassa 15 geenien klusteri 1 ja 64 geenien klusteri 2 suhteessa NCI-60 mentymisprofiili. Kolmekymmentä neljä 64 klusterin 2 geenit ovat hallitseva jäseniä GBM klusterin 2. Loput NCI-60 cluster 2 geenit ovat jakautuneet GBM klustereita 1 ja 3. välistä yhdenmukaisuutta klusterointi malleja NCI-60 ja GBM on erittäin merkittävä (Taulukko 2). Fisherin tarkka p-arvo k = 3 (0,00039) on silmiinpistävän alhaisempi kuin satunnaistetussa valvontaa (0,46 ± 0,28). Lisäksi suurin osa geeneistä, jotka korreloivat keskenään tai anti-korreloivat NCI-60 säilynyt, että suhde GBM-kalvoon kudosnäytteistä. Identiteetit asiaa geenien esitetään taulukossa 3.

Merkittävä havainto on, että lähes puolet geenien GBM klusterin 2 (kuviot 1 B, S2) ovat geenejä, jotka on aiemmin todettu liittyi solun tarttumiseen /muuttoliike ja muodostavat toisiaan korkea korrelaatio osajoukko klusterin 52 geenit [16]. Lisäksi nämä geenit havaittiin toimivan johdonmukaisesti erityisesti osa solun siirtoprosessi. Lukuun ottamatta ALCAM ja EGFR, soluadheesiota /muuttoliike tiukka klusteri geenit kuuluvat GBM klusterin 2. Niistä kaksikymmentäneljä geenit että tiukka klusterin lankeavat GBM klusterin 2. Niinpä joukko geenejä aiemmin havaittu olevan läheistä sukua sekä geenien ilmentyminen ja toiminta NCI-60 solulinjat [2], [16] on nyt todettu koekspressoitu myös kliinisissä glioblastooma näytteissä.

Tutkitaan muita mahdollisia esimerkkejä johdonmukaisuus geeniekspression klustereita NCI-60 solulinjojen ja GBM näytteet, me toisti, että analyysin immuunijärjestelmän liittyviä klusterin 68 geenejä [2] (taulukot 4-6, kuviot 2A, S3, 2B, S4). Jälleen Fisherin p-arvo (0,00001) (taulukko 5) validoi visuaalinen vaikutelma, että on olemassa merkittävä välistä yhdenmukaisuutta NCI-60 ja GBM klusterointi.

De novo tunnistaminen Sarjaa Genes kanssa korrelaatio ≥0.60 Across sekä NCI-60 ja TCGA GBM

oli 34865 geeniä paria kanssa korrelaatio ≥0.60 NCI-60 tietokokonaisuus muttei GBM, 87556 GBM mutta ei NCI-60, ja 2708 sekä NCI-60 ja GBM. Korkea-arvoisin geeni 2708 oli OLI; 49 geenit osoittivat korrelaation ≥0.60 kanssa WS. Alkuun 100 geenit (

eli

, geenien kanssa eniten korrelaatioita ≥0.60), 68 oli ei-tarpeeton (

eli

, luettelot korreloivat geenien oli Jaccard arvo ≤0.90) . Toiminnallinen luokittelu näistä 68 geenistä luetteloita suuren tuotantotehon GoMiner (HTGM) paljasti monimutkainen merkittäviä luokkien (kuviot 3, S5). Geenien lukumäärän ja yleisen toiminnallinen korrelaatiot top 68 ei-turha geenin sarjat on lueteltu taulukossa 7. Kuten taulukosta 7 ilmenee, immuuni luokat hallitsi, mutta taulukko 7 ja kuvio S5 paljastavat, että oli olemassa myös luokat, jotka edustavat

esim

apoptoosin, kemotaksista, DNA korjaus, kromatiinin kokoonpano, angiogeneesi, ja tarttuvuus.

geenejä klusterin 52 tai klusterin 68 oli saatu etukäteen ryhmittely geeniekspressioprofiilien poikki NCI-60 cell linjat, mutta ei yli TCGA GBM näytteitä. Odotamme löytää että jotkut

eivät novo

geeni luetteloita peräisin samanaikaisesta huomioon sekä NCI-60 solulinjojen ja TCGA GBM näytteitä voisi päällekkäisiä geenien klusterin 52 tai klusterin 68 geenin luetteloita. Itse asiassa, taulukko 7 osoittaa, että geenit tiettyjen

de novo

geenin luettelot päällekkäin geenien NCI-60 klustereita 52 (solujen vaeltamiseen) ja 68 (immuuni). Tällainen päällekkäisyys on erityisen vahva klusterin 68.

Tämä analyysi osoittaa, miten vahva geeni-geeni korrelaatioita ja toiminnallista luokittelua (

esim.,

GO toimeksiantoja), jotka on saatu NCI-60 solulinjoissa poikki kasvain tyypit voivat heijastaa

in vivo

suhteita. Se osoittaa myös rajoituksia tällaisten samankaltaisuuden. Nämä kaksi näytettä sarjaa edustavat tärkeitä aloitteita National Cancer Institute (NCI), kannalta sekä kuluja ja tutkimusinvestointien. Siksi, joka on rajaamista yhtäläisyydet ja erot edelleen aihe tärkeää käytännön.

tukeminen Information

Kuva S1.

Täysi versio kuvion 1A.

doi: 10,1371 /journal.pone.0040062.s001

(PDF) B Kuva S2.

Täysi versio kuvion 1B.

doi: 10,1371 /journal.pone.0040062.s002

(TIF) B Kuva S3.

Täysi versio kuvion 2A.

doi: 10,1371 /journal.pone.0040062.s003

(PDF) B Kuva S4.

Täysi versio kuvion 2B.

doi: 10,1371 /journal.pone.0040062.s004

(PDF) B Kuva S5.

HTGM GO kategorioista

versus

geeni asetetaan CIM varten sarjaa geenien kanssa korrelaatio ≥ 0,60 samanaikaisesti sekä NCI-60 ja TCGA GBM.

doi: 10,1371 /journal.pone.0040062.s005

(PNG) B Taulukko S1.

käytetyt parametrit käynnissä HTGM.

doi: 10,1371 /journal.pone.0040062.s006

(JPG)

Lataa S1.

Zip arkisto HTGM tuloksia.

doi: 10,1371 /journal.pone.0040062.s007

(ZIP) B

Kiitokset

Haluamme kiittää tohtori Roel GW Verhaak saat hyödyllisiä keskusteluja TCGA aineistoja.