Krooninen sairaus

tiivistelmä

Aineenvaihdunta ilmaisee fenotyyppi elävien solujen ja sen ymmärtäminen on ratkaisevaa eri sovellusten bioteknologian ja terveyden. Kun yhä saatavuutta metabolomic, proteomic ja, laajemmin, transcriptomic tietojen selvittäminen aineenvaihduntarajoituksista ominaisuuksia eri skenaarioissa ja solutyyppejä on keskeinen aihe systeemibiologian. Vaikka potentiaali alkeis vuon tila (EFM) konsepti tähän tarkoitukseen, sen käyttö on toistaiseksi ollut vähäistä, lähinnä siksi niiden laskenta on mahdotonta genomin mittakaavassa metabolisen verkoissa. Tuoreessa työtä, päätimme osajoukko EFMs ihmisen aineenvaihduntaa ja ehdotti uutta protokollaa integroida geenien ilmentyminen tietojen tiputtelua key ”ominaisuus EFMs” eri skenaarioissa. Lähestymistapamme sovellettiin onnistuneesti tunnistaa aineenvaihdunnan eroja useissa ihmisen terveitä kudoksia. Tässä artikkelissa arvioimme suorituskyky lähestymistapamme kliinisesti mielenkiintoinen tilanne. Erityisesti olemme tunnistettu keskeiset EFMs ja aineenvaihduntatuotteiden adenokarsinoomaa ja squamous-cell carcinoma alatyyppejä ei-pienisoluisen keuhkosyövän. Tulokset ovat yhdenmukaisia ​​aiempien tieto näistä suurista alatyyppejä keuhkosyövän lääketieteellisessä kirjallisuudessa. Siksi tämä työ muodostaa lähtökohta perustaa uuden menetelmän, joka voi johtaa erottamaan avaimen aineenvaihduntaa eri kliinisiä tuloksia.

Citation: REZOLA A, Pey J, Rubio Á, Planes FJ (2014)

In-silico

Prediction Tunnuslukujen Metabolinen erot kahden ei-pienisoluinen keuhkosyöpä alatyyppejä. PLoS ONE 9 (8): e103998. doi: 10,1371 /journal.pone.0103998

Toimittaja: Pankaj K. Singh, University of Nebraska Medical Center, Yhdysvallat

vastaanotettu: 06 helmikuu 2014; Hyväksytty: 09 heinäkuu 2014; Julkaistu: 05 elokuu 2014

Copyright: © 2014 REZOLA 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: Rahastot olivat saadut Asociación de Amigos de la Universidad de Navarra Alberto REZOLA ja Baskimaan hallituksen Jon Pey. 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

Keuhkosyöpä on yleisin syöpä maailmassa olipa kyse tapauksissa ja kuolemantapauksia ja sen korkein ilmaantuvuus kuulua Eurooppaan ja Pohjois-Amerikkaan [1]. With -omics tietojen paljon vaivaa on tehty mutaatioiden tunnistamiseksi ja oncogenes eri keuhkosyövän alatyyppejä, jonka tavoitteena on kehittää tehokkaampia hoitoja. Kuitenkin, ennuste on edelleen huono ja lisätutkimuksia tarvitaan selvittämään uusien biomarkkereiden ja hoitoja, jotka parantavat kliinisiä tuloksia [2].

Tässä yhteydessä tutkimus aineenvaihduntaan syöpä on tällä hetkellä kuuma aihe, koska me on yhä enemmän todisteita sen uudelleen ohjelmointi. Paitsi glukoosiaineenvaihdunnan, ns Warburg vaikutus, muutoksia on raportoitu nukleotidien synteesissä, aminohappoja ja lipidejä [3], sekä asiaan mutaatioita aineenvaihdunnan geenien ja kasaantuminen keskeisten metaboliittien [4]. Koska kasvainsolut osoittavat suurta geneettisen monimuotoisuuden tunnistaminen asiaa metaboliareitit eri syövän alatyyppiä on tärkeä tutkimusalue.

Suurikapasiteettinen -omics teknologiat ovat saaneet aikaan uusi skenaario, jossa analysoida entistä täydellisemmin aineenvaihdunta on mahdollista. Merkittävä edistysaskel oli jälleenrakentamiseen ihmisen perimän mittakaavan metabolista verkon [5], [6], joka mahdollisti tutkijat analysoida ihmisen aineenvaihdunta eri skenaarioissa ennennäkemättömällä tasolla monimutkaisuus käyttäen teoreettisia menetelmiä ja -omics data [7], [8]. Tähän suuntaan, eri verkko-pohjainen metaboliareitti käsitteitä on otettu käyttöön viime vuosina [9]. He ovat osoittaneet, että solujen aineenvaihduntaan liittyy monimutkaisempi ja monipuolinen polku rakenne kuin on esitetty kanoninen karttoja. Erityisesti lupaava käsite on Elementary Flux tilat (EFMs), jonka avulla voimme hajota metabolinen verkostonsa Yksinkertaisimmillaan käyttäytymismalleja [10]. Kuitenkin integrointi -omics tietojen EFMs analysoida ihmisen aineenvaihdunta on rajoitettu, johtuen siitä, että laskenta EFMs on vaikea genomin mittakaavassa verkoissa. Tämä ongelma on viime aikoina käsitelty [11], jossa uusi protokolla yhdistää geenien ilmentyminen tietoja ja EFMs ehdotetaan. Tätä lähestymistapaa sovellettiin onnistuneesti tunnistaa aineenvaihdunnan eroja useiden terveiden kudosten.

Perustuu [11], meidän Tavoitteena on tunnistaa tärkeimmät metaboliareittien ja aineenvaihduntatuotteiden kaksi suurta alatyyppiä ei-pienisoluinen keuhkosyöpä (NSCLC ): adenokarsinooma ja squamous-cell carcinoma. Erityisesti pyrimme selvittämään, jos tiettyjä eroja näiden alatyyppien löytyvät yhdistämällä EFMs ja geenien ilmentyminen tietoja. Aiempien tietoa näistä suurista alatyyppejä keuhkosyövän lääketieteellisessä kirjallisuudessa, tuloksemme oikein erottaa avain aineenvaihduntaan kesken eri kliinisiä tuloksia analysoidaan.

Materiaalit ja menetelmät

Elementary Flux valitseminen (EFMs ) käsite

havainnollistamiseksi käsite EFMs, käytimme kuviossa 1, joka edustaa yksinkertaistettua metabolinen järjestelmä, johon glykolyysin ja TCA.

lyhenteet: Ac, asetaatti; AcCoA, asetyyli-CoA; Cit, Sitraatti; D-Lac, laktaatti; D-Glc, glukoosi; OAA, oksaaliasetaatti, Pyr, Pyruvate, CO2, hiilidioksidi.

EFM on teknisesti minimaalinen osajoukko entsyymien pystyy esiintymään jatkuvan vakaan tilan. Vakaan tilan tarkoittaa, että aineenvaihduntatuotteet rajojen sisäpuolella järjestelmän, esim.

pyruvaatti

(Pyr), on oltava stoikiometrinen tasapainossa, eli virtauksen on oltava yhtä suuri virrata ulos. Tämä ehto edellyttää määritelmää aineenvaihduntatuotteiden pystyy vaihdetaan järjestelmän ulkopuolella, eli tässä panokset ovat

glukoosi

(D-Glc) ja

asetaatti

(Ac), kun taas lähdöt

laktaatti

(D-Lac) ja

hiilidioksidia

(CO2). Lisäksi ”minimaalinen” tarkoittaa, että poistaminen entsyymin johtaa polkuun häiriöitä. Tässä esimerkissä kuviossa 1, meillä on 3 EFMs. EFM1 edustaa anaerobinen Glykolyysivaiheen; EFM2 aerobinen Glykolyysivaiheen kautta TCA cycle; EFM3 TCA cycle syöttää asetaatti. On helppo tarkistaa, että ne täyttävät edellä mainitut edellytykset. Lisää teknisiä yksityiskohtia, katso [10].

Huomaa, että EFMs ovat minimaaliset käyttäytymismalleja ja yhdistelmät ovat mahdollisia. Kuitenkin eri skenaarioissa jotkut voivat vallita yli muiden. Esimerkiksi syöpäsolut tuottavat energiaa pääasiassa kautta anaerobinen Glykolyysivaiheen (EFM1), vaikka riittävä

happea

on saatavilla (Warburg vaikutus). Huomaa, että EFMs yleensä eri tekijöiden (substraatteja) ja lähdöt (erittyy metaboliitteina). Tässä artikkelissa pyrimme hyödyntämään tätä ajatusta erottaa eri kliinistä skenaariota geenien ilmentyminen tietojen.

Ihmisen EFMs keräys ja keuhkosyövän tietojen

Tässä käytimme osajoukko 5875 EFMs aiemmin määritetty in [11] alkaen Recon 1 ihmisen aineenvaihdunnan verkko [5], joka sisältää 2469 biokemiallisia reaktioita ja 1587 aineenvaihduntatuotteiden. Tämä alaryhmä EFMs liittyy monipuolinen lista metaboliareitit potentiaalisesti aktiivinen erilaisissa ihmisen fysiologiset tilat (katso [11] Lisätietoa Tästä EFMs).

Toisaalta, geenien ilmentyminen tietojen uutettiin alkaen Gene Expression Omnibus (GEO) tietokantaan [12]. Erityisesti olemme pidetään 58 ihmisen NSCLC kasvain kudosnäytteitä [13], ja 6 normaali keuhkojen kudosnäytteistä (CN) välillä [14]. 40 NSCLC kasvain kudosnäytteitä otettiin potilaista kliinisesti diagnosoitu adenokarsinooma (AD), kun taas muut 18 kasvainkudoksen näytteitä potilaista, joilla on squamous-cell carcinoma (SQ). Kaikki nämä näytteet hybridisoitiin käytettäessä Affymetrix array HGU 133 plus, joka sisältää 54,675 koettimia 20,283 geenejä. Kuvaamme alla erilaisia ​​menetelmiä voidaan hahmottaa näitä tietoja.

Differential ilmentymisanalyysiä

määrittää, mitkä geenit olivat yli-ilmaisivat, ennallaan tai alle ilmaistuna AD suhteessa SQ (upAD) ja päinvastoin (upSQ). Huomaa, että yli-ilmentynyt geenien AD alas ilmaistaan ​​SQ, ja päinvastoin, kuten voidaan havaita ensimmäisessä sarakkeessa taulukossa 1. Lisäksi geenien ilmentyminen tietoja terveiden kudosten ei voida suoraan verrata tietoihin syövän kudoksissa ne kuuluvat eri tietolähteeseen. Tämä ei ole ongelma, koska olemme keskittyneet valaisemaan eroja AD ja SQ.

Tähän tehtävään käytimme Limma paketin R tilasto-ohjelmalla [15], eli moninkertaisen lineaarisen taantumat ja empiirinen Bayes tilastot, jotka määrittävät todennäköisyyden geenin ei ilmennetty eri molempien olosuhteissa (

p

-arvo). Sitten vääriä löytö määrä (FDR) on sovellettu muuta korjata vaikutuksen useiden hypoteesien testaus, muuttaen edellinen

p

-arvot osaksi

q

-arvot [16]. Me katsotaan differentiaalisesti ilmentyvien geenien ne, joilla on

q

-arvo on alle 5%. Huomaa, että tämä kynnys on mielivaltainen, kuitenkin pienempi kynnys, sitä suurempi on luotettavuustasolla. Määrittäminen ylä- ja alas geenien on suoraviivainen perustuva lineaarinen regressio kertoimia.

Absolute ilmentymisanalyysiä

Määrittelemme absoluuttinen ilmaisun analyysin luokittelua geenien läsnä- tai poissaolevaksi tietyllä biologinen näyte. Täällä erityisesti luokiteltu geenejä kolme tilaa: korkeasti, normally- ja nöyrä-ilmaistuna. Tämä erillinen luokittelu geenien tehtiin jokaiselle ryhmä: AD, SQ ja CN. Huomaa, että tämä analyysi tehtiin kullekin ryhmälle erikseen eikä ryhmien väliseen vertailuun tehtiin, eli absoluuttinen geenien ilmentymistä on toiminnallinen ominaisuus kullekin ryhmälle.

Tätä tarkoitusta varten ensin luokiteltu geenejä kussakin näytteessä aktiivinen tai toimeton perustuu Gene Expression Viivakoodi malli [17]. Sitten, jotta saadaan haluttu kolmitasoinen luokitus, määrittelimme geeni kuin korkeasti (nöyrä) ilmaistuna, jos kaikki anturit, jotka sisältävät tällaisia ​​geeniä ovat aktiivisia (inaktiivinen) koko joukko näytteitä, ja kohtalaisen ilmaisi toisin. Vähemmän ankarassa kynnysarvo (esimerkiksi 95% koettimista sijasta 100%) voidaan valita, mutta luotettavuustasolla geenin korkean ja matalan ilmentyminen vähenee.

Data muutos: geeneistä reaktioihin

Differential ja absoluuttinen geeniekspression johtaa säädelty /korkeasti ilmaistuna, muuttumaton /normaalisti ilmaistaan ​​ja alassäädetty /nöyrä-ilmaisi geenin luokitus.

jotta map tätä geeniä ilmaisun luokittelu osaksi joukko aineenvaihduntareaktioiden sisältyy joukko EFMs valittu, käytimme loogisia lakeja, joka tunnetaan myös nimellä Gene-proteiini-reaktio (GPR) säännöt, raportoitu [5], kuten aikaisemmin tehty [11], [ ,,,0],18]. Huomaa tässä, että Recon 1 ihmisen aineenvaihdunnan verkko jälleenrakentamista lämpökuvien 1496 geenejä, joista 1451 on todettu, että HGU 133 plus array.

Näiden GPR säännöistä ja geenin ilmentymisen luokittelun, saadaan kolmitasoinen metaboliareaktio luokitusta, eli säädelty /korkeasti ilmaistuna, muuttumaton /normaalisti ilmaistaan ​​ja alassäädetty /nöyrä-ilmaistuna reaktioita.

Ominaisuus ja ero EFMs

kartoitimme reaktiot luokittelun avulla joukko 5876 EFMs kussakin tilanteessa: AD, SQ, CN, upAD ja upSQ. AD, SQ ja CN skenaarioita, me määritetty osajoukko ominaisuuden EFMs kanssa esitetyn menettelytavan [11]. Määrittelemme ominaisuus EFMs kuin merkittävästi rikastettu erittäin ilmaistaan ​​reaktioita ja joihin liittyy pieni määrä nöyrä ilmaisi reaktioita. Tämä määritelmä keskitytään absoluuttinen ilmaisun tietoja (katso edellinen ”Absolute ilmaisun analyysi” momentti).

Tämä käsite voidaan pidentää ero ekspressiotietojen, meidän tapauksessamme käyttämällä geeniä sarjaa saatu upAD ja upSQ skenaarioita. Erityisesti määritellään ero EFMs kuin merkittävästi rikastettu yli-ilmentynyt reaktioita ja mukana pieni määrä alle ilmaisi reaktioita. Huomaa, että käyttö differentiaalisen ekspression liittyy useita teoreettisia kysymyksiä, esim. geenit johdonmukaisesti erittäin ilmaistaan ​​voi olla pieni poimu muutos.

Koska yhdistelmä ero EFMs ominaisella EFMs on tarkempi lähestymistapa, tässä artikkelissa termin ”merkittävä” EFMs niille EFMs jotka ovat tyypillisiä ja ero samanaikaisesti, eli ne ovat merkittäviä sekä absoluuttisesti ja ero analyysejä.

tulokset ja keskustelu

Noin 70% diagnosoitu keuhkosyövässä ei-pienisoluinen keuhkosyövässä (NSCLC) ja kuulua kaksi alatyyppiä, erityisesti AD ja SQ. Tavoitteena tätä työtä on selvittää tiettyjä metabolisia ominaisuuksia ja eroja AD ja SQ keuhkosyövässä. Tätä varten esiteltyä menetelmää käytettiin edellä.

Taulukossa 1 esitetään yhteenveto tulokset absoluuttisen ja differentiaali ilmentymisanalyysiä aikaan. Mielenkiintoista on, että taulukossa 1 huomasimme, että määrä nöyrä ilmaisivat geenien ja reaktioita CN on merkittävästi korkeampi kuin kahdella syöpä skenaariota. Tämä saattaa viitata, että uudelleenohjelmointi syövän aineenvaihdunnan parantaa systeemistä kestävyys, luultavasti aktivoimalla vaiennetaan polkuja, jotka takaavat ja optimoivat lisääntymistä. Huomaa kuitenkin, että paljon vähäisemmässä määrin, määrä voimakkaasti ilmentyvän reaktiot on suurempi CN. Nämä oivalluksia saattaa osoittaa, että aineenvaihdunta CN on tarkempi kuin syövän ja esittelee vähemmän vaihtelua yli näytteet aktiivisen joukon entsyymejä. Sama johtopäätös saavutetaan kohtalaisen ilmaistaan ​​geenejä. Toisaalta, jos keskitymme ero analyysin löysimme odotetusti rakentamisen, että up-geenien in upAD ovat alaspäin säädeltyjä upSQ, ja päinvastoin, esim. alijoukko 1725 asti geenien AD (1 upAD) vastaa osajoukkoa alas geenien SQ (-1 upSQ). Kuitenkin sama ei tapahdu reaktioita tasolla johtuen GPR sääntöjä, mikä kuvaa sääntelyn monimutkaisuutta aineenvaihduntaa.

valittu ero ja ominaisuus EFMs kunkin skenaarion niille, joilla on FDR pienempi kuin 20%. Kokonaismäärä tilastollisesti merkitsevä EFMs löytyy taulukossa 1. Erityisesti löysimme huomattava määrä tyypillisiä EFMs kussakin kunnossa ja kuten kohdassa [11], niiden määrä ei välttämättä verrannollinen määrä korkeasti ja nöyrä-ilmaistaan ​​(ylös- ja alaspäin säännelty) reaktioita. Siksi ei ole yllättävää, että tunnusomaisempaa EFMs löytyy SQ kuin AD, koska määrä tyypillisiä ja ero EFMs riippuu liitettävyys korkeasti ja nöyrä-ilmaistaan ​​(ylös- ja alaspäin säädelty) reaktioita meidän joukko EFMs [11]. Jotta visualisoida ja tulkita ero ja ominaisuus EFMs, kartoitimme heidät Venn kaaviot kuvassa 2.

Kuva 2.A esitetty joukko tyypillisiä EFMs että päällekkäisiä CN, SQ ja AD . Kuten osittain odotettua, voidaan havaita, että metabolista aktiivisuutta syövän kudoksissa (AD ja SQ) on enemmän samankaltainen kuin terveessä kudoksessa (CN). Erityisesti, yhteinen osajoukko 109 ominaisuuden EFMs löytyy AD ja SQ. Niistä, 56 eivät ole mukana CN, joka voi edustaa ytimen metabolisen verkon keuhkosyöpään aineenvaihduntaa. Toinen 53 EFMs ovat yleisiä meidän kolme skenaariota, paljastaen yhtäläisyyksiä syövän ja terveen kudoksen.

Jotta voidaan havaita tarkempia reittejä ja aineenvaihduntatuotteiden AD ja SQ, vertasimme ominaisuus ja ero EFMs SQ ja AD, kuten on esitetty kuvioissa 2 B ja 2C, vastaavasti. Kuten edellä todettiin, me pidetään SQ näkyvästi ne EFMs ominaisuus SQ ja säädellään ylöspäin SQ; analogisesti, AD näkyvä EFMs ovat tyypillisiä AD ja säädellään ylöspäin AD. Havaitsimme 46 SQ näkyvä EFMs ja 13 AD näkyvästi EFMs, eli ominaisuus EFMs jotka ovat samalla ero EFMs. Kuitenkin näiden EFMs, 20 SQ näkyvä EFMs ja 13 AD näkyvä EFMs havaittiin olevan luonteenomainen sekä syövän kudoksissa. Tämä merkitsee sitä, että vaikka on läsnä molemmissa kudoksissa, niiden aktiivisuus on suurempi SQ ja AD, vastaavasti. Lisäksi olemme havainneet yksi selvä vääriä positiivisia SQ ero EFMs eli EFM differentiaalisesti ilmaistut SQ joka on vain ominaisuus AD, ja kaksi vääriä positiivisia AD ero EFMs.

AD ja SQ näkyvästi input /output aineenvaihduntatuotteiden

edellä esitetyt tulokset osoittavat, että lähestymistapamme pystyy erottamaan näkyvä EFMs AD ja SQ keuhkosyövässä. Jotta kääntää nämä tiedot käytännöllisempi oivalluksia, keskityimme tulon ja lähdön aineenvaihduntatuotteiden mukana näissä 46 SQ ja 13 AD näkyvästi EFMs, vastaavasti. Havainnollisuuden harkita kuvio 3, joka esittää SQ näkyvä EFM vievää

glyseroli

(GLYC) ja

L-alaniinia

(ala-L), tulo aineenvaihduntatuotteiden, ja tuottaa

L- seriini

(ser-L) ja

L-laktaatti

(lac-L), lähtö aineenvaihduntatuotteita.

Ellipses edustavat aineenvaihduntatuotteiden ja nuolet edustavat reaktioita. Valkoinen ja mustat pisteet sisällä nuolet edustavat palautuva ja palautumaton reaktiot, vastaavasti. Kukin metaboliitti on kuvattu sen vastaavan osaston sulkeissa: [e], solunulkoisen, ja [c], sytosoliin. Harmaa ja valkoinen ellipsejä edustavat ulkoisen ja sisäisen aineenvaihduntatuotteita, vastaavasti. Nimikkeistöä aineenvaihduntatuotteiden ja reaktiot otettiin [5] ja se sisältyy File S1.

Koska nämä EFMs saatiin ihmisen genomi-asteikko metabolinen verkko, nämä tulon ja lähdön aineenvaihduntatuotteiden vastaavat pääosin substraatteja (otto) ja erittyy tuotteiden keuhkosyöpää ja siksi voitaisiin mitata bio-nesteiden ja täplikäs biomarkkereina. Näin ollen tämä lähestymistapa voisi täydentää metabolomic tutkimuksia.

Me täällä analysoida input /output aineenvaihduntatuotteet mukana AD ja SQ näkyvästi EFMs. Erityisesti olemme määritelleet input /output aineenvaihduntatuotteet läsnä 46 SQ ja upSQ EFMs, mutta ei upAD ja, jos mahdollista (ei), AD ja CN. Metaboliitit kutsutaan SQ näkyvästi. Oletamme for SQ näkyvä aineenvaihduntatuotteiden korkeampi otto (tulot) ja eritys (lähdöt) vuon kuin AD ja siksi niitä voitaisiin käyttää erottamaan SQ ja AD. Sama voidaan tehdä 13 AD ja upAD EFMs. Kuitenkaan mitään tuloksia kohteisiin havaittiin tässä tapauksessa.

Taulukossa 2 esitetään yhteenveto merkittävimpien SQ näkyvä sisäänottoa ja aineenvaihduntatuotteiden saatu. Tarkemmat tiedot löytyvät File S1. Perustuen kirjallisuuden, keskustellaan alla edellinen toimii roolia näiden metaboliittien.

Suurempi solunsisäinen runsaus

methylglyoxal

SQ verrattuna AD on aikaisemmin raportoitu [19 ], joka on selvä menestys meidän lähestymistapaa. Lisäksi korkea ilmentyminen

deaminoneuraminic ACI

d sekä SQ ja AD kudosten todettiin [20]. Kuitenkin lähestymistapamme ennusti tärkeämpi rooli SQ, joka vaatii lisätutkimuksia vahvistettava. Huomaa myös, että molemmat

metyyliglyoksaalin

ja

deaminoneuraminic ACI

d sisällytetään tyypillisesti erilaisia ​​proteiineja ja niiden läsnäolo eri Biofluids ei ole tutkittu.

Koska esitetyt tulokset [ ,,,0],19], on kyseenalaista, mitä syy, miksi

deaminoneuraminic happo

ei osallistu alaryhmässä ominaisuus EFMs AD. On todettava, että lähde todisteiden geeniekspression data. SQ löysimme säännöllinen lauseke malli osallistuvien geenien EFMs tuottavat

deaminoneuraminic happo

, mutta ei AD. Tämä ei sulje pois, että on tärkeää

deaminoneuraminic happo

AD, kuten transkription jälkeisiin muutoksia voi tapahtua.

osalta

tetrahydrofolaatista

ja

heptaglutamyl folaatin

, eri suorituskyky

folaatin

aineenvaihduntaa AD ja SQ on hiljattain selvitetty [21]. Tässä työssä, on raportoitu, että

gamma-glutamyyli hydrolaasi

entsyymi, joka poistaa polyglutamaatin ketjuja polyglutamylated folaatin, helpottaa paeta folaatin sisällä soluista, on suurempi SQ kuin AD. Tämä on erityisen linjassa hypoteesia.

[22], he löysivät korkeampi, mutta ei-merkitsevä taso

L-fenyylialaniini

,

glutamaatti

ja

glyserolia

seerumissa AD potilaista. Tämä on consonance meidän tuloksia, jotka viittaavat siihen merkittävä soluunottoa näiden metaboliittien SQ. Muiden aminohappojen näkymisen joukko EFMs (

L-alaniini

,

glutamiinia

ja

L-seriiniä

), jota ei ole esitetty taulukossa 2, välisen vertailun AD ja SQ ei ole saatavilla [22]. Kuitenkin he löysivät merkittävää muutosta heidän seerumin välillä keuhkosyöpää ja potilaisiin.

Muilta aineenvaihduntatuotteiden, lisätutkimusta tarvitaan vahvistamaan niiden tehtävä AD ja SQ. Kuitenkin lukuun ottamatta

D-mannoosista

, voisimme löytää selvää yhteyttä näiden metaboliittien syöpään. Esimerkiksi [23], joka on korkeampi vapautuminen

asetonia

löydettiin henkäys keuhkosyöpäpotilaita kuin terveillä vapaaehtoisilla. Lisäksi alhaisempi

-asetasetaattia

havaittiin pahanlaatuisten Pleuraeffuusiot [24]. Toisaalta, kertyminen

alfa-N-fenyyliasetyyli-L-glutamiinia

on aiemmin hypoteesi kuin virtsan biomarkkerina virtsarakon syövän [25], ja näin ollen se muodostaa houkutteleva hypoteesi on tutkittava.

Huomaa, että kuten kuviossa 1 on esitetty, EFMs voidaan yhdistää eri kanoniset metaboliareittiä ja paloja niitä. Meidän sarja 46 SQ näkyvästi EFMs, yleisimmät kanoniset reitit ovat hajoaminen

glyseroli

ja

D-mannoosi

sekä biosynteesin

seriini

ja

glutamiini

.

koska tulokset esitetään taulukossa 2, on selvää, että EFMs ovat informatiivisempi kuin kanoninen polkuja, koska luettelo mahdollisista metaboliiteista on laajempi, kun EFMs suoraan kuulusteltu. Tämä osoittaa potentiaalin lähestymistavan suhteen perustuvia menetelmiä kanoninen polkuja.

Johtopäätökset

käsite Elementary Flux tila ei ole uusi systeemibiologiassa [10]. Kuitenkin niiden laskenta on mahdotonta genomin mittakaavassa verkkojen viime aikoihin asti, mikä on rajoittanut niiden käyttöä analysoida -omics tietoja. With kynnyksellä optimoinnin-tekniikat [26] – [29], suorituskyky algoritmien laskea EFMs genomin mittakaavassa aineenvaihdunnan verkkojen paranee nopeasti. Nämä edistysaskeleet ovat mahdollistaneet meille mahdollisuuden määrittää merkittävän joukon EFMs eri eliöiden, kuten on esitetty [11] ihmisen aineenvaihduntaa. Näiden pohjalta ja -omics tietojen tarkemman kuvan aineenvaihduntaan saadaan eri skenaarioissa.

Tässä artikkelissa olemme tunnistaneet keskeinen EFMs sekä AD ja SQ NSCLC perustuu geenien ilmentyminen tietojen löytäminen eri aineenvaihdunnan allekirjoitus. Tätä varten käytimme ja laajensi lähestymistapa esitetään [11], jossa on geeniin perustuva luokitus i) absoluuttisen ja ii) differentiaalikaavojen analyysi, jotka ovat toisiaan täydentäviä ja antaa meille mahdollisuuden tarkempia tuloksia.

on ollut paljon keskustelua kirjallisuudessa korreloimisesta mRNA ja proteiini tasoilla sekä aineenvaihdunnan virtaamista. Se, missä määrin transcriptomic data korreloi proteomic ja fluxomic data on vielä avoin kysymys [30]. Kuitenkin eri viimeaikaisiin ovat osoittaneet merkitystä geenin ilmentymisen tietojen ennustamiseksi metabolisen fenotyyppejä, esim. [7], [31], joka kuvaa arvoa lähestymistapoja kuin yksi esitetään tässä. Huomaa myös, että lähestymistapamme on yleinen ja sitä voitaisiin soveltaa proteomic ja metabolomic aineistoja, voittaminen transkription jälkeisiin muutoksiin.

lähestymistapaa käytettiin tunnistamaan tulon ja lähdön aineenvaihduntatuotteiden eri toimintaa AD ja SQ NSCLC. Löysimme useita näistä metaboliiteista, löytää hyvä kanssa aiemmin raportoitu kirjallisuudessa. Meidän lähestymistapamme, joka perustuu EFMs ja geenien ilmentyminen tietojen, avaa uusia mahdollisuuksia opiskeluun uusien biomarkkereiden (aineenvaihduntatuotteiden) kuvaavat eri kliinisiä tuloksia. Huomaa, että määrä geenin ilmentymistä tietoja eri syöpäsolulinjoissa ja potilaiden on massiivinen [12]. Käyttämällä näitä tietoja osana tässä esiteltyä lähestymistapaa voisi ohjata metabolomic kokeiluja ja biomarkkereiden löytö plasman /virtsanäytteistä, erityisesti vaikeus tulkita metabolomiikan spektrin ei-kohdennettuja.

tukeminen Information

Tiedosto S1.

Sisältää neljä Excel laskentataulukoita määritellään i) nimet ja lyhenteet reaktioiden ja metaboliittien mukana käytetään ihmisen aineenvaihdunnan verkon jälleenrakentamiseen [5], ii) tiedot EFMs valittu ominaisuus /ero yleisestä asetettu koottu [11] , iii) aktiivisuus EFMs valittu ominaisuus /ero eri keuhkosyövän skenaarioita, ja iv) jatkeena Taulukko 2, mukaan lukien täydelliset tiedot SQ ja AD erityisiä otto ja erittyy metaboliitteina.

doi: 10,1371 /journal.pone. 0103998.s001

(XLSX) B

Kiitokset

Tekijät haluavat kiittää professori Rubén Pío hänen hyödyllisiä kommentteja biologisen tulosten tarkastelu.