Krooninen sairaus

tiivistelmä

MikroRNA (miRNA), luokka endogeenisiä pieniä sääntelyn RNA: t, tärkeitä rooleja monissa biologisten ja fysiologisten prosessien . Häiriöihin joitakin miRNA, joita yleensä kutsutaan onkopsykologista MikroRNA (onkopsykologista Mirs), liittyvät merkittävästi useissa vaiheissa syöpä. Vaikka satoja miRNA on löydetty, häirityn miRNA säätelyverkkoja ja niiden toiminnot ovat edelleen huonosti syövän. Analysoimalla ekspressiomalleja miRNA kohdegeenien on erittäin hyödyllinen strategia päätellä häirityn miRNA verkoissa. Kuitenkin monimutkaisuuden vuoksi syövän transcriptome nykyisiin menetelmiin kohtaavat usein alhainen herkkyys ja raportoi muutama onkopsykologista miR ehdokkaita. Täällä, kehitimme uuden menetelmän, nimeltään miRHiC (rikastus analyysi miRNA tavoitteiden Hierarkkinen geenin ilmentäminen rinnakkain allekirjoitukset), päätellä häirityn miRNA säätelyverkkoja käyttämällä hierarkkista ilmentäminen rinnakkain allekirjoitusta laajamittaista syöpää geeniekspression aineistoja. Menetelmää voidaan päätellä onkopsykologista miR ehdokkaita ja niiden tavoite verkot, joita ainoastaan ​​sidoksissa alaryvästä differentiaalisesti ilmentyvien geenien hienoja asteikot koekspressio hierarkia. On kaksi todellista aineistoja keuhkosyöpää ja hepatosellulaarinen syöpä, miRHiC paljastui useita tunnettuja onkopsykologista MIRS ja niiden kohdegeenien (kuten miR-26, miR-29, miR-124, miR-125 ja miR-200) ja tunnistettiin myös monia uusia ehdokkaat (kuten miR-149, joka on johtaa molemmissa syövät). Käyttämällä hierarkkinen geeni koekspressoimalla allekirjoituksia, miRHiC voi parantaa herkkyys inferring häirityn miRNA säätelyverkkoja syövässä. Kaikki Perl-skriptit on miRHiC ja yksityiskohtaiset asiakirjat ovat vapaasti saatavilla verkossa osoitteessa https://bioinfo.au.tsinghua.edu.cn/member/jgu/miRHiC/.

Citation: Gu J, Xuan Z (2013) päättelemällä häirityn microRNA Regulatory Networks in Cancer käyttäminen Hierarkkinen Gene Co-Expression allekirjoitukset. PLoS ONE 8 (11): e81032. doi: 10,1371 /journal.pone.0081032

Editor: Joaquin Dopazo, Centro de Investigacion Principe Felipe, Espanja

vastaanotettu: toukokuu 29, 2013; Hyväksytty: 09 lokakuu 2013; Julkaistu: 20 marraskuu 2013

Copyright: © 2013 Gu, Xuan. 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 työ tukevat National Basic Research Program of China [2012CB316503], National Natural Science Foundation of China [61005040, 61370035], National Institute of Health [U01 ES017166] ja Tsinghuan National Laboratory for Information Science and Technology Cross-kuria 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

MikroRNA (miRNA) ovat luokan pieni (~22 nt) sääntelyn RNA: iden, jotka tärkeitä rooleja monissa tärkeitä biologisia ja fysiologisia prosesseja, kuten alkion kehityksen, syövän etenemiseen ja immuunivastetta. Noin 1400 miRNA on tunnistettu ihmisen ja yli 30% tunnetaan proteiinia koodaavan geenejä mahdollisesti säätelee evoluution säilytetyn miRNA [1], [2]. Häiriöihin noin miRNA, yleensä kutsutaan onkopsykologista MikroRNA (onkopsykologista Mirs, mukaan lukien sekä onkogeeninen ja tuumoria tukahduttavan miRNA tässä tutkimuksessa), on raportoitu olevan merkittävästi yhteydessä useissa vaiheissa syöpä. Mutta toistaiseksi, vain muutamia satoja miRNA liittyy monimutkaisia ​​dys-säädellään solun prosessit syöpä. On olemassa suuri tarve inferring häirityn miRNA säätelyverkkoja ja niiden toiminta syövässä [3].

päätellä häirityn miRNA sääntelyverkon, yksi suosittu strategia analysoida miRNA kohdegeenin asetettu rikastusta in ilmentyvät eri geenistä allekirjoitukset. Tämä sisältää monia kehittyneitä menetelmiä, kuten geeniperimä analyysi hyper-geometriset testi (HG-testi, tai Fisherin testiä); GSEA (geeni asetettu rikastamiseen analyysi) [4], [5]; FAME (toiminnallinen osoittamiseksi miRNA kautta rikastamiseen) [6]; ja miRBridge [7], joka olettaa, että kohdegeenin asetettu rikastusta heijastavat häiriöiden niiden alkupään miRNA sääntelyä vahvuuksia. Mutta koska monimutkaisuuden syövän transcriptome, nämä menetelmät yleensä on alhainen herkkyys päätellä onkopsykologista miR ehdokkaita (tässä ”herkkyys” pääasiassa tarkoittaa määrää päätellä onkopsykologista miR ehdokkaita ja tietyllä tilastollinen merkitsevyystaso).

Syöpä on monivaiheinen ja sekoitetaan prosessi, johon liittyy yleensä monia hierarkkisesti järjestäytynyt osaprosessit säädellään useilla mittakaavoissa [8]. Mirna määräykset osoittavat myös omaisuutta usean mittakaavan [9]: muutaman miRNA, joka auttaa määrittämään solutyyppejä tai cellular todetaan, tukahduttaa satoja kohdegeenin ilmaisuja säilyttää solutyypin tai cellular valtion erityinen ilmaisu profiileja kuten miR-124 aivoissa ja miR-1, miR-133 lihaksessa [10], [11], [12]; mutta monet muut miRNA saa säädellä tiettyjä prosesseja kohdistamalla pieni ryhmä läheisesti liittyvien geenien. Entinen sellainen ehdokas onkopsykologista MIRS voidaan helposti tunnistaa analysoimalla rikastamista niiden kohdegeenien koko joukko differentiaalisesti ilmentyvien geenien, mutta jälkimmäisiä usein huomaamatta nykyisiä menetelmiä riittämättömän kohdegeenin rikastusta on ilmennetty eri geenejä tai koekspressio allekirjoituksia käyttäen ennalta määriteltyjä samankaltaisuus cutoffs.

tässä tutkimuksessa ehdotimme uutta strategiaa päätellä onkopsykologista Mirs ja niiden levoton säätelyverkkoja. Siinä otetaan huomioon usean mittakaavan ja hierarkkisesti järjestäytynyt sääntelyrakenteiden differentiaalisesti ilmentyvien geenien geenien ilmentäminen rinnakkain tietoa, ja hienosäätää asteikot geenin ilmentäminen rinnakkain hierarkia analysoida miRNA kohdegeenin asetettu rikastamiseen. Meidän menetelmä, nimettiin miRHiC (rikastaminen analyysi miRNA tavoitteiden Hierarkkinen geenin ilmentäminen rinnakkain allekirjoitukset), voidaan päätellä häirityn miRNA säätelyverkkoja syövän analysoimalla rikastusta on miRNA kohdegeenin sarjaa hierarkkisessa geenin ilmentäminen rinnakkain allekirjoituksia. Nämä geeni allekirjoitukset vahvistettiin hierarkkinen geeni koekspressoimalla klusterointia, yksi yhteinen tapa erottaa sekoitetun signaalit geeniekspressioprofiilien eri korrelaatio tasoilla. Vuonna miRHiC, Mirna kohdegeenin sarja ei tarvitse rikastettu koko joukko differentiaalisesti ilmentyvien geenien mutta sisällä mitään allekirjoitusta pienimittaiset geenin ilmentäminen rinnakkain hierarkia. Lisäksi suurempi herkkyys päättelemiseksi onkopsykologista miR ehdokkaita, toinen etu ottaen huomioon geenin ilmentäminen rinnakkain tiedot on vähentää melua päättelyprosessi vastaavan häirityn kohdegeenien: ”hajallaan” differentiaalisesti ilmentyvien geenien, joilla on vähän ilmentymiskuvio samankaltaisuus muiden geenien , jotka ovat todennäköisemmin ”false” miRNA tavoitteiden takia ilmaisun ääniä [13], on jätetty analyysin aikana. On kaksi suurta syöpää geeniekspression aineistoja, miRHiC onnistuneesti tunnistettu useita tunnettuja onkopsykologista MIRS ja myös päätellä monia uusia ehdokkaita.

Materiaalit ja menetelmät

Mirna kohdegeenien

miRNA ja niiden kohdegeenien (miRNA samasta perheestä sulautetaan yhdeksi erä) uutettiin TargetScan tietokannasta (v6.2) [1], [2]. Geeni pidettiin tavoitteeksi yhden miRNA, jos geeni sisältää ainakin yhden säilynyt ennustettu miRNA sidoskohdan sen 3′-UTR. Ja yhteenvetona konteksti pisteet (negatiivinen pisteet mitataan miRNA-kohde sääntelyn voimaa tai luottamusta, tarjoama TargetScan) tallennettiin kullekin miRNA-kohdeparin. Sitten me diskretoidaan yhteydessä tulokset osaksi

K

tasoilla: kaikki miRNA-kohde paria lajiteltiin niiden yhteydessä tulokset alenevassa järjestyksessä (parit sijoittui päällä on alhaisin asetus vahvuus) ja diskretoidaan pisteet mirna-kohde parin sijoitus

r

määriteltiin:

s

= 1+

b

[

rK Twitter /

N

]. Se tarkoittaa ensimmäinen 1 /

K

miRNA-kohde paria ovat alhaisimmat pisteet 1, kun taas viimeinen 1 /

K

paria on korkeimmat pisteet 1+

b

(

K

-1). Mukaan viite. [6],

K

on asetettu 5 ja

b

kuin 3 tässä tutkimuksessa.

Ohjaus miRNA kohdegeenin sarjaa kertyi kaksijakoinen verkko pohjainen satunnainen permutaatio n miRNA-kohde paria samalla diskretoidaan tulokset mutta pitää koossa kaikkien kohdegeenin sarjaa. Tällainen tiukat permutaatio menettely voi tuottaa ohjaus miRNA kohdegeenin sarjaa, jotka säilyttävät tilastolliset ominaisuudet paljon parempi kuin satunnaistamisen ilman rajoituksia [6].

Cancer geenien ilmentyminen tietojen

testata miRHiC on kaksi suurta syöpää geeniekspression aineistoja ladata NCBI GEO tietokannasta: 1) keuhkosyöpä (LUC) aineisto, GSE19804 lukien 60 pariksi syöpää ja para-syöpänäytteissä; ja 2) maksasolusyövän (HCC) aineisto, GSE22058 lukien 96 pariksi syöpää ja para-syöpänäytteissä. Välttää ääniä nöyrä ilmaistuna geenejä, me vain piti geenejä, joiden ilmentyminen arvojen listalla ylhäällä 10000 vähintään 30% näytteistä kussakin aineisto. Sitten ilmennetty eri geenit tunnistettiin p-arvo 0,0001 käyttäen t-testiä (p-arvot olivat useita testaus säätää BH korjaus). Havaitsimme 3397 ja 5699 ilmentyvät eri geenit LUC ja HCC aineistoja, vastaavasti.

miRHiC: rikastaminen analyysi miRNA tavoitteiden Hierarkkinen geenin ilmentäminen rinnakkain allekirjoituksia

miRHiC ehdotettiin päätellä häirityn miRNA säätelyverkkojen syövän sisällyttämällä hierarkkisesti järjestäytynyt koekspressio tietoa differentiaalisesti ilmentyvien geenien ensinnäkin hierarkkinen geeni ilmentäminen rinnakkain allekirjoitukset perustettiin ryhmittelemällä differentiaalisesti ilmentyvien geenien perustuu pairwise geeni koekspressoimalla korrelaatioita; sitten miRNA kohdegeenin setti rikastaminen analysoitiin yli hierarkkinen ilmentäminen rinnakkain allekirjoitusta; ja lopuksi, permutaatio testiä käytettiin arvioimaan tilastollinen merkitys rikastus (kuva 1).

Ensimmäisessä vaiheessa ilmentyvät eri geenit ryhmittyneet kuten hierarkkinen geeni koekspressoimalla allekirjoitusta; sitten, merkittävin rikastusta miRNA kohdegeenin setti havaittiin kaikkialla hierarkkinen allekirjoitukset; ja lopuksi, permutaatio testiä käytettiin arvioimaan empiirinen p-arvo rikastamiseen.

1) Hanki hierarkkinen geenin ilmentäminen rinnakkain allekirjoituksia.

Ensinnäkin, keskimääräinen sidos hierarkkinen klusterointi toteutetaan klusterin differentiaalisesti ilmentyvien geenien perustuu niiden pairwise koekspressoimalla korrelaatioita. Vähentämään ääniä johtuvat huonosti korreloi geenien, hierarkkinen klusterointi pysähtyy, jos geenin ilmentäminen rinnakkain korrelaatio on liian alhainen: käytimme korrelaatio z-pisteet 0,52 cutoff tässä tutkimuksessa (noin p-arvo 0,3; z- pistemäärä tahansa korrelaatio taso lasketaan käyttäen Fisherin muunnos). Tämä sulku näkyy muutamia vaikutteita tuloksista sillä LUC aineisto, kun z-sulku muuttui 0,3-0,9 askeleelta 0,1, hierarkkinen klusterointi lopetettiin lähes samassa paikassa. Sitten poimimamme geenin ilmentäminen rinnakkain allekirjoituksia (stabiili geeni koekspressoimalla klustereiden) eri korrelaatio mittakaavoissa liikkumisesta koekspressio hierarkian lehtiä juuresta (korrelaatio vähenee ja koko allekirjoitusten kasvaa kun läpikäymiseen hierarkian lehtiä root). Yksityiskohdat allekirjoituksen louhinta algoritmi on esitetty käyttäjän käsikirja kautta miRHiC verkkosivuilla.

2) Analysoi miRNA kohdegeenin asetettu rikastusta hierarkkisessa geenin ilmentäminen rinnakkain allekirjoituksia.

j

nnen geenin ilmentäminen rinnakkain allekirjoitus hierarkiassa, voimme löytää päällekkäinen geenit välillä allekirjoituksen (merkitään

S

j

) ja

i

– th miRNA kohdegeenin setti (merkitään

t

i

), ja sitten laskea raaka rikastamiseen pisteet yhteen diskretoidaan TargetScan tulokset (katso yksityiskohdat pisteet diskretoin edellä jaksossa) on päällekkäin geenejä

i

nnen miRNA:

p-arvo

p

ij

tähän rikastamiseen arvioitiin tarkastelemalla rikastamiseen tulokset

ES

ij

(

r

) 10000 koon sovitetun pistokokeet miRNA kohdegeenin sarjaa:

Saatuaan rikastusta kaikissa hierarkkinen geeni koekspressoimalla allekirjoituksia (

J

= 1, 2, …),

P

-score

P

i

varten

i

nnen miRNA oli laskettuna p-arvo merkittävimmistä rikastamiseen:

P

-score käytettiin mittaamaan miRNA kohdegeenin rikastamiseen koko geenin ilmentäminen rinnakkain hierarkia.

3) Laske tilastollinen merkitys

P

-score Based rikastusta.

P

-score on minimaalinen joukko p-arvot, niin se ei ole tasaisesti jakautunut pitkin 0~1 (jännitetty 0). Sitä ei voi suoraan käyttää mittaamaan tilastollista merkitystä rikastamiseen. Jälleen käytimme permutaatio testi arvioida tilastollinen merkitys P-pisteet: P-pisteiden

P

i

(

r

) 10000 koon sovitetun kontrolli miRNA kohdegeenin setit laskettiin edellä vaiheet; ja empiirinen p-arvo

p

i

P-pisteet

P

i

laskettiin:

empiirinen p-arvo

p

i

käytettiin mittaamaan tilastollista merkitystä miRNA kohdegeenin asetettu rikastamiseen koko hierarkkinen geeni koekspressoimalla allekirjoituksia. Korjaa useita testi, fdrtool käytettiin laskemiseen

q

-arvot mukaan empiiriset p-arvot [14].

Vertailut muihin menetelmiin

miRHiC oli verrattuna Gene Set Enrichment Analysis (GSEA) ja geeniperimä analyysi hyper-geometriset testi (HG-testi). GSEA on paljon käytetty keino päätellä häirityn geenin sarjaa ottamalla jatkuvia arvoja ja sijoitus tiedot ero geeniekspressioiden [5]. Verrattaessa miRHiC kanssa GSEA, kannen muutokset geeniekspressioiden syövän ja normaalin näytteitä käytettiin GSEA ja samalla miRNA kohdegeenin asetettu permutaatio menetelmää käytettiin laskettaessa empiiriset p-arvot.

GSEA ja HG- testikäyttöön eri laskennallisten mallien mitata geeniperimä rikastusta kanssa miRHiC. Suoraksi testaamiseksi etu käyttää hierarkkista geenin ilmentäminen rinnakkain tietoa, käytimme differentiaalisesti ilmentyvien geenien ainoana allekirjoitus ja juoksi miRHiC sitä. Sillä selvä esitys, nimesimme tätä lähestymistapaa miRDeG (rikastaminen analyysi miRNA tavoitteiden ilmentyvät eri geenejä).

Lukuun hierarkkinen klusterointi,

k

yhdistetty elin klusterointia on toinen yleisesti käytetty algoritmi tuottaa geeni co-ilme allekirjoituksia. Algoritmi voi osioida kaikki ilmentyvät eri geenejä

k

ei-päällekkäiseen klustereita. Toisin hierarkkinen klusterointi,

k

yhdistetty elin on vaikea sulkea huonosti korreloi geenien asettamalla mitään kynnystä. Vertailussa käytettiin

k

yhdistetty elin (

k

asetetaan 5 tai 10) saada geenin ilmentäminen rinnakkain allekirjoituksia. Sitten ajaa samaa menettelyä analysoida miRNA tavoite rikastusta luodussa allekirjoituksia eri

k

. Olemme nimenneet tätä lähestymistapaa miRKM (miRKM5 ja miRKM10) alla olevista osiossa.

Tulokset

arvioiminen empiiriset p-arvot ilman vääristymiä miRHiC

Sen osoittamiseksi, että miRHiC ei ole ongelmaa yliarviointi tilastollinen merkitykset, me syntyy 100 koko sovitettua kontrolli kohdegeenin vahvistaa kunkin miRNA, ja sitten lasketaan jakaumat empiirisen p-arvot niiden rikastuksissa hierarkkisessa geenin ilmentäminen rinnakkain allekirjoituksia miRHiC . Jos miRHiC ei ole bias arvioimiseksi empiiriset p-arvot, p-arvoja näiden ohjaus miRNA kohdegeenin sarjaa olisi tasaisesti jakautunut 0~1. Kuten odotettua, tulokset osoittivat, että empiiriset p-arvot jakautuvat tasaisesti (kuvio 2). Toinen mahdollinen puolueellisuus vaikuttavat empiirinen p-arvo johtuu eri kokoisia miRNA kohdegeenin sarjaa: jotkut miRNA on yli 1000 kohdegeenien kun taas jotkut vain alle 50 kohdegeenien. Laskimme Spearmanin listalla korrelaatio kokojen ja vastaavien empiiriset p-arvot geenin sarjaa. Korrelaatio on -0,015 (p-arvo tämän korrelaation 0,05), joka ehdotti, että empiiriset p-arvot eivät vaikuta koot geenin sarjaa. Näiden analyysien perusteella voimme päätellä, että miRHiC ei ole bias arvioimiseksi empiiriset p-arvot.

päättelemällä häirityn miRNA säätelyverkkoja syövän

miRHiC voi päätellä onkopsykologista Mirs ja niiden häirityn tavoite säätelyverkkojen analysoimalla miRNA kohdegeenin asetettu rikastumista hierarkkisessa geeni koekspressoimalla allekirjoitusta syöpä. On kaksi suurta geeniekspression aineistoja keuhkosyöpään (LUC) ja maksan syöpä (HCC), miRHiC päätellä 9 ja 8 perturbed miRNA tai onkopsykologista Mirs vastaavasti q-arvo 0,1. Saman q-arvo sulku, kolme verrattuna menetelmiin, GSEA, HG-testi ja miRDeG ei ole päätellyt mitään ehdokasta. Vaikka miRKM päätellä jotkut ehdokkaat (Luc aineisto, miRKM5 /10 johdettua 3/4 ehdokasta, ja HCC aineisto, miRKM5 /10 johdettua 6/3 ehdokasta), nämä luvut ovat edelleen alle miRHiC ja useimmat miRKM päätelmät katetaan miRHiC. Yksityiskohdat Tulokset esitetään taulukossa S1. Kaikista 17 päätelmiä miRHiC, 9 tukevat suoraan toiminnallinen todisteita kirjallisuudessa (LUC: miR-26, miR-29, miR-125, miR-130, miR-145 ja miR-200; HCC: miR-21, miR -124 ja miR-125). Nämä tulokset osoittavat, että miRHiC voi parantaa herkkyyttä onkopsykologista miR johtopäätöksiä (taulukko 1). Ottaen huomioon heterogeenisyys syövän transcriptome, bootstrap resampling toteutettiin tarkistaa vakautta johtopäätöksiä. Luc, 6 ulos 9 ehdokkaita voidaan toistuvasti päätellä yli 50% resampling kokeita (miR-125, miR-149, miR-340 ja miR-200 stabiilisti päätellä yli 80% kokeista). HCC, 5 out of 8 ehdokkaita voidaan toistaa päätellä (miR-125 ja miR-149 stabiilisti päätellä yli 60% kokeista).

katsomalla kohdennetun allekirjoitukset päätellyn onkopsykologista -miRs, huomasimme, että ne ovat eri geenin yhteistyön ilmaisuja hierarkioiden (kuva 3). Liittyvät toiminnot allekirjoituksista (rikastettua GO ehdot allekirjoitukset selityksin DAVID verkkotyökalu [15]) ovat merkittävästi liittyvät eri tunnusmerkkejä syövän, kuten solusykliä, hapetus vähentäminen, immuunivasteen, DNA korjaus, soluadheesion ja verisuonisto kehittämistä (taulukko 2). Nämä tulokset osoittavat, että monet miRNA on yhdistetty syöpään läpi eri osa sääntelyn ohjelmia. Esimerkiksi miR-200 tunnetaan tärkeänä säätelijänä angiogeneesin (lapsi termi ”verisuonistossa kehitys”). On olemassa useita kokeellisia validoitu kohdegeenien angiogeneesiä, mukaan lukien ZEB1 ja KDR [16], [17], [18], olemassa johdettua levoton miR-200 sääntelyyn verkkojen LUC aineisto. MiR-200 voi säädellä angiogeenisten kytkin keuhkosyövän näiden kohdegeenien. Hepatosellulaaristen syöpä, miR-21 ennustettiin säännellä ”immuunivaste” kohdistamalla CD69, STAT3, CCL20 ja Smad7, jossa STST3 ja Smad7 ovat tärkeitä molekyylejä varten immuunivasteen.

) on keuhkosyövän ja B) hepatosellulaarista syöpää. Ympyrä solmut edustavat geenin ilmentäminen rinnakkain allekirjoitukset (ClusterID: Size). Timantti solmut edustavat päätelty onkopsykologista Mirs. Numerot reunat ovat koot miRNA kohdegeenien päällekkäin vastaavan geenin ilmentäminen rinnakkain allekirjoituksia.

häirityn miR-149 osa-verkkojen jakavat kaksi syöpiä

onkopsykologista MIRS päätellä useita syöpiä voi olla tärkeämpi rooli syövän aloittamisen ja kehittämisen. Kaksi miRNA, miR-125 ja miR-149 oli päätellä miRHiC molemmissa syöpiä. Sillä johdettua levoton miR-125 säätelyverkkojen, on vain kolme yhteiset tavoitteet (CDK16, TOMM40 ja KIAA1522), mikä viittaa siihen, että miR-125 voi säädellä eri reittejä näiden kahden syöpiä. Vaikka Mir-149, sen häirityn säätelyverkkojen osoittavat merkittävää kohde päällekkäin yhteinen alaverkon lukien 14 yhteisiä tavoitteita. Ja 14 tavoitteet ovat jatkuvasti yli-ilmentynyt syövän kudoksissa (kuva 4).

Keskimääräinen log-transformoituja kertainen muutoksia jaetun kohdegeenien on myös esitetty alla olevassa taulukossa.

MiR-149 on nisäkäs konservoitunut miRNA. Muutama tutkimukset osoittavat, että miR-149 geneettisten polymorfismien liittyy syövän riskiä [19], [20]. Sen ilme on epigeneettisellä vaiennetaan DNA hyper-metylaatio kolorektaalisyövässä [21]. Mutta miR-149 säätelyverkkojen tunnetaan edelleen huonosti syövän. Päätellä häirityn verkot tarjoavat tärkeitä oivallus miR-149 määräykset: useimmat korkea luottamus tavoitteet (korkean TargetScan tulokset) jaetussa aliverkossa liittyvät joitakin olennaisia ​​biologisten prosessien, kuten SRPK1 (seriini /arginiini-rikas liittämiseen tekijä kinaasi 1) ja CCT3 (chaperonin sisältävät TCP1, alayksikön 3). SRPK1 koodaa seriini /arginiini proteiinikinaasi spesifisiä SR (seriini /arginiini-rikas domain) perheen liitos tekijöistä. SRPK1 on yliaktiivista keuhkosyöpä ja monet muut syöpätyyppeihin [22], [23]. CCT3 on alayksikkö molekyylitasolla kaperoniproteiinina (chaperonin sisältävät TCP1 kompleksi) auttaa kertainen aktiini /tubuliinia ja se voi positiivisesti säädellä solusyklin [24], [25]. CCT3 yli-ilmentyminen on myös raportoitu liittyvän paksusuolen syövän [26] ja maksasyövän [27]. Joten, miR-149 voi toimia kuten syöpää estävien kohdistamalla nämä onkogeenien.

Keskustelu

Analysoidaan miRNA kohdegeenin asetettu rikastumisen differentiaalisesti ilmentyvien geenien laajamittaisten geeniekspressioprofiilien voi suuresti edistää meidän käsityksiä häirityn miRNA määräyksiä. Mutta koska monimutkaisuuden syövän transcriptome, on haasteellista päätellä häirityn miRNA asetukset yksinkertaisesti analysoimalla miRNA kohdegeenin asetettu rikastumista koko differentiaalisesti ilmentyvien geenien. Tässä tutkimuksessa kehitimme miRHiC päätellä häirityn miRNA säätelyverkkoja syövän sisällyttämällä hierarkkinen geenin ilmentäminen rinnakkain tiedot miRNA kohdegeenin asetettu rikastamiseen analyysi. Tulokset osoittivat, että miRHiC on paljon suurempi herkkyys päätelmiä kuin yleisesti käytettyjä menetelmiä, kuten HG-testi, GSEA ja miRDeG (FAME), jotka kaikki eivät käytä hierarkkisen geenin ilmentäminen rinnakkain tietoa. Yli 50%: n päätellä onkopsykologista MIRS on laaja kirjallisuus tukee ja geenin co-ilmaisuja allekirjoitusten suunnattu näiden miRNA merkittävästi liittyy useita tunnusmerkkejä syöpä. Viimeaikaiset tutkimukset osoittavat myös, että geeni yhteistyössä ilmaisut voivat antaa tärkeää tietoa tunnistaa ”todellinen” kohdegeenien miRNA vuonna vastaava biologinen prosessi [13], [28], jotka viittaavat siihen, että kohdegeenien kanssa limittäin rikastettua ilmentäminen rinnakkain allekirjoituksia todennäköisemmin todellisia tavoitteita syöpä. Vaikka miRHiC paransi herkkyyden päätteleminen onkopsykologista Mirs ja niiden levoton tavoite verkot, muutama tunnettu onkopsykologista Mirs, kuten miR-126 keuhkosyöpää ja miR-122 maksasolukarsinoomassa, jäivät. Nämä jäi tapaukset viittaavat siihen, että muut laskennallisia malleja on kehitettävä tunnistamiseksi onkopsykologista Mirs joiden säätelyverkkojen ei voida selittää kohdegeenin rikastusta sisään ero geenien ilmentyminen allekirjoituksia.

pituudet 3′-UTR ovat vahvasti korreloi useita kohdennettuja miRNA ja yhteydessä tulokset. Rikastetusta allekirjoitukset voidaan merkittävästi suosia niitä, joilla pidemmän 3′-UTR. Käytettäessä hyper-geometrian koe analysoida rikastusta on miRNA kohdegeenin sarjaa, huomasimme, että allekirjoitukset kohteena johdettua miRNA on paljon pidempi keskimääräinen pituus on 3′-UTR. Kuitenkin, kuten FAME [6], miRHiC käytetään bi-partite kuvaaja, joka perustuu permutaatio menetelmää, joka voi vähentää suuresti tämän bias: keskimääräinen pituus 3′-UTR geenien allekirjoitukset kohteena oleviin päätellä onkopsykologista MIRS ovat 1314 nt ja 1449 nt LUC ja HCC aineistoja vastaavasti enintään nämä pituudet erilaisesti ilmentyvien geenien (1424 nt ja 1470 nt, vastaavasti).

miRHiC tarjoaa yleisen strategian analysoida miRNA mukaan käytettäessä hierarkkista allekirjoituksia . Erilaiset hierarkkinen klusterointi menetelmiä voidaan käyttää saamaan hierarkkisen geenin ilmentäminen rinnakkain allekirjoituksia. Lisäksi geenin ilmentäminen rinnakkain, toiminnalliset ja sääntelyyn vuorovaikutukset geenien (esimerkiksi proteiini-proteiini vuorovaikutusten, transkription määräyksiä ja kirjallisuutta co-esiintymät) voidaan edelleen integroida luoda hierarkkinen geeni allekirjoitukset. Tulemme jatkuvasti testaa miRHiC strategiaa käyttäen erilaisia ​​toteutuksia.

Jotta saat paremman hallinnan sarjaa miRNA kohdegeenin sarjaa, miRHiC käytetty kahdesti partite kuvaaja pohjainen permutaatio. Mutta tämä permutaatio menetelmä on aikaa vievä. Myös laskennallinen taakka on korkea laskettaessa empiiriset p-arvot Sisäkkäisistä tavalla koko hierarkkinen geenin ilmentäminen rinnakkain allekirjoituksia. Aiomme kehittää nopeammin algoritmin vähentää tarpeettomia arvioinnin laskut p-arvojen tulevaisuudessa.

tukeminen Information

Taulukko S1.

yksityiskohtaiset tulokset miRHiC, GSEA, HG-testi, miRDeG ja miRKM.

doi: 10,1371 /journal.pone.0081032.s001

(XLSX) B

Kiitokset

Kiitämme Dr Xiaotu Ma ja professori Yanda Li laajoja keskusteluja. Kiitämme Rui Fu ja Chao Hän ohjelmistokehitykseen ja validointi.