Abstract
perfis de expressão gênica têm atraído grande atenção em decifrar a patogênese dos cancros humanos. módulos de genes relacionados com o câncer poderiam ser identificados em redes de co-expressão e ser aplicado para facilitar a investigação do cancro e diagnóstico clínico. Neste trabalho, um novo método foi proposto para identificar módulos de câncer de pulmão de risco e avaliar os riscos de doenças baseados em módulos de amostras. Os resultados mostraram que trinta e uma módulos de câncer de risco foram intimamente relacionadas com os genes de câncer de pulmão a nível funcional e nível de interação, indicando que estes módulos e genes pode sinergicamente levar à ocorrência de câncer de pulmão. Nosso método foi provado ter uma boa robustez através da avaliação do risco de doença de amostras em oito perfis de expressão câncer (quatro para o câncer de pulmão e quatro para outros tipos de câncer), e teve um melhor desempenho do que o método WGCNA. Este método poderia prestar assistência ao diagnóstico e tratamento de cancros e uma nova pista para explicar os mecanismos de câncer
Citation:. Jia X, Miao Z, Li W, Zhang L, Feng C, Ele Y, et al. Module (2014) Cancer de risco Identificação e Módulo de Base de Avaliação de Risco de Doenças: Um Estudo de Caso sobre Câncer de Pulmão. PLoS ONE 9 (3): e92395. doi: 10.1371 /journal.pone.0092395
editor: Ying Xu, Universidade da Geórgia, Estados Unidos da América
Recebido: 12 Julho, 2013; Aceito: 21 de fevereiro de 2014; Publicação: 18 de março de 2014
Direitos de autor: © 2014 Jia et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados
Financiamento:. Subvencionado pela National Science Foundation Natural da China (No. 61272388 e No. 31301040); Oversea Scholars Projeto financiado pelo Departamento de Educação da Província de Heilongjiang (NO 1155H012.); E o Mestre Fundos de Inovação da Província de Heilongjiang (No. YJSCX2012-209HLJ e YJSCX2012-224HLJ). Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito
CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes
Introdução
o câncer é causado pela aberração de múltiplos genes e, assim, sua patogênese é muito complexo e inconclusivo [1], [2], [3]. genes relacionados com o cancro possui diversas funções [4], [5], enquanto que os genes com funções semelhantes poderão ser co-expressa [6], [7] e localizado em áreas vizinhas (conhecido como módulos de rede) [8], [ ,,,0],9], em redes biológicas. Os módulos de revelar o mecanismo de múltiplos genes subjacentes à doença e avaliar o risco da doença. identificação eficaz dos módulos de risco de câncer pode ajudar pesquisas de câncer [10], [11], [12], [13].
risco de doença de módulos relacionados com o cancro calculados a partir de um fundo biológico específico pode ser uma medida significativa para predição clínica de diagnóstico de câncer [14], [15], [16], [17], [18]. Várias abordagens computacionais foram desenvolvidos para a análise módulo de risco de doença, incluindo a detecção de agrupamentos de genes diferencialmente correlacionados e análises específicas de gene baseados na rede de co-expressão de [19], [20], [21], [22]. Por exemplo, a análise de redes ponderada de co-expressão do gene (WGCNA) é uma técnica madura e identifica como módulos de genes candidatos a biomarcadores ou alvos terapêuticos baseados na rede de co-expressão de [23], [24]. WGCNA tem sido utilizada para estudar doenças complexas, tais como a síndrome metabólica [25], a esquizofrenia [26], e insuficiência cardíaca [27]. As atividades dos módulos de risco de doença de expressão foram (induzido ou reprimido) diferentes entre as condições clínicas (em andamento tumor) [14].
Além disso, é possível identificar os módulos de risco de câncer de redes de co-expressão através da rede métodos baseados. A análise de redes de co-expressão de genes mostra que os genes dentro dos mesmos módulos parecem ter padrões de expressão semelhantes, compartilhar mecanismos reguladores comuns [28], [29], [30], e, portanto, têm fortes associações com funções biológicas específicas que determinam a comportamentos ou fenótipos de células [31], [32]. Módulos derivadas de rede de co-expressão foram organizados em uma estrutura de ordem superior correlacionada com características clínicas, que forneceu insights sobre a biologia subjacente de glioma [33]. Quatro módulos de câncer de ovário de uma rede de co-expressão foram distinguidos a ser significativamente associada com os processos biológicos, tais como ciclo celular e replicação do DNA na Gene Ontology (GO) categorias [34]. Os módulos de co-expressão com a diferenciação associados T-helper e TGF-beta vias melhoria do resultado clínico de cancros da mama hormona-insensível após o tratamento [35]. Além disso, as assinaturas de amostra /etiquetas em consideração na avaliação dos módulos de risco relacionados ao câncer iria oferecer uma nova pista para revelar os mecanismos de doenças [36]. Pesquisas têm revelado que é necessário explorar as relações entre as funções dos genes e os riscos de doenças [37], [38]. As redes de co-expressão tendo em conta as funções biológicas seria mais robusto e autêntica [39], [40], e os módulos obtidos a partir destas redes pode refletir melhor a informação função das doenças.
Neste papel, um novo método foi proposto para identificar módulos cancro risco e avaliar os riscos de uma doença à base do módulo de amostras. Uma rede de co-expressão altamente confiável com informações similaridade funcional foi construído usando perfis de expressão no câncer de pulmão, e em seguida foram identificados os módulos candidatos. Os riscos de câncer dos módulos foram marcados através da introdução de etiquetas de amostra, então os módulos significativas câncer de risco foram rastreados por ensaios clínicos randomizados. Finalmente, os riscos de doenças das amostras foram avaliadas com base nos módulos cancro risco. esperava-se que estes módulos para fornecer evidências para o diagnóstico da doença, tratamento e análise clínica no futuro. Identificação de módulos de câncer de risco e avaliação de riscos de doenças baseados em módulos foram realizados nas seguintes etapas (Figura 1).
Materiais e Métodos
Materiais
dados de expressão de genes do câncer foram obtidos a partir da Expressão gênica Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/)[37]. Aqui, nossa pesquisa foi baseada na GSE7670 perfil [41] em GPL96 incluindo 20,995 genes de 56 amostras (pacientes com câncer de pulmão 28 e 28 controles normais), para que os pacientes submetidos à cirurgia para câncer de pulmão no Hospital Geral de Veteranos Taipei. Estes perfis de expressão (GSE10072, GSE21933, GSE27262, GSE40791, GSE14520, GSE15781, GSE20437, GSE26126) (Tabela 1) com a doença e as amostras normais foram utilizados para analisar a robustez do nosso método e comparar com o método WGCNA. informações a função do gene foi obtido a partir de Gene Ontology (GO, https://www.geneontology.org/) [42], atualizado até maio de 2011. informação de interação de proteínas (95537 interações de alta confiança entre 12359 genes) foi descarregado a partir iRefWeb (http : //www.wodaklab.org/iRefWeb/) [43], atualizado até 13 de abril de 2012 da versão nono. As informações de 1824 complexos de proteínas foi obtido a partir Center Munique Informação para sequências de proteínas (MIPS, https://mips.helmholtz-muenchen.de/genre/proj/corum, Corum lançamento de fevereiro de 2012 disponível).
a. A construção de uma rede de co-expressão altamente confiante.
Um método foi introduzido para criar uma rede de co-expressão muito confiantes, tendo ambos correlação co-expressão e semelhança funcional. Este método foi realizado como se segue:
Primeiro, o coeficiente de correlação de Pearson [44]
R
foi utilizada para representar a relação de co-expressão entre todos os pares de genes e calculada como se segue: em que
N
é o número de amostras em um perfil de expressão,
x
i
e
y
i Quais são os níveis de genes Expression
x
e
y
no
i
amostra -ésimo.
em segundo lugar, vá semelhança semântica foi usado para representar a similaridade funcional entre cada par de genes [45].
(1) A pontuação semelhança dos GO prazo A foi definido como:
onde inclui termo A e todos os seus termos-mãe; é o peso da borda; e é 0,8 para “é-um” relacionamento e 0,6 por ‘part-of “relacionamento
(2) A semelhança semântica entre termo A e B prazo, foi calculado da seguinte forma:.
funções de um gene foram considerados como um conjunto de termos GO em Gene Ontology. Assim, as funções de genes G1 e G2 correspondeu GO conjuntos e,
m
e
n Quais são o número de termos em GO1 e GO2 respectivamente.
(3) O similaridade semântica entre G1 e G2 foi definida como:
os pares de genes robustos foram retidos pela similaridade de função. Portanto, uma rede de co-expressão altamente confiável foi construído através da análise do coeficiente de correlação de Pearson e GO semelhança semântica.
b. selecção diferencial de genes com base no modelo Bayesian.
Um modelo Bayesian [46], [47] foi utilizado para rastrear os genes diferenciais. abordagens Bayesiana comparar a probabilidade de uma associação entre a expressão do gene e uma doença com a probabilidade dada nenhuma tal associação. A fórmula é a seguinte: onde
n
1
T
,
n
2
T
,
n
2
N
e
n
2
N Quais são o número de amostras (tumor /normal e alta /baixa expressão) para um gene (Tabela 2). B indica a função de Beta, definida por
BLN
é o valor de registro de B.
Quando
BFLn
0, houve relação entre uma doença e a expressão do gene; quando
BFLn
. 0, nenhuma relação
Um teste randomizado foi concebido para calcular a importância do
BFLn
por estocasticamente perturbar
n
1
T
,
n
2
T
,
n
2
N
e
n
2
N
e reter soma estável; após 10.000 vezes, o
p
-valor foi a proporção quando o aleatório
BFLn
era maior do que o valor real. Genes com p 0,05 foram selecionadas como genes diferencialmente expressos (DE-genes)
c.. Identificação de módulos de câncer de risco.
A linha de mineração módulo ferramenta GraphWeb (https://biit.cs.ut.ee/graphweb/) [48] foi escolhido para encontrar módulos de co-expressão. GraphWeb é projetado para analisar as redes incorporadas individuais ou múltiplos, procurar características conservadas em várias espécies, mina grandes redes biológicas para módulos menores, e comparar os resultados de conjuntos de dados de alto rendimento. Markov Cluster (MCL) [49] algoritmo através da ferramenta GraphWeb foi aplicado para podar a rede e encontrar módulos de genes. O algoritmo MCL simula um fluxo estocástica no gráfico expressão e elimina bordas que são visitadas com pouca frequência, resultando numa colecção de grupos densamente ligadas de genes. O parâmetro do parâmetro agrupamento Markov foi definido para um valor padrão 1.8.
Os módulos de candidatos contendo os genes DE-foram selecionados para avaliar os riscos de doença. Em seguida,
Z
-test [50] foi aplicado para avaliar a relação entre as amostras tumorais individuais e módulos (Figura 2).
Finalmente, as amostras significativas com Z -test maior do que o limite de significância (α = 0,05) foram escolhidos. Para medir o risco de cada módulo, definimos:
M
risco
poderia ser usado para avaliar o risco de doença de um módulo candidato. Para cada módulo candidato, 10.000 módulos aleatórios foram construídos através da selecção aleatória de genes do gene de fundo definido com números iguais de genes do módulo. Então,
M
risco
foi calculado para cada módulo aleatório, ea proporção de módulos com
M
risco
maior do que o valor real (o significado
p
-valor) foi calculado. Módulos com p 0,05 foram considerados como módulos de câncer de risco
d.. . Avaliação do risco de doença da amostra
Para avaliar o risco de doença com base em módulo de cada amostra, definimos:
onde M inclui todos os módulos de câncer de risco,
N
é o número de módulos de câncer de risco, significa que o câncer de risco da amostra
i
sobre o módulo
j
, e
p
é o significado de Z-teste.
módulos cancro risco foram aplicados para avaliar as amostras por meio do cálculo do risco de uma doença à base do módulo de cada amostra. Em seguida, a avaliação de desempenho foi estimado por uma curva receiver operating characteristic (ROC).
Resultados
A rede de co-expressão altamente confiante
O coeficiente de correlação de Pearson ea GO semântica semelhança de todos os pares de genes no perfil de expressão GSE7670 foram calculados. Depois disso, o ajuste de curva foi aplicada para analisar a tendência de variação da distribuição média do valor de co-expressão com GO semelhança semântica em um intervalo de 0,05 (Figura 3). similaridade funcional aumentou quando o nível de co-expressão era sobre o ponto de tangência. Por conseguinte, os pares de genes com similaridade funcional mais de 0,582 e o coeficiente de correlação de Pearson mais de 0,82 (o ponto de tangente) foram seleccionados para criar a rede de co-expressão altamente confiável, que consistia em 9841 nódulos e extremidades 112,605.
onde
μ
significa o valor da expressão média de todos os genes em module1 para a amostra de tumor s1; e11 é o valor expressão de g1 no module1 para S1, assim como os outros; significa o valor médio de expressão de todos os genes para todas as amostras normais; σ é o desvio padrão de todas as amostras normais.
Módulos Cancer risco
Um total de 472 DE-genes foram selecionados pela aplicação BFLn ao GSE7670 perfil de expressão. Em seguida, os módulos de doença 75 candidatos contendo DE-genes foram obtidos através GraphWeb. Após o ensaio randomizado, 31 módulos câncer risco de pulmão foram obtidos (Tabela 3).
Avaliação de módulos de câncer de risco
Os módulos de câncer de risco foram avaliados no nível funcional eo nível de interação. Por um lado, o enriquecimento funcional foi realizada para cada módulo câncer risco de pulmão usando uma ferramenta online DAVID (https://david.abcc.ncifcrf.gov/home.jsp) [51], e os termos GO, em seguida, significativamente enriquecidas de cada módulo obtiveram-se (mais módulos estão na Tabela S1). Por outro lado, as relações de interação de módulos foram avaliadas usando os dados de interacção proteína iRefWeb. A rede de relacionamento de módulos de câncer de risco e genes conhecidos de câncer de pulmão foi construído com base em relações funcionais e interacionais (Figura 4). Os resultados mostraram que os módulos câncer risco pulmonares eram intimamente relacionadas com os genes de cancro do pulmão, o que indica que estes módulos e genes pode sinergicamente causar câncer de pulmão. Por exemplo, M46 foi associada com a regulação do ciclo celular e fosforilação [52], a proliferação de células e o ponto de verificação do ciclo celular [53], e ligação de ATP [54], através da interacção com genes conhecidos de cancro do pulmão KRAS, KDR e TP53, respectivamente. Estas funções foram confirmadas estar relacionada com a ocorrência de cancro do pulmão. Um outro módulo de M63 foi significativamente enriquecida em funções associadas com o cancro, e.g. a resposta ao estímulo de corticosteróides, a resposta a substância orgânica, e estímulo de glucocorticóides e de estímulo da hormona esteróide juntos por interacção com genes de cancro do pulmão conhecida KRAS, NFE2L2 e NKX2, respectivamente [55], [56], [57].
ponto roxo significa observações, linha vermelha indica o ajuste de curva, a curva tracejada representa a primeira tangente ordem.
Para analisar ainda mais a rede de relacionamento, os módulos de câncer de risco foram classificados em três tipos, de acordo aos riscos: os módulos de alta, média e de baixo risco (Tabela 3), e as distribuições grau correspondente foram calculados (Tabela 4). Os resultados mostraram que os módulos de alto risco tendem a ter um alto grau. Ou seja, eles tinham mais conexões com outros módulos e genes de doenças conhecidas nos níveis funcionais e interacionais. Eles desempenharam um papel central na rede.
Avaliação do risco de doença com base em módulo
O risco de câncer de pulmão de cada amostra foi avaliada considerando-se os módulos de câncer de risco. Ao medir o risco do cancro do pulmão (
S
risco
), foi avaliada a cada amostra em GSE7670. Descobriu-se que todas as amostras puderam ser identificados com sucesso, como a doença (
S
risco de Art 0,8) ou normal (
S
risco de Art 0,8) com base na sua doença risco (Figura 5).
os círculos indicam módulos câncer de risco, ea proporção de partes de laranja indica risco de câncer (
M
risco
). Os genes causadores da doença é representado por triângulos vermelhos. as cores das bordas indicar as relações, roxo representa para a interação proteína-proteína, verde para o compartilhamento de função, e vermelho para ambos relação funcional e interação.
A robustez do nosso método
a fim de verificar a robustez deste método, em primeiro lugar, outras quatro perfis de expressão (GSE10072 de GPL96, o mesmo que GSE7670; GSE27262 e GSE40791 de GPL570; e GSE21933 de GPL6254) sobre o cancro do pulmão e normal foram avaliadas, respectivamente (Tabela 1) . Os resultados mostraram que os riscos de uma doença à base do módulo de amostras de cancro eram mais elevados do que os dos padrões normais (Figura 6A). As curvas ROC foram então representados graficamente e os valores de AUC ( 0,97) foram usadas para medir os desempenhos de avaliação dos módulos de cancro de risco que foram obtidos pelo nosso método (Figura 6c). O método teve bom desempenho nos perfis de expressão não só a partir da mesma plataforma, mas também de diferentes plataformas.
X-eixo é amostras. Y-eixo é o escore de risco de câncer de pulmão de amostras individuais, e é classificada como a do menor ao maior. O vermelho representa amostras de câncer de pulmão; e azul representa amostras normais.
Em seguida, identificamos módulos de risco de câncer de fígado (GSE14520), cancro do cólon (GSE15781), cancro da mama (GSE20437), e cancro da próstata (GSE26126), da mesma forma , respectivamente (mais câncer de risco módulos de informação nos quatro tipos de câncer estão na Tabela S3). Os módulos de câncer de risco foram utilizados para avaliar os riscos de doenças das amostras, e as curvas ROC correspondentes foram desenhados (Figura 7).
a) X-eixo é amostras. Y-eixo é o escore de risco de câncer de pulmão de amostras individuais, usando o nosso método, e é classificada como a do menor para o maior. O azul representa GSE10072; verde representa GSE21933; vermelho representa GSE27262; e marrom representa GSE4079. linhas completas representam amostras de câncer de pulmão; e as linhas tracejadas representam amostras normais. Os conjuntos de dados de experiências diferentes têm diferentes números de amostras normais e amostras de doença. A fim de mostrar o risco de doença de cada amostra em quatro perfis de expressão intuitivamente, todas as amostras de cada um dos perfis de expressão são distribuídos uniformemente ao longo do eixo-x. b) A figura é representada da mesma forma que um). O risco de cancro do pulmão de cada amostra é avaliada pelo método WGCNA. c) Receptor operador de curva característica, usando o nosso método para os perfis de expressão do cancro do pulmão de quatro (ver Figura 7a). As áreas sob a curva fornecida no canto inferior direito de cada diagrama. d) curva ROC utilizando o método WGCNA para os perfis de expressão do cancro do pulmão de quatro (veja a Figura 7b).
As comparações dos métodos
O método WGCNA [24] é um amplamente utilizado técnica para a construção de módulos de genes dentro de uma rede com base em relações de co-expressão do gene. Neste trabalho, a precisão ea robustez do WGCNA e nosso método foram comparados. Cinqüenta e sete módulos de risco de câncer de pulmão foram obtidos a partir GSE7670 usando o método WGCNA. O risco de câncer de pulmão de cada amostra em si GSE7670 foi avaliada com os módulos. os riscos de câncer de algumas amostras de cancro foram menores do que aqueles de que os normais (Figura 8), que indicou o método WGCNA não poderia completamente amostras de como a doença ou normal identificados com a maior precisão, enquanto o nosso método poderia (Figura 5).
em seguida, a avaliação dos riscos de cancro do pulmão das amostras foi estendido a outros perfis de quatro expressão cerca de cancro do pulmão e normal (Figura 6b). Verificou-se que os riscos de cancro de amostras cancerosas não foram significativamente diferentes das dos normais. As curvas ROC foram então utilizados para avaliar o desempenho do método WGCNA (Figura 6d). Descobrimos que o nosso método teve uma melhor precisão e robustez do que o método WGCNA (Figura 6).
Discussão
O estudo dos mecanismos das doenças através da análise de perfis de expressão genética parece ser uma maneira conveniente e eficaz . Considerando a semelhança funcional pode reflectir melhor a informação função da doença. Neste trabalho, um novo método foi proposto para identificar trinta e um câncer de módulos de risco e avaliar os riscos de doenças baseados em módulos de amostras, utilizando uma rede de co-expressão com informações similaridade funcional. Por fim, a rede de relacionamento de módulos de câncer de risco e os genes do câncer foi construído no nível funcional e nível de interação.
Estes módulos foram encontrados para estar intimamente relacionada ao câncer nos aspectos das funções, interações e literatura. Nosso método foi provado ser bastante robusto, avaliando os riscos de doenças de amostras em perfis de expressão câncer de pulmão e de quatro em quatro outros tipos de câncer, e teve melhor desempenho do que o método WGCNA.
módulos Cancer risco e avaliação de o risco de doença baseada em módulos a partir deste estudo foram confirmados para ser credível com as seguintes considerações. (I) genes expressos diferencialmente foram seleccionados usando o método BFLn, que considerada tanto a distribuição da expressão do gene marcador e a amostra de modo a eliminar valores extremos causadas por expressão do gene de polarização indivíduo experimentar ou erros. (Ii) A rede gene era de confiança elevada, porque o método foi usado para calcular a correlação não só de co-expressão, mas também semelhanças funcionais entre os genes. Os pares de genes tanto com consistência elevada expressão e semelhança funcional foram retidos para a construção da rede de alta confiança, que foi capaz de evitar resultados tendenciosos apenas dependendo de expressão. (Iii) Os riscos de cancro de módulos foram avaliados usando a proporção de amostras de tumor significativas, o que poderia ser um novo método para avaliar módulos doença. Os genes em cancro módulos de risco pode ser potenciais genes de doenças, e pode agir como alvos de drogas para o tratamento de cancros agressivos. Todos os genes de M46 foram relacionados com o cancro do pulmão. Por exemplo, MCM7 é uma subunidade do complexo MCM significativa, que pode ser um novo alvo terapêutico no cancro do pulmão [58]. Outra BARD1 gene, cuja isoformas pode estar relacionada com a iniciação e progressão do tumor invasivo, era um marcador de prognóstico neoteric mais adequado para o cancro do pulmão de células não pequenas, [59]. KIF4A pode segurar uma promessa para o desenvolvimento de drogas anti-cancro e vacinas para o cancro, bem como um biomarcador prognóstico em clínica [60]. Para os genes no módulo M63, A2M foi em pacientes com câncer de pulmão limitados e estendida em comparação com uma população não-fumante e controle fumador [61], FABP4 foi regulada para baixo no adenocarcinoma de pulmão [62], e CASP1 afetou os polimorfismos de nucleotídeo único, aumentando a cânceres de risco [63]. (Iv) A avaliação de riscos de doenças baseada em módulo ‘amostras é a precisão e robustez. Porque nosso método integrado os genes diferencialmente expressos, uma rede de co-expressão e semelhanças funcionais, os módulos de câncer de risco foram intimamente relacionada com a patogênese do câncer nos aspectos de funções e interações. No nível funcional, os módulos de câncer de risco poderia refletir as classes funcionais relacionados a doenças; no nível interpessoal, os módulos de cancro de risco pode ser muito alta correlacionados com os genes de doenças.
Além disso, investigou-se a sobreposição entre os módulos de cancro de risco e os compostos de proteínas (Figura 9). Os resultados da análise da distribuição de hipergeométrico mostrou que 17 módulos teve sobreposição significativa com 150 complexos (p 0,05). Por exemplo, o módulo de M46 genes partilhada com 24 complexos, entre os quais 19 tinham uma taxa de complexos de sobreposição maior do que 20%. O BRCA1_A complexo recrutados BRCA1 para danificar o DNA locais [64]. esgotamento parcial de proteínas Mcm que foram carregados tipicamente em número excessivo de locais conduziram a cancros e a haste deficiências de células [65]. A expressão de ubiquitina-ligase E3 foi associada com o receptor de estrogénio (ER) -positivo estado em tumores da mama humanos [66] (mais módulos de informação e complexo são na tabela S2). Nosso método será mais abrangente, considerando informações proteína-proteína para construir uma rede integrada e desenvolvimento de um algoritmo de mineração de módulo no futuro.
Os círculos indicam módulos câncer de risco, ea proporção de partes de laranja indica o risco de câncer (
M
risco
). Os quadrados verdes indicam complexos. Arestas indicam módulos cancro risco e complexos que partilha pelo menos um gene. Quanto mais o número de genes compartilhados são, o mais vermelho as bordas são.
Em conclusão, este estudo apresentou um novo método para avaliar os riscos de doenças de amostras com base em módulos de câncer de risco e analisar as relações entre a doença e os módulos. Este método poderia prestar assistência ao diagnóstico e tratamento de cancros e uma nova pista para revelar os mecanismos de câncer.
Informações de Apoio
Tabela S1.
As informações GO de módulos de câncer de risco
doi:. 10.1371 /journal.pone.0092395.s001
(DOC)
Tabela S2.
módulos Cancer risco e complexs
doi:. 10.1371 /journal.pone.0092395.s002
(DOC)
Tabela S3.
Os módulos de câncer de risco nas outras quatro cancros
doi:. 10.1371 /journal.pone.0092395.s003
(DOC)