Abstract

Aim

O diagnóstico precoce do câncer de próstata (PCA), que é uma doença clinicamente heterogénea-multifocal, é essencial para melhorar o prognóstico dos pacientes. No entanto, publicada marcadores de diagnóstico CaP compartilhar pouca sobreposição e são mal validado utilizando dados independentes. Portanto, temos aqui desenvolveu um proteômica integrativas e interação classificador baseado em rede, combinando a expressão diferencial de proteínas com características topológicas de redes de interação de proteínas humanas para aumentar a capacidade de diagnóstico CaP.

Métodos e Resultados

por bidimensional electroforese em gel de diferença de fluorescência (2D-DIGE) acoplado com o MS usando CaP e tecidos benignos da próstata adjacentes, um total de 60 proteínas com a expressão diferencial em tecidos CaP foram identificados como os marcadores candidatos. Em seguida, suas redes foram analisados ​​por GeneGo software Meta-Core e três proteínas cubo (PTEN, SFPQ e HDAC1) foram escolhidos. Depois disso, um classificador de diagnóstico CaP foi construído através da máquina de suporte vector de modelagem (SVM) com base na expressão de genes de microarranjos de dados dos genes que codificam as proteínas do cubo acima mencionados. Validações de desempenho diagnóstico mostrou que este classificador teve alta acurácia preditiva (85.96~90.18%) e área sob a curva ROC (aproximando 1,0). Além disso, o significado clínico da PTEN, SFPQ e proteínas HDAC1 na ACP foi validado por ELISA e análises de imuno-histoquímica. Mais interessante, a proteína PTEN foi identificado como um marcador de prognóstico independente para sobrevida livre de recidiva bioquímica em pacientes CaP de acordo com a análise multivariada por regressão de Cox.

Conclusões

Nossos dados indicam que a proteômica integrativa e classificador que combina a expressão diferencial de proteínas e características topológicas da rede de interacção proteína humana pode ser uma ferramenta poderosa para o diagnóstico de CaP interacção rede de base. Nós também identificou a proteína PTEN como um novo marcador de prognóstico para a sobrevida livre de recidiva bioquímica em pacientes CaP

Citation:. Jiang F-n, Ele H-c, Zhang Y-q, Yang D-L, Huang J-H, Zhu Y-x, et al. (2013) Classificador An Integrative Proteomics e interação baseada em rede para Prostate Cancer Diagnosis. PLoS ONE 8 (5): e63941. doi: 10.1371 /journal.pone.0063941

Edição: Natasha Kyprianou, da Universidade de Kentucky College of Medicine, Estados Unidos da América

Recebido: 27 Janeiro, 2013; Aceito: 09 de abril de 2013; Publicado em: 30 de maio de 2013

Direitos de autor: © 2013 Zhong 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:. Este trabalho foi parcialmente financiado pela National Science Foundation Natural da China (81200550), Programa Nacional chinês chave de Pesquisa básica (2010CB912700, 2011CB910601), National S T Projeto major (2008ZX10002-016, 2009ZX09301-002), Maior Nacional Científico e Tecnológico Projeto especial (2011ZX09307-304), Projeto de Ciência e Tecnologia da Província de Guangdong (2010B060500003), Guangzhou Municipal de Ciência e Projeto Key Tecnologia (2010Y1-C041). 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 de próstata (PCA), uma doença heterogênea-multifocal clinicamente, é o tumor maligno mais comum em homens ea segunda principal causa de morte relacionada ao câncer masculino [1]. A incidência e mortalidade por esta causa na China parecem estar a aumentar rapidamente, e a evolução clínica de pacientes PCA é difícil de prever. Estima-se que 20% dos pacientes CaP sofrem de doença recorrente após prostatectomia radical ou radioterapia [2]. A taxa de sobrevida específica para o câncer 5 anos é de cerca de 80% em homens com CaP localizada, mas é apenas 34% em homens com metástases à distância [3]. antigénio (PSA) rastreio específico da próstata tem sido extensivamente utilizada para a detecção precoce de CaP clinicamente localizado. No entanto, até à data não há indicadores fiáveis ​​de comportamento CaP e progressão agressivo. Tendo em vista a importância do diagnóstico precoce para a aplicação de tratamentos curativos que são a única esperança para o aumento da expectativa de vida de pacientes APC, há uma necessidade urgente de desenvolver sistemas eficazes que pode prever a ocorrência desta neoplasia.

perfil molecular de cancro humano tem sido demonstrada ser uma nova abordagem para investigar este processo de doença multifacetada. Entre vários alto rendimento aproxima-se de perfis moleculares, análise do proteoma é o mais amplamente baseado em métodos utilizando expressão diferencial em duas dimensões de electroforese em gel de poliacrilamida (2D-PAGE), géis ou, mais recentemente, dois cromatografia dimensional, seguida por identificação da proteína de espectrometria de massa [4 ]. Considera-se como uma ferramenta poderosa para a avaliação global da expressão da proteína, e tem sido largamente aplicado na análise de doenças, especialmente nos campos da investigação do cancro. tecnologia bidimensional-eletroforese em gel de diferença (2D DIGE), utilizando um padrão interno mixed-amostra, é agora reconhecido como um método preciso para determinar e quantificar proteínas humanas, reduzindo a variabilidade inter-gel e simplificar a análise gel [5]. Vários grupos, incluindo o nosso próprio adotaram essa abordagem de alto rendimento para avaliar a expressão global de proteínas em vários cancros humanos, incluindo o carcinoma hepatocelular (HCC) [6], o cancro colorectal [7], carcinoma de células escamosas do esôfago [8], o cancro da mama [ ,,,0],9], câncer de ovário [10], o cancro da bexiga [11], o PCA [12], [13] e câncer pancreático [14]. No entanto, tem sido o grande número de proteínas candidatos identificados utilizando plataformas de elevada capacidade e que é a falta de consistência entre diferentes sistemas de detecção, devido à heterogeneidade das coortes de pacientes e a diferença de plataformas. Portanto, é necessário identificar um indicador confiável e consistente que é robusto o suficiente para superar as variabilidades induzidas por diferentes plataformas ou diferentes grupos de pacientes.

O nosso grupo de estudo desenvolveu recentemente um classificador baseado em biologia de sistemas para o diagnóstico precoce de HCC pela combinação de expressão diferencial de genes e características topológicas de redes de interação de proteínas humanas, e também demonstrou que este classificador pode eficientemente melhorar o desempenho de diagnóstico para pacientes com HCC [15]. Nesta base, no presente estudo, pretende-se desenvolver um proteômica integrativas e classificador usando as proteínas diferencialmente expressos baseados em rede de interação detectados pelo 2D DIGE em nosso estudo anterior [12], a fim de melhorar a capacidade de diagnóstico CaP. Nós realizar ainda mais a validação experimental sobre o significado clínico dos candidatos marcadores CaP por imunoenzimático Assay (ELISA) e imuno-histoquímica analisa.

Materiais e Métodos

Pacientes e Amostras Coleção

o estudo foi aprovado pelo Comitê de Ética em Pesquisa Guangzhou primeiro Hospital Popular Municipal, Guangzhou Medical College, Guangzhou, República Popular da China. consentimento informado por escrito foi obtido de todos os pacientes. Todas as amostras foram tratadas e tornados anónimos de acordo com os padrões éticos e legais.

Para a análise 2D DIGE, quatro tecidos CaP frescas e emparelhado 4 tecidos benignos adjacentes de próstata obtidas a partir de 4 pacientes CaP submetidos à ressecção transuretral da próstata ou prostatectomia radical foram fornecidos pelo Guangzhou primeiro Hospital Popular Municipal, Guangzhou, China. Nenhum dos pacientes recrutados neste estudo tinham tratamento hormonal ou radioterapia adjuvante ou neoadjuvante antes da cirurgia. Os dados clínico-patológicos de amostras de tumor encontram-se resumidos na Tabela 1.

Para a validação de proteína por meio de ELISA e análises de imuno-histoquímica, 22 casos de tecidos de cancro da próstata e 21 casos de tecidos benignas adjacentes foram obtidos a partir de pacientes com CaP que foram operados no Hospital Guangzhou Primeiro o Popular Municipal e Hospital da Província de Guangdong, Guangzhou, China. microarray humana CaP tecido (TMA) consiste 112 tecidos CaP de caucasianos e pacientes CaP afro-americanos (envelhecimento 46-87 anos, média ± DP = 58 ± 7,36 anos, o estadiamento TNM de I a III) com informações clínicas detalhadas foram adquiridos de Jieqing empresa (Guangzhou, China) .Os dados clínico-patológicos desses pacientes estão resumidos na Tabela 2.

Identificação do perfil de expressão diferencial de proteínas em CaP

O perfil de expressão diferencial de proteínas no tecidos CaP em comparação com tecidos benignos adjacentes de próstata foi identificado por 2D DIGE acordo com os protocolos do nosso estudo anterior [12].

a análise de redes

a análise de redes foi realizada para selecionar proteínas essenciais em rede de doença como os componentes de CaP classificador de acordo com os protocolos do nosso estudo anterior [15]. A representação da rede foi gerada usando software GeneGo Meta-Core (Encinitas, CA). O software interligados todos os genes candidatos de acordo com as anotações baseadas em literatura publicada. Foram consideradas apenas as conexões diretas entre os genes identificados. Principais centros foram definidos como aqueles com mais de trinta ligações e .. 50% das arestas ocultas dentro da rede

proteômica Integrativas e construção CaP classificador baseado em rede de interação

Conjuntos de dados

Para demonstrar este romance classificador, três conjuntos de dados disponíveis publicamente de perfis de expressão gênica obtidas a partir de Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/, data de lançamento: 01 de abril de 2012, incluindo 29.123 Series, 9.933 plataformas e 719,101 amostras) foram utilizados neste estudo, incluindo Tomlins_prostate [16] (número de acesso GEO: GSE6099, 51 amostras APC e das 23 amostras de próstata não-tumorais), Wallace_prostate [17] (número de acesso GEO: GSE6956, 75 amostras APC e das 14 amostras de próstata não-tumorais) e [18] Taylor_prostate (número de acesso GEO: conjuntos de dados GSE21034, 150 amostras APC e das 29 amostras próstata não-tumorais). Estes conjuntos de dados foram separados aleatoriamente em conjuntos de dados de treinamento e teste de 100 vezes.

Apoio máquinas de vetores de classificador.

máquina de vetor de suporte (SVM) [19], que pode resolver o caso geral de não-linear e classificação inseparáveis ​​de forma eficiente, foi usado para construir nossos proteômica Integrativas e classificador CaP baseada em rede de interação. O objetivo de um SVM é encontrar um hiperplà que maximiza a largura da margem de entre as classes e, ao mesmo tempo minimiza os erros empíricos [20]. Aqui, selecionamos a função de base radial (RBF) como fórmula seguinte [21]: Então, o conjunto de dados de treinamento foi usado para introduzir o modelo SVM, de modo a calcular o valor limite de pontuação, selecionando o valor de corte em que a área sob Receiver Curva característica (ROC) Operacional () foi o maior. Finalmente, o classificador SVM decide:. Se, a amostra pode ser previsto como tecidos CaP

Performance Evaluation

O desempenho global do CaP classificador foi avaliada por duas abordagens distintas: 5 vezes cruzada teste de validação e teste de conjunto de dados independente. A precisão da previsão geral () e foram usados ​​para medir o desempenho de previsão do nosso método. Curva ROC pode mostrar a eficácia de um teste, apresentando sensibilidade e especificidade para diferentes pontos de corte [22]. Sensibilidade e especificidade pode medir a capacidade de um teste para identificar verdadeiros positivos e falsos em um dataset.where,,, respectivamente referem-se ao número de verdade, verdade, falsos componentes resultado positivo negativos positivos e falso-negativos em um teste, enquanto que se refere para o número total de amostras preditos.

as curvas ROC são traçados e alisada pelo programa SPSS com a sensibilidade no eixo e uma especificidade no eixo.

a cruz de 5 vezes teste -Validação, o conjunto de dados foi dividida aleatoriamente em 5 jogos, quatro dos quais foram usados ​​para treinar os parâmetros do algoritmo de previsão. A precisão da previsão do algoritmo foi então avaliada pelo conjunto restante, e este procedimento foi repetido cinco vezes antes de sensibilidade e especificidade contra diferentes parâmetros em cinco conjuntos de dados de teste são calculados para a curva ROC.

Protein Validação por enzimática imunoensaio

O ensaio ELISA foi realizado para detectar os níveis de marcadores candidatos potenciais, as quais foram identificadas como proteínas essenciais, tanto 2D DIGE e análises rede de acordo com o nosso estudo anterior [12] expressão.

Validação de proteína por análise de imunohistoquímica

a análise imuno-histoquímica foi realizada para determinar os padrões de expressão e localizações subcelulares de potenciais marcadores candidatos em tecidos APC, segundo o nosso estudo anterior [23].

análise estatística

software SPSS13.0 para Windows (SPSS Inc, EUA) foi utilizado para a análise estatística. As variáveis ​​contínuas foram expressas como

. comparações entre os grupos de variáveis ​​categóricas foram avaliadas através do χ

2 de teste ou linear por associação linear. A comparação das médias médias foram realizadas com o teste t de amostras independentes ou análise 1 de variância.

valores p

inferiores a 0,05 foram considerados estatisticamente significativos.

Resultados e Discussão

Identificação dos candidatos marcadores PCA para análise de rede

De acordo ao nosso estudo anterior [12], um total de 60 proteínas diferencialmente expressas, incluindo 37 que foram sobre-regulada e 23 que foram regulados negativamente nos tecidos APC, foram utilizados para análise de rede (as informações detalhadas desta lista proteína foi mostrado in).

Identificação de proteínas hub de rede para CaP classificador

para criar a rede, as proteínas (nós) e conexões baseadas na literatura publicados (arestas) foram plotados usando GeneGo-MetaCore. A arquitetura de rede é compatível com uma rede sem escala e representa as interações entre metas individuais. Como os alvos com elevados graus de conectividade são considerados como os componentes mais importantes de uma rede de [24], examinámos cubos com mais do que 30 ligações e menos de 50% de arestas ocultas no interior da rede. Para a rede de genes diferenciais expressa em tecidos CaP (Figura 1A), foram selecionados 13 centros para construir sua rede de interação (Figura 1B): DDX5, ERG, HDAC1, HSP27, NDPK_A, NDPK_B, PEA3, SFPQ (PSF), PTEN, PUR-alfa, TAF1, TAF15, e hnRNP_L (a informação detalhada destas proteínas do cubo é mostrada na Tabela S2). Como mostrado na Figura 1B, três proteínas do cubo (PTEN, HDAC1 e SFPQ) que foram interagiram com o outro perto foram escolhidos para construir o nosso classificador CaP.

à base de Hub tela de rede de 13 genes diferencialmente expressos cubo (B ). GeneGo MetaCore foi utilizado para gerar uma rede de ligações directas entre genes seleccionados para análise. As setas vermelhas, verde e cinza indicam efeitos negativos, positivos, e os não especificados, respectivamente. Hubs foram identificados como tendo mais de trinta conexões e menos de 50% das arestas ocultas dentro da rede.

Avaliação do desempenho de CaP classificador

construção CaP classificador.

na base dos níveis de três pólos mencionados acima de expressão do gene, o classificador CaP foi construído utilizando o modelo SVM. O conjunto de dados de treinamento foi usado para treinar os parâmetros de CaP classificador e os conjuntos de dados independentes foram utilizados para avaliar o desempenho deste classificador.

A validação independente.

Os conjuntos de dados de expressão de genes microarray independentes foram usadas para testar o nosso classificador CaP. Tomlins_prostate [16] (número de acesso GEO: GSE6099, 51 amostras APC e das 23 amostras de próstata não-tumorais), Wallace_prostate [17] (número de acesso GEO: GSE6956, 75 amostras APC e das 14 amostras de próstata não-tumorais) e Taylor_prostate [ ,,,0],18] (número de acesso GEO: GSE21034, 150 amostras APC e das 29 amostras próstata não-tumorais) conjuntos de dados foram separados aleatoriamente em conjuntos de dados de treinamento e teste, e este procedimento foi repetido 100 vezes. Os pesos dos genes dos cubos e limiar de pontuação no classificador CaP foram treinados pelo conjunto de dados de treinamento. A precisão da previsão e valor de AUC do algoritmo, em seguida, foi avaliada por os conjuntos de dados de teste, e este procedimento foi repetido 100 vezes. Finalmente, os valores de precisão e AUC para diferentes testes foram somados para calcular o erro médio e padrão.

A precisão da previsão total e os valores da AUC dos diferentes classificadores APC sobre os conjuntos de dados de teste Tomlins_prostate, Wallace_prostate e Taylor_prostate foram calculados. Como mostrado na Tabela 3, os valores de precisão da presente classificador APC sobre diferentes conjuntos de dados de testes independentes foram 85.88~92.71% e os valores AUC foram 0.89~0.93. O valor de AUC é um indicador da eficácia do sistema de avaliação. Um teste ideal com discriminação perfeito (sensibilidade de 100% e 100% de especificidade) tem uma AUC de 1,0, ao passo que uma previsão não informativa tem a área de 0,5, indicando que pode ser conseguido por simples suposição. Quanto mais próximo de 1,0 a AUC de um teste é, quanto maior a eficácia global do teste serão [22]. Descobrimos que este classificador CaP tinha uma área aproximando 1,0, sugerindo que ele tinha uma relativamente alta capacidade de identificar os verdadeiros tecidos CaP contra os diferentes conjuntos de dados de testes independentes.

Foram selecionados 3 cubos (PTEN, HDAC1 e SFPQ) a partir de 13 centros de conexões em rede como o componente do nosso classificador APC, porque eles foram interagiam uns com os outros de perto. A fim de verificar a racionalidade desta seleção, comparamos o desempenho de CaP classificador com 13 centros e que do CaP classificador com 3 hubs. Como os resultados mostrados na Figura 2, a precisão de previsão e os valores de AUC do classificador com 3 cubos foram ambos superiores aos do classificador com 13 pólos. Mas as diferenças não teve significância estatística (todos P 0,05)., Indicando que pode ser razoável para escolher os cubos com interações diretas como o componente do nosso classificador CaP

A precisão da previsão e os valores da AUC do classificador com 3 cubos foram ambos superiores aos do classificador com 13 pólos. Mas as diferenças não teve significância estatística (todos P 0,05).

Five-fold cross-validation

Nós também utilizamos o protocolo de validação cruzada de 5 vezes para avaliar o. desempenho deste classificador CaP. À medida que a AUC é um indicador do poder discriminatório para o classificador, que foi utilizado aqui para avaliar a eficácia preditivo deste classificador CaP. Como mostrado na Tabela 4, os valores de precisão da presente classificador CaP em todos os cinco testes foram 86.32~92.88% e os valores da AUC foram 0.89~0.93, sugerindo que ele tem uma grande fiabilidade e eficácia para identificar os verdadeiros tecidos CaP contra teste diferente . conjuntos de dados

o significado clínico da PTEN, HDAC1 e SFPQ proteínas hub em CaP

Nextly, investigamos as associações de três proteínas de hub: PTEN, HDAC1 e SFPQ, com as características clinicopatológicas e prognóstico de pacientes com PCA. Os resultados 2D DIGE desses centros foram mostrado na Figura 3.

Um teste t pareado de Student foi aplicado para todos os quatro pares usando software DeCyder BVA.

PTEN.

PTEN (fosfatase e tensina homólogo no cromossoma 10), localizada em 10q23.3, é um dos genes supressores de tumores mais comuns em cancros humanos [25]. Ele funciona como um regulador negativo da via PI3K /AKT [26]. estudos acumulando demonstrou o papel importante de PTEN na tumorigênese e progressão tumoral do CaP. Chaux et ai. [27] indicaram que a perda de expressão de PTEN pode estar associada com um risco aumentado de recorrência após a prostatectomia para CaP clinicamente localizado; Choucair et ai. [28] sugeriu que PTEN tumores excluídos expressar baixos níveis de receptor de andrógeno pode representar um subconjunto pior prognóstico da APC que estabelece um desafio para a gestão terapêutica; Antonarakis et ai. [29] descobriram que a perda de expressão de PTEN em amostras de CaP primários podem prever a sobrevida livre de progressão mais precisão do que fatores clínicos sozinho em homens com alto risco CaP que recebem docetaxel adjuvante após a prostatectomia. Com os resultados semelhantes dos relatórios anteriores, ELISA e imunohistoquímica análises em estudo mostraram que o nível de expressão das proteínas PTEN em tecidos ACP foi significativamente mais baixa do que em tecidos da próstata benignas adjacentes [ensaio de ELISA: 60,96 ± 7,08 (ng /mg) vs 89,28 ± 20,62 (ng /mg), P 0,001; A análise imuno-histoquímica: 2,38 ± 0,37 vs 3,92 ± 0,40, P = 0,01; Tabela 5, Figura 4A e B]. Além disso, os níveis de expressão de PTEN em tecidos APC com o estágio avançado da doença e metástases positivos foram significativamente mais baixos do que aqueles com fase precoce patológica (P = 0,041, Tabela 6) e metástase negativo (P = 0,006, Tabela 6). Além disso, a taxa de sobrevida livre de recorrência bioquímica de pacientes com baixa expressão de PTEN foram significativamente menores do que aqueles com alta expressão de PTEN (P = 0,016, Figura 5A). Além disso, as análises multivariadas mostraram que a infra-regulação de PTEN (P = 0,03) foi um preditor independente de menor recorrência bioquímica livre de sobrevivência (Tabela 7).

A, PTEN coloração fracamente positiva foi encontrada no citoplasma dos tecidos APC; B, PTEN coloração fortemente positiva foi encontrada no citoplasma das células luminais benignos; C, SFPQ coloração fracamente positiva foi encontrada no citoplasma de tecidos APC; D, SFPQ coloração fortemente positiva foi encontrada no citoplasma das células luminais benignos; E, HDAC1 coloração fortemente positiva foi encontrada no citoplasma de tecidos APC; F, HDAC1 coloração fracamente positiva foi encontrada no citoplasma das células luminais benignos; G, de controlo negativo para a análise imuno-histoquímica; H, imuno-histoquímica pontuações de coloração de PTEN, SFPQ e HDAC1 em APC e tecidos da próstata benignas adjacentes.

SFPQ.

SFPQ ( funções splicing factor de prolina /ricos em glutamina, também conhecido como PSF) como um factor de splicing de polipirimidina de ligação ao trato associada-proteína que tem dois domínios em espiral espiralada [30]. Pode ligar DNA e RNA e é um factor essencial para o splicing de RNA. Xu et al. [31] demonstraram que SFPQ pode induzir a resistência das células HeLa de 2 ‘, 2’-diflurodeoxycytidine assim como outros análogos de nucleósidos de pirimidina; Tanaka et ai. [32] relataram um /fusão génica SFPQ PSF-TFE3 em tumor de células epitelióides perivascular pela primeira vez. Para o melhor de nosso conhecimento, o envolvimento de SFPQ em CaP não foi elucidado. No presente estudo, ambos de ELISA e análises de imuno-histoquímica mostrou que o nível de expressão de proteínas em tecidos SFPQ ACP foi significativamente menor do que nos tecidos adjacentes benignas da próstata [ensaio de ELISA: 1,95 ± 2,06 (ng /mg) vs. 3,75 ± 2,18 (ng /mg), P = 0,02; A análise imuno-histoquímica: 3,81 ± 0,54 vs 5,01 ± 0,48, P = 0,02; Tabela 5, Figura 4C e D]. Além disso, a redução da expressão de proteína SFPQ foi significativamente associada com o estágio clínico avançado de tecidos CaP (p = 0,007, Tabela 6). No entanto, nossos dados não encontrou a relevância prognóstico da SFPQ em pacientes CaP (Figura 5D~F).

HDAC1.

HDAC1 (histona deacetilase 1) é um membro da classe I de desacetilases de histonas que também inclui HDAC2, -3 e -8 [33]. Ela desempenha um papel importante na senescência celular, o envelhecimento do fígado, mielinização, a neurogênese adulta e carcinogênese [34]. HDAC1 interage com retinoblastoma proteína supressor de tumor e este complexo é um elemento chave no controle da proliferação e diferenciação celular [35]. Juntamente com a proteína-2, p53 HDAC1 deacetylates associada a metástases e modula o seu efeito sobre o crescimento celular e a apoptose. Na APC, Patra et al. [36] e Halkidou et ai. [37] detectada a expressão de HDAC1 significativamente maior do que no cancro da próstata em linhas celulares e tecidos benignos da próstata, o que sugere que HDAC1 pode estar associada com a carcinogénese de CaP. Recentemente, Lei et al. [38] demonstraram que a perda de PTEN em CaP pode causar expressão de NKX3.1 que modula negativamente, consequentemente, os eventos de sinalização associadas ao receptor andrógeno transcrição do receptor de andrógeno e reduzida. Eles também descobriram que NKX3.1 podem participar do ciclo celular e máquinas morte celular através de associação com HDAC1. Consistente com estes estudos anteriores, os nossos dados mostraram a sobre-regulação de proteína nos tecidos HDAC1 CaP quando comparado com os tecidos adjacentes benignas da próstata [ensaio de ELISA: 6,70 ± 5,02 (ng /mg) vs 4,84 ± 3,68 (ng /mg), P = 0,03; A análise imuno-histoquímica: 5,13 ± 0,56 vs 3,44 ± 0,61, P = 0,01; Tabela 5, Figura 4E e F]. No que diz respeito ao seu significado clínico, verificou-se que a superexpressão de HDAC1 foi mais freqüentemente ocorreram em tecidos APC com o estádio clínico avançado (P = 0,01, Tabela 6). No entanto, nossos dados não encontrou a relevância prognóstico da HDAC1 em pacientes CaP (Figura 5G~I).

Conclusão

O presente estudo desenvolveu um romance classificador do diagnóstico CaP que se baseia na integração as características topológicas da rede de interacção proteína-proteína com perfis de expressão diferencial de proteínas sob condições de doença. Esta integração sistemática nos oferece duas vantagens principais: Em primeiro lugar, permite-nos utilizar suficientemente as informações co-expressão da proteína fornecida pelos dados de proteômica, que é acreditado para ser mais informativos do que variações de proteínas individuais para identificação de biomarcadores de expressão. Em segundo lugar, a análise de rede é uma ferramenta poderosa para entender os mecanismos patológicos da doença. Ao integrar as características topológicas da rede biológica, alguma informação perdida na análise da expressão diferencial é adicionado ao classificador. Mais interessante, pela validação experimental utilizando um grande número de amostras clínicas dos tecidos APC, que também identificou a proteína PTEN como um novo marcador de prognóstico para a sobrevida livre de recidiva bioquímica em pacientes APC.

Informações de Apoio

Tabela S1.

diferencialmente expressos Lista proteína identificada por 2D DIGE

doi:. 10.1371 /journal.pone.0063941.s001

(DOC)

Tabela S2. proteínas

cubo da rede de diferencial de proteínas expressas em CaP

doi:. 10.1371 /journal.pone.0063941.s002

(DOCX)