Abstract
A grande variedade de recursos no silico e dados de alta profiling rendimento disponível atualmente em pesquisa de ciências da vida oferecem a possibilidade de ajudar o câncer gene e processo de descoberta de drogas. Aqui propomos para aproveitar esses recursos para desenvolver uma ferramenta, TARGETgene, para identificar de forma eficiente motoristas de mutação, possíveis alvos terapêuticos e medicamentos candidatos em câncer. A interface gráfica simples permite rápida, mapeamento intuitiva e análise ao nível dos sistemas. Os usuários podem encontrar, selecionar e explorar genes alvo identificados e compostos de interesse (por exemplo, novos genes do cancro e seus processos biológicos enriquecido), e validar as previsões usando genes de referência definidos pelo usuário (por exemplo, genes alvo detectados em telas de RNAi) e câncer de curadoria genes via TARGETgene. As capacidades de alto nível de TARGETgene também são demonstrados através de duas aplicações neste papel. As previsões nessas duas aplicações foram então validada satisfatoriamente por vários meios, incluindo genes do cancro conhecidos, resultados de telas de RNAi, anotações função do gene e genes-alvo de drogas que foram usadas ou em ensaio clínico em tratamentos de câncer. TARGETgene está disponível gratuitamente no site da Biomedical Simulações Resource (https://bmsr.usc.edu/Software/TARGET/TARGET.html)
Citation:. Wu CC, D’Argenio D, Asgharzadeh S, triche T (2012) TARGETgene: Uma ferramenta para a identificação de potenciais alvos terapêuticos no câncer. PLoS ONE 7 (8): e43305. doi: 10.1371 /journal.pone.0043305
editor: Ying Xu, Universidade da Geórgia, Estados Unidos da América
Recebido: 19 Abril, 2012; Aceito: 18 de julho de 2012; Publicado: August 31, 2012 |
Direitos de autor: © Wu 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 apoiado pelo National Institutes of Health (NIH) subvenção P41-EB001978 (a DD), Departamento de Defesa subvenção W81XWH-07-1-0580 (com TT) e NIH Child Health Research Desenvolvimento de Carreira Award Programa K12-CA60104 (para SA). 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 uso intensivo de agentes citotóxicos em terapias multimodais melhorou a sobrevida livre de doença em cinco anos e até mesmo resultou em cura para alguns pacientes com câncer. Este sucesso pode ser associada a toxicidades graves e um aumento da ocorrência de cancros secundários. O surgimento de terapias específicas dirigidas contra genes /proteínas desreguladas ou mutantes em células malignas representa uma mudança de paradigma na terapia do cancro, com menos dependência de drogas que matam as células normais, bem como as células tumorais. Exemplos incluem terapias contra cânceres de mama HER2 sobre-expressos (tais como Trastuzumab e Lapatinib) terapia, c-alvo Kit de BCR-ABL leucemias defeituosos (Gleevec) e VEGF /compostos VEGF-R-alvo para a inibição da angiogênese canceroso (como Bevacizumab) . Embora as tecnologias de alta produtividade, tais como micro-arranjo e próxima sequenciação geração pode agora ser utilizado para identificar centenas ou milhares de genes candidatos que são expressos diferencialmente ou mutados em canceroso contra tecidos normais, é difícil de dar prioridade alvos terapêuticos do cancro potenciais a partir de um número tão grande de genes candidatos.
a sistemática estudo das vias regulatórias complexas é necessário para compreender os mecanismos de oncognesis para descobrir os motoristas de mutação ou desenvolver terapias eficazes. Várias vias foram encontrados para ser desregulado nas células cancerosas devido à sobre-expressão ou a repressão de alguns elementos de controlo [1]. Mas, os resultados de vias até à data têm sido muito limitada. A vasta gama de técnicas de alto rendimento e recursos de dados de domínio público, mais recentemente disponíveis, oferece a possibilidade de compreender os mecanismos celulares a um nível de sistemas e, assim, auxiliando na descoberta de drogas [2] – [5]. Várias abordagens estatísticas rigorosas têm sido desenvolvidos para o estudo de redes celulares e moleculares através de uma análise integrada destes recursos [6] – [10]. Temos também previamente introduzido um Relevância Vector Machine (RVM) à base de abordagem de conjunto, projetado para problemas de aprendizagem em grande escala, e é usado para integrar múltiplas fontes de dados heterogêneos para construir uma rede de gene humano que pode revelar as relações funcionais de genes de genes [11 ]. Os baseada RVM rendimentos modelo de conjunto melhorou o desempenho em problemas de aprendizagem em larga escala com valores em falta enormes em comparação com Naïve Bayes, o método mais popular usado para prever interações proteína-proteína e interações genéticas [6] – [10].
Vários conceitos também levaram ao desenvolvimento de abordagens baseadas na rede de prever novos genes de doenças em redes moleculares [12], [13], [14]. Genes associados com fenótipos da doença semelhantes tendem a ser grupo junto em uma rede molecular. Assim, os genes que são encontrados para ser associado com os genes relacionados com a doença conhecidos nas redes são-se mais provável a estar envolvido no mesmo processo de doença [12]. Além disso, tendo em conta a complexidade em cancros, os potenciais alvos terapêuticos podem ser aqueles genes /proteínas que têm um papel crítico na regulação múltiplas vias ou manter esses fenótipos malignos [15]. Foi recentemente relatado que os genes associados ao cancro são mais susceptíveis de ser proteínas que actuam como centros de sinalização, enviando ou recebendo sinais através de múltiplos caminhos [16], [17]. uso mais amplo desses conceitos e redes moleculares construídas seria promovido pela disponibilidade de ferramentas que permitam a fácil identificação de potenciais alvos terapêuticos para cânceres específicos.
utilização mais ampla de tais redes moleculares construídas e abordagens baseadas em rede seria promovido pela disponibilidade de ferramentas que permitam a fácil identificação de potenciais alvos terapêuticos para cânceres específicos. Este relatório apresenta, assim, a TARGETgene ferramenta de software que utiliza uma rede gene construído que integra vários dados de genômica e proteômica utilizando o modelo baseado no RVM [11] para permitir aos usuários identificar convenientemente potenciais alvos terapêuticos para um cancro particular. A rede contém não só informações de interação molecular direta, mas também as relações funcionais de genes de genes mais amplas. Além disso, através da integração de informação sobre a droga-alvo compilados a partir de bases de dados públicas recentemente disponíveis, tais como drugbank [18], PharmGKB [19] eo Banco de Dados Therapeutic Target [20], TARGETgene permite a identificação de possíveis candidatos a medicamentos para tratamentos de câncer. Os usuários podem encontrar, selecionar e salvar genes drogas de interesse (por exemplo, a seleção de genes de câncer romance) via TARGETgene. Através da integração de recursos de várias bases de dados públicas, TARGETgene também permite que os usuários explorem funções moleculares, literatura relacionada, e processos biológicos enriquecidos de seus genes-alvo selecionados. Além disso, TARGETgene também fornece uma maneira para os usuários a validar as suas previsões usando genes de referência definidos pelo usuário (por exemplo, genes alvo detectados em telas de RNAi) e genes do cancro curadoria. Neste relatório, as capacidades de alto nível de TARGETgene são demonstrados através de duas aplicações neste trabalho: identificação de potenciais alvos terapêuticos de genes diferencialmente expressos e identificação de motoristas de mutação. As previsões nestes dois pedidos foram satisfatoriamente validado de várias maneiras, incluindo genes do cancro conhecidas, resultados de sreens RNAi, anotações função do gene e genes-alvo de drogas que foram usadas ou em ensaios clínicos.
Métodos
Construção de gene-gene rede funcional do relacionamento
Dezessete dados de genômica e proteômica heterogêneos foram integrados utilizando o modelo de conjunto baseada RVM relatado em [11], a fim de construir uma rede funcional de genes (conforme detalhado no o ponto 1 do Texto S1). Os nós na rede este representar todos os genes do genoma humano, e a associação funcional entre quaisquer dois deles é quantificada por uma probabilidade de ligação de par de genes que podem revelar a tendência de genes para operar com as mesmas ou semelhantes vias. Assim, esta rede contém não só informações de interação molecular direta, mas também relações genéticas mais amplo funcionais nas vias. Esta rede pode ser aplicado para estudar diversas questões biológicas na saúde e na doença, incluindo a explorar as funções dos genes, compreender os mecanismos celulares complexas, e identificar potenciais alvos terapêuticos. TARGETgene utiliza esta rede gene para mapear e analisar potenciais alvos terapêuticos no nível de sistemas.
identificação de alvos potenciais utilizando abordagens com base em rede
Com base na rede gene construído, TARGETgene identifica potenciais alvos terapêuticos utilizando uma das duas métricas baseadas em rede: 1) pontuação hub ou 2) pontuação de associação genética de sementes (como detalhado na secção 2 do texto S1). Duas medidas centralidade, uma posição central e central ponderado grau vector próprio ponderada, fornecidas em TARGETgene pode quantificar a tendência de um gene para ser um cubo na rede específico de tumores que é gerado pelo mapeamento de genes candidatos num tumor para a rede de genes construídos. TARGETgene também permite aos usuários identificar genes do cancro importantes ou potenciais alvos terapêuticos, associando-as com genes de sementes definidas pelo usuário (por exemplo, genes de câncer conhecidos) na rede gene. Mais especificamente, a importância de cada gene candidato é calculado como soma da sua associação funcional directa com os genes de sementes. Todos os genes candidatos são classificados com base na sua pontuação hub ou a sua pontuação de associação genética de sementes. Esses genes altamente classificados na predição são identificados como possíveis genes do câncer importante e, portanto, potenciais alvos terapêuticos. informações sobre drogas-alvo é então mapeado para genes candidatos. Drogas cujos genes-alvo são altamente classificado na previsão também podem ser considerados como potenciais terapias.
Visão de TARGETgene
A interface gráfica do usuário de TARGETgene consiste em quatro painéis principais de trabalho, incluindo entrada, Implementação , Gene, e painéis de droga (Figura 1A e 1B). O painel de entrada permite aos usuários definir o tipo de câncer (actualmente: cancro da mama, cancro do cólon, sarcoma de Ewing, glioblastoma, câncer de pulmão, câncer de ovário e câncer de próstata) e genes candidatos, bem como a métrica (contagem hub classificação desejado ou sementes associação gene marcador), tal como ilustrado na Figura 1A. O Painel de Implementação permite ao usuário gerar novas previsões, salvar os resultados e carregar resultados existentes. O Painel Gene lista informações sobre todos os genes candidatos, incluindo a sua classificação nas previsões, bem como o número de câncer de literatura citação. literatura Cancer informações da citação de genes foi compilado a partir Entrez Gene (ftp://ftp.ncbi.nih.gov/gene/). Através deste painel, o usuário também pode encontrar, seleccionar genes alvo identificados (por exemplo, a seleção de genes de câncer romance), e explorar as suas funções, literatura citada, bem como processos biológicos enriquecidos. Além disso, TARGETgene permite aos usuários validar as suas previsões usando genes de referência definidos pelo usuário (por exemplo, genes alvo detectados em telas de RNAi) e genes do cancro curadoria através deste painel. Finalmente, drogas e suas informações de destino compilados a partir de várias bases de dados públicas, tais como drugbank [18], PharmGKB [19] eo Banco de Dados Therapeutic Target [20], também está integrado ao TARGETgene para relatar essas drogas /compostos que podem ter ação sobre o alvos identificados por TARGETgene. O Painel de Drogas lista os nomes genéricos, tipos de drogas (aprovados ou experimentais), o número de genes candidatos conhecidos por serem visados pelas drogas identificadas, melhor classificada nome gene alvo, e as doenças dos medicamentos identificados relacionados. A lista de drogas é ordenada por sua maior gene alvo classificado. TARGETgene também é customizável e pode gerar a lista de medicamentos selecionados com base nas fileiras dos seus alvos ou tipo de droga. Além disso, os usuários podem explorar mais informações gerais sobre drogas identificadas como de interesse através de várias ligações externas.
A. O projeto de arquitetura. B. A principal interface gráfica do usuário
Resultados
Para ilustrar o uso de TARGETgene, temos aplicado para dois exemplos:. 1) identificação de potenciais alvos terapêuticos de milhares de diferencialmente genes expressos identificados por matriz exão; 2) identificação de motorista mutado genes de sequenciação e copiar dados de números de
Exemplo 1:. Identificação de alvos terapêuticos potenciais de genes diferencialmente expressos
Neste exemplo, TARGETgene foi aplicada em vez de cada um três tipos de câncer: câncer de mama HER2-positivo, câncer de cólon e de pulmão adenocarcinoma. conjuntos de dados Exon humanos na plataforma Affymetrix para os três tipos de câncer foram coletadas a partir do Centro Nacional de Informações sobre Biotecnologia Gene Expression Omnibus (GEO) [21]. análises posteriores dos dados foram feitas usando Partek Genomic Suíte 6.3 (mais detalhes na seção 3.1 do texto S1). Finalmente, 5203, 5153 e 6203 genes diferencialmente expressos foram identificados em estudos de caso de cólon, mama e cancro do pulmão, respectivamente. genes diferencialmente expressos em cada tipo de cancro foram todos classificados com base a sua pontuação de cubo (grau ponderada da central) em uma rede específico de tumor, que foi gerado pelo mapeamento dos genes diferencialmente expressos em cada tipo de cancro para a rede funcional do gene construído. A lista de classificação completo de genes para cada um dos três tipos de câncer podem ser obtidas através da execução TARGETgene utilizando a lista de genes candidatos armazenados nos arquivos de exemplos (incluído no pacote TARGETgene) e selecionando a centralidade grau ponderada no ranking opção (secção 3.1 das listas de S1 texto os 10 melhores genes maior classificados para cada um dos três tipos de câncer, como mostrado nos painéis de genes de TARGETgene). Os resultados mostram que um número de genes do cancro importantes para cada tipo de câncer são altamente classificado por TARGETgene, como AKT1 (rank 1 #), SRC (classificação # 10) e ERBB2 (classificação # 25) no cancro da mama. Além disso, TARGETgene também classifica vários genes altamente (no top 10%) que foram recentemente identificadas como genes relacionados ao câncer em cada tipo de cancro. Por exemplo, no cancro da mama ADAM12 (classificação # 153) e MAP3K6 (classificação # 205) foram relatados recentemente para ser associado com a oncogênese cancro da mama [22], [23]. Além disso, muitos genes que nunca foram identificados nestes tipos de cancro são também altamente classificado. Estes genes podem estar sujeitos a uma maior
in vitro
e
in vivo
estudo para avaliar a sua importância destes tipos de câncer. Vários destes também foram identificados por telas de RNAi (conforme detalhado na seção seguinte).
Evaluations previsão.
Os genes classificados resultantes de TARGETgene também são validados usando genes anotações funcionais e vários de referência conjuntos de genes, incluindo o conjunto de genes do cancro curadoria, o conjunto de genes citados na literatura câncer, e o conjunto de genes alvos detectados por telas de RNAi. Operacionais (ROC) e AUC receptor característicos são utilizados para estas avaliações de benchmark. Em cada avaliação, os conjuntos de genes de referência são tratados como casos positivos, enquanto outros genes são tratados como exemplo negativo.
Os genes do cancro curadoria baixado do banco de dados CancerGenes [24] são utilizados pela primeira vez para avaliar se eles são altamente classificado por TARGETgene. A Figura 2A mostra desempenho de previsão do TARGETgene para cada tipo de câncer. Os valores elevados de AUC de predição de TARGETgene em cada tipo de cancro (todos AUC 0,85) indicam que a maior parte dos genes do cancro conhecidos tendem a ser altamente classificado. Além disso, os genes que são citados na literatura para cada tipo de cancro são também utilizados para a avaliação. genes de referência em cada tipo de câncer pode ser determinado com base diferente o número de citações de corte. À medida que o número de citações de corte utilizado aumenta o mesmo acontece com os valores da AUC TARGETgene resultantes (Figura 2B mostra o resultado de cancro da mama; os resultados dos outros dois casos são mostrados na secção 3.2.1 do Texto S1), indicando que os genes com mais citações também têm um ranking TARGETgene superior. Os resultados da correlação de postos de Spearman nos três tipos de câncer, também mostra correlação significativa entre fileiras gerados por TARGETgene e número literatura citação (ponto 3.2.1 do texto S1). Isso fornece mais evidências de que genes altamente classificados por TARGETgene também são citados mais na literatura câncer; ou seja, eles provavelmente desempenham papéis mais importantes nestes cancros, em comparação a baixar genes classificados.
taxa positiva verdadeiro é denotado taxa positiva TPR e falso é denotado FPR na Figura. A. avaliação utilizando curadoria genes do cancro. B. Avaliação usando genes citados pelo citado pela literatura do cancro com diferentes valores de corte número da citação de 1, 5 e 10 (apenas no caso de câncer de mama é mostrado). C. Avaliação usando genes alvos detectados por telas de RNAi de viabilidade celular.
telas de alto rendimento RNAi foram recentemente demonstrou ser uma ferramenta promissora para descobrir novos alvos para o tratamento de vários tipos de câncer [25]. Portanto, as metas eficazes de cada tipo de câncer detectado pelo viabilidade celular RNAi que foram baixados de GenomeRNAi [26] também são aplicadas para avaliar o desempenho das previsões de TARGETgene. As fontes de dados de telas de RNAi utilizados neste trabalho estão resumidos na na seção 3.2.3 do S1 texto. O resultado é mostrado na Figura 2C. A alta AUC em cada tipo de câncer indica que os alvos mais efetuadas identificados nas telas de RNAi genoma escala tendem a ser altamente classificado por TARGETgene. Alguns dos genes alvo ARNi que são altamente classificados por TARGETgene demonstraram desempenhar um papel importante na oncogénese em cada um dos três tipos de cancro, tais como AKT1 (# 1) no cancro da mama. Especificamente, alguns destes genes alvo só recentemente foi encontrado para ser associada com estes três tipos de cancro. Por exemplo, no cancro da mama, PIK3R2 (fosfoinositide-3-quinase, subunidade reguladora beta 2) e ECT2 (célula epitelial sequência transformando 2 oncogene) tem um grau TARGETgene de 37 e 272, e com uma alteração de 3,31 e 4,94 vezes na expressão do gene de tecidos de cancro da mama, respectivamente. PIK3R2 tem sido mostrado para ser funcionalmente associado com PTEN não fosforilada e do complexo relacionado-PTEN em algumas linhas celulares de cancro da mama amplificado-HER2 [27]. ECT2 foi relatado recentemente por estar envolvido com mecanismos para ativar RhoB após estresse genotóxico, facilitando assim a morte celular após o tratamento com DNA agentes nocivos no cancro da mama [28]. O mais interessante, também descobrimos que vários alvos novos (ou seja, sem citação relacionada com o tipo de câncer específica com base no PubMed em dezembro de 2010) detectado por telas de RNAi são também altamente classificado por TARGETgene. Por exemplo, na cancro da mama, CASK (cálcio /proteína serina-quinase dependente de calmodulina) e CIT (RHO-interagindo, serina /treonina-quinase 21) são classificados 161 e 115, e com uma mudança de 2,88 e 3,06 vezes na expressão do gene do câncer de mama tecidos, respectivamente. BARRIL foi encontrado para ser associado com a tumorigénese do esófago [29]. CIT codifica uma cinase serina /treonina-proteína que funciona na divisão celular. [30]. Tais resultados fornecem suporte em modelos de linha celular para a capacidade de TARGETgene para identificar novos alvos terapêuticos no câncer. Isso também sugere a possibilidade de combinação de RNAi e telas baseadas em rede adotada pela TARGTgene para identificação alvo terapêutico (mais discussão na seção de discussão).
Gorilla [31], uma ferramenta de análise de enriquecimento de ontologia gênica, foi aplicado para identificar termos GO enriquecidos que aparecem densa no topo das listas de genes classificados de TARGETgene para cada um dos três tipos de câncer. Muitos dos termos de processo GO identificados são conhecidos processos biológicos relacionados com o cancro, como a regulação da morte celular, regulação da proliferação celular, a regulação da migração celular. Curiosamente, vários processos biológicos relacionados com as novas características de cânceres [32] são também identificados, tais como danos no DNA, o estresse oxidativo, fugindo vigilância imunológica, estresse metabólico, estresse mitótico e estresse proteotoxic. Estes resultados indicam que os genes altamente classificados por TARGETgene estão envolvidos em vários processos e vias biológicas relacionadas com o cancro. Além disso, vários tipos de moléculas, tais como quinases de sinalização, tirosina-quinases receptoras, e factores de transcrição são frequentemente proposto como possíveis alvos moleculares em cancros [33] – [36]. Por exemplo, a fosforilação da proteína tem provado ser uma força importante na sinalização celular [37]. Nós também descobrimos que muitos cinase, receptor, e de transcrição fator relacionado termos de função GO são enriquecidas em genes altamente classificados no TARGETgene (ponto 3.2.2 do texto S1). Mais detalhes a respeito destas anotações funcionais podem ser encontrados em S1 Arquivo.
Integração de Predictions-alvo e dados fármaco-alvo.
Depois de mapear as informações de fármacos /compostos e suas metas para o gene classificados listas de TARGETgene, o painel da droga auxilia na identificação de compostos que ou têm sido aprovados ou estão actualmente em ensaios clínicos para o tratamento de cada um dos três tipos de cancro. Outros medicamentos e compostos identificados por TARGETgene que não tenham ainda sido utilizadas em ensaios clínicos, também têm demonstrado efeitos anti-câncer e poderia, assim, ser considerado como potencial nova droga para estes cancros. A Tabela 1 apresenta algumas dessas drogas e compostos cujos genes alvo são overexpressed e altamente classificados por TARGETgene no cancro da mama (resultados de pulmão e cólon pode ser encontrada na seção 3.3 do texto S1). Trastuzumab e Lapatinib foram aprovados para o câncer de mama HER2 positivo, e sua principal ERRB2 alvo é altamente classificados por TARGETgene (e-regulada). Várias outras drogas cujos alvos são altamente classificados por TARGETgene, como Dasatinib, UCN-01, celecoxib, flavopiridol, e vorinostat, já estão em ensaios clínicos para o tratamento de câncer de mama. Além disso, outros compostos de droga /têm mostrado ter efeitos anti-tumorais e podem ser consideradas como potenciais novos medicamentos para o tratamento de cancro da mama, tais como Alsterpaullone e olomoucina. Além disso, dois compostos naturais, a melatonina e vitamina D (calcidiol), são também identificados por TARGETgene. A melatonina, um composto que ocorre naturalmente encontrada em organismos, pode regular os ritmos circadianos de várias funções biológicas. Recentemente, um estudo clínico envolvendo um total de 643 pacientes com câncer usando melatonina encontraram uma menor incidência de morte [38]. Um estudo também mostrou que as mulheres com níveis de melatonina baixos têm um risco aumentado para câncer de mama [39]. receptores de vitamina D foram encontrados em até 80% dos cancros da mama, e polimorfismos do receptor da vitamina D têm sido associadas com diferenças em sobrevivência [40], [41], [42]. Os compostos activos de vitamina D (calcidiol; calcitriol) foram também identificados pelos seus efeitos antiproliferativos em células de cancro da mama [43], [44], embora os mecanismos detalhe ainda não são claras. Em resumo, estes resultados fornecem alguma evidência adicional de que genes que são altamente classificados por TARGETgene podem ser potenciais alvos terapêuticos
Exemplo 2:. Identificação do motorista genes mutantes em Câncer
Um grande número de gene mutações foram descobertas a partir da próxima geração de sequenciamento [65]. Um desafio importante, no entanto, é para distinguir do controlador mutado genes que promovem o crescimento do cancro a partir de genes de mutação de passageiros que não desempenham um papel na progressão do cancro. Várias tentativas têm sido feitas para identificados genes mutados recorrentemente como condutores [66], [67], [68], mas, até agora, estes esforços têm sido incapazes de detectar diversos controladores, a menos que eles são transformados em frequências significativamente elevados. Por exemplo, grupos de genes numa via que são exclusivamente mútuo mutado. Diferentes combinações de mutações no mesmo sinalização importantes ou via reguladora podem gerar uma perturbação significativa e causar o desenvolvimento do cancro, mas estas combinações aparece exclusivamente numa dada amostra.
As mutações de genes de cubo em redes moleculares são capazes de dyregulating as funções normais de muitos genes e as suas vias, devido à capacidade dos genes do cubo de alterar directamente ou indirectamente, de outros componentes da célula durante as suas interacções extensas. Assim, genes mutados hub pode ser condutores de progressão do cancro. Neste exemplo, foi aplicado TARGETgene para identificar possíveis genes mutados motorista dos cerca de 500 genes mutantes no genoma de Glioblastoma Multiforme (GBM) [69]. A fim de identificar os genes cujas mutações terão os efeitos mais significativos sobre outro gene, nós escolhemos todos os genes no genoma como genes de sementes e, em seguida, classificados TARGETgene todos os genes mutados com base na sua associação com todos os genes no genoma. Um conjunto de genes nas vias centrais identificados de GBM [68] foi usado para validação. Verificou-se que estes genes nas vias de validação de núcleo tendem a ser altamente classificado por TARGETgene (AUC = 0,94; Figura 3). Vários desses genes de vias centrais identificados são bem conhecidos genes GBM, tais como EGFR (# 1), TP53 (# 22), e PTEN (# 27). É digno de nota, que dois dos genes identificados por TARGETgene são novos genes GBM (isto é, não há citações de literatura foram encontrados GBM), incluindo, CCND2 (# 66) e SPRY2 (# 68). Isso indica altamente classificado genes na previsão TARGETgene podem ser motoristas oncogênicos ou potenciais alvos terapêuticos. No Painel de Drogas, TARGETgene também lista alguns medicamentos aprovados que visam nesses genes altamente classificados identificadas por TARGETgene, alguns dos quais têm sido utilizados para o tratamento de GBM ou estão agora em ensaios clínicos GBM (resultados não mostrados). Todos os resultados podem ser regenerado usando o arquivo de genes candidatos example2 na embalagem TARGETgene e selecionando associação com todos os genes no genoma.
Desempenho de previsão
TARGETgene é avaliada por genes nas vias centrais identificados.
Discussão
identificação de alvos terapêuticos potenciais
com base nos resultados dos dois exemplos apresentados, genes de câncer mais bem estudados, incluindo aqueles que têm demonstrado benefício clínico (por exemplo, ERBB2 e TOP2 na Tabela 1), são altamente classificados em predições de TARGETgene em cada um dos três tipos de cancro. Mais notavelmente, TARGETgene também identificados vários genes altamente classificados que são novos em cada um dos três tipos de cancro. Enquanto a maioria dos novos aprovações de drogas para terapias de cancro alvo são dirigidos contra alguns alvos existentes, tais como EGFR, ABL1, apenas um pequeno número de compostos estão em desenvolvimento contra novos alvos [25]. Isso indica que muitos alvos potenciais permanecem desconhecidas ou undrugged. As abordagens anteriores utilizados para identificar e validar novos alvos em doenças são limitadas devido a alto custo, baixo rendimento e tempo envolvidos [25]. A abordagem baseada em rede gene como implantado em TARGETgene é capaz de identificar de forma eficaz e abrangente de câncer importantes alvos terapêuticos. Mais importante ainda, os conjuntos de dados biológicos utilizados para construir o gene de rede estão todos no domínio público. Além disso, embora alguns estudos estimam o tamanho do “druggable” genoma humano para ser em torno de 10~20% do proteoma humano (isto é, o número de alvos de proteínas possíveis para a criação de pequenas moléculas de droga na química medicinal) [70], [71], o desenvolvimento de terapias baseadas em RNAi pode permitir a terapia dirigida de virtualmente qualquer gene [72]. Assim, os alvos (up-regulamentados ou mutantes) identificadas pela abordagem baseada em rede de genes em TARGETgene, podem todos ser potenciais alvos terapêuticos que utilizam terapia baseada em RNAi. No entanto, a maior parte das metas previstas pelo TARGETgene ainda precisam ser validados em modelos não-clínicos e, finalmente, em pacientes.
Nos dois exemplos apresentados, genes hub são identificados como genes relacionados com o cancro importantes ou potenciais alvos terapêuticos usando uma medida grau central ponderado. Embora as previsões dos três tipos de cancro foram satisfatoriamente validado de várias maneiras, previsões com base neste método são esperados para ser inclinado para genes bem ligados na rede. Por exemplo, alguns genes hub gargalo [73], com apenas algumas ligações directas para outros nós, mas que agem como conectores chave na rede, não podem ser identificados utilizando a medida de grau centralidade ponderada. A medida centralidade eigenvector ponderada que pode explicar a importância global de um gene na rede construída é uma abordagem para a resolução deste problema. A rede de genes construídos utilizado no presente estudo, no entanto, não contém apenas uma informação directa interacção molecular mas também as relações funcionais (não-dirigida) do gene para o gene mais amplas, reduzindo assim o problema acima mencionado selecção de polarização quando se usa o papel central grau ponderada. Notamos que o desempenho de previsão comparáveis entre a centralidade grau ponderada ea medida eigenvector centralidade ponderada, apoiando este ponto (resultados não mostrados). No entanto, os genes que não foram bem estudadas até à data mas podem ser importantes na progressão do cancro não serão identificadas pelo TARGETgene, porque pouco é conhecido sobre a sua função. Esta é uma limitação atual de TARGETgene para a identificação do alvo, que podem ser melhorados como dados mais de genômica e proteômica são gerados e integrados para a construção de uma rede de genes mais completo para ser incluído em futuras versões do TARGETgene.
Combinação de previsões de TARGETgene e RNAi telas
telas
RNAi tem a capacidade de identificar genes críticos que controlam câncer relacionado ao (ou relacionada com a doença) fenótipos sem usar qualquer informação biológica antes. telas de ARNi assim, pode ser esperado para ser uma ferramenta poderosa para identificar e validar novos alvos no processo de descoberta de drogas [25]. A abordagem baseada em rede gene adotado por TARGETgene, no entanto, não classificar alguns dos alvos identificados por telas de RNAi altamente. Existem várias razões para a diferença entre a meta prevista utilizando RNAi e a abordagem baseada em rede de genes em TARGETgene. O uso de telas de RNAi tem várias limitações significativas. Em primeiro lugar, as telas de ARNi só pode ser realizada em linhas celulares, assim, a importância de alvos devem ser adicionalmente validado em ensaios clínicos. Em segundo lugar, os reagentes de ARNi tem efeitos fora do alvo, o que resulta na inibição de genes que não são os alvos pretendidos para resultar no fenótipo específico [25]. Embora seja possível para reduzir o impacto de tais efeitos usando extensas validações, apenas alguns alvos são finalizados e, assim, gerar muitos falsos negativos (ou seja, muitos genes que devem ser alvos, mas não são detectados). Em contraste, o rastreio baseada em rede de genes em TARGETgene pode ser utilizado para identificar potenciais alvos terapêuticos directamente utilizando os dados do paciente. 3).