Abstract

Purpose

Este estudo tem como objetivo explorar as assinaturas de expressão gênica e soro biomarcadores para prever chemoresistance intrínseca em câncer epitelial de ovário (EOC).

pacientes e Métodos

perfil de expressão gênica de dados de 322 casos EOC de alto grau entre 2009 e 2010 no projeto cancer Genome Atlas ( TCGA) foram utilizados para desenvolver e validar assinaturas de expressão de genes que poderiam discriminar diferentes respostas aos tratamentos de primeira linha de platina /baseada em paclitaxel. Uma rede de regulação do gene foi então construído para identificar mais genes de cubo responsáveis ​​pela expressão diferencial de genes entre o grupo de resposta completa (CR) e o grupo da doença progressiva (DP). Além disso, para encontrar biomarcadores séricos mais robustos para a aplicação clínica, integramos nossas assinaturas genéticas e assinaturas de gene relatado anteriormente para identificar genes codificantes de proteínas secretoras através de pesquisa na base de dados DAVID. No final, a rede de interação gene-droga foi construída através de pesquisa comparativa Toxicogenomics banco de dados (CTD) e literatura.

Resultados

Um modelo preditivo 349-gene e um modelo de 18 gene independente da chave características clínicas com alta precisão foram desenvolvidos para a previsão de chemoresistance em EOC. Entre eles, dez genes importante pólo e seis vias de sinalização críticas foram identificadas como tendo implicações importantes na resposta quimioterápico. Além disso, foram identificados dez marcadores biológicos potenciais para prever chemoresistance em EOC. Finalmente, sugerimos alguns medicamentos para o tratamento individualizado.

Conclusão

Nós desenvolvemos os modelos preditivos e marcadores biológicos para a platina resposta /paclitaxel e estabeleceu a nova abordagem para descobrir marcadores biológicos potenciais de expressão gênica perfis. Os potenciais drogas que alvejam genes cubo também são sugeridas

Citation:. Han Y, Huang H, Xiao Z, Zhang W, Cao Y, Qu L, et al. (2012) Análise Integrada de Expressão Gênica perfis associados a resposta do tratamento Platinum /Paclitaxel-Baseado em epitelial cancro do ovário. PLoS ONE 7 (12): e52745. doi: 10.1371 /journal.pone.0052745

editor: Sandra Orsulic, Cedars-Sinai Medical Center, Estados Unidos da América

Recebido: 12 de setembro de 2012; Aceito: 21 de novembro de 2012; Publicação: 27 de dezembro de 2012

Direitos de autor: © 2012 Han 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 estudo foi financiado pelo Programa Nacional 973 de China (2009CB521805). 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

cancro do ovário

epitelial, que responde por mais de 90% de todos os cânceres de ovário, ocorre mais comumente em sexta e sétima décadas de mulheres na pós-menopausa e é uma das principais causas de morte por câncer entre mulheres em países desenvolvidos [1]. Nos Estados Unidos, havia cerca de 21.990 novos casos de câncer de ovário diagnosticados e 15.460 mortes em 2011 [2]. cytoreductive cirurgia primária seguida de quimioterapia pós-operatória é considerado o padrão de tratamento para câncer avançado de ovário [3]. Quimioterapia de primeira linha com agentes de platina e o paclitaxel é capaz de conseguir uma resposta completa (CR) no aproximadamente 70% dos pacientes com doença avançada [4]. No entanto, cerca de 30% dos pacientes não respondem a estas drogas e até mesmo os pacientes que respondem inicialmente à quimioterapia de primeira linha frequentemente recaída e, eventualmente, tornar-se resistentes a esses agentes.

Como prever a resistência quimioterápico e ainda mais importante, como para reverter a resistência são clinicamente desafiado. Uma das abordagens é a identificar biomarcadores preditivos especialmente os biomarcadores que poderiam ser também alvos terapêuticos. A expressão de genes de perfil tecnologia foi utilizada para identificar biomarcadores relacionados com quimiorresistência [5] – [13]. No entanto, até à data, nenhuma assinatura de expressão gênica foi provou ser suficientemente eficaz na predição chemoresistance na prática clínica, que é em grande parte devido à inadequada amostra de inclusão e /ou pequeno tamanho da amostra utilizada nos estudos.

Para endereço este desafio, criticamente selecionados e avaliados 322 pacientes com câncer de ovário seroso apenas com doença CR ou progressiva (PD) para a terapia de platina /à base de paclitaxel a partir do projeto Cancer Genome Atlas (TCGA) para identificar assinaturas de expressão de genes associados com chemoresistance. Usando supervisionado método de componentes principais, um modelo preditivo 349-gene e um 18-gene modelo correlacionado-de independente da idade do paciente, palco, debulking status ou tumorais estágios foram desenvolvidos para a previsão chemoresistance. Além disso, para identificar biomarcadores quimioterápicos de soro para uma aplicação mais prática clínica, combinamos o nosso perfil de expressão 322-gene e quatro descobertas anteriores, que foram selecionados com base nos critérios estritos de gene perfil de expressão do câncer epitelial de ovário, validação, tamanho de amostra adequado, e previsão da resposta ao tratamento de quimioterapia de primeira linha. Encontramos biomarcadores dez soro que têm valor preditivo para resposta primária à quimioterapia de primeira linha. No final, várias drogas com o objetivo genes hub em nossos modelos foram sugeridos. Nossos resultados fornecem uma plataforma para a seleção dos medicamentos mais adequados para um melhor resultado do tratamento desses pacientes resistentes à platina /quimioterapia baseada em paclitaxel.

Pacientes e Métodos

Ética Declaração

Somos livres para utilizar os dados de câncer de ovário em TCGA pelo cumprimento dos seus critérios de liberdade-para-publicar: Um marcador papel foi publicado sobre esse tipo de tumor. O Comitê de Ética em Pesquisa do Hospital Peking University Instituto dispensou a exigência de aprovação ética desta análise porque o registro é um banco de dados identificou-de. Autorização por escrito foram obtidas de todos os pacientes vivos.

Pacientes e Amostras de Tecido

Um total de 322 pacientes com câncer de ovário seroso de alto grau foram cuidadosamente selecionados do banco de dados TCGA (Instituto Nacional do Câncer. O câncer genoma portal de dados do Atlas. https://tcga-data.nci.nih.gov/tcga/findArchives.htm. Acessado em 01 de setembro de 2011). Informações detalhadas dos pacientes selecionados incluindo a idade no momento do diagnóstico, o estágio do tumor, grau e debulking estatuto estão listadas na Tabela 1. Informações de Todos os espécimes de cancro do ovário e definições clínicas foram previamente descritos [14]. Todos os pacientes selecionados receberam um tratamento de primeira linha de platina /paclitaxel à base, exceto que regime de tratamento de quatro pacientes “era desconhecida. Os 322 amostras foram divididas aleatoriamente em treinamento (n = 200) e teste de conjuntos (n = 122). No conjunto de treinamento, 177 de 200 pacientes demonstraram CR e 23 de 200 pacientes demonstraram PD a terapia primária de platina /baseada em paclitaxel após a cirurgia. No conjunto de testes, 110 de 122 pacientes tiveram CR e 12 de 122 pacientes tiveram PD para tratamento de platina /baseada em paclitaxel.

Seleção de estudos relacionados anteriormente publicado

A fim de encontrar estudos anteriores estreitamente relacionadas ao nosso estudo, buscamos bases de dados on-line de 2005~2011 com critérios rigorosos: o mesmo subtipo de câncer, validação, tamanho de amostra adequado, e previsão de resposta ao tratamento de quimioterapia de primeira linha. Quatro estudos foram identificados [6], [8], [10], [11] e as informações detalhadas foi listada na Tabela 2. Para a validação dos nossos genes assinatura, 3 conjuntos de dados [15] – [17] a partir do banco de dados NCBI GEO [18] foram baixadas. Estes 3 conjuntos de dados são todos os perfis de quimiorresistentes ovarianos linhas celulares de cancro ‘A2780-resistant “e linha de células parental’ A2870 ‘, que foram gerados de forma independente por 3 grupos diferentes de expressão gênica. Há 5, 3 e 6 repetições, em conjuntos de dados GSE15372, GSE28646 e GSE33482 respectivamente. Genes que estão intimamente relacionados à platina resposta ao tratamento /paclitaxel também são procurados na base de dados CTD.

Gene Expression Profiling Análise

perfil de expressão gênica de dados (nível 3) de 322 ovário seroso amostras de câncer foram obtidos a partir do Portal de dados TCGA. O perfil de todas as amostras foi realizada no U133A Gene Chip Humano (Affymetrix, Santa Clara, CA).

Bioinformática e análise estatística

O método de componentes principais supervisionado foi utilizado para gerar um general modelo gene preditivo e um modelo gene que é independente das características clínicas importantes, incluindo idade, estágio, debulking status, e grau (modelo de-correlacionada). A análise acima foi realizado utilizando pacote superpc [19], em R 2.14.0 (R Foundation for Statistical Computing [https://www.r-project.org/]). Os genes diferencialmente expressos em 3 GEO conjunto de dados também foram computados na R. Usamos Chea para análise fator de transcrição [20], David e Clone /ID Converter Gene para anotação gene [21], [22], e recolher para análise enriquecimento via [ ,,,0],23]. GNCpro (https://gncpro.sabiosciences.com/gncpro/gncpro.php), pacote de C3NET [24], em R 2.14.0, Mimi plug-in [25], e GeneMANIA [26] plugin no Cytoscape [27] foram utilizados para explorar e rede de interação trama gene-gene e rede de fator de transcrição, bem como top dez genes ‘rede de interação e rede de interação gene-drogas.

testes estatísticos padrão foram usados ​​para analisar a expressão clínica e genética de perfis de dados, incluindo o χ

2, teste exato de Fisher e amostras independentes

t

-teste. A significância foi definida como um

valor p

inferior a 0,05. Benjamini-Hochberg múltiplos testes correcção foi usada para estimar a taxa de detecção falsa na análise de caminho [28]. Receptor characteristic (ROC) curva de funcionamento e a área sob a curva (AUC) foram usadas para a avaliação assinatura previsibilidade. As análises foram realizadas principalmente com R e SPSS versão 18 (SPSS Inc, Chicago, Illinois).

Resultados

desenvolvimento de modelos preditivos associados com quimioterápico Response

Para identificar um gene assinatura de expressão que prevê a resposta à quimioterapia e, assim, ajudar a determinar o regime mais apropriado para o tratamento personalizado, um modelo preditivo 349-gene e um 18-gene modelo correlacionam-de foram desenvolvidos a partir do conjunto de treino utilizando pacote superpc em Bioconductor (Fig. 1) . Especificamente, primeiro calculamos a pontuação de regressão univariada de cada recurso (12042 genes) em relação ao resultado do tratamento do paciente (CR ou PD). Em seguida, foi realizada uma validação cruzada de 10 vezes para descobrir o melhor limiar e para formar uma matriz de dados reduzido que consiste em somente os recursos cuja pontuação for superior a um limiar (no nosso caso, o melhor limite é 1,26). Em seguida, foi realizada análise de componentes principais para descobrir o conjunto de genes mais importantes para a previsão da resposta ao tratamento. Acontece que o primeiro componente principal contendo 349 características é a melhor (

p

= 0,025). A fim de manter o poder mais forte na previsão da resposta, nós não fizemos o encolhimento. Finalmente, o componente principal mais significativa no modelo de regressão foi usada para prever o resultado do tratamento. Da mesma forma, em caso de desenvolvimento de modelo de-correlacionadas, primeiro temos montado um modelo linear aos principais recursos clínicos (idade, estágios, estado debulking e grau) como preditores concorrentes, e depois nós substituímos esses recursos por parte residual deste ajuste. No processo de construção do modelo superpc, esses recursos ‘De-correlacionados’ são usados ​​para procurar explicitamente para preditores independentes de características clínicas principais. Nós escolhemos o limiar de 1,85 e o primeiro componente principal contém 18 recursos com p = 0,001. Desde o modelo 18-gene é um pequeno conjunto de genes, não fizemos o encolhimento quer.

Os casos de câncer de ovário seroso 322 de alto grau foram divididos aleatoriamente no conjunto de treinamento (200 amostras) eo conjunto de testes (122 amostras). O conjunto de treino foi utilizada para gerar o modelo preditivo e modelo descorrelacionados que é independente das características clínicas principais. Em seguida, estes dois modelos foram validados usando o conjunto de testes. Em seguida nós usado 3 conjuntos de dados de banco de dados GEO para validar genes assinatura em nossos achados. Para explorar biomarcadores potenciais no soro, combinamos os genes de assinatura nestes dois modelos com genes previamente reportados em estudos anteriores e quatro destes genes consultado na base de dados DAVID. Setenta e sete genes que codificam para proteínas de secreção foram identificados (Tabela S3). A previsibilidade da resposta para estes genes quimioterapêutico foi então testada individualmente utilizando os dados de todas as 322 amostras. Finalmente, foi realizada uma análise funcional sobre os genes de assinatura e sugeriu algumas drogas com o objetivo dos genes hub em nossas constatações.

Como mostrado na Fig. 2, a assinatura 349-gene tinha uma AUC = 0,826 (

p Art 0,001) no conjunto de treinamento (Fig 2A.) E AUC = 0,702 (

p

= 0,022) na conjunto de teste (Fig. 2B). O 18-gene assinatura correlacionado-de apresentaram uma AUC = 0,775 (

p Art 0,001) no conjunto de treinamento (Fig. 2C) e AUC = 0,614 (

p

= 0,197) em o conjunto de teste (Fig. 2D). No modelo 349-gene, 30 genes mais ponderados foram listadas na Tabela 3 (Nós determinamos os 30 melhores genes pela ordem de importância-score de cada gene na Fig. S6, que foi calculado para cada gene igual a sua correlação com o supervisionados principais preditor componente. Ver Tabela S1 para todas as informações dos genes neste modelo) e 18 genes na 18-gene modelo correlacionam-de foram listados na Tabela 4 (importante-pontuação de cada gene está listado na Fig. S7).

curva (a) ROC do modelo preditivo 349-gene no conjunto de treinamento (200 amostras, AUC = 0,826;

p

0,001 (B) curva ROC do modelo preditivo 349-gene em. o conjunto de teste (122 amostras, AUC = 0,702;

p

= 0,022) curva do modelo preditivo correlacionado-de-18 gene no conjunto de treinamento (200 amostras (C) ROC, AUC = 0,775;.

p

. 0,001 (D) curva ROC do modelo preditivo correlacionado-de-18 gene no conjunto de testes (122 amostras, AUC = 0,614;

p

= 0,197).

com base nestes resultados, o modelo 349-gene teve alta sensibilidade e especificidade, tanto no conjunto de treinamento eo conjunto de testes. O 18-gene modelo correlacionado-de teve boa sensibilidade e especificidade no conjunto de treino, mas relativamente baixa sensibilidade e especificidade no conjunto de testes.

Análise funcional dos genes característicos dos dois modelos de predição

Para compreender as funções biológicas dos genes de assinatura a partir do modelo preditivo 349-gene e os 18 gene modelo correlacionado-de envolvidos em chemoresistance, foram realizados três tipos de análises. Primeiro, foi realizada uma análise de rede interação gene-gene para identificar genes de cubo no modelo 349-gene usando Mimi plugin no Cytoscape (Fig. 3). Ao definir os genes do cubo como genes que interagem com pelo menos três outros genes, foram identificados dez genes de cubo (Tabela 5), ​​das quais UBE2I (enzima de conjugação de ubiquitina E2I) [29], [30], CASP3 (caspase 3, apoptose peptidase relacionada cisteína) [31] e a proteína quinase MAPK3 (Mitogen-activated 3) [32], [33] estão intimamente associados com platina resposta quimioterapêutico /à base de paclitaxel.

Os genes que interagem com pelo menos três outros foram seleccionados genes, entre os quais UBE2I, CASP3 e MAPK3 são moléculas importantes que estão envolvidos na progressão do cancro do ovário ou quimioresistência. Informação detalhada destes dez genes do cubo estão listadas na Tabela 4.

Considerando que a maioria das mudanças na expressão gênica são regulados por fatores de transcrição regulamentar a montante e /ou sinalização de genes, que, em seguida, pesquisados ​​on Chea para fatores de transcrição que poderia regular os 349 genes. Vinte e nove fatores de transcrição com significância estatística (

p

0,01) foram encontrados (Tabela S2). Com base em diferentes tipos de interacção, construímos uma rede interacção destes factores de transcrição (Fig. S5) .e realizada uma análise de via enriquecimento utilizando estes factores. Descobrimos que seis vias foram mais relacionado com oito dos fatores de transcrição 29, incluindo via de sinalização MAPK (

p

= 0,0007), TGF-beta via de sinalização (

p

= 0,001), celular ciclo (

p

= 0,001), via de sinalização Wnt (

p

= 0,003), de adesão focal (

p

= 0,007) e proliferação celular (

p

= 0,02). Estas vias pode desempenhar um papel importante na quimiorresistência em cancro do ovário. Informações detalhadas dos factores de transcrição são listados na Tabela 6 e Tabela S2.

A rede interacção gene-gene do modelo 18-gene foi construído por C3NET em Bioconductor (Fig. S6A), nos quais 17 genes têm interações físicas com os outros genes. Para obter uma imagem mais completa dos 18 genes e seus vizinhos interagindo, construímos uma rede usando GNCpro (Fig. S6B), em que 11 de 18 genes têm interações com os outros genes e PAPPA, TNFSF11 e ESR2 são genes importante hub no modelo 18-gene. Como mostrado na Fig. S6B, TNFSF11 up-regula fatores críticos de transcrição como a junho, SRC e AKT1, ESR2 tem interações físicas com SP1, AKT1 e SRC, e PAPPA modifica IGFBP4 [34] – [40].

Caça para Serum Potencial biomarcadores para quimioterápico Response

desde biomarcador de soro é mais convenientemente detectado em clínicas, procurou-se estabelecer uma nova forma de identificar marcadores biológicos potenciais para a resposta quimioterápico de perfis de expressão gênica, visando os genes que codificam proteínas secretoras. Nós integrado os genes no modelo 349-gene e o modelo 18-gene e os genes dos quatro estudos anteriores e procurou por genes que codificam as proteínas de secreção na base de dados DAVID (Fig. 1). Como resultado, foram identificados 77 genes que codificam as proteínas de secreção, que pode ser segregadas para o soro (Tabela S3). Em seguida, testamos os valores preditivos desses genes individualmente para resposta quimioterápico utilizando a expressão 322 gene profiling de dados e calculado o valor AUC destes genes (Tabela S4). Top dez genes com os maiores valores de AUC (Tabela 7) foram encontrados para ter a capacidade de discriminar o grupo CR do grupo PD (

p Art 0,05), dos quais AFM foi relatado para ser um soro independente biomarcador de CA125 para a previsão da progressão do cancro do ovário por análise proteômica comparativa [41], [42].

análise funcional do Potencial de soro Biomarkers terapêuticas

para investigar mais os papéis de os dez melhores marcadores biológicos em resposta quimioterápico, construímos uma rede de interação gene /proteína usando GNCpro. Como mostrado na Fig. 4A, IL1RL1, PRG4, AFM, GIP e COMP parecia ser genes críticos de cubo, uma vez que poderia interagir com os genes conhecidos por estarem envolvidos na quimiorresistência. Por exemplo, a AFM parece interagir indirectamente com MUC1, ESR1, e BRCA1 que são conhecidos por contribuir para a resistência ao tratamento de platina /paclitaxel à base (Fig. 4B).

genes cubo (A) e vizinha genes dos dez genes codificantes de proteínas secretoras. (B) AFM foi exemplificado para mostrar potenciais mecanismos das dez melhores genes codificantes de proteínas secretoras provavelmente envolvendo em chemoresistance.

Outras validação dos genes em nossa assinatura, genes de hub e marcadores biológicos potenciais

Nós ainda validado genes nos nossos assinatura, genes de hub e marcadores biológicos potenciais em mais 3 maneiras. Primeiro, usamos 3 conjuntos de dados diferentes (GSE15372, GSE28646 e GSE33482) a partir do banco de dados NCBI GEO para validar nossos dados. Estes 3 conjuntos de dados são todos os perfis de quimiorresistentes ovarianos linhas celulares de cancro ‘A2780-resistant “e linha de células parental’ A2870 ‘, que foram gerados por 3 grupos diferentes de expressão gênica. Há 5, 3 e 6 repetições, em conjuntos de dados GSE15372, GSE28646 e GSE33482, respectivamente. genes diferencialmente expressos em 3 conjunto de dados estes foram calculados e exibidos na Tabela S8. Nós usamos o diagrama de Venn para mostrar a sobreposição entre nossos genes assinatura e esses genes diferencialmente expressos (Fig. 5). 133 genes do modelo 349-gene, 9 genes de modelo 18-gene, 7 de 13 genes de hub e 5 de 10 marcadores biológicos potenciais são sobrepostas com genes diferencialmente expressos a partir desses 3 conjuntos de dados (Fig. 5A, 5B, 5C e 5D, respectivamente).

o diagrama de Venn mostra a quantidade de genes no modelo 349-gene (a), modelo (B), genes de hub (C) e 10 melhores marcadores biológicos (D 18-gene) são sobrepostos com 3 conjuntos de dados externos GSE15372, GSE28646 e GSE33482.

Enquanto isso, buscamos banco de dados CTD para os genes que poderiam associados à sensibilidade à platina /medicamentos à base de paclitaxel (Tabela S5), em seguida, a sobreposição entre a nossa assinatura genes e resultados pesquisados ​​também foi apresentada (Fig. S4C). 30 de modelo 349-gene, 3 de modelo 18-gene e 4 de 13 genes hub estão em compromisso com resultados pesquisados.

Além disso, nós apresentamos a sobreposição entre nossos genes assinatura e esses genes de assinatura a partir de 4 literaturas ( Fig. S3 e S4B). 16 genes do modelo 349-gene, 0 genes de modelo 18-gene, um de 13 genes de Hub e 2 de 10 marcadores biológicos potenciais são sobrepostas com as assinaturas genéticas de 4 publicações anteriores (Tabela S9). No entanto, como podemos ver na Figura S4D, genes de assinatura de literaturas da Tabela 2 também mostraram pouca sobreposição entre eles. Isto pode ser devido ao seu tamanho relativamente pequeno da amostra, diferente padrão de seleção da amostra, ou diferentes métodos para desenvolver modelos preditivos.

Construção de rede de interação gene-droga e do gene alvo sugestão de drogas

Uma vez que já chave fatores de transcrição e genes hub tem, nós pode querer saber quais as drogas poderiam ter como alvo esses genes, a fim de reverter a resistência ao tratamento platina /baseada em paclitaxel. Através de pesquisa na CTD e NCBI Pubmed banco de dados, várias drogas e inibidores específicos foram encontrados para interagir com os nossos factores de transcrição chave e genes hub. Ao combinar esses resultados, construímos uma transcrição chave de rede interação fator de drogas (Fig. S7) e uma rede hub interação gene-químico (Fig. 6), que não só nos mostram que os produtos químicos podem inibir esses fatores de transcrição chave e genes hub , mas também dizer-nos como estes genes podem aumentar ou diminuir a susceptibilidade dos medicamentos quimioterápicos. Por exemplo, ESR2 poderia aumentar a susceptibilidade do paciente à cisplatina, etoposido e o Raloxifeno, enquanto Gefitinib pode aumentar a expressão de ESR2. MAPK3 poderia diminuir a susceptibilidade do paciente à doxorrubicina, dacarbazina e estrogénios, enquanto que gefitinib e Cisplatina poderia diminuir a expressão de MAPK3, que sugeriu Gefitinib pode ser uma boa droga para pacientes de platina /paclitaxel-resistente.

O gene-hub rede de interação de drogas nos mostra como esses genes e drogas podem interagir uns com os outros. Por exemplo, ESR2 pode aumentar a susceptibilidade do paciente à cisplatina, etoposídeo e raloxifeno, enquanto Gefitinib pode aumentar a expressão de ESR2.

Discussão

Previsão da resposta quimioterápico é sempre um desafio clínico tarefa. Muitos esforços têm sido realizados para encontrar assinaturas de expressão de genes diferentes para discriminar respondedores utilizando a tecnologia de alto rendimento. No entanto, nenhuma dessas assinaturas genéticas é usado formalmente em clínicas. As possíveis razões pode ser falta de seleção da amostra crítica ou pequeno tamanho da amostra. Nosso estudo e 4 publicações anteriores listadas na Tabela 2 são todas destinadas para descobrir assinaturas genéticas para prever o resultado do tratamento à base de platina de câncer de ovário seroso. E há vários genes sobrepostos entre os nossos genes assinatura e esses genes de assinatura de publicações anteriores. No entanto, existem várias diferenças entre as nossas e as publicações 4. .. Os métodos estatísticos para o desenvolvimento de modelos que usamos (Dressman et al busca shotgun estocástica [10], Ju et al selecionar manualmente principais genes diferencialmente expressos [11], Helleman et al BRB . SAM [8], e Jazaeri et al . BRB [6]), tamanho da amostra, e o padrão de selecção não são os mesmos. Nosso tamanho do modelo (assinatura 349-gene) é mais apropriado em comparação com Dressman et al. (1704 sondas representando genes 1388). Embora Ju et al., Helleman et ai. e Jazaeri et al têm tamanho menor modelo (100, 68, e 85, respectivamente), que quer tinha pequeno conjunto de treinamento ou superior utilizadas apenas diferencialmente genes expressos como preditores.

Em conclusão, nossas assinaturas são novos em comparação com o 4 publicações anteriores (Tabela 2) em 4 aspectos: 1) temos um maior tamanho de amostra (322 em comparação com 119, 96, 45 e 13), que são mais convincible no desenvolvimento de modelos preditivos. 2) Temos uma melhor seleção da amostra (apenas usando amostras de RC e PD e focando principalmente em platina /resistência paclitaxel). 3) A fim de descobrir quais genes são realmente relacionadas com os resultados do tratamento e para excluir o viés potencial dessas características clínicas principais, desenvolvemos um modelo correlacionado-de que foi romance. 4) Nós empregamos análise de componentes supervisionado para desenvolver assinatura 349-gene e assinatura de 18 genes, que é diferente do que usar apenas mais altos genes diferencialmente expressos (Ju et al.).

Para melhor elucidar a contribuição biológica de esses genes assinatura para os resultados do tratamento, nós construímos as redes reguladoras para identificar genes de hub críticos e vias de sinalização diferencialmente presentes nos grupos CR e DP. Entre os dez genes identificados no cubo 349 do modelo do gene, está correlacionada com UBE2I subtipos histológicos de EOC [43], CASP3 é o marcador mais importante da apoptose [44], e MAPK3 desempenha um papel fundamental na progressão EOC. Os outros genes (SMARCE1, DISC1, CENTD2, RHOT1, ARHGAP6, ARHGEF9 e ARHGEF11) também estão envolvidos na progressão do cancro ou chemoresistance [45] – [49]

Desde perfis de expressão gênica são barulhentos e é difícil. para encontrar a maioria dos percursos significativos, fazendo o enriquecimento via directa, montamos uma nova estratégia para resolver este problema. Nossa estratégia é baseada em dois aspectos: 1) a maioria das mudanças de expressão de genes são regulados por fatores de transcrição e 2) a ação de fatores de transcrição é relativamente menos barulhento. Por esta abordagem, verificou-se que os genes do modelo 349-gene são regulados por 29 factores de transcrição que são enriquecidas nas seis vias essenciais, incluindo a MAPK, o TGF-beta, Wnt, do ciclo celular, adesão focal, e as vias de sinalização de proliferação celular. A associação destas vias com a resposta à quimioterapia ou progressão do cancro tem sido relatada em estudos anteriores [50] – [58]. Os genes cubo, fatores de transcrição e vias de sinalização críticas que identificamos poderia ser potenciais alvos para a concepção de medicamentos após uma validação adicional.

Uma característica importante de um biomarcador ideal é fácil de detectar. Nós desenvolveram, assim, uma nova abordagem para rastrear biomarcadores quimioterapêuticos que podem ser detectados no soro. Encontrámos dez genes que codificam para proteínas de secreção, que têm a capacidade para separar a partir de CR PD e, assim, pode ser no soro biomarcadores potenciais para prever a resposta ao tratamento de platina /à base de paclitaxel em EOC. AFM identificados no estudo foi relatado para ser um marcador de diagnóstico independente de CA125 [42], que suporta, em parte, a nossa estratégia e conclusões. Desde CA125 é o biomarcador convencional para a progressão do câncer de ovário e de resposta quimioterapêutico, a adição de AFM para CA125 poderia, assim, melhorar o poder de prognóstico em EOC.

A construção de rede de interação gene-drogas nos deu mais dicas sobre como escolher os medicamentos certos para tratamento individualizado. Como mostrado na secção de resultados, gefitinib pode ser um fármaco apropriado para o tratamento de pacientes de platina /paclitaxel-resistente através da diminuição da expressão de MAPK3 e aumento da expressão de ESR2.

Embora os nossos resultados são encorajadores, ainda existem algumas perguntas sem resposta. Por exemplo, validações experimentais ainda são necessários para explorar as funções específicas desses genes cubo, fatores de transcrição e vias de sinalização em chemoresistance utilizando linhas celulares de cancro do ovário e animal. Além disso, precisamos de continuar a testar esses marcadores biológicos utilizando amostras de soro de pacientes com câncer ovariano.

Sumariamente, foram desenvolvidos dois modelos preditivos que geram insights sobre os mecanismos moleculares de chemoresistance. Com base nos modelos, construímos uma rede reguladora a montante em que vários fatores de transcrição críticos e vias de sinalização pode desempenhar um papel crucial na chemoresistance em EOC. Além disso, através da integração com os resultados publicados, encontramos dez marcadores biológicos potenciais que poderiam ser usados ​​na prática clínica. Além disso, a rede de interação gene-droga foi construído, que não só nos mostra que as drogas podem inibir estes chave fatores de transcrição e genes de cubo, mas também dizer-nos como estes genes podem aumentar ou diminuir a susceptibilidade dos medicamentos quimioterápicos. Este é um bom começo para nós para selecionar os medicamentos mais adequados para um melhor resultado do tratamento desses pacientes resistentes à platina /quimioterapia baseada em paclitaxel.

Informações de Apoio

Tabela S1. lista

Gene da assinatura 349-gene.

doi: 10.1371 /journal.pone.0052745.s001

(XLSX)

Tabela S2.

potenciais factores de transcrição que regulam genes na assinatura 349-gene.

doi: 10.1371 /journal.pone.0052745.s002

(XLSX)

Tabela S3.

77 genes que codificam proteínas secretoras relacionados com o tratamento com platina /à base de paclitaxel (integrado nossos resultados com 4 estudos anteriores).

doi: 10.1371 /journal.pone.0052745.s003

(XLSX)

Tabela S4.

Área Sob a Curva de genes que codificam para proteínas de secreção.

doi: 10.1371 /journal.pone.0052745.s004

(XLSX)

Tabela S5.

genes interagem com platina ou paclitaxel pesquisada a partir de banco de dados do CTD.

doi: 10.1371 /journal.pone.0052745.s005

(XLSX)

Tabela S6.

Importância-scores de 349 genes em modelo de regressão preditivo.

doi: 10.1371 /journal.pone.0052745.s006

(XLSX)

Tabela S7.

Importância-scores de 18 genes no modelo de correlação-de.

doi: 10.1371 /journal.pone.0052745.s007

(XLSX)

Tabela S8.

genes diferencialmente expressos em GSE15372 GSE33482 GSE28646.

doi: 10.1371 /journal.pone.0052745.s008

(XLSX)

Tabela S9. genes assinatura

a partir de 4 publicações anteriores que foram listadas na Tabela 2.

doi: 10.1371 /journal.pone.0052745.s009

(XLSX)

Figura S1. mapa

calor da assinatura 349-gene contra 322 pacientes. Este diagrama mostra o mapa de calor da assinatura 349-gene contra 322 pacientes, em que as linhas representam genes diferentes no 349- gene assinatura e as colunas representam diferentes pacientes. A barra azul acima do mapa de calor representa CR e barra verde representa PD

doi:. 10.1371 /journal.pone.0052745.s010

(TIFF)

Figura S2. mapa

calor da assinatura de 18 genes contra 322 pacientes.