Abstract

Neste relatório, nós descrevemos uma estratégia para a seleção otimizada de proteínas alvo adequado para o desenvolvimento de medicamentos contra doenças neoplásicas, tendo o caso particular de cancro da mama como um exemplo. Nós combinada interactome transcriptoma e dados humanos a partir de linhas de células malignas e de controlo porque as proteínas altamente ligados que são sobre-reguladas em linhas celulares malignas se espera que sejam alvos de proteína adequadas para a quimioterapia com uma taxa mais baixa de efeitos secundários indesejáveis. Normalizamos os dados de transcriptoma e aplicou um tratamento estatístico para extrair objetivamente as sub-redes de jusante e up-regulada genes cujas proteínas efetivamente interagir. Nós escolhemos as mais conectadas que funcionam como centros de proteínas, a maioria sendo na rede de sinalização. Mostra-se que as proteínas alvo identificadas eficazmente pela combinação de conectividade e expressão diferencial da proteína são conhecidos como alvos adequados para a quimioterapia do cancro da mama bem sucedida. Curiosamente, encontramos proteínas adicionais, que geralmente não são alvo de tratamentos com drogas, o que pode justificar a extensão da formulação existente pela adição de inibidores projetados contra estas proteínas com a consequência de melhorar os resultados terapêuticos. As alterações moleculares observadas em linhas celulares de cancro da mama representar tanto eventos condutor e /ou vias de driver que são necessárias para o desenvolvimento de câncer de mama ou progressão. No entanto, é evidente que os mecanismos de sinalização de luminal A, B e subtipos triplo negativo são diferentes. Além disso, as redes de cima e para baixo-regulados previu droga metas específicas de subtipo e possíveis circuitos de compensação entre genes para cima e para baixo-regulados. Acreditamos que estes resultados podem ter implicações clínicas significativas no tratamento personalizado de pacientes com câncer, permitindo uma abordagem objectiva para a reciclagem do arsenal de medicamentos disponíveis para o caso específico de cada cancro da mama dadas as suas características moleculares qualitativos e quantitativos distintos.

Citation: Carels N, Tilli T, Tuszynski JA (2015) Uma estratégia computacional para selecionar alvos de proteína otimizada para o desenvolvimento de drogas para o controle de doenças cancerosas. PLoS ONE 10 (1): e0115054. doi: 10.1371 /journal.pone.0115054

Editor do Academic: Pranela Rameshwar, Rutgers-New Jersey Medical School, United States |

Recebido: 29 de setembro de 2014; Aceito: 21 de outubro de 2014; Publicação: 27 de janeiro de 2015

Direitos de autor: © 2015 Carels 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

Disponibilidade de dados: Todos os dados relevantes estão dentro do papel e seus arquivos de suporte de informação

financiamento:.. os autores não têm apoio ou financiamento para relatar

Conflito de interesses:. os autores declararam que não existem interesses conflitantes

Introdução

o cancro é uma das doenças mais desafiadoras e complexas em todo o mundo. Apesar de uma melhoria significativa no diagnóstico e tratamento ocorreu nos últimos anos, o cancro continua a ser a principal causa de morte em todo o mundo, que está prevista para chegar a um escalonamento 13,2 milhões de mortes em 2030 [1]. Estes números só pode piorar, como resultado das tendências gerais do envelhecimento da população eo crescimento da população [2].

As células do corpo podem se tornar cancerosas, como resultado de processos de reprogramação genéticas e epigenéticas, envolvendo circuitos regulatórios complexos que levam à sua imortalidade e divisão descontrolada [3]. O processo de divisão celular incontrolável vai em paralelo com um aumento da massa do tumor, resultando em distúrbios fisiológicos locais que conduzem a metástases e, finalmente, a morte de todo o organismo, muitas vezes devido a caquexia ou órgãos falhas. Metástases apresentar o maior desafio ao tratamento médico de câncer, sendo a principal causa de morte de pacientes com câncer [4].

A identificação dos mecanismos moleculares que levam a tumorigênese e progressão do câncer representa um passo crítico no fornecimento de terapias mais eficazes , melhores diagnósticos e na correlação de comportamento clínico com a etiologia da doença. Nas últimas três décadas, centenas de potenciais alvos moleculares relacionadas ao câncer (oncotargets) foram identificados e terapêutica desenvolvida visando esses objectivos. Muitas das drogas atualmente disponíveis, projetados para cânceres específicos são muito caros, proporcionar melhorias modestas na sobrevida global, e têm efeitos colaterais negativos significativos. A causa mais crítico para o endereço é a natureza dos alvos moleculares que devem ser entendidos de modo a controlar a proliferação de células cancerosas com o mínimo possível de efeitos secundários, a fim de manter a qualidade de vida razoável do paciente. Sendo uma doença desregulação genética com consequências fisiológicas generalizada, o câncer requer intrinsecamente administração de complexos terapêuticas multi-droga. A identificação de alvos terapêuticos adequados para o tratamento com um cocktail de drogas não é simples uma vez que as células cancerígenas não possuem diferenças na estrutura molecular óbvias quando comparado com células normais. Na verdade, as diferenças entre células normais e malignas, em vez encontram-se na sua regulação [5], que pode ser avaliada por meio de dados de transcriptoma. O progresso recente no

em mineração de dados e alto rendimento silico

geração de dados em relação ao gene, proteína e redes metabólicas [6,7] oferece uma nova oportunidade muito promissor para identificar as proteínas que seriam de implicações marginais em condições normais células, mas se tornariam centros de conexões em células de câncer por causa de sua alta taxa natural de conectividade com outras proteínas e uma alteração significativa das taxas de expressão sinalização.

redes complexas são onipresentes em física, biologia e ciências sociais. Matematicamente, uma rede pode ser descrito por um grafo orientado ou não dirigida = G (V, E) com o vértice e a borda define V e E, respectivamente. Uma aresta aparece no gráfico, se existe uma interacção conhecida dos dois parceiros, quer por ligação directa ou por catálise enzimática. Um automorphism é uma permutação do conjunto V que preserva a relação de adjacência, e, se presente, a orientação das setas entre os vértices. Com a operação de composição, os automorphisms formar um grupo Aut (L). Um trabalho recente de MacArthur et al. [8] lista de 20 exemplos de redes do mundo real e os seus grupos de simetria ricos. Real Networks apresentar uma estrutura modular, com vértices organizados em comunidades firmemente ligadas internamente e frouxamente ligados uns aos outros [9]. Isso resulta na presença de subgraphs simétricas, como árvores e cliques completos, que ajudam a classificar os nós de uma rede em um “backbone” (aqueles que permanecem fixos sob as automorphisms) e “apêndices” (aqueles que são mapeados para outros vértices ).

Tal estratégia foi investigado recentemente em vários trabalhos [10-12]. Estes autores demonstraram que a probabilidade de sobrevivência dos pacientes de 5 anos (dados a partir da base de dados vidente, https://seer.cancer.gov/) é inversamente proporcional à complexidade da rede de sinalização (retirado da Enciclopédia de Quioto de genes e genomas – KEGG, https://www.genome.jp/kegg/) para os tipos de câncer considerados. A complexidade da rede foi descrito através do uso de Shannon entropia por quantificar a distribuição de conexões em interactoma proteínas representadas na forma de gráficos orientados. Assim, a complexidade de um gráfico pode ser formulado em termos de entropia rede de H (L) pela soma nos nós e considerando d (v) como o grau de arestas v e definindo H (L) = – Σ d (v) log d (v). Vias de sinalização e redes de dirigir ambos os processos fisiológicos e patológicos normais em células. Um método para identificar e delimitar estas vias de sinalização seria útil para conceber novas drogas para o desenvolvimento futuro terapia do cancro. Para obter uma melhor compreensão dos mecanismos subjacentes de vias de sinalização do cancro da mama, foi avaliada padrões de expressão de genes para um certo número de linhas de células da mama, a fim de gerar rede específico de células-linha. Aqui, nós procurar alvos proteicos com número significativo de ligações que são diferencialmente expressos em várias linhas de células malignas da mama em relação a uma linha celular não tumoral. Verificou-se que várias proteínas putativas com grande conectividade

não são expressos de forma diferente quando se considera linhas de células malignas e normais e, assim, não pode ser considerada para o desenvolvimento de drogas sem efeitos colaterais deletérios significativos para a saúde do paciente. No entanto, um outro conjunto de proteínas com grande

conectividade Quais são, na verdade, down-ou-regulada em linhas de células malignas e as supra-regulados são alvos potenciais para o desenvolvimento de drogas. Ao analisar a literatura, pudemos verificar que todas as proteínas alvo putativos obtidos através da nossa análise são bem conhecidos, e alguns, já foram utilizados como agentes para o controle do câncer através de terapia medicamentosa. No entanto, outros alvos potenciais emergiu deste estudo que não são utilizados como alvos de drogas, no entanto, o que levanta a hipótese de que estes alvos putativos pode motivar o desenvolvimento de drogas específicas para aumentar a eficiência de cocktails de fármacos existentes. Encontramos semelhanças e diferenças significativas quando se comparam as listas de alvos mais bem classificados em diferentes linhas celulares de cancro da mama. Como consequência, um cocktail específica pode ser considerado no contexto de

medicina personalizada de acordo com o determinado conjunto de alvos putativos identificados na biópsia de um dado paciente. Propomos que essa assistência pessoal deverá aumentar significativamente a eficácia do tratamento do câncer.

Resultados

A normalização das amostras tag acordo com o tamanho CDS e número tag resultaram em valores de expressão gênica que pode diferem de uma amostra para a outra apenas por causa do tamanho da amostra. Tal viés trivial foi eliminado com sucesso usando

Q

-norm sobre todas as amostras analisadas neste estudo. A distribuição das contagens de tags a partir de dados de transcriptoma é tipicamente uma curva decrescente onde os genes menor expressas são as mais freqüentes. A subtração das contagens de tags normalizadas de cada linha de células malignas a partir da linha de células normais MCF10A deram distribuições de frequência cuja forma era muito estreita, mas simétrico e centrado em zero. O log

10 (

x

i + 1) transformação em conjunto com o

Q Restaurant – norma resultou em distribuições simétricas (observada) muito perto de uma distribuição de Gauss (teórico) (ver Fig. 1A). Com a distribuição teórica na mão, foram calculados os limiares de classificação de -90 e +90 marcas na distribuição observada correspondente a um

p

-valor α = 5% sobre a distribuição teórica. Os limiares de classificação correspondentes a um

p

-valor α = 1 ‰ foram -150 e +150, respectivamente. Assim, os genes de células malignas foram classificados como sub-regulada quando a sua contagem tag foi inferior -90 ou -150 ou como up-regulada quando a sua contagem tag foi maior do que 90 ou 150 de acordo com α = 5% e α = 1 ‰, respectivamente, em comparação com MCF10A.

(B) Correlação entre o

conectividade

e

centralidade betweenness

. (C) Correlação entre a conectividade de proteínas, considerando a amostra completa de rede disponível (~10,000) e sub-redes de ~600 proteínas in-474 BT linhas celulares de cancro da mama.

centros de proteína são definidos como proteínas (nós) com um número muito maior de conexão (bordas) do que os valores médios em uma proteína (ou gene) de rede; eles agem como integradores de sinal globais ou reguladores globais para múltiplas vias de sinalização. Ao considerar a centralidade betweenness e conectividade proteína, encontramos uma grande correlação positiva (

r

= 0,91) em uma amostra de ~10,000 proteínas que interagem. Porque a conectividade é uma medida objetiva que é mais simples para calcular a centralidade betweenness, só vai considerar a conectividade de proteína abaixo (ver Fig. 1B). Também encontramos uma correlação positiva (

r

= 0,95) entre a conectividade de proteínas, considerando a amostra completa de rede disponível (~10,000) e sub-redes de ~600 proteínas (ver Fig. 1C). Assim, considerou-se a conectividade de proteína ao nível da sub-rede como representante da rede completa, o que permitiu a expressão da proteína conectividade como um valor relativo, que é bastante robusto para provar variações de tamanho.

A mapa das interações em rede entre os genes down- e up-regulamentados em linhas de células malignas de mama é dado na Fig. 2. O top 5 genes mais conectados em sub-redes de genes cima e para baixo-regulados são candidatos adequados como proteínas alvo para o desenvolvimento de drogas (ver quadros S1 e S2).

Nós representam genes enquanto as ligações representam a interação entre os genes. nós tamanho indicar a conectividade e cor representa um padrão de expressão entre tumoral contra linha de células de mama não-tumoral. (A) p 0,05. (B) p 0,01. Gephi foi utilizado para apresentar e visualizar as redes.

O diagrama de Venn na Fig. 3A e B mostra um subconjunto de genes que foram diferencialmente expressos em cada tipo histológico em relação às células de controlo. Entre os genes regulados positivamente, foram identificados como um hub HSP90AB1 proteína que é sobre-regulada em todas as células malignas e é relatado para induzir a angiogénese. Curiosamente, verificou-se CSNK2B como um hub proteína que é sobre-regulada em luminal B e linhas de células malignas triplo negativo, mas geralmente não em células A luminais. GRB2 e HER2 /3, YWHAB, PA2G4 são especificamente sobre-regulada em luminal A e B, respectivamente. A actina é uma proteína de cubo que é sub-regulada em todos os subtipos histológicos. Identificamos down-regulação da VIM em luminal A e B; NFKBIA entre triple B negativo e luminal; e MAP1LC3A em luminal A e triplo negativo. HSPAS, GAPDH, GABARAPL2 e GABARAP são regulados negativamente em luminal B.

Up-regulados genes (A) e genes down-regulados (B). Luminal A classificação inclui MCF-7, linhas de células T47D e ZR751; Luminal B, inclui BT-474; e triplo-negativo, BT-20, MDA-MB-231 e MDA-MB-468.

Para procurar oncoproteínas druggable putativos em câncer de mama, nós nos concentramos aqui, genes up-regulamentados. Nossa investigação revelou oncotargets (superior a 5 genes) relacionados ao controle do ciclo celular, resistindo a morte celular, induzindo a angiogênese, invasão e metástase, desregulamentação energéticas celulares, instabilidade genômica e mutação e inflamação indutor de tumores, que são marcas do câncer [3] . Em triplo subtipo negativo e luminal A, uma percentagem mais elevada de genes regulados positivamente estão relacionadas com a manutenção de sinalização proliferativa, resistindo a morte celular, e activação de invasão e metástase. Em contrapartida, em luminal B, genes up-regulamentados são preferencialmente associado à indução de angiogênese, resistência à morte celular e invasão e ativação metástases (ver Tabela S3) [3,13-41].

Nos tumores triplo negativo que geralmente apresentam mau prognóstico, observou-se o aumento da regulação de genes envolvidos na (i) controle do ciclo celular, que incluem EGFR, MAPK13, YWHAB, MAGOH, EEF1G, CSNK2B, MYC, SRPK1, TK1, GABARAPL1 e CHD3; (Ii) Os factores anti-apoptóticos tais como YWHAB, MYC, GABARAPL1, e HDGF; e (iii) activação de invasão e metástase, tais como YWHAB, SRPK1, CSNK2B, GABARAPL1, CHD3, e HDGF. As transcrições-regulada mais significativas foram as relacionadas com a desregulamentação da energética celulares (GAPDH); esta característica emergente foi apenas observada no subtipo negativo tripla. Esta característica está também relacionada com myc e GABARAPL1. Apenas uma transcrição está relacionada com HSP90AB1 angiogénese. Estas marcas são todos associados à progressão do tumor, que suportam o mau prognóstico de tumores triplo negativo.

O luminal um sub-redes de genes up-regulamentados apontou para funções associadas ao genoma instabilidade e mutação (EIF4A3) e inflamação indutor de tumores (KPNA2). Além disso, as células luminais A sobre-expressam transcritos relacionados com o controlo do ciclo celular, tais como GRB2, EEF1G, MCM7, CSNK2B, PAK2, TK1, MAPK13, e NPM1; bem como ERBB2 /3, PAK2, TK1, ICT1, e NPM1, envolvido na resistência das células à morte. Em relação aos genes relacionados à progressão do tumor, encontramos HSP90AB1, GRB2, ERBB2 /3, EIF4A3, HDGF e CSNK2B. Luminal B sub-redes foram semelhantes aos das células luminal A; esta semelhança não é surpreendente porque as células B luminal A e também foram agrupados em apenas uma categoria, isto é, do lúmen arterial, como mostrado na Tabela S1. Comparação de luminal A e linhas de células B com triplo negativo mostrou sobre-regulação de (i) o crescimento Factores de evadir ERBB2 /3 em luminal A, e (ii) YWHAB e PA2G4 em luminal B. YWHAB PA2G4 e foram implicados na resistência da célula a morte, a sustentação da sinalização proliferativa e invasão e ativação metástase (veja S1 Tabela).

para obter insights sobre o significado do circuito da rede relacionada com a progressão do tumor de mama, também classificada para baixo regulamentados genes no que diz respeito à biologia funcional e características de cancro (ver Tabela S4) [17,22,25,42-56]. Os genes regulados por baixo cobriam uma vasta gama de processos implicados na biologia do cancro. Como esperado, os genes regulados negativamente são preferencialmente relacionada com a manutenção das condições de equilíbrio; encontramos funções, tais como: sinalização da morte celular (i) (GABARAPL2, GABARAP, MAP1LC3A, TP53), (ii) citoesqueleto estabilidade (ACTB, ACTG1, TUBA1A), e (iii) a proliferação (TP53, GRP78, NFKBIA, GSK3B, BHLHE40 ).

Para resumir, estes resultados indicam a complexidade da sinalização através dessas redes e as consequências enormes induzidas pela desregulamentação hub proteína na conversa cruzada entre os reguladores de eventos celulares.

Discussão

Os nossos resultados têm três grandes implicações para a terapia do cancro (i) para ajudar a definir uma estratégia para identificar potenciais oncotargets para tratamento de câncer de mama; (Ii) em circuitos reguladores chave revelando entre jusante e supra-regulados genes responsáveis ​​para a fisiologia da célula de progressão do tumor da mama; e (iii) no fornecimento de identificação rápida de proteínas alvo, no contexto da medicina personalizada que poderia corresponder tipos de tumores individuais e subtipos histológicos. A metodologia descrita deverá contribuir para estabelecer uma relação quantitativa entre oncotargets putativos e uma estratégia terapêutica relevante. Nosso estudo também fornece uma estrutura para a identificação dos principais agentes envolvidos na neoplasia maligna de mama, e pode levar a novos insights úteis no desenvolvimento de intervenções terapêuticas para o tratamento e prevenção do câncer de mama. É necessário mais trabalho para validar funcionalmente estes oncotargets começando com um teste pré-clínico em um

in vitro

nível.

Apesar de vários relatos demonstraram a importância das redes de proteína no cancro da mama [57, 58], apenas alguns estudos têm identificado o perfil de seus genes correspondentes [59,60] expressão. Enquanto outros relatórios têm abordado proteínas redes subtype- linhas de células específicas no cancro da mama, nenhum deles tem normalizados padrões de expressão destas células malignas para uma linha de células da mama não tumoral. O nosso relatório centra-se na criação de perfis de expressão gênica de proteínas do cubo, que surgem como adequado para o desenvolvimento de drogas com uma menor taxa de efeitos colaterais negativos para a saúde do paciente. Na verdade, como para o tipo I e os erros de tipo II, existe um compromisso relativamente à escolha de alvos de proteína com um valor de p de 0,1% ou 5%. O número de alvos disponíveis sob um valor de p de 0,1% é evidentemente menor do que com menos de 5%, mas, em contraste, a sua inibição deve provocar menos efeitos secundários para o paciente devido a uma maior diferença de expressão do gene entre maligna e as células normais. Pelo contrário, quando se considera um valor de p de 5%, o número de potenciais alvo aumenta, mas o preço ser pagamento é um nível mais elevado de efeitos secundários adversos.

O conjunto completo de proteínas que interagem humanos que utilizado baseia-se ~10,000 genes, o que é cerca de um terço de todo o conjunto do genoma humano que tem sido avaliado para ser ~30,000 com base em dados de marcadores de sequências expressas [61]; uma amostra de um terço de todo o conjunto de genes humanos é considerado aqui como altamente estatisticamente significativa. Breitkreutz et al. [10] mostrou que a sinalização modelagem de rede é adequado para a identificação marcas câncer, pois proporciona importantes insights sobre como mutações genéticas podem afetar a fisiologia celular e levar ao câncer, bem como para identificar biomarcadores de câncer putativos.

A existência de um interagindo sub-rede entre os genes down- e regulado para cima indica que os genes diferencialmente expressos, além de ser induzida por vias específicas de cancro, estão interagindo uns com os outros, aparentemente, de uma forma compensatória, o que indica ainda que a tumorigénese e na progressão tumoral requerem múltiplos e crosstalk sinalização. As redes associadas a diferentes subtipos de células e seus padrões específicos observados aqui estão em boa concordância com os dados da literatura.

Com o ritmo acelerado de desenvolvimento de tecnologia moderna, podemos fazer uma previsão segura que em algum momento de um futuro não muito distante, quando um paciente é diagnosticado com câncer, ainda será possível sequenciar ambas as células malignas e normais através de biópsia, a fim de informar o plano de tratamento. Quando oncotargets específicos são identificados, torna-se teoricamente possível definir um coquetel de drogas personalizado com base no conhecimento existente, ou mesmo, em tempo real, pelo

in silico

simulações (de encaixe e de dinâmica molecular) de inibidores com estes oncotargets. Teoricamente, esta estratégia é compatível com o medicamento particular, no sentido de que, sempre que a estratégia é concebido, que pode ser, em princípio, em larga medida automatizada. Como as taxas de resposta a um medicamento quimioterápico específico pode ser relativamente baixo em uma população de pacientes pré-tratados desmarcada, é um pré-requisito, que a estratégia de reorientação inclui pré-seleção de pacientes com um perfil molecular favorável em suas células cancerosas, isto é, os pacientes com maior probabilidade de beneficiar do tratamento. Nossa estratégia difere da visão tradicional de reaproveitamento de drogas na expectativa de encontrar novas indicações para terapias cocktail que devem afetar vias /mecanismos essenciais que resultem na morte de células de câncer com efeitos colaterais mínimos para as células normais. Em outras palavras, o nosso objectivo simultaneamente para maximizar a eficácia e minimizar a toxicidade de um dado regime de tratamento. Esta estratégia é esperado para vencer a resistência intrínseca e adquirida, a heterogeneidade do tumor, a adaptação, e instabilidade genética das células cancerosas. No entanto, existem várias vias de sinalização alternativas em tumores que os tornam resistentes ao tratamento com drogas. Assim, uma série de questões devem ser abordadas para assegurar que a estratégia proposta é tão poderoso como previsto já que a complexidade biológica traz sempre situações inesperadas.

É importante ressaltar que todo o conjunto de alvos de drogas preditos foi validada experimentalmente por drogas disponíveis ou siRNA (Tabela S5) [36,38,40,62-86], o que mostra que a abordagem aqui apresentada é consistente com o estado da arte e deve se comportar da mesma forma em novas situações onde o conhecimento é escasso. Assim, a abordagem aqui descrita pode concebivelmente ser implementado por um número substancial de drogas quimioterapêuticos utilizadas actualmente, uma vez que os seus mecanismos moleculares de acção são bem compreendidos com milhares de estudos disponíveis na literatura. Espera-se que a nossa estratégia permitirá a elucidação das redes moleculares de tumores e diferentes subtipos histológicos. Acreditamos que esta estratégia é valiosa e pode, potencialmente, adicionar novas ferramentas ao arsenal de medicamentos à disposição dos oncologistas.

Uma vez que a transformação maligna tem sido descrito como envolvendo um conjunto definido de alterações fisiológicas, classificamos estes top 5-genes para as características de câncer, de acordo com os critérios e exemplos propostos por Hanahan e Weinberg [3] e com base na compreensão funcional atual dos genes da explosão de ontologia gênica (Blast2GO). GO termos são usados ​​para identificar a lista de potenciais componentes, funções e processos que são significativamente salientadas nos genes seleccionados. Esta classificação revelou que os genes de topo cinco ascendente e descendente regulados para cada linha de células de contribuir para todos os seis capacidades adquiridas necessários para a progressão do tumor. Estes resultados sugerem que a nossa abordagem é útil na identificação de oncotargets adequados para o tratamento do cancro da mama. Parece razoável de encontrar os genes envolvidos no ciclo celular, considerando-se que o conjunto de dados refere-se o cancro da mama e proliferação de células malignas em que a expressão de reguladores do ciclo celular é crucial e reflectindo o elevado índice mitótico tipicamente associada com tumores da mama. Com efeito, uma vez que células altamente proliferação requerem energia, a glicólise é uma das principais via envolvida na produção de energia. De acordo com esta paisagem, nossos resultados revelam GABARAPL1 e GAPDH como centros de conexões em células BT-20 (triplo negativo). Outra classe de alvos é o grupo de genes envolvidos na sinalização celular e comunicação celular, tais como proteínas de membrana, HER2 e 3 ou EGFR, proteínas de transdução de sinal, tais como MYC, TK1, a NPM, YWHAB, MCM7, EIF4A3, HDGF, GRB2, CHD3, PAK2, PA2G4 e transporte proteínas, como KPNA2. Não é surpreendente que, neste trabalho, identificou genes do ciclo celular ou apoptose, como MAPK13, HSP90AB1, MAGOH, CSNK2B, EEF1G, PDIA3, ICT1, SRPK1, e também controlar os envolvidos no processo EMT como VIM, que desempenhar um papel importante no desenvolvimento do tumor.

Foram identificados HSP90AB1 como o hub de proteína única sobre-regulada comum a todos os tipos de células no nosso estudo, que destaca o fato de que os subtipos de câncer abordado aqui todos compartilham um núcleo de proliferativa vias de sinalização comuns em cancros da mama, mas com muitas especificidades. A parte do padrão de expressão que é comum a todas as linhas de células incluídas podem ainda ser influenciados pelo fundo genético subjacente das células tumorais e a fase de progressão de tumores em que a linha celular foi derivada.

Para demonstrar ainda mais o poder preditivo de redes específicas de subtipo, tentamos prever intervenções terapêuticas específicas de subtipo. Se um gene hub aparece especificamente em qualquer um luminal A, B ou rede específicos do subtipo triplo-negativo, esperamos que este gene pode ser um alvo da droga específica para este subtipo. Com base neste critério, GRB2, ICT1, PDIA3, KPNA2, NPM, PAK2, EIF4A3 e MCM7 são previstos como alvos potenciais drogas específicas para o luminal um tipo de célula, PA2G4 seriam específicas para o tipo de célula luminal B, e MAGOH, MYC, SRPK1, VIM, GABARAPL1, GAPDH e CHD3 são previstos como alvos potenciais da droga específicos do subtipo triplo negativo.

Nós também encontraram associações entre a regulação de genes e terapia, o que em alguns casos, fornecer insights sobre o interação entre supressores de tumor e a maquinaria celular na mediação de sensibilidade às drogas. Por exemplo, Zheng et al. [87] demonstraram que a sobre-expressão de HER-2 /

neu

pode diminuir a quantidade de proteína do tipo-selvagem de p53 por meio da activação da via PI3K, e a indução da translocação nuclear de MDM2 em células MCF-7 de cancro da mama humano células. O bloqueio da via PI3K com o seu inibidor específico LY294002 causada prisão fase G1-S, diminuiu a taxa de crescimento celular e aumento da sensibilidade quimio- e radio terapêutico em células MCF-7 que expressam p53 de tipo selvagem. Além disso, Wang et al. [88] mostraram que a revogação da GRP78 sensibilidade induzida de células de cancro da mama ao taxol e vinblastina.

Conclusões

Usando uma análise de rede integradora dos dados derivados do transcriptoma e interactome recursos públicos, nós têm combinações seletivos previstos de alvos druggable para controlar as vias principais no cancro da mama. As alterações moleculares observadas em linhas celulares de cancro da mama representar tanto eventos condutor e /ou vias de driver que são necessárias para o desenvolvimento de câncer de mama ou progressão. No entanto, é evidente que os mecanismos de sinalização de luminal A, B e subtipos triplo negativo são diferentes. Além disso, as redes de cima e para baixo-regulados previu droga metas específicas de subtipo e possíveis circuitos de compensação entre genes para cima e para baixo-regulados. Juntamente com a descoberta de que os genes mais conectados poderia funcionar como reguladores de cancro, estes resultados podem ter implicações clínicas significativas no tratamento de pacientes com cancro personalizado uma vez que cada cancro da mama pode ser considerada como única e reflecte características moleculares qualitativas e quantitativas distintas. Assim, é necessário o conhecimento de todo o conjunto de características moleculares transportadas por qualquer câncer de mama e paciente para a terapia personalizada real a ser realizado.

Métodos

dados interactome

as inferências de conectividade proteína descritos abaixo são baseadas nas interações proteína dadas no intact-micluster.zip arquivo disponível a partir ftp://ftp.ebi.ac.uk/pub/databases/intact/current/psimitab/(acessado em 04.04. 2014). Nós selecionamos as duas colunas de identificadores UniProtKB (UID) no arquivo intact-micluster.zip e eliminou os pares incompletos (marcadas como “-“, isto é, quando um número de acesso intacto não tem equivalente UniProtKB conhecido). O arquivo resultante continha 308,314 pares de proteínas. Este arquivo interação foi então processado para formar uma lista UID não redundante usado para recuperar as sequências de proteínas correspondentes (68,504), consultando UniProtKB em https://www.uniprot.org/help/uniprotkb. Uma vez que alguns UID eram obsoletos, nós substituímos-los pelo seu nome atual recuperada, consultando o campo

Pesquisa Restaurant at UniProtKB usando o formato ‘substitui:

UID obsoleta’

. A equivalência entre UID e genes humanos foi obtido por pesquisa de homologia (tBLASTn) de sequências de proteínas (68.504), utilizado como consultas e sequências codificadoras humanas (CDS) utilizados como sujeitos do conjunto de dados (hs37p1.EID.tar.gz) de Fedorov laboratório [ ,,,0],89] disponível em https://bpg.utoledo.edu/~afedorov/lab/eid.html. sucessos homólogas foram consideredsignificant quando a sua pontuação foi ≥120, E-value ≤10

-4 e avalie identidade ≥80% em relação ≥50% do tamanho da consulta (https://mitointeractome.kobic.kr/supplement.php). Após a eliminação de redundância assunto (mantendo o hit combinando a maior taxa de identidade), o tamanho final do CDS humanos conjunto de dados totalmente descrito por interações proteína foi 17.301.

dados de transcriptoma

Nós recuperamos conjuntos de dados de transcriptoma de linhas celulares (BT-20, BT-474, MDA-MB-231, MDA-MB-468, MCF-7, MCF10A, T-47D, ZR-75-1, ver a informação no endereço http: //www.atcc. org /) a partir https://www.illumina.com/science/data_library.ilmn. O perfil de expressão gênica foi avaliada através de uma pesquisa de homologia com a amostra CDS humanos de laboratório do Fedorov.