Sumário
A análise molecular de amostras de tecido do paciente é essencial para caracterizar o
in vivo
variabilidade em cancros humanos que não são acessíveis em linhagens de células ou modelos animais. Isso vale principalmente para estudos do metabolismo do tumor. O desafio é, no entanto, a mistura complexa de vários tipos de tecido, dentro de cada amostra, como epitélio benigna, estroma e tecido de cancro, que podem introduzir desvios sistemáticos quando cancros são comparados com amostras normais. Neste estudo nós aplicamos uma estratégia simples para remover tais preconceitos usando seleções de amostra, onde o teor médio de tecido estroma é equilibrada entre os grupos amostrais. A estratégia é aplicada a um grupo de pacientes de câncer de próstata, onde os dados de espectroscopia de MR e expressão gênica foram recolhidas e integradas nas amostras exatas mesmo tecido. Nós revelamos
in vivo
mudanças nas vias metabólicas câncer relevante, que são de outra maneira escondidos nos dados devido ao tecido de confusão. Em particular, reduziu os níveis de putrescina são ligados à expressão aumentada de
SRM
, níveis reduzidos de citrato são atribuídos a regulação positiva de genes que promovem a síntese de ácidos gordos, e o aumento dos níveis de succinato coincidir com expressão reduzida de
SUCLA2
e
SDHD
. Além disso, a estratégia também evidencia diferenças metabólicas importantes entre o estroma, epitélio e cancro da próstata. Estes resultados mostram que importante
in vivo
características metabólicas de câncer pode ser revelado a partir de dados do paciente somente se a composição do tecido heterogêneo está devidamente contabilizados na análise
Citation:. Tessem MB, Bertilsson H , Angelsen A, Bathen TF, Drabløs F, Rye MB (2016) A composição do tecido equilibrada revela marcadores Nova metabólicos e expressão do gene no câncer de próstata. PLoS ONE 11 (4): e0153727. doi: 10.1371 /journal.pone.0153727
editor: Craig N. Robson, Instituto Norte para Pesquisa do Câncer, REINO UNIDO
Recebido: 26 Janeiro, 2016; Aceito: 01 de abril de 2016; Publicação: 21 de abril de 2016
Direitos de autor: © 2016 Tessem 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
Data Availability:. Dados Microarray utilizada neste estudo foram obtidos a partir de matriz Express, adesão e-MTAB-1041 e Gene Expression Omnibus, a adesão GSE8218. Dados adicionais estão dentro do papel e seus arquivos de suporte de informação
Financiamento:. Este trabalho foi financiado por bolsas de investigação para MBR e MBT do Comité de Ligação entre a Autoridade Central Norway Regional de Saúde (RHA) e da Universidade Norueguesa da Ciência e Tecnologia (NTNU). 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 deste manuscrito tem as seguintes interesses concorrentes: Tone Bathen é um editor de Academic para PLOS ONE. Isto não altera a adesão dos autores para todas as políticas de PLoS One sobre os dados e materiais de compartilhamento.
Introdução
O cancro é uma doença heterogênea, onde a compreensão dos mecanismos moleculares subjacentes característica para cada tipo individual poderia ser importante para proporcionar terapia ou escolha do tratamento personalizado e direcionado eficiente. amostras de tecidos humanos gerar um instantâneo molecular de estados tumorais, que é essencial para a caracterização de
in vivo
heterogeneidade do cancro que se perde em modelos animais e linhas de células-[1]. Isto aplica-se para os estudos do metabolismo do tumor em particular [2]. Um factor comum, mas complica quando da análise de amostras de tecidos humanos é a mistura heterogénea de células e vários tipos de tecidos que pode confundir os resultados de análises moleculares. Este risco de confusão não se aplica somente ao câncer de próstata (PCA) do tecido, mas para a maioria dos tipos de tecido cânceres
Um modelo simplista divide o tecido da próstata humana em três componentes diferentes.; epitélio benigno, estroma e tecido canceroso. Com base neste modelo, uma análise molecular diferencial entre amostras de cancro e normais deve idealmente enfatizar as diferenças entre o epitélio e o tecido benigno CaP. No entanto, em tais estudos diferenciais, amostras normais são compostos por dois tipos de tecido (epitélio e estroma benigna) enquanto que as amostras de CaP consistem em três tipos de tecido (epitélio, o estroma e benigna APC), todos em várias proporções. Isso introduz um viés amostra sistemática de aumento do conteúdo de estroma nas amostras normais que confunde as diferenças moleculares entre epitélio e câncer. Este problema é geralmente reconhecido [3,4]. No entanto, a avaliação completa da composição destes três tipos de tecido não é rotineiramente contabilizados durante amostra colheita, preparação e análise de amostras de tecido APC. Além disso, o ambiente do tumor introduz alterações no tecido estroma circundante, denominado câncer stromogenic [5,6], que representam um quarto componente de tecidos em amostras de câncer de próstata, mas não foi considerado neste estudo.
estratégias apresentadas anteriormente para lidar com a heterogeneidade da amostra de tecido ter geralmente utilizados modelos computacionais para ajustar cada amostra para a influência de vários tipos de tecidos, na análise diferencial [7,8]. Tais estratégias computacionais podem exigir informação prévia da composição da pele [9-11], as assinaturas genéticas pré-definidas [12,13], ou ser puramente dados impulsionada [14,15]. Modelos computacionais normalmente lidar com a heterogeneidade do tecido, fazendo ajuste aos valores de expressão original anterior à análise diferencial. Isto aumenta o risco de introduzir um viés modelo, especialmente quando o sinal a partir de cada um dos componentes do tecido não é homogéneo. Este é o caso de amostras de tecido de muitos tipos de câncer, incluindo CaP [16-19].
Neste estudo nós aplicamos uma abordagem alternativa e mais simples para explicar o efeito de confusão do estroma ao comparar amostras APC com a amostra normal histologia para análise diferencial. A estratégia é a construção de conjuntos de dados de câncer e amostras normais, onde o teor médio de estroma é equilibrada entre os dois conjuntos de dados. A intenção é atenuar o sinal diferencial devido a várias quantidades de estroma na análise, e enfatizar as verdadeiras diferenças moleculares entre o câncer eo tecido normal. Diferentemente da maioria dos métodos computacionais utilizados para ajustes de heterogeneidade do tecido, a estratégia não realizar correções nos valores de expressão moleculares originais. No entanto, é necessária caracterização patológica da composição do tecido (epitélio benigna, estroma e PCA) para todas as amostras.
Neste estudo, o tecido da próstata fatias frescas congeladas foram recolhidas após a prostatectomia radical e cada amostra de núcleo de tecido foi avaliada por histopatologia composição do tecido antes da análise [20]. O tecido foi então analisada por HR-MAS (alta resolução fiação de ângulo mágico) MRS (Espectroscopia de ressonância magnética), que permite 23 metabolitos quantificados, seguido por meio de medições de expressão de genes por microarrays. HR-MAS é um método não destrutivo, que permite a análise da expressão do gene a ser executada com a mesma amostra de tecido exacta [21]. Esta integração de gene e os dados metabólito oferece uma oportunidade única para investigar vias moleculares centrais em CaP.
Este estudo ilustra que as variações na composição do tecido do estroma pode ser um fator de confusão sistemática na análise molecular quando APC e amostras de tecidos normais são comparação. Este desvio pode ser removido mediante o equilíbrio da composição do estroma entre os conjuntos de amostras. Somente quando esses preconceitos de tecido são contabilizados, as mudanças diferenciais integradas de genes e seus metabólitos em vias metabólicas centrais podem ser simultaneamente revelado.
Métodos
recolha de amostras, microarray e HR-MAS análise
As amostras foram obtidas utilizando um procedimento de colheita padronizado previamente descrito por Bertilsson
et al
. [20]. Esse procedimento inclui o corte e manuseio de fatias congeladas de tecidos retirados da próstata durante a prostatectomia. núcleos de amostras de tecidos foram cuidadosamente seleccionados de as fatias com base na histopatologia clínica. Além disso, a avaliação histopatológica de a quantidade de cancro, estroma e epitélio benigna foi realizado em cada uma das amostras antes da análise de microarray (S1) do ficheiro HR-MAS e. protocolos e análise de microarranjo e HR-MAS são exaustivamente descrita anteriormente em Bertilsson
et al
. e Giskeødegård
et al
., respectivamente [21,22]. O
completa
conjunto de dados (95 amostras APC e das 34 amostras normais) continham medições de expressão de microarranjo para 16.381 genes, e as concentrações do metabolito HR MAS para 23 metabolitos diferentes medida nas amostras exatas mesmo tecido. O uso de material de tecido humano foi aprovada pelo Comité Regional de Medicina e Saúde aprovação de Ética em Pesquisa não 4-2007-1890. formulários de consentimento foram obtidos de todos os pacientes. Outros aspectos éticas relacionadas com as amostras específicas utilizadas neste estudo foram descritas em publicações anteriores [20-22]. O experimento gene microarray é publicado na matriz Express com adesão E-MTAB-1041. concentrações dos metabólitos medidos em cada amostra é dado em arquivo S2.
Controlar a influência de tecido estroma, classificando os
Dados
completos originais em,
equilibrada
,
desequilibrada Comprar e
desestratificação
conjuntos de dados
o
equilibrada
,
desequilibrada
e
conjuntos de dados uniestratificada foram criados através do seguinte procedimento: câncer e amostras normais foram classificadas de forma independente de acordo com o seu conteúdo histopatologicamente determinado de estroma. O
conjunto de dados equilibrada foi criado pela divisão do câncer de ordenados e amostras normais em duas metades, e selecionando as 47 amostras APC com o maior teor de estroma (metade superior) e as 17 amostras normais com o menor teor de estroma ( metade inferior) a partir das listas de amostras ordenadas. Este procedimento minimiza a diferença no conteúdo estroma média entre APC e amostras normais para o
conjunto de dados equilibrada (Fig 1A). Da mesma forma, o
desequilibrada conjunto de dados foi criado, selecionando as 48 amostras APC com o menor teor de estroma e as 17 amostras normais com o maior teor de estroma. Na
dataset desequilibrada, a diferença de teor médio de estroma entre o cancro e amostras normais é maximizada (Fig 1A). A separação das amostras em
equilibrada
e
conjuntos de dados desbalanceados é dada no arquivo S1. Para criar um
dataset desestratificação com o mesmo poder estatístico como o
equilibrada
e
conjuntos de dados desbalanceados, 50 seleções aleatórias de 47 de câncer e 17 amostras normais foram retirados do
completa
conjunto de dados.
(a) por anulando os mesmos tipos de tecidos em APC e amostras normais, o
conjunto de dados equilibrada compara em câncer média de 51% para 43% benigna epitélio e estroma 8%. Da mesma forma, o
desequilibrada conjunto de dados compara câncer de 75% para 58% estroma e 17% epitélio benigno, enquanto o
completa Comprar e
conjuntos de dados uniestratificada compara câncer de 63% para 33% estroma e epitélio 30% benigna. O
equilibrada
,
desequilibrada
e
desestratificação
conjunto de dados têm o mesmo poder estatístico. A nossa estratégia prevê que os genes diferencialmente expressos identificados no conjunto de conjunto de dados equilibrada deve refletir as mudanças na CaP em vez de diferenças na composição do tecido. (B) Histograma de distribuições percentuais de tecido para o cancro, estroma e epitélio benigno no
equilibrada Comprar e
conjuntos de dados desbalanceados. (C) Percentagem de degs compartilhados entre o
equilibrada e
conjuntos de dados desbalanceados, em comparação com a percentagem média de degs compartilhados entre as 50 sub-grupos aleatórios no
desestratificação
conjunto de dados. Percentagens de genes compartilhados são calculados usando números crescentes dos degs mais significativos em cada conjunto de dados. Os números aleatórios foram calculados como a média do número de genes compartilhados sobre todas as possíveis 1225 comparações entre os subconjuntos 50 aleatórios. Para os 200 degs mais significativas, 20% foram compartilhados entre o
equilibrada e
conjuntos de dados desbalanceados, e 39% foram compartilhadas para os 2000 degs mais significativos. As percentagens correspondentes para o conjunto de dados confundida foram de 65% e 73%, respectivamente. (D) sondas Microarray com um valor de p mudando em várias ordens de magnitude entre o
equilibrada e
desequilibrada
conjuntos de dados excede em muito as mudanças p-valor esperado pelo acaso no
desestratificação
conjunto de dados. De todas as sondas, 2830 mostrou uma mudança dobra p-valor de mais de quatro ordens de magnitude, e 1460 mudaram de valores de p por mais de seis ordens de grandeza entre o
equilibrada e
desequilibrada
conjuntos de dados em comparação com 42 e 1 sondas para o
desestratificação
conjunto de dados, respectivamente.
genes diferencialmente expressos e metabolitos
valores de expressão primas foram filtrados, lOG2 transformados e quantil normalizados utilizando o pacote limma R [23], conforme descrito no Bertilsson
et al
. [21]. Todas as operações foram realizadas antes de provar separações em
equilibrada
,
desequilibrada Comprar e
conjuntos de dados uniestratificada. Foram identificados genes diferencialmente expressos para o
completa
,
desestratificação
,
equilibrada e
desequilibradas conjuntos de dados, conforme descrito no Bertilsson
et al
. [21]. P-valores foram corrigidos para testes de múltipla utilizando Benjamini-Hochberg taxa de detecção falsa [24]. Para o
dataset desestratificação, utilizou-se o p-valor médio nos 50 conjuntos de dados. Os valores P para metabólitos diferencialmente expressos foram calculados pelo
t
.
função de teste
em R. O
t
.
test
função inicialmente dá uma avaliação para determinar se os dois grupos de amostras exibir igual variância, que é usado para decidir o teste de significância óptima. Usando a avaliação inicial igualdade de variância, foi utilizado o
t
.
função de teste
com igual variância se o p-valor do teste inicial foi abaixo de 0,05, e o teste de variância desigual contrário.
Validação de dados
Para validar a estratégia de balanceamento de tecido, um conjunto de dados independente [11] foram baixados do Gene Expression Omnibus (adesão GEO ID, GSE8218). Este conjunto de dados consistiu de expressão gênica por microarrays de 65 amostras APC e das 71 amostras normais, juntamente com a avaliação histopatológica dos quatro componentes diferentes de tecido (
cancro da próstata
,
estroma
,
epitélio de BPH
e
atrófica glândula
). Para comparar a composição do tecido na validação definido com o conjunto de dados principal (o conjunto de dados usados no estudo atual), percentagens de
epitélio de BPH
e
glândula atrófica
foram combinados em um único componente que corresponde a epitélio benigno no conjunto de dados principal. balanceamento de conjunto de dados e identificação de genes expressos diferencialmente foram realizadas do mesmo modo como para os dados principais. Para comparar a semelhança de genes diferencialmente expressos destacados no
equilibrada
e
desequilibradas conjuntos de dados entre a validação e os dados principais, desenvolvemos um
Relação de Significância (SR)
pontuação calculada para cada gene: (1) para o
conjunto de dados equilibrada e (2) para o
desequilibrada conjunto de dados, onde
p
B
e
p
S Quais são o valor de p
equilibrada Comprar e
conjuntos de dados desbalanceados, respectivamente. A pontuação é introduzido para comparar os valores de p relativos para cada gene, e é calculado de forma independente para a validação e os dados principal. Genes são classificados em ordem crescente com base na pontuação SR para o
equilibrada e
conjuntos de dados desequilibrados, tanto na validação e dados principais. Um grande número de genes compartilhados entre os genes mais bem classificados nos dados principais e validação indicam que as listas comparados têm alterações relativas semelhantes em valores de p entre o
equilibrada e
desequilibrada
conjunto de dados.
resultados e Discussão
Equilibrar o conteúdo de tecido estroma quando amostras de tecido CaP humanos são comparados com amostras de normal
tecido da próstata
as amostras a partir do original
completo
conjunto de dados são apresentados como três diferente arranjado subconjuntos,
equilibrada
,
estroma
e
desestratificação
, com base na diferença do teor médio de estroma entre APC e amostras histologicamente normais (Fig 1A, Métodos). O
conjunto de dados equilibrada foi projetado para ter um teor de estroma média tão iguais quanto possível entre APC e amostras normais (37% vs 45%, respectivamente). Esta foi a enfatizar as transformações moleculares entre o câncer eo tecido normal, sem o efeito de confusão devido às diferentes quantidades de estroma. Em contraste, o
dataset desequilibrada foi criado com uma diferença maximizada do teor médio de estroma (14% vs 72% para APC e amostras normais respectivamente) para enfatizar as variações moleculares observada quando a quantidade de estroma não é contabilizada . A
desestratificação
conjunto de dados foi criado com as mesmas propriedades dos tecidos como o
completa
conjunto de dados, mas com um número reduzido de amostras para permitir a comparação direta dos valores de p com o
relação
e
desequilibradas conjuntos de dados. O
desestratificação
conjunto de dados teve uma diferença intermediária do teor médio de estroma (26% vs 59% para APC e amostras normais respectivamente), representando a composição do tecido em amostras de uma coorte típico paciente. Não houve diferença significativa na pontuação de Gleason média entre as amostras de CaP no
equilibrada
,
desequilibrada Comprar e
conjuntos de dados
uniestratificada (7,17, 7,27 e 7,22, respectivamente). Para simplificar a interpretação dos resultados, assumimos que sinais moleculares de quantidades iguais do mesmo tipo de tecido no APC e amostras normais se anulam mutuamente em uma análise diferencial. Esta análise não leva em conta as mudanças entre estroma saudável e câncer stromogenic. No entanto, ele servirá como uma boa aproximação para estudar sinais de confusão de estroma devido a composições de tecidos médios diferentes no cancro e amostras normais. Se removermos as contribuições a partir de quantidades iguais de tecido, a análise do
completa Comprar e
uniestratificada conjuntos de dados comparar o sinal molecular a partir de tecido de câncer de 63% nas amostras APC, para 33% estroma e 30% epitélio benigno nas amostras normais, o que representa uma confusão quase completa entre o estroma e epitélio benigno. Nesse ambiente, é impossível concluir se os genes observados diferencialmente expressos (degs) e metabólitos são devido a alterações entre APC e tecido normal, ou devido a diferentes quantidades de estroma em APC e grupos de amostras normais. Em contraste, os degs e metabolitos observados são directamente atribuíveis a alterações moleculares entre câncer e tecido normal para o tecido
conjunto de dados equilibrada e câncer e estroma no
dataset desequilibrado. Os sinais diferenciais nessas duas comparações conjunto de dados destacar, assim, genes e metabolitos, bem como as relações entre eles, que são de outra maneira escondidas no
completa Comprar e
conjuntos de dados uniestratificada.
Dois critérios foram utilizados para dividir amostras entre o
equilibrada e
desequilibradas conjuntos de dados: i) a percentagem média de estroma deve ser tão iguais quanto possível entre câncer e amostras normais, e ii) cada conjunto de dados deve incluir o maior número de amostras possível para assegurar poder estatístico máxima. Para melhorar a análise ainda mais, um terceiro critério pode ser introduzido, o que assegura que as amostras individuais em cada conjunto de dados são homogéneas no que diz respeito à percentagem de estroma. Este critério deve, em teoria, reduzir a variância valor da expressão dentro de cada grupo para melhorar as estatísticas diferenciais. Devido ao número limitado de amostras disponíveis com composição tecido semelhante, concluiu-se que uma selecção incluindo também o terceiro critério iria comprometer o poder estatístico das análises. No entanto, os dois primeiros critérios mostrou-se suficiente para destacar as diferenças importantes entre o
equilibrada e
desequilibradas conjuntos de dados.
Uma característica importante do
equilibrada
e
conjuntos de dados desbalanceados é que eles indiretamente também avaliar a diferença entre o epitélio benigno e tecido estroma. Genes e metabólitos que apresentam mudança diferencial apenas no
dataset desequilibrada, e não no
conjunto de dados equilibrada, não são marcadores de transformação CaP. Estes irão, em vez ser marcadores de estroma que as mudanças no
completa Comprar e
uniestratificada conjuntos de dados única, devido a diferenças na quantidade de tecido estroma. Além disso, genes e metabólitos que apresentam alterações similares, tanto no
equilibrado eo
desequilibrada
conjunto de dados são marcadores para APC, que não é afetada pela presença de estroma. Finalmente, genes e metabolitos exibindo diferencial altera apenas no
conjunto de dados
equilibrado, mas não no
dataset desequilibrado, representam marcadores para APC, que são confundidos pela presença de estroma. Estas avaliações são importantes quando se separa mudanças observadas directamente relacionados com a transformação CaP de mudanças resultantes apenas de quantidades tendenciosas de tecido estroma. Tais interpretações serão realizadas na análise subsequente.
equilibrada Comprar e
desequilibradas conjuntos de dados exibir diferentes padrões de expressão genética a nível global
diferenças consideráveis no gene foram observados padrões de expressão quando se comparam degs entre o
equilibrada e
conjuntos de dados desbalanceados. Uma percentagem muito menor de degs foram compartilhados entre o
equilibrada
e
conjuntos de dados
desequilibradas, quando comparado com o percentual de degs previsto para ocorrer por acaso (Fig 1B), onde a porcentagem esperada foi estimada como o número médio de genes compartilhados entre as 50 sub-grupos aleatórios no
desestratificação
conjunto de dados. O fato de que o
equilibrada
e
desequilibradas conjuntos de dados capturar diferenças biológicas significativas que não são susceptíveis de ser observado por acaso foi confirmada pelo elevado número de sondas de genes com um valor-p mudando em várias ordens de grandeza entre o
equilibrada e
conjuntos de dados
desequilibradas em comparação com o
desestratificação conjunto de dados (Fig 1C). Todos os três conjuntos de dados exibidos esperado e regulação baixa de sete genes bem validados no PCA (Figura C no arquivo S3). Para concluir, as diferenças observadas entre estes conjuntos de dados são atribuíveis a diferenças na quantidade de tecido estroma. A estratégia aplicada de balanceamento de tecido é capaz de destacar essas diferenças.
O
equilibrada
dataset destaca metabólitos relacionados com CaP mudança
equilibrada
conjunto de dados 17 dos 23 metabólitos medidos pelo HR-MAS foram encontrados para exibir alterações significativas nos níveis de concentração entre APC e tecido normal (Fig 2). Este é um número consideravelmente mais elevado em comparação com os 8 metabolitos significativos identificados no
desestratificação e 13 identificados no
completa
conjunto de dados. Isto indica um elevado grau de confusão a partir do tecido do estroma nestes conjuntos de dados, que se aplica especificamente aos nove metabolitos putrescina, espermina, glicina, glutamina, alanina, valina, succinato, isoleucina e citrato que foram significativas na
relação
mas não o
desestratificação
conjunto de dados. Estes nove metabólitos são, portanto, as alterações que são característicos para CaP, mas são difíceis de detectar devido à confusão de valores desequilibradas de tecido estroma. A identificação de citrato serve como uma prova de princípio para a estratégia de análise aplicada, devido à ausência de citrato no estroma e níveis reduzidos observados no tecido CaP [22,25]. Além disso, as mudanças no succinato metabólitos, valina e glicina não eram detectáveis no
completa
conjunto de dados, apesar de o poder estatístico maior em relação ao
conjunto equilibrado. Não metabólitos foram específicos para o
dataset desequilibrado, possivelmente com uma exceção de taurina com significância limítrofe (p = 0,053). Outros biomarcadores típica de metabólitos do PCA como a glicose, lactato e os três metabolitos contendo colina [22,26] foram observadas em todos os conjuntos de dados, mostrando assim a estabilidade como biomarcadores, independentemente da composição do tecido.
Positive -log10 (p- value) indicar aumento da concentração e -log10 negativo (p-value) indicam menor concentração no CaP. O
desestratificação
,
equilibrada
e
desequilibradas conjuntos de dados todos têm o mesmo poder estatístico.
Integração do metabólito e expressão gênica de dados aponta mudanças em genes envolvidos no metabolismo CaP
Nós prevemos que a realização de análise de expressão diferencial de um conjunto de dados equilibrada pelo conteúdo de tecido estroma entre APC e amostras normais destaca genes e metabólitos diretamente relevantes para mudanças APC. Além disso, os dados de genes e de metabolito simultâneas medidos nas mesmas amostras exactas facilitar a integração destes dados relativos às vias metabólicas específicas. Neste estudo incidiu sobre vias de síntese ciclo de TCA, a síntese de poliamina e de ácido gordo, e em degs metabolitos relacionados com a putrescina, citrato e succinato, como estas vias foram especificamente realçada na
conjunto de dados
equilibrada. A expressão diferencial é apresentado em termos de valores de p. Correspondendo as alterações em relação ao ranking gene e dobre as alterações são apresentados nas Figuras A e B no arquivo S3 e S4 no arquivo.
níveis de putrescina Redução relaciona-se com a expressão aumentada de
SRM
na via de poliaminas .
aumento da produção de poliaminas é importante para a progressão do cancro, promovendo o crescimento celular, degradando tecido circundante e diminuindo anti-tumorais funções imunes [27]. Na via de poliamina (Fig 3A),
ODC1
ornitina converte a putrescina, que é ainda convertido em espermidina por SRM. Espermidina é então convertido por espermina
SMS
, tudo numa reacção para a frente.
SRM
e
SMS
são assistidos por
AMD1
no processo de conversão, enquanto que
SAT1
e
SMOX Quais são responsáveis pela ainda mais o destino a jusante da espermidina e espermina [28]. Estudos anteriores relataram que os genes na via de poliaminas são regulados positivamente no câncer [29,30]. A sobre-regulação de genes de poliamina concordante aumentarão o fluxo de todas as poliaminas, mas não necessariamente alterar os níveis relativos de metabolitos individuais. Na
conjunto de dados equilibrada, observa-se uma redução do nível significativo para a putrescina metabólito. Esta redução coincide com uma sobre-regulação específica do
SRM
gene (Fig 4A). Mecanisticamente, a regulação positiva de
SRM vai consumir putrescina para a produção de espermidina, e putrescina sem substituição de ornitihine por regulação positiva de
ODC1
, a concentração de putrescina deve ser reduzida. Este é exatamente o que se observa a partir das medições MR metabólicas. Regulação positiva de SRM sem regulação positiva concordantes de outros genes na via de poliaminas é observado apenas no
conjunto de dados equilibrado, enquanto uma regulação positiva geral de genes de poliaminas é uma característica observada principalmente no
dataset desequilibrado. Aplicando a relação indireta entre o
equilibrada
e
desequilibrada conjunto de dados, este upregulation geral, são provavelmente causado por diferenças entre epitélio e estroma benigna, ea regulação positiva da SRM e declínio putrescina concordante é devido transformação CaP. Curiosamente,
SRM
foi recentemente sugerida como uma droga-alvo para a via de poliamina num modelo de linfoma de células B [31]. Além disso, também é observada uma diminuição significativa nos níveis de espermina (p = 0,047), que se encaixa com uma regulação positiva significativa de
SAT1
e
SMOX
, sem regulação positiva significativa de
SMS
. No entanto, esta relação é mais sutil. Uma diferença significativa em concentrações de espermina foi anteriormente relatada para separar agressivo (grau de Gleason ≥7) a partir de tipos de tecido mais indolente PCA (Gleason de grau = 6) [22]. No entanto, nesta comparação, a confusão do estroma é menos pronunciada uma vez que apenas amostras de câncer são comparadas.
(A) via poliamina. (B) O ciclo de TCA, a síntese de ácidos gordos e o consumo de glutamina. Os genes cima e reprimidos no
conjunto de dados equilibrada são destacadas em vermelho e azul, respectivamente. nomes de genes: ODC1: ornitina descarboxilase 1, SRM: espermidina-sintase, SMS: espermina sintase, AMD1: descarboxilase adenosilmetionina 1, SAT1: espermidina /espermina N1-acetiltransferase 1, SMOX: espermina-oxidase, AcO1 /2: 1/2 Aconitase, CS : sintase de citrato, ACLY: ATP citrato liase, acaçá /B: acetil-CoA carboxilase alfa /beta, FASN: sintase dos ácidos gordos, SUCLA2: succinato-CoA-ligase de ADP-formando subunidade beta, SUCLG1 /2: CoA-succinato subunidade ligase beta , SdhA /B /C /D:. succinato desidrogenase complexo subunidade a /B /C /D
(a) superior:
SRM Comprar e putrescina na via de poliaminas. Médio:
SUCLA2
e
SDHD Comprar e succinato no ciclo TCA. Parte inferior: citrato na síntese dos ácidos gordos. -log10 positiva (p-value) indicam regulação positiva e -log10 negativo (valor-p) indicam regulação baixa. Os metabolitos indicadas no lado esquerdo são um subconjunto dos metabolitos mostrados na figura 2. (B) Validação de genes significativas em CaP em comparação com amostras normais com respeito à via de poliamina, succinato na síntese de ácidos gordos e ciclo de TCA, de forma independente dataset. (C) composição média do tecido no
equilibrada
,
desequilibrado e
completos /desestratificação
conjuntos de dados a partir do estudo de validação. Histograma de distribuições de tecido são apresentados na Figura D no ficheiro S3. (D) Número de genes compartilhados entre os primeiros genes N ordenadas pela pontuação relação de significado quando vários conjuntos de dados são comparados. Genes com alterações opostas (3 no
equilibrada Comprar e 116
conjuntos de dados desbalanceados) foram retirados da análise. O número compartilhada genes são muito mais elevados quando
equilibrada
e
desequilibradas conjuntos de dados são comparados entre si, do que quando
equilibradas são comparados com
conjuntos de dados desbalanceados. Isso indica que os estudos de validação e controle exibir um ranking altamente concordante de genes tanto para o
equilibrada e
desequilibrada
conjuntos de dados.
níveis de citrato Redução diz respeito ao aumento da síntese de ácidos graxos.
níveis significativamente mais elevados de citrato em amostras normais foram apenas detectável no
conjunto de dados equilibrada. Na
completo conjunto de dados
, onde o poder estatístico é duplicada, os níveis de citrato não atingiu significância estatística entre o cancro e amostras normais. Citrato é normalmente convertida para isocitrato por
ACO1
e
ACO2
no ciclo do TCA (Fig 3B), que é o modo preferido de produção de energia na maioria das células.