Abstract

Estudos recentes revelaram que um RNA não-codificante pequeno, microRNA (miRNA) down-regula suas metas de mRNA. Este efeito é considerado como um papel importante em vários processos biológicos. Muitos estudos têm sido dedicados à previsão de interações miRNA-alvo. Estes estudos indicam que as interacções só podem ser funcionais em alguns tecidos específicos, que dependem das características de um miARN. Não há métodos sistemáticos foram estabelecidos na literatura para investigar a correlação entre as interações miRNA-alvo e especificidade de tecido por meio de dados de microarranjos. Neste estudo, propomos um método para investigar tecidos suportados de interação miRNA-alvo, que é baseado em interações miRNA-alvo experimentalmente validadas. Os resultados especificidade de tecido por nosso método estão em conformidade com os resultados experimentais da literatura.

Disponibilidade e Implementação

Os resultados da análise estão disponíveis em https://tsmti.mbc.nctu.edu . .tw /e https://www.stat.nctu.edu.tw/hwang/tsmti.html

Citation: Hsieh WJ, Lin FM, Huang HD, Wang H (2014) Investigando microRNA-alvo Os tecidos suportados de interação em Humano do Câncer tecidos com base em miRNA e Gene alvo Expression Profiling. PLoS ONE 9 (4): e95697. doi: 10.1371 /journal.pone.0095697

editor: Yan Xu, O Instituto Perinatal, Hospital Infantil de Cincinnati Medical Center e da Universidade de Cincinnati, Estados Unidos da América

Recebido: 15 de novembro de 2013 ; Aceito: 28 de março de 2014; Publicação: 22 de abril de 2014

Direitos de autor: © 2014 Hsieh 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:. Os autores gostaria de agradecer ao Conselho Nacional de Ciência da República da China para apoiar financeiramente esta pesquisa sob contrato nº NSC 98-2311-B-009-004-MY3, NSC 99-2627-B-009-003, NSC 101-2311 -B-009-003-MY3, NSC 100-2627-B-009-002, NSC 101-2118-M-009-006-MY2, NSC 101-2811-M-009-064 e NSC 102-2911-I -009-101. Este trabalho foi financiado em parte pelo Centro Internacional UST-UCSD of Excellence in Advanced Bio-engenharia patrocinado pelo Programa I-arroz Taiwan Conselho Nacional de Ciência sob o número Grant: NSC 101-2911-I-009-101, e os veteranos Gerais Hospitais e Sistema de Universidade de Taiwan (VGHUST) Programa Comum de Investigação em Número Grant: VGHUST101-G5-1-1 e VGHUST103-G5-1-2. Este trabalho também foi parcialmente apoiado pela MOE ATU e Centro Nacional de ciências teóricas. 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

MicroRNA é um ARN curto não codificadora que é cerca de 22 nt, que suprime a expressão dos genes através da supressão de translação ou degradação do mRNA através da ligação a regiões 3 ‘não traduzida (3’UTR). A descoberta do primeiro miARN de Caenorhabditis elegans em 1993 inspirou uma grande variedade de estudos de miARN [1]. Actualmente, cerca de 21.264 miRNAs foram descobertos em muitas espécies.

Para estudar a regulação entre miRNAs e genes, locais alvo de miRNA são geralmente previsto por miRNA ferramentas de previsão de destino. Muitas ferramentas de previsão alvo computacionais, tais como Miranda [2], TargetScanS [3] – [5] e RNAhybrid [6], têm sido desenvolvidos. Além disso, vários métodos estatísticos foram também aplicados para construir uma rede de associações entre miARNs e seus mRNAs alvo [7] – [10]. Normalmente, miARN alvo ferramentas de previsão de prever diversos locais alvo potenciais. Para reduzir o número de locais alvo falso-positivos, locais previstos miARN alvo deve ser confirmado por experiências. Geralmente, as interacções miARN alvo (MTIS) pode ser confirmada por ensaios de repórter, Western blot, ensaios de microarray, pSILAC ou qRT-PCR. Além disso, muitos bancos de dados, tais como miRTarBase [11], TarBase [12], miRecords [13] e miR2Disease [14], foram concebidos para armazenar validada experimentalmente MTIs. Em particular, o (versão 2.1) do banco de dados miRTarBase coletou aproximadamente 3.500 manualmente curadoria validada experimentalmente MTIs, incluindo 657 miRNAs e 2.297 genes estudados entre 17 espécies de 985 artigos de investigação [11]. O banco de dados de 5,0 TarBase armazenou aproximadamente 514 MTIs que foram extraídos a partir de papéis 203 [12]. A base de dados miRecord, que inclui 1,529 interacções experimentais, é composto de miARNs validada experimentalmente e previu MTIs [13]. A base de dados miR2Disease destina-se a armazenar validada experimentalmente MTIs, os quais são desregulados em várias doenças humanas [14]. Entre estas bases de dados, fornece miRTarBase MTIs mais actualizada do que as outras bases de dados.

Importante, miARNs foram observados como sendo em muitos estudos específicos do tecido. Por exemplo, o miR-122 só pode ser detectado em tecidos do fígado e é indetectável em todos os outros tecidos [15]; a expressão de miR-122, em carcinoma hepatocelular é relativamente mais baixa do que no fígado saudável [16]; miR-1 e miR-143 são preferencialmente expressos nos tecidos cardíacos e do cólon, respectivamente [15], [17]; miR-126 é um miARN específico do endotélio que regula a integridade vascular e a angiogénese [18]; miR-195 e miR-200c são especificamente expressos em tecidos do pulmão [19]. Além disso, alguns miARNs são biomarcadores para a detecção de cancros, tais como o miR-221, -100, -21 -125b e no cancro pancreático [20].

Embora muitos investigadores têm indicado que muitos têm miARNs específico de tecido expressão [15] – [20], não há métodos sistemáticos ter sido estabelecida na literatura para investigar as correlações altamente negativos entre um miARN e seus genes alvo em um grupo de tecidos específicos, por meio de dados de microarray. Analisando a correlação das expressões entre miARNs e ARNm é um dos métodos que tem sido aplicado para aumentar a confiança dos locais de miARN alvo preditos [21] – [28]. Neste estudo, nós desenvolvemos um método estatístico para determinar tecidos suportados de interação microRNA-alvo (tecidos MTI-suportado) com base em interações miRNA-alvo experimentalmente validadas. Os tecidos MTI-suportadas do um miRNA é um grupo de tecidos que este miRNA e suas metas expressam nestes tecidos.

O principal objetivo deste estudo é investigar os tecidos MTI-suportados que são baseados em experimentalmente validadas interações miRNA-alvo no banco de dados miRTarBase. No https://tsmti.mbc.nctu.edu.tw, descrevemos brevemente como o método proposto é aplicado para identificar tecidos MTI-suportados. Os principais resultados analíticos e os materiais neste trabalho são apresentados neste site.

Materiais e Métodos

A concepção do procedimento proposto é brevemente mostrado na Figura 1. Nós usamos conjuntos de dados [29 ] para ilustrar os nossos métodos. Este conjunto de dados inclui os perfis de miRNAs de expressão e perfis de expressão de mRNA para 89 amostras de 11 órgãos de tumor ou tecidos normais. As amostras de órgãos 11 são resumidos na Tabela 1, incluindo 68 tecidos de tumor e 21 tecidos normais. Os perfis de expressão de mRNA que foram publicados em 2005, consistem em duas plataformas de microarray, GPL80 e GPL98, que representam 16.063 genes de mais de 89 tecidos [29]. Porque os níveis de expressão de mRNA parciais estão ausentes, apenas a 12.766 destes genes são usados ​​nos nossos estudos. Os perfis de expressão GSE2564 (miARN) são compostos pelos dados de expressão para 288 miARNs através tecidos 249 [29]. Depois de eliminar duplicados e redundantes de dados, só usamos os dados para 163 miRNA de mais de 89 tecidos. Com os dados de um miRNA, pretendemos investigar os tecidos MTI-suportados para determinar se o miRNA é funcional através destes tecidos com base em validada experimentalmente MTIs. Como mencionado na introdução, o banco de dados miRTarBase é mais informativa do que outros bancos de dados. Nós aplicamos a versão 2.1 do banco de dados miRTarBase [11] para se obter experimentalmente validado MTIs, que pode ser acessado no “https://mirtarbase.mbc.nctu.edu.tw/cache/download /2.1/miRTarBase_MTI.xls”. De acordo com os miRNAs que foram registradas no GSE2564, selecionamos 743 validada experimentalmente MTIs e analisar as correlações entre miRNA e mRNA perfis de expressão em diferentes conjuntos de tecido.

validada experimentalmente MTIs compartilhando os mesmos miRNA foram selecionados do banco de dados miRTarBase . As correlações de MTIs através de uma combinação de tecidos, que foram selecionados pelo nosso método, são fortemente negativas.

Antes de analisar os dados de expressão, primeiro normalizar os dados de expressão de miRNA e de mRNA em todo 89 tecidos. O método de pré-processamento de dados é fornecido em como os dados adicionais. Alguns dados resultados de pré-processamento são apresentados nas Figuras S1 e S2 em S1 Arquivo. Após o pré-processamento de dados, os melhores 23 miARNs com um número de destino que é maior do que ou igual a 10 e com um certo número de tecidos com níveis de expressão que eram maiores do que 7,25 são seleccionados e são listados na Tabela 2. O nível de expressão 7,25 é o ponto de corte que foi utilizado em Huang

et ai.

(2007) [7]. Na Tabela 2, quatro miARNs, HSA-miR-122, HSA-miR-124, HSA-miR-155 e HSA-miR-133a, são ignorados porque não há amostras suficientes para estes miARNs que poderiam ser utilizados para a análise. Portanto, analisamos 19 miRNAs neste estudo.

Antes de introduzir o método, primeiro descrever a motivação para propor o método. Estudos anteriores demonstraram que miARNs regular negativamente os seus objectivos [16], [30], o que resulta em uma correlação negativa das expressões microarray entre um miARN alvo e suas interacções. No entanto, a Figura S1 S1 Ficheiro revela que os valores absolutos da maioria das correlações da miARN alvo e as suas interacções em todos os 89 tecidos não são significativamente grande. Nós, portanto, concluir que a infra-regulação de um miRNA ocorre em alguns tecidos.

Para um miRNA, temos que encontrar primeiro as interações associadas através do conjunto de dados de microarray e o banco de dados miRTarBase e depois calcular as correlações entre os miRNAs e seus alvos. Assim, um miARN está associado com um conjunto de correlação, o que inclui as correlações entre este e os seus alvos miARN. Porque há mais de uma interacção alvo que está associada a um miRNA, nosso objetivo é integrar vários coeficientes de correlação entre esse miRNA e seus alvos para encontrar tecidos MTI-suportados. Por conseguinte, para determinar os tecidos MTI-suportados da presente miARN, propomo-nos utilizar um critério que é baseado nos dois factores na correlação define: (i) o coeficiente de correlação médio e (ii) a proporção de coeficientes de correlação negativa. Devido à sub-regulação da miARN a sua interacção alvo, para um conjunto de verdadeiros tecidos MTI-suportados de um miARN, espera-se que os dados de expressão entre este e as suas interacções miARN alvo seria altamente correlacionados negativamente. Portanto, esperamos que os verdadeiros tecidos MTI apoiados deve satisfazer a hipótese de que os coeficientes de correlação médios são fortemente negativo e que a proporção de coeficientes de correlação negativos é grande.

Para descrever o método proposto, primeiro introduzir algumas notações. Denotamos os 89 tecidos como e os 19 miRNAs como. O valor da expressão de um miARN e um ARNm entre os tecidos 89 é denotado como e. Vamos denotar a interacção alvo número (mRNA) que corresponde a esse miRNA do banco de dados miRTarBase.

Let,, Ser um conjunto de tecidos dos 89 tecidos, onde é o tamanho do conjunto de amostras A. O coeficiente de correlação do miRNA

m

eo mRNA

y

através de um conjunto de amostras

a

é definido aswhere e denotam o meio de e

y

através dos tecidos no conjunto, respectivamente.

Vamos denotar os coeficientes de correlação desse miRNA e suas interações alvo em todo os tecidos em conjunto, e que denotam a média destes coeficientes de correlação em todo o conjunto de tecidos. Além disso, deixar que seja o número de valor negativo dos coeficientes de correlação. Em seguida, definimos a proporção coeficiente de correlação negativa como.

Para o miRNA, o objetivo deste estudo é encontrar um tecido definida de tal forma que é fortemente negativo. Além disso, porque há coeficientes de correlação para este mRNA, que deve exigir que a proporção de coeficientes de correlação negativa entre estes coeficientes de correlação for maior do que um limiar. Isto é, pretende-se encontrar um tecido fixado de tal modo que seja pequena. Assim, propõe-se utilizar a função de perda. (1) para seleccionar um conjunto de tecidos, de tal modo que o mínimo da função perda ocorre em, onde

um

é uma constante entre 0 e 1, isto é,

(2) a função de perda (1),

a

é usado para ajustar os pesos de e. Para encontrar que satisfaz a condição (2), é difícil calcular directamente o valor para todos os conjuntos de. Para um conjunto de elementos, existem combinações. Uma vez que o intervalo do valor é de 2 a 89, existe um total de selecções ofpossible um conjunto. A complexidade de cálculo é demasiado elevado para se obter o verdadeiro. Uma vez que a combinação possível total é muito grande, pode-se relaxar ligeiramente a condição (2) a ser (3) em que S é um conjunto de

O

, que é restrito a ter elementos em vez dos elementos, onde. Na análise que se segue, é seleccionado para ser. Para seleccionar um valor adequado, tínhamos testado diversos valores diferentes e descobriram que o tecido seleccionado de utilização é praticamente o mesmo com os tecidos seleccionados da utilização para muitos casos. Assim, adotamos nesta análise.

Quando a amostragem conjuntos de tecido, pode ser adoptado um método heurístico ou um método de força bruta. Se altamente confiantes tecidos MTI-suportados para um miRNA estão disponíveis na literatura ou outros recursos, sugerimos escolher diretamente conjuntos de tecido incluindo estes tecidos na implementação do algoritmo, que pode podar o espaço de busca. Caso contrário, a amostragem de força bruta é sugerida para evitar a obtenção de resultados não objectivas. Desde o tamanho da amostragem sugerida é, não é muito demorado na implementação do algoritmo quando usamos o método de força bruta de amostragem.

Os passos de encontrar o sob condição (3) é apresentada no seguinte algoritmo . Antes que precede o algoritmo, devemos especificar a constante na condição (1).

Para avaliar o desempenho do nosso algoritmo proposto, adotamos um teste de permutação e uma análise de agrupamento [31] para mostrar a superioridade da proposta algoritmo. Ambos os métodos são descritos em os dados adicionais. Alguns resultados da comparação são apresentados na Figura S3 no arquivo S1 e Tabela S1 S1 Arquivo. Os resultados dos dois métodos defender nosso algoritmo proposto como uma abordagem eficiente para selecionar tecidos MTI apoiados válidos de uma miRNA

2.1 Algoritmos

Algoritmo para a previsão de tecido:.. Algoritmo de função de perda de correlação

Suponha que um miRNA

m

tem MTIs

Passo 1:. aleatoriamente selecionar um conjunto

o

com tecidos

Passo 2:. Calcule as correlações entre esta miRNA eo mRNAs através dos tecidos em

o

. Em seguida, calcular a média destas correlações, ea proporção de correlações negativas,

Passo 3:. Use os valores e calcular (1)

Passo 4:. Repita os passos 1-3 vezes. Nós obter valores

Passo 5:. Descobre o valor mínimo dos valores, digamos. Listar o conjunto de tecidos, por exemplo, corresponde a esse valor, que é

Passo 6:. Repita os passos 1-5 para diferentes para obter valores diferentes. Encontre o valor mínimo desses s, dizem. Em seguida, o conjunto do tecido correspondente a este valor é os tecidos MTI apoiados definidos.

Além de considerar apenas as correlações das expressões entre miRNAs e mRNAs, DNA copy-número e metilação do promotor no locus do gene mRNA sobre a expressão de ARNm pode influenciar a expressão associação miARN-ARNm. Temos desde R códigos que incluem outros fatores na função de perda. Os leitores podem acessar os códigos R a https://tsmti.mbc.nctu.edu.tw/lossfunction2.txt.

Uma vez que o algoritmo é baseado na função de perda (1) para avaliar o desempenho do correlação, chamamos esse algoritmo do algoritmo função de perda de correlação. Os passos de nosso algoritmo são descritos no fluxograma na Figura 2.

Na prática, para um miRNA e suas metas, não temos certeza de quantos tecidos deve ser selecionada. Primeiro, comece selecionando 3 tecidos de todos os tecidos, mas não escolher um tecido porque a correlação entre um miRNA e seus alvos ao longo de um tecido não pode ser calculado. Para encontrar o número de tecido óptimo entre os diferentes miRNAs, nós selecionar o número de tecido de 3 a 15.

Na Figura 3, que ilustram a perda de valores da função com a de cada miRNA e seus alvos por 5 tecidos, 8 tecidos , 11 tecidos e tecidos 15, respectivamente. A partir dos resultados dos cálculos, descobrimos que o valor da função perda em mais de 15 tecidos é maior do que o valor da função de perda entre menos de 15 tecidos. Portanto, não consideramos o caso com o número de tecidos que é maior do que 15, e escolheram apenas 3 a 15 números de tecido para encontrar o número de tecido óptima. Os resultados indicam que o número de tecido ideal que é derivado pelo algoritmo depende dos miRNAs.

Este trabalho apresenta, principalmente, os resultados quando. Usámos outros valores tais como perda na função para seleccionar tecidos. Os resultados relativos são semelhantes àquelas para. Porque é usado para ajustar o peso entre a média das correlações ea proporção de correlações positivas 1-, e estamos mais preocupação a proporção de correlações positivas, vamos colocar mais peso no segundo mandato. Neste estudo, os resultados utilizando levar a bom desempenho. Portanto, é um valor sugerido na utilização deste algoritmo. Para outras aplicações reais deste algoritmo, os leitores podem usar dados de treinamento para obter um valor adequado.

Além disso, para fazer uma análise mais objetiva na escolha dos tecidos MTI-suportados, em vez de selecionar um tecido situado entre conjuntos de tecidos para a 15 o que minimiza a função de perda (1), foi proposto um método para classificar os tecidos por os dois passos seguintes. O primeiro passo é para encontrar os conjuntos de tecidos 13, que minimizam a perda de função correspondente à de 15, respectivamente. O segundo passo é classificar os tecidos apareceram nestes 13 conjuntos de tecido de acordo com seus números de ocorrência entre os conjuntos de tecido 13. O tecido com a freqüência mais ocorrência é classificada em primeiro lugar e assim por diante. Os resultados do ranking são apresentados na Tabela 3, que pode fornecer informações sobre o significado dos tecidos MTI-suportados.

Resultados

Usando o algoritmo, obtemos tecidos MTI-suportados para 19 miARNs que estão listados na Tabela 2. no que se segue, usamos HSA-miR-17 como um exemplo para descrever o resultado da análise. A Figura 4 apresenta as parcelas para a função de densidade de correlação e da heatmap de hsa-miR-17. A Figura 4 (a) mostra o gráfico de densidade de correlações (linha sólida) de todos os 743 MTIs validada experimentalmente em todos os 89 tecidos e a trama densidade de correlações (linha tracejada) entre HSA-miR-17 e os seus objectivos através da parte superior 6 MTI- tecidos suportados. A linha a cheio é simétrica e centralizada para zero; no entanto, a linha tracejada é desviada para direita. Aparentemente, o enredo densidade direito do enviesada das correlações entre HSA-miR-17 e os seus objectivos através dos 6 melhores tecidos MTI apoiados mostra que a maioria das correlações são negativos, o que está de acordo com o comportamento de degradação entre um miRNA e seus alvos. Em contraste, o fato de que as correlações de todos os 743 MTIs validada experimentalmente em todos os 89 tecidos são perto de zero indica que o comportamento sub-regulação de um miRNA com suas metas só será exibido em todo os tecidos MTI-suportados.

a . Comparação de correlação densidades para todos os 743 validada experimentalmente MTIs (linha sólida) e HSA-miR-17 com 24 alvos ao longo dos 6 melhores tecidos MTI apoiadas (linha tracejada). b. Os perfis de expressão de HSA-miR-17 e 24 alvos ao longo dos 6 melhores tecidos MTI-suportados. As correlações entre o perfil de expressão de HSA-miR-17 e os perfis dos genes alvo foram anotadas junto ao símbolo do gene. Verde representado baixa expressão e vermelho representada elevada expressão em genes e tecidos correspondentes.

Figura 4 (b) é um exemplo que mostra que os perfis da maior parte dos HSA-miR-17 de expressão de genes alvo são negativamente correlacionados com o perfil de HSA-miR-17 de expressão. Na Figura 4 (b), os perfis de expressão de genes de HSA-miR-17 e 24 alvo em 6 de topo tecidos MTI-suportados são apresentados. A correlação entre os perfis de expressão de HSA-miR-17 e cada um dos genes alvo é anotada junto ao símbolo do gene na Figura 4 (b). A maioria dos perfis de HSA-miR-17 de expressão de genes alvo estão negativamente correlacionados com o perfil do conjugado de HSA-miR-17 de expressão. Os perfis de a HSA-miR-17 gene alvo TGFBR2 expressão é positivamente correlacionada com o perfil de expressão de miARN. Embora tenha sido validada experimentalmente que estes genes alvo pode ser inibida por HSA-miR-17, não é TGFBR2. A razão para a correlação positiva entre HSA-miR-17 e estes genes pode ser que estes genes são regulados por outros factores de regulação mais fortes. Para apoiar a nossa suspeita, nós re-examinar os estudos de hsa-miR-17 regulamento sobre TGFBR2, o que mostra que a expressão TGFBR2 não pôde ser detectado por causa do microsatélite instabilidade e mutações [32] – [34].

Além disso, as parcelas de densidade de correlação de outros 18 miRNAs e seus alvos (pelo https://tsmti.mbc.nctu.edu.tw) revelam resultados semelhantes aos da HSA-miR-17. Por exemplo, o algoritmo proposto procura fora 5 principais tecidos específicos para HSA-miR-21, que tem o maior número de destino (43 alvos) entre os miRNAs que foram considerados neste estudo. Além disso, encontramos também o top 8 tecidos MTI-suportados para HSA-let-7a e suas metas. Ambos os lotes de densidade correlação entre os tecidos MTI-suportados são desviada para direita e são maiores do que as parcelas em todos os 89 tecidos. Para além dos resultados de densidade de correlação, observa-se que o número de tecido seleccionada depende da miARN. Na secção de Métodos, mostra-se que o número óptimo de tecido, o qual é derivado pelo algoritmo, é dependente das miARNs. Devido ao espaço limitado, que apenas fornecem a elaboração no exemplo miR-17 em detalhes. Para outros miRNAs, calculamos correlação média entre um miRNA e suas metas em todos os 89 tecidos e correlação média entre um miRNA e seus alvos ao longo tecidos MTI apoiados selecionados. Em seguida, utilizar o valor do segundo correlação média menos a primeira correlação média como uma métrica para quantificar a melhoria da qualidade. Os resultados são apresentados na Tabela 2. Os valores são a gama de -0,32 a -0,68. O valor para miR-17 é -0,536. Ele revela que a correlação média entre um miRNA e seus alvos ao longo tecidos MTI apoiados selecionados são mais fortemente correlacionada negativa do que a correlação média entre um miRNA e suas metas em todos os 89 tecidos.

Porque o top 6 MTI-suportado tecidos que tenham sido seleccionados para HSA-miR-17 incluem tecidos tumorais, os quais podem ser consultados com os níveis de expressão de extremos, que se estendem os 6 melhores tecidos MTI-suportados para outros tecidos com o mesmo órgão como os 6 melhores tecidos MTI-suportados. Os 6 melhores tecidos MTI-suportados para hsa-miR-17 incluem tecidos tumorais e tecidos normais. Os tecidos tumorais são compostas de tecidos da próstata, da mama e do útero. Os tecidos normais são compostas de tecidos da mama e do útero. O número de tecidos é alargado para 24 porque o número total de tecidos da próstata, tumor do tumor /tecidos mamários normais e tumorais /tecidos normais útero é 24. Aqui, mais uma vez examinar os níveis de 24 tecidos de HSA-mir-17 de expressão. Apenas os 19 níveis de expressão são maiores do que 7,25. Um tecido é eliminada se o seu nível de expressão de miARN que corresponde ao tecido é inferior a 7,25, que é o ponto de corte que foi utilizado em Huang et al. [7]. A Figura 5 mostra o gráfico de densidade de correlação (verde linha a tracejado) para os resultados prolongados. Comparando Figura 4 (a) com a Figura 5, nós adicionamos uma linha tracejada verde na Figura 5, que é o enredo densidade correlação de HSA-miR-17 e os seus objectivos através dos 19 tecidos estendidos. A linha tracejada verde está sempre entre a linha preta sólida ea linha tracejada vermelha. O resultado revela claramente que a análise que se baseia em 6 tecidos MTI-suportados leva ao melhor resultado, seguido pelos tecidos estendidos, que são melhores do que a análise que se baseia em 89 tecidos.

Comparação de correlação densidades para todos os 743 validada experimentalmente MTIs em todos os 89 tecidos (linha preta sólida), HSA-miR-17 com 24 alvos ao longo dos 6 melhores tecidos MTI-suportados (linha tracejada vermelha), HSA-miR-17 com 24 alvos ao longo de 19 estendida tecidos (linha tracejada verde) e HSA-miR-17 com 95 previu alvos ao longo dos 6 melhores tecidos MTI-suportados (linha tracejada azul).

Além disso, nós também investigar a previsão alvo que se baseia sobre os tecidos seleccionados. Ao pesquisar para a 8MER conservada e locais 7mer que corresponde à região da semente de cada miARN da ferramenta de previsão TargetScanS [3] – [5], que tem 95 previsto alvos de HSA-miR-17 a partir de nosso conjunto de dados, que são baseados no top 6 tecidos MTI-suportados. A linha pontilhada azul na Figura 5 representa a densidade de correlação de HSA-miR-17 e 95 previsto entre os alvos 6 topo tecidos MTI-suportados. Apesar de uma pequena porção de correlações são correlações positivas, a maioria das correlações são mais negativo do que em todos os 89 tecidos. No entanto, a densidade de correlação de hsa-miR-17 e 95 previram alvos ao longo dos 6 melhores tecidos MTI-suportados (linha tracejada azul) não tem um desempenho melhor do que o obtido usando 24 validada experimentalmente MTIs entre os 6 melhores tecidos MTI-suportadas (vermelho linha tracejada) e as obtidas utilizando 24 validada experimentalmente MTIs por 19 tecidos estendidos (linha tracejada verde). Adotando 95 previu alvos de hsa-miR-17 em todo os 6 melhores tecidos MTI-suportados ainda pode melhorar as correlações que não estão perto de zero. Pelo caso estendida e o caso previsto, conclui-se que o algoritmo proposto é confiável para a seleção de tecidos MTI-suportados.

Discussão

A nossa abordagem é centrada na descoberta tecidos MTI-suportados para um miRNA com base em genes alvo experimentalmente validadas. No entanto, encontramos alguns mRNAs não são regulados negativamente pela sua miRNA validadas experimentalmente. Várias razões possíveis são descritos. Em primeiro lugar, a expressão de ARNm pode ser regulada por vários factores, incluindo o número de cópias de ADN, a regulação da transcrição e regulação pós-transcricional. Desde a nossa abordagem seleciona um grupo de diferentes tecidos, miRNA capacidade repressão poderia ser menor do que outros mecanismos de regulação na parte de tecidos selecionados. Em segundo lugar, alguns miRNAs não só para baixo-regular seus genes-alvo, mas também up-regular seus genes-alvo [35]. O miRTarBase não incluem qualquer informação sobre um miRNA-se regula ou down-regula seus genes-alvo. Supõe-se que o miRNA em miRTarBase só pode baixo -regulate seus genes-alvo. No entanto, muitos miRNAs têm sido relatado que miRNAs pode up-regular seus genes-alvo [35] – [38]. Por exemplo, o registro de MIRT004506 em miRTarBase é que miR-466l up-regula IL-10 através da ligação região AU-rico em 3’UTR [36]. Por isso, alguns fenômenos sobre-regulação são descobertos a partir das plotagens de densidade da correlação entre os tecidos MTI-suportados.

A partir das plotagens de densidade da correlação entre os tecidos MTI apoiados na Tabela 2, descobrimos que vários MTIs validada experimentalmente são correlacionada positivamente com os perfis de expressão de miARN. Em primeiro lugar, o miR-145 está positivamente correlacionada com a IRS1 gene alvo com uma correlação de 0,55. Um relatório anterior mostra que o miR-145 pode regular negativamente o nível de proteína de IRS1 mas não pode regular negativamente o ARNm de IRS1 [39]. Portanto, não se observa a correlação negativa entre miR-145 e IRS1. Além disso, algumas linhas de células, tais como TCC-20, não expressam IRS1. Assim, a regulação negativa de IRS1 por miR-145 não pode ser observada [40]. O segundo não negativamente correlacionada MTI é miR-1 e SERP1. O estudo, que se examina a interacção entre o miR-1 e SERP1, mostra que a sub-regulação de SERP1 por miR-1 não é significativa [41]. O banco de dados miRTarBase pode gravar muitos MTIs validada experimentalmente cujos genes-alvo são significativamente sub-regulada pelos miRNAs correspondentes. É difícil determinar a razão para alguns positivamente correlacionada MTIs validado experimentalmente, tal como o MTI validada experimentalmente entre o miR-1 e FOXP1. experimentos mais avançados são necessários para explorar essas MTIs.

Figura 6 (a) é uma ilustração ampliada da Figura 4. Nós recolhemos perfis de expressão, que são recolhidos a partir dos mesmos órgãos que estão listados na Figura 4. Observamos mais correlações conflito em MTIs validadas experimentalmente. Em primeiro lugar, a correlação entre a expressão de CDKN1A e HSA-miR-17 é de 0,23, e a correlação entre a expressão de RUNX1 e HSA-miR-17 é de 0,04. Estudos anteriores revelaram que CDKN1A e RUNX1 são regulados por vários miRNAs [42], [43]. Devido à nossa abordagem, que só observa um miARN e os seus correspondentes genes alvo, a expressão de CDKN1A RUNX1 e não pode simplesmente se correlacionam negativamente para a expressão de HSA-miR-17. Dois estudos mostram que em conflito HSA-miR-17 pode ou não pode inibir a tradução de PTEN. Olive et ai. (2009) concluiu que PTEN pode ser reprimida por miR-19, mas não pela HSA-miR-17, no linfoma de células B [44]. A experiência que foi relatado por Trompeter et ai. (2007) mostra que PTEN é significativamente reprimido pela HSA-miR-17 em células HEK293T e células de rim [45]. NCOA3 (AIB1) não está correlacionada com a expressão de HSA-miR-17. As correlações de expressão são negativos em tecidos da mama e estão de acordo com o estudo que demonstrou que NCOA3 é regulada por hsa-miR-17 [46]. No entanto, estas interacções não estão negativamente correlacionados com o resto dos tecidos. Este fenómeno indica que uma interação miRNA-alvo é MTI-suportado específica de tecidos e revela que a nossa abordagem pode incluir tecidos cuja validada experimentalmente MTIs não são funcionais. Porque a região de semente de miR-17, miR-106a e miR-20a são idênticas, a correlação de seus genes-alvo hsa-miR-17 e de expressão pode ser afetada por outros miRNAs. Assim, nossa abordagem pode determinar que têm como alvo genes são predominantemente regulada por hsa-miR-17 e encontrar os tecidos não MTI-suportados.

a. Os perfis de expressão de HSA-miR-17 e 24 alvos ao longo 19 tecidos estendidos. As correlações entre os perfis de expressão de HSA-miR-17 e genes alvo foram anotados ao lado dos símbolos de genes. b. Figura S1. uma. b. Figura S2. Figura S3.