Abstract
A integração de dados de alto rendimento obtidos a partir de diferentes níveis molecular é essencial para a compreensão dos mecanismos das doenças complexas como o câncer. Neste estudo, nós integramos a metilação, os dados de microRNA e de mRNA a partir de tecidos de câncer de pulmão e tecidos pulmonares normais utilizando conjuntos de genes funcionais. Para cada termo Gene Ontology (GO), foram definidos três conjuntos: o conjunto de metilação, o conjunto de microRNA eo conjunto de mRNA. A capacidade discriminatória de cada conjunto de genes foi representada pelo coeficiente de correlação Matthews (MCC), avaliada pelo leave-one-out validação cruzada (LOOCV). Em seguida, o MCC nos conjuntos de metilação, os conjuntos de microRNA e os conjuntos de ARNm foram classificados. Ao comparar as fileiras da MCC de metilação, microRNA e mRNA para cada termo GO, que classificou o GO define em seis grupos e identificou a metilação disfuncional, conjuntos de genes microRNA e mRNA no cancro do pulmão. Nossos resultados fornecem uma visão sistemática das alterações funcionais durante tumorigênese que podem ajudar a elucidar os mecanismos de câncer de pulmão e levar a melhores tratamentos para pacientes
Citation:. Huang T, Jiang M, Kong X, Cai YD ( 2012) disfunções associadas com metilação, Expressão MicroRNA e expressão gênica em câncer pulmonar. PLoS ONE 7 (8): e43441. doi: 10.1371 /journal.pone.0043441
editor: Daotai Nie, Faculdade de Medicina da Universidade de Southern Illinois, Estados Unidos da América
Recebido: 08 de dezembro de 2011; Aceite: 23 de julho de 2012; Publicação: 17 de agosto de 2012
Direitos de autor: © Huang et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados
Financiamento:. Este trabalho foi apoiada por doações do Programa Nacional de Pesquisa básica da China (2011CB510102, 2011CB510101, 2011CB910200 e 2010CB912702), o National Natural Science Foundation da China (90.913.009), Programa de Pesquisa da Academia chinesa de Ciências (KSCX2-EW-R-04) e do Programa de Inovação da Comissão de Educação Municipal de Xangai (12ZZ087). Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito
CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes
Introdução
o cancro é uma doença biologia de sistemas [1] que envolve a desregulação de múltiplos caminhos em níveis múltiplos [2]. tecnologias de alta capacidade, como a sequenciação genómica e transcriptomic, proteômica e metabolômica profiling, forneceram grandes quantidades de dados experimentais. No entanto, biologia de sistemas requer não apenas novos de alto rendimento nos domínios «ómicos” tecnologias de geração de dados, mas também métodos de análise integradoras que podem lançar luz sobre os mecanismos potenciais de doenças complexas. O cancro do pulmão é uma das principais causas de morte por cancro em todo o mundo [3]. Atualmente conhecida genética, epigenética, transcriptomic, proteômica, metabolômica e marcadores de microRNA de câncer de pulmão [4]. Como as alterações epigenéticas ocorrem cedo durante tumorigênese, marcadores de metilação deve ser considerada [4]. A proteína é a forma final, funcional da informação genética; Portanto, marcadores proteomic também são importantes. marcadores transcriptomic são fáceis de medir, e os níveis de mRNA são frequentemente utilizados como um proxy para a abundância de proteína [5]. MicroRNA, como um importante contribuinte reguladora, é também um excelente biomarcador cancro do pulmão [6], [7]. Se um marcador de metilação, ARNm marcador, ou um marcador microARN é considerado, estes marcadores de função afectando as vias biológicas ou redes. As vias funcionais são as pontes comuns entre vários marcadores e a doença
Atualmente, existem vários estudos sobre a integração de dados multi-dimensional [8] – [11].. A maioria deles foram baseados em regressão entre diferentes dimensões [10] e exigem cada amostra ter vários dados de nível [11]. As vias disfuncionais foram identificados por análise de enriquecimento de genes aberrantes [9].
Neste estudo, analisamos directamente disfunções do cancro do pulmão de células não pequenas, (NSCLC), comparando os conjuntos funcionais de metilação, e microARN dados de mRNA entre os tecidos de câncer de pulmão e tecidos pulmonares normais. Cada conjunto funcional corresponde a um Gene Ontology (GO) [12] prazo. Três conjuntos de esta unidade funcional são definidos: o conjunto de metilação, o conjunto de microRNA eo conjunto de mRNA. O coeficiente de correlação de Matthews (MCC), avaliado por leave-one-out validação cruzada (LOOCV), é usado para representar a capacidade de discriminação de cada conjunto de genes. As fileiras da MCC de cada conjunto de metilação, conjunto de microRNA e conjunto de mRNA são analisadas. Seis grupos de conjuntos GO são classificados, e 20 de metilação disfuncional, microRNA e mRNA conjuntos de genes no câncer de pulmão são identificados. Estes conjuntos disfuncionais caracterizar os processos de tumorigênese. Com uma caracterização precisa de desenvolvimento de neoplasias, podemos compreender melhor os mecanismos de cancro do pulmão e melhorar o diagnóstico precoce, avaliação da eficiência de tratamento e prognóstico de câncer de pulmão.
Materiais e Métodos
Conjuntos de dados
Nós baixado os perfis de metilação de 1.413 genes em 57 pacientes com NSCLC e 52 amostras de controlo [13] a partir GEO (Gene Expression Omnibus) com o número de acesso GSE16559. Os perfis de 549 microRNAs em 187 pacientes com NSCLC e 188 amostras de controlo [14] expressão microRNA foram recuperados do GEO com o número de acesso GSE15008. Os perfis de expressão de ARNm do gene de 19.700 genes em 46 doentes com NSCLC e 45 amostras de controlo [15] foram obtidas a partir de GEO com o número de acesso GSE18842.
Uma vez que os dados de metilação, de dados e de dados de mRNA microRNA foram obtidos a partir de diferentes NSCLC estudos, que compararam a informação clínica dos doentes destes três estudos. Os dois tipos de informações clínicas que foram dadas em pelo menos dois estudos foram a idade e grau de diferenciação. A informação clínica a partir destes três estudos é mostrado na Tabela 1. A idade média dos pacientes do estudo de metilação é de 68,2 e o seu desvio padrão é de 11,4; Enquanto isso, a idade média dos pacientes do estudo microARN é 59,9 e o desvio padrão é de 9,8. As idades dos pacientes nesses dois estudos são semelhantes. As percentagens de bem-estar, moderately- e mal diferenciadas pacientes com câncer no estudo microRNA eo estudo mRNA wereand, respectivamente. As distribuições de graus de diferenciação nestes dois estudos foram muito semelhantes. Com base na informação clínica disponível sobre esses pacientes com NSCLC, pensamos que estes três conjuntos de dados podem representar algumas disfunções comuns de NSCLC.
Os genes alvo de microRNAs
Nós definimos a meta os genes de microARNs a ser aqueles que foram previstos pelo menos três dos seguintes seis ferramentas de software: miRBase [16] (https://microrna.sanger.ac.uk/targets/v5/), TargetScan [17] ( https://www.targetscan.org/), Miranda [18] (https://www.microrna.org/microrna/), TarBase [19] (https://diana.cslab.ece.ntua.gr/tarbase /), mirTarget2 [20] (https://mirdb.org/miRDB/download.html), e PicTar [21] (https://pictar.mdc-berlin.de/). Tabela S1 dá o microRNA -. Pares de genes-alvo que estão previstos pelo menos três ferramentas
Os conjuntos de genes GO para metilação, microRNA e mRNA
Para cada termo GO, definimos três conjuntos de genes para representá-lo: primeiro, o conjunto de genes de metilação, que consiste nos genes que são anotados para o termo GO e para o qual o nível de metilação tem sido medidos; Em segundo lugar, o conjunto de genes microARN, que consiste nas microARNs que possuem genes alvo anotados para este termo; e terceiro, o conjunto de genes mRNA, que consiste em todos os genes anotados a este termo.
A capacidade de discriminação dos conjuntos de genes
Nós avaliamos a capacidade discriminar de conjuntos de genes através da construção de um modelo de predição . Em primeiro lugar, o vizinho mais próximo Algoritmo (NNA) [5], [22] – [30], foi aplicado para construir o modelo de previsão. Em seguida, os modelos de previsão foram testados usando LOOCV [5], [22] – [31]. Finalmente, o coeficiente de correlação Matthews (MCC) [26], [30] de LOOCV foi utilizada como a medição da capacidade de discriminação do conjunto de genes
NNA A [5], [22] – [30]. É um método de aprendizagem de máquina amplamente utilizado. A NNA faz a sua previsão comparando as distâncias entre a amostra e as amostras de consultas com classes conhecidas, isto é, as amostras de cancro de pulmão ou amostras de controlo. A amostra de consulta foi previsto para ter a mesma classe que o seu vizinho mais próximo, isto é, a amostra com a classe conhecida que tem a menor distância. Nesta análise, a distância entre as duas amostras e foi definido como um menos a similaridade cosseno entre as duas amostras de [5], [23] – [27], [30], [32] – [34] 🙁 1)
o programa NNA pode ser baixado do https://pcal.biosino.org/NNA.html.
Durante LOOCV [32], [35], [36], cada amostra na conjunto de dados de referência será escolhido como o dispositivo de ensaio uma vez e testadas com o modelo de previsão treinado por o resto das amostras.
o coeficiente de correlação Matthews (MCC) é uma medida de desempenho equilibrada previsão de que considera a sensibilidade e especificidade [26], [30]. Ele é calculado usando a seguinte fórmula:. (2) em que TP, TN, FP e FN são os números de amostras verdadeiras de câncer de pulmão, amostras de controle verdadeiros, amostras de câncer de pulmão falsos e amostras de controlo falsos, respectivamente
classificação de conjuntos de genes com base em seu nível disfuncional: metilação, microRNA ou mRNA
Depois de calculado o MCC de cada gene fixado em cada nível, que classificou os conjuntos de genes de cada nível com base na sua MCC e comparou as fileiras um dos três níveis, metilação, microRNA e mRNA, em cada conjunto de genes. Com certos valores provando ser iguais, suas fileiras foram substituídas por suas fileiras médios. Como exemplo de um termo GO, se o seu nível de metilação tinha mudado entre seus níveis de microRNA e mRNA normal e tecido de câncer, mas não tinha mudado, foi definido como um conjunto de genes GO metilação disfuncional. Da mesma forma, podemos definir outros tipos de conjuntos de genes GO. No total, foram definidos seis grupos de conjuntos de genes, um para cada possível hierarquização de metilação, microRNA e mRNA.
O fluxo de trabalho de metilação disfuncional, microRNA e mRNA conjunto de genes análise
A nossa estratégia de metilação disfuncional, análise de microRNA e mRNA conjunto de genes é demonstrado na Figura 1. em primeiro lugar, para cada termo GO, definimos três conjuntos: o conjunto de metilação, o conjunto de microRNA eo conjunto de mRNA. Em seguida, foram calculadas de cada conjunto de genes MCC, avaliada pelo LOOCV. Nós classificou o CCMs nos conjuntos de metilação, os conjuntos de microRNA e os conjuntos de mRNA. Em seguida, comparamos as fileiras da MCC de metilação, microRNA e mRNA em cada termo GO e classificou o GO define em seis grupos com base nestas fileiras. Finalmente, identificamos a metilação disfuncional, conjuntos de genes microRNA e mRNA no cancro do pulmão
Em primeiro lugar, para cada termo Gene Ontology (GO), foram definidos três conjuntos de genes:. O conjunto de metilação, o conjunto de microRNA e do mRNA conjunto. Em seguida, foi calculado o coeficiente de correlação de Matthews (MCC), avaliada pelo leave-one-out validação cruzada (LOOCV), para cada conjunto de genes. Em seguida, nós classificou o CCMs nos conjuntos de metilação, os conjuntos de microRNA e os conjuntos de mRNA, e comparamos as fileiras da MCC de metilação, microRNA e mRNA para cada termo Gene Ontology (GO) e classificou o GO define em seis grupos. Finalmente, identificamos a metilação disfuncional, microRNA e mRNA conjuntos de genes no câncer de pulmão.
Resultados e Discussão
Os conjuntos de genes GO de metilação, microRNA e mRNA
Nós referenciados os três conjuntos de dados que mediram a metilação, microRNA e mRNA de tecidos de câncer de pulmão e tecidos de controle com GO e encontrados 4.381 conjuntos de genes GO que têm de metilação, dados de microRNA e mRNA. Os três níveis de conjuntos de genes para estes 4.381 termos GO foram compilados da seguinte forma: o conjunto de metilação para cada GO prazo consiste nos genes que tinham dados de metilação e foram anotados a este termo, o conjunto de microRNA consiste nos microRNAs que tinham genes alvo anotada a este termo, e o conjunto constituído ARNm de todos os genes que foram anotados para este termo. Os 4.381 conjuntos de ir mRNA, microRNA e metilação podem ser encontrados no conjunto de dados S1, S2 e Dataset Dataset S3, respectivamente.
A capacidade discriminativa do metilação, microRNA e mRNA conjuntos de genes
medido a capacidade do gene define para discriminar entre o cancro e de tecido normal usando o coeficiente de correlação Matthews (MCC) do modelo de predição NNA avaliada por LOOCV. Nós comparamos o CCMs de metilação, microRNA e mRNA. A Figura 2 mostra as distribuições de MCC a metilação, microRNA e conjuntos de genes de ARNm. O MCC médios do ARNm, e microARN metilação conjuntos de genes são de 0,897, 0,702 e 0,561, respectivamente. A um lado maior valor de p do teste t para o ARNm e define microARN é inferior a 2.2e-16. O one-side-maior valor de p t-teste para o microRNA e conjuntos de metilação é também a menos de 2.2e-16. Estes resultados indicam que o MCC dos conjuntos de ARNm são significativamente maiores do que o MCC dos conjuntos microRNA, que são, por sua vez, significativamente maior do que o MCC dos conjuntos de metilação.
O MCC significativo do ARNm, microRNA e genes metilação conjuntos foram 0,897, 0,702 e 0,561, respectivamente. O MCC dos conjuntos de ARNm foram significativamente maiores do que o MCC da microARN define com um teste-t valor p unilateral inferior a 2.2e-16, e o MCC dos conjuntos microRNA foram, por sua vez, significativamente maior do que o CCMs da metilação define com um t-teste p-valor de um lado inferior a 2.2e-16.
as barras verdes indicam que as amostras tumorais e as barras azuis indicam que as amostras normais. As amostras tumorais e normais foram claramente diferenciadas pelos genes de alta frequência.
Os nós verdes denotam microRNAs de alta frequência. Os nós vermelhas denotam genes de alta frequência, tanto na metilação e mRNA conjuntos disfuncionais. Os nós amarelas indicam genes de alta frequência em mRNA apenas conjuntos disfuncionais. Não há gene específico alta frequência na metilação conjuntos disfuncionais. Os nós brancas indicam genes não são de alta frequência. As bordas mostram interações pretas da via KEGG “hsa05223 cancro do pulmão de células não pequenas”. As bordas verdes mostram regulação por microRNAs alta frequência em seus genes-alvo
Classificação de conjuntos de genes com base em seu nível disfuncional:. Metilação, microRNA ou mRNA
Ao comparar as fileiras da MCC de os conjuntos de genes na metilação, microRNA ou nível de mRNA, foram definidos seis grupos de conjuntos de genes. Há 960 conjuntos de genes em que a metilação do ranking microRNA classificação mRNA classificação; 638 conjuntos de genes em que a metilação do ranking mRNA classificação microRNA classificação; 721 conjuntos de genes em que microRNA classificação metilação classificação mRNA classificação; 684 conjuntos de genes em que microRNA classificação mRNA classificação metilação classificação; 584 conjuntos de genes em que mRNA classificação metilação classificação microRNA classificação; e 794 conjuntos de genes em que mRNA classificação microRNA classificação classificação metilação. Tabela S2 mostra a metilação, microRNA e mRNA grupos disfunção dos conjuntos de genes GO 4.381.
Os conjuntos de genes disfuncionais no câncer de pulmão
Nós classificados os conjuntos de genes disfuncionais no cancro do pulmão com base na resumiu MCC classifica de metilação, microRNA e mRNA. Os 20 melhores conjuntos de genes disfuncionais no câncer de pulmão apresentados na Tabela S3 foram analisados. Esses 20 conjuntos de genes disfuncionais em câncer de pulmão são GO: 0.048.585 (regulação negativa da resposta ao estímulo), VAI: 0.007.517 (desenvolvimento do órgão muscular), GO: 0.048.514 (morfogênese dos vasos sanguíneos), GO: 0.051.146 (diferenciação de células do músculo estriado), GO : 0001525 (angiogênese), GO: 0.045.595 (regulação da diferenciação celular), GO: 0.007.162 (regulação negativa da adesão celular), GO: 0.060.191 (regulação da atividade lipase), GO: 0.006.275 (regulação da replicação do DNA), GO: 0061061 (desenvolvimento muscular estrutura), GO: 0.022.008 (neurogênese), GO: 0.008.543 (crescimento de fibroblastos caminho do receptor do factor de sinalização), GO: 0.035.107 (apêndice morfogênese), GO: 0.035.108 (membro morfogênese), GO: 0.001.568 (desenvolvimento de vasos sanguíneos), GO: 0005576 (região extracelular), GO: 0.050.793 (regulação dos processos de desenvolvimento), GO: 0.010.648 (regulação negativa da comunicação celular), GO: 0.023.057 (regulação negativa da sinalização), e GO: 0.019.216 (regulação de processos metabólicos nos lípidos) . Muitos destes termos GO foram relatados para ser associado com câncer de pulmão. Analisamos vários conjuntos GO como exemplos
GO:. 0.045.595 (regulação da diferenciação celular, nº 6
th) e GO:. 0.050.793 (regulação dos processos de desenvolvimento, classificou 17
th)
Os processos de desenvolvimento e diferenciação celular são regulados por uma série de genes semelhantes em tecidos normais. Portanto, as alterações nesses genes estão frequentemente associadas a carcinogênese. Naveen Babbar et al. relataram que o TNFa pode activar NFkB sinalização em células NSCLC [37], o que resulta na diminuição do crescimento celular e apoptose aumentada [37]. Um papel para os membros da família FGF /FGFR também tem sido indicada no câncer de pulmão. Por exemplo, a amplificação frequente de FGFR1 foi identificado no cancro do pulmão de células escamosas humana [38]. Além disso, as mutações somáticas em vários destes genes foram identificados em carcinomas pulmonares, incluindo FGFR1, FGFR2, e FGF2 /10 [39] – [42]. Geralmente, os genes supressores de tumor, tais como p53, CDKN2A /B, e STK11, são regulados negativamente, e oncogenes (tais como KRAS e ERBB2 /4) são regulados positivamente em cancro do pulmão [40]. MicroRNAs estão envolvidos no cancro do pulmão, devido às alterações epigenética que ocorrem nas células cancerosas. A baixa expressão do miR-200 e miR-205 está associada com a transição epitelial-mesenquimal (EMT) e de células-tronco-como propriedades de células cancerosas e promove a invasão e a translocação [43] – [45]. A expressão forçada de miR-29 membros da família em células de câncer de pulmão pode restaurar os padrões normais de metilação do DNA, induzir a re-expressão de genes supressores de tumor silenciado-metilação, como FHIT e WWOX, e inibir tumorigenicidade [46].
GO: 0.022.008 (neurogênese, classificou 11
th)
Vários genes anotados a esta GO prazo estão associados com Acantha e cérebro metástases;. por exemplo, mutações na activação do receptor do factor de crescimento epidérmico (EGFR) foram encontrados em muitos pacientes com cancro do pulmão [47]. cancro do pulmão humano possui extensas alterações da expressão microRNA que podem desregular genes relacionados com o cancro; por exemplo, hsa-miR-125a-5p silenciar ROCK1 não regulamentada, miR-34b metilação causada c-Met superexpressão e miR-200c foi silenciado por metilação e reprimidos TCF8 e E-caderina, que resultou na invasão e degradação câncer [48] – [50]. A desmetilação e a mutação de genes (erbB2, KRAS) também pode provocar a carcinogénese [51], [52]. A metilação do associado Morte-proteína-quinase (DAPK) e promotor de adesão a ligação de opiáceos /célula molécula de proteína semelhante de genes (OPCML) foi encontrada em adenocarcinoma e carcinoma de células escamosas [53], [54].
GO: 0.005.576 (região extracelular, classificou 16
th)
epitelial mesenquimal Transição (EMT) é o principal processo necessário para a invasão tumoral e translocação.. Mutações em TIMP3, lama /B /C, de TMEFF2, CDH13 e outros genes estão envolvidas na degradação do cancro pulmonar [55]. IL-8 pode iniciar uma via de sinalização das vias aéreas epitelial, e desregulação deste gene pode causar câncer de pulmão relacionados com o tabaco [56]. Cinco microRNAs (HSA-miR-155, hsa-miR-17-3p, HSA-let-7a-2, hsa-miR-145 e miR-HSA-21) são vistos para ser expressa de forma diferente em tecidos de câncer de pulmão em relação ao correspondente tecidos pulmonares não cancerosas. Entre esses microRNAs, deixe-7a pode regular a atividade RAS [57]. activação epigenética da calicreína humana 13 (KLK13) aumenta a malignidade do adenocarcinoma de pulmão, promovendo a expressão de N-caderina e laminina degradação [58]. Recentemente, foi relatada a MMP1 estar associada com o cancro do pulmão. O polimorfismo -16071G-2G dos resultados MMP1 na regulação da transcrição-se [58]. X Xiang et al. relatou que a expressão estável de miR-155 reduz significativamente a agressividade de disseminação de células de tumor, evitando o EMT de células de tumor in vivo [59]. Além disso, o miR-155 suprime directamente a expressão do factor de transcrição TCF4, que é um importante regulador da EMT [59].
Os genes de alta frequência e em microARNs os melhores conjuntos de genes disfuncionais
calculou-se a frequência de genes ou microRNAs nos conjuntos de genes disfuncionais top 300. Os genes em ambos os conjuntos de genes metilação mRNA ou com frequência maior do que 50 foram definidos como genes de alta frequência. Da mesma forma, os microRNAs de alta freqüência foram definidos como microRNAs que têm frequência superior a 50 nos conjuntos de genes disfuncionais top 300. Os genes de alta frequência e microRNAs são apresentados na Tabela S4.
Foi testada a capacidade discriminar destes genes de alta frequência em um conjunto de dados independente, que inclui 58 amostras de câncer de pulmão e 58 amostras normais adjacentes. O conjunto de dados independente foi baixado do GEO com o número de acesso GSE32863. Verificou-se que os genes de alta frequência pode perfeitamente diferenciar os tecidos de cancro de pulmão a partir de tecidos normais adjacentes. O MCC previsão foi de 1, o que significa que todas as amostras foram classificadas correctamente no seu grupo real, tumor ou normais. O mapa de calor dos genes de alta frequência eo tumor /amostras normais é mostrado na Figura 3. As amostras tumorais e normais foram claramente diferenciadas pelos genes de alta frequência.
Fizemos um teste hypergeometric [5], [24 ], [25], [32], [36] para investigar se os genes de alta frequência são significativamente sobreposto com a via de KEGG “hsa05223 cancro do pulmão de células não pequenas”. O valor do teste p hypergeometric foi um altamente significativo 1.61E-26. Este resultado sugere que muitos genes de frequências mais altas são conhecidos genes “hsa05223 cancro do pulmão de células não pequenas”.
Na Figura 4, que destacou os genes de alta frequência que descobrimos na via KEGG “hsa05223 pulmão de células não pequenas Câncer”. Muitos genes hub da via de KEGG “hsa05223 cancro do pulmão de células não pequenas” eram genes disfuncionais de alta frequência, como KRAS, EGFR, ErbB2 CDKN2A e RB1. E os genes de alta frequência do cubo tendem a ser disfuncional em ambos os níveis de mRNA e metilação. Sabe-se que KRAS pode iniciar tumorigênese afectando o progenitor endodérmica [60]. As alterações no número de cópias de KRAS estão fortemente associados com desfechos clínicos de pacientes com câncer de pulmão [61]. O EGFR é um receptor da famia do factor de crescimento epidérmico. A ligação de EGFR a um ligando irá induzir a proliferação de células [62]. mutações de EGFR são muito comuns no cancro do pulmão [63] e está associada com o prognóstico do NSCLC [64]. Eles podem alterar as cascatas de sinalização de NSCLC [65]. ERBB2 está mutado em 4% de NSCLC [66] e os seus polimorfismos aumentar o risco de cancro do pulmão [67]. Metilação do CDKN2A ocorre mais frequentemente em tecidos NSCLC do que em tecidos não-tumorais [68]. CDKN2A está envolvido na p16 /pRb /ciclina D1-via [69]. RB1 podem regular a proliferação celular, a diferenciação e a apoptose em NSCLC humana [70]. Em pacientes com NSCLC avançado, a frequência da perda de Rb é elevada [71].
Na Figura 4, existem alguns microRNAs de alta frequência, como HSA-miR-495, hsa-miR-96, tem-miR -106a, tem-miR-137, tem-miR-372, HSA-miR-183, HSA-miR-182, HSA-miR-203, HSA-miR-15a, HSA-miR-15b e HSA-miR-7 . HSA-miR-495 regula dois genes disfuncionais de alta frequência, STK4 e PRKCB. Foi relatado que o miR-495 é regulada positivamente em NSCLC KRAS-positivos [72]. HSA-miR-96 é regulada negativamente em NSCLC [73]. tem-miR-106a está relacionada com a sobrevida dos pacientes de câncer de pulmão [56]. Pacientes com alta expressão de has-miR-106a tendem a ter um pior prognóstico [56]. tem-miR-137 e miR-tem-372 estão ambas sobre-regulada em NSCLC e os seus níveis de expressão estão associados com a sobrevivência e a recidiva em doentes com NSCLC [74]. tem-miR-183 é um potencial de metástase inibidor de cancro do pulmão e pode regular a migração e invasão genes [75]. HSA-miR-183 e miR-HSA-182 foram notificados como os microRNAs mais diferencialmente expressos entre os tecidos de câncer de pulmão com os tecidos normais adjacentes [76]. HSA-miR-203 é regulada em tecidos de câncer de pulmão [56]. HSA-miR-15a é frequentemente suprimida ou regulada para baixo em NSCLC [77] e a sua expressão inversamente correlacionada com a expressão de ciclina D1 [77]. HSA-miR-15 b é expresso diferencialmente em factor de necrose tumoral (TNF), relacionados com as células de indução de apoptose ligando (TRAIL) resistentes NSCLC [73]. HSA-miR-7 é regulada negativamente no cancro do pulmão e pode regular o receptor do factor de crescimento epidérmico sinalização [78].
As vantagens e limitações de nossos métodos
A obtenção de uma compreensão sistemática de alteração patológica é um problema essencial em estudos médicos e farmacêuticos. Tumorigênese envolve alterações de muitas proteínas, moléculas e caminhos. Eventualmente, no entanto, todas essas mudanças causam câncer através de efeitos funcionais. Neste estudo, foram utilizados GO para descrever funções biológicas e estratificada as funções em três níveis: a metilação, microRNA e mRNA. Em cada nível, foi calculado e classificado como a capacidade de discriminação do conjunto funcional para este nível que foi medida pelo MCC classificar corretamente o câncer e tecidos normais. Para cada conjunto funcional, comparamos a classificação MCC de cada nível, e posteriormente foram agrupados os conjuntos funcionais em seis padrões com base nas relações entre as fileiras da MCC dos diferentes níveis. Alguns conjuntos funcionais podem funcionar ao nível de metilação; outros podem funcionar ao nível microRNA. Tomando todos os três níveis em consideração, que classificou os conjuntos funcionais com base em suas fileiras globais sobre os três níveis. A classificação geral dos conjuntos funcionais parece razoável e é consistente com vários estudos publicados.
Há ainda várias limitações para esta pesquisa. Em primeiro lugar, a metilação, microRNA e mRNA de dados para o cancro do pulmão e tecidos normais são obtidos a partir de diferentes estudos, que podem afetar os resultados. Idealmente, todos os dados seriam derivados do mesmo estudo. Para superar parcialmente este problema, utilizou-se a classificação do MCC, em vez da própria MCC, quando comparando entre os diferentes níveis. Em segundo lugar, as ligações entre microRNAs e seus genes alvo são baseados em previsões. Devido à baixa proporção de pares de microRNA e genes alvo confirmada experimentalmente, foram utilizados os pares de microRNA e gene-alvo que foram previstos por pelo menos três preditores de genes alvo de microRNA popular. Em terceiro lugar, não foram analisados conjuntos de todos funcionais. A metilação, microRNA e mRNA de dados que usamos foram gerados com tecnologia de microarray. Certos genes ou microARNs não foram medidos, em especial no que diz respeito ao estado de metilação de genes. Com o desenvolvimento da tecnologia de sequenciação e tecnologia de captura de sequência, um número crescente de genes pode ser medida, o que nos permite analisar conjuntos mais funcionais e obter uma visão mais abrangente de desenvolvimento de neoplasias.
No geral, os nossos métodos de fornecer um meio de realizar “multi-omics” análise de conjunto disfuncional, o que poderia ser útil no estudo de doenças complexas. Nossos resultados deu uma visão sistemática de desenvolvimento de neoplasias que podem lançar luz sobre o diagnóstico e prognóstico de câncer de pulmão.
Informações de Apoio
Dataset S1. Tours A sets 4381 Gene Ontology (GO) de mRNA. Cada linha descreve um conjunto de genes. O primeiro campo contém o Gene Ontology (GO) Nome do prazo, o segundo campo contém o número de mRNAs no conjunto, e listar os campos restantes os mRNAs no conjunto
doi:. 10.1371 /journal.pone.0043441.s001
(TXT)
Dataset S2. Tours A sets 4381 Gene Ontology (GO) de microRNA. Cada linha descreve um conjunto microRNA. O primeiro campo contém o Gene Ontology (GO) Nome do prazo, o segundo campo contém o número de microRNAs no conjunto, e listar os campos restantes os microRNAs no conjunto
doi:. 10.1371 /journal.pone.0043441.s002
(TXT)
Dataset S3.
O conjuntos de metilação 4381 Gene Ontology (GO). Cada linha descreve um conjunto de genes. O primeiro campo contém o Gene Ontology (GO) Nome do prazo, o segundo campo contém o número de genes no conjunto, e listar os campos restantes dos genes no conjunto
doi:. 10.1371 /journal.pone.0043441.s003
(TXT)
Tabela S1.
O microRNA – pares de genes-alvo que foram previstos por pelo menos três ferramentas.
doi: 10.1371 /journal.pone.0043441.s004
(XLSX)
Tabela S2.
A metilação, microRNA e mRNA grupos disfunção dos conjuntos de genes 4381 Gene Ontology (GO).
doi: 10.1371 /journal.pone.0043441.s005
(XLSX)
Tabela S3.
Os 20 melhores conjuntos de genes disfuncionais em câncer de pulmão.
doi: 10.1371 /journal.pone.0043441.s006
(PDF)
Tabela S4. Tours A genes de alta frequência e microRNAs.
doi: 10.1371 /journal.pone.0043441.s007
(XLSX)