Sumário

Metabolismo expressa o fenótipo de células vivas e entendê-la é crucial para diferentes aplicações em biotecnologia e saúde. Com o aumento da disponibilidade de metabolômica, proteômica e, numa extensão maior, dados transcriptomic, a elucidação de propriedades metabólicas específicas em diferentes cenários e tipos de células é um tema-chave na biologia de sistemas. Apesar do potencial do conceito de modo de fluxo elementar (EFM) para este propósito, o seu uso tem sido limitado até agora, principalmente porque a sua computação tenha sido impraticável para redes metabólicas escala do genoma. Em um trabalho recente, determinou-se um subconjunto de EFMS no metabolismo humano e propôs um novo protocolo para integrar dados de expressão gênica, manchando ‘EFMS característicos’ chave em diferentes cenários. A nossa abordagem foi aplicada com sucesso para identificar diferenças metabólicas entre vários tecidos saudáveis ​​humanos. Neste artigo, avaliamos o desempenho de nossa abordagem em situação clinicamente interessante. Em particular, foram identificados e EFMS principais metabolitos em adenocarcinoma e carcinoma de células escamosas subtipos de cancros do pulmão de células não-pequenas. Os resultados são consistentes com o conhecimento prévio desses subtipos principais de câncer de pulmão na literatura médica. Portanto, este trabalho constitui o ponto de partida para estabelecer uma nova metodologia que pode levar a distinguir processos metabólicos fundamentais entre os diferentes resultados clínicos

Citação:. Rezola A, Pey J, Rubio A, Planes FJ (2014)

in silico

Predição de diferenças metabólicas chave entre duas não-pequenas células do câncer pulmonar subtipos. PLoS ONE 9 (8): e103998. doi: 10.1371 /journal.pone.0103998

editor: Pankaj K. Singh, University of Nebraska Medical Center, Estados Unidos da América

Recebido: 06 de fevereiro de 2014; Aceito: 09 de julho de 2014; Publicação: 05 de agosto de 2014

Direitos de autor: © 2014 Rezola 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 fundos foram recebeu da Associação de Amigos de la Universidad de Navarra para Alberto Rezola e do Governo Basco para Jon Pey. 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 do pulmão é o câncer mais comum em todo o mundo, tanto em termos de casos e de óbitos e suas mais altas taxas de incidência pertencem à Europa e América do Norte [1]. Com o advento da -ómicas de dados, muito esforço tem sido feito para identificar mutações e oncogenes em diferentes subtipos de câncer de pulmão, com o objetivo de desenvolver tratamentos mais eficazes. No entanto, o prognóstico ainda é pobre e mais pesquisas são necessárias para elucidar novos biomarcadores e tratamentos que melhoram os resultados clínicos [2].

Neste contexto, o estudo de processos metabólicos no câncer é atualmente um tema quente, como nós têm uma evidência cada vez maior de sua re-programação. Para além do metabolismo da glucose, o chamado efeito de Warburg, alterações têm sido relatados na síntese de nucleótidos, aminoácidos e lípidos [3], assim como as mutações em genes relevantes metabólicas e a acumulação de metabolitos principais [4]. Como as células tumorais apresentam uma elevada diversidade genética, a identificação das vias metabólicas relevantes em diferentes sub-tipos de câncer representa uma importante área de pesquisa.

tecnologias de alta capacidade -ómicas trouxeram um cenário de romance em que uma análise mais completa do metabolismo é possível. Um grande avanço foi a reconstrução da rede metabólica escala genoma humano [5], [6], o que permitiu aos pesquisadores analisar o metabolismo humano em diferentes cenários em um nível de complexidade sem precedentes, utilizando métodos teóricos e dados -ómicas [7], [8]. Neste sentido, diferentes conceitos via metabólica baseados em rede têm sido introduzidas nos últimos anos [9]. Eles demonstraram que o metabolismo celular envolve uma estrutura de via mais complexa e variada do que aqueles apresentados nos mapas canónicas. Em particular, um conceito que é promissora de Fluxo Elementar Modos (EFMS), o que nos permite decompor uma rede metabólica nos seus modos de comportamento simples [10]. No entanto, a integração dos dados -ómicas com EFMS para analisar o metabolismo humano tem sido limitado, devido ao facto de o cálculo da EFMS é difícil em redes de escala do genoma. Esta questão foi recentemente abordada em [11], onde um novo protocolo para integrar dados de expressão gênica e EFMS é proposto. Esta abordagem foi aplicada com sucesso para identificar diferenças metabólicas entre vários tecidos saudáveis.

Baseado em [11], o nosso objectivo aqui é o de identificar vias metabólicas essenciais e metabolitos em dois subtipos principais de cancro do pulmão de células não pequenas (NSCLC ): adenocarcinoma e carcinoma de células escamosas. Em particular, pretende-se investigar se as diferenças específicas entre estes subtipos podem ser encontradas combinando EFMS e dados de expressão de genes. De acordo com o conhecimento prévio desses subtipos principais de câncer de pulmão na literatura médica, nossos resultados distinguir adequadamente processos metabólicos importantes entre os diferentes desfechos clínicos analisados.

Materiais e Métodos

Modos Elementary Flux (EFMS ) conceito

Para ilustrar o conceito de EFMS, utilizou-se a Figura 1, o que representa um sistema metabólico simplificado associado a glicólise e TCA

Abreviaturas:. Ac, acetato; AcCoA, acetil-CoA; Cit, citrato; D-Lac, de lactato; D-Glc, glucose; OAA, oxaloacetato, Pyr, Piruvato, CO2, o dióxido de carbono.

Um EFM é tecnicamente um subconjunto mínimo de enzimas capazes de realizar em steady-state sustentado. O estado estacionário implica a formação de metabolitos dentro dos limites do sistema, por exemplo

piruvato

(Pir), devem estar em equilíbrio estequiométrico, ou seja, o fluxo no deve ser igual a fluir para fora. Essa condição exige a definição de metabólitos capazes de ser trocados fora do sistema, ou seja, aqui as entradas são

glicose (D-Glc) e

acetato de

(Ac), enquanto as saídas

lactato (D-Lac) e

dióxido de carbono

(CO2). Além disso, os “mínimos” significa que a remoção de uma enzima leva a perturbação pathway. No nosso exemplo, na Figura 1, temos 3 EFMS. EFM1 representa glicólise anaeróbia; EFM2 glicólise aeróbica através do ciclo do TCA; EFM3 ciclo TCA alimentado por etilo. É fácil verificar que devem satisfazer as condições acima mencionadas. Para obter mais detalhes técnicos, consulte [10].

Note que EFMS são modos mínimas de comportamento e combinações são também possíveis. No entanto, em diferentes cenários de alguns deles, podem prevalecer sobre os outros. Por exemplo, as células cancerosas produzem energia principalmente através da glicólise anaeróbia (EFM1) mesmo quando suficiente

oxigênio

está disponível (efeito Warburg). Note-se que EFMS normalmente têm entradas diferentes (substratos) e saídas (metabolitos excretados). Neste artigo, pretendemos explorar essa ideia de separar diferentes cenários clínicos com base em dados de expressão de genes.

EFMS humano recolha e cancro do pulmão de dados

Aqui usamos um subconjunto de 5875 EFMS previamente determinado em [11] a partir Recon 1 rede metabólica humana [5], que contém 2469 reações bioquímicas e 1587 metabolitos. Este subconjunto de EFMS envolve uma lista diversificada de vias metabólicas potencialmente ativos em diferentes condições fisiológicas humanas (ver [11] para mais informações detalhadas deste conjunto de EFMS).

Por outro lado, os dados de expressão gênica foi extraída de Omnibus (GEO) do banco de dados Gene Expression [12]. Em particular, considerou-se 58 amostras de tecido de tumor de NSCLC humanas a partir de [13], e 6 amostras de tecido de pulmão normal (NC) a partir de [14]. 40 amostras de tecido de tumor de NSCLC foram retirados de pacientes clinicamente diagnosticados como adenocarcinoma (AD), ao passo que as outras amostras de tecido de tumor a partir de 18 pacientes com carcinoma de células escamosas (SQ). Todas estas amostras foram hibridadas em uma matriz Affymetrix HGU 133 Plus, que contém 54.675 20.283 sondas para os genes. Descrevemos a seguir diferentes métodos aplicados para analisar esses dados.

Análise da expressão diferencial

Nós determinamos quais genes foram sobre-expressos, inalterada ou sub-expressos em anúncio em relação ao SQ (UPAD) e vice-versa (upSQ). Note-se que sobre-expressa genes de DA estão para baixo-expressa em SQ, e vice-versa, como pode ser observado na primeira coluna da Tabela 1. Além disso, os dados de expressão genética a partir de tecidos saudáveis ​​não podem ser comparados directamente com os dados a partir de tecidos de cancro como eles pertencem a uma fonte de dados diferente. Isto não constitui um problema, pois estamos focados em elucidar diferenças entre AD e SQ.

Para esta tarefa foi utilizado pacote limma no software R estatística [15], ou seja, regressão linear múltipla e bayes empíricos estatísticas que determinam a probabilidade de um gene não sendo diferencialmente expressos entre as duas condições (

p

-valor). Em seguida, a taxa de descoberta de falsas (FDR) técnica foi aplicada para corrigir o efeito dos testes de múltiplas hipóteses, transformando anterior

p

-Valores em

q

-Valores [16]. Nós considerado genes diferencialmente expressos aqueles com um

q

-valor inferior a 5%. Note-se que este limiar é arbitrária, no entanto, quanto menor for o limite, maior é o nível de confiança. A determinação dos genes cima e para baixo-regulado é simples com base em coeficientes de regressão linear.

expressão Absolute análise

Nós definimos análise de expressão absoluta como a classificação dos genes como presente ou ausente em uma específica amostra biológica. Aqui nós particularmente genes classificados em três estados: highly-, normally- e humilde-expressa. Esta classificação discreta de genes foi feita para cada grupo: AD, SQ e CN. Note-se que esta análise foi realizada para cada grupo separadamente e nenhuma comparação entre os grupos foi feita, ou seja, a expressão absoluta de genes é uma propriedade funcional para cada grupo.

Para isso, genes primeira classificados em cada amostra como ativo ou inativo baseado no modelo de código de barras Gene Expression [17]. Em seguida, a fim de obter a classificação três nível desejado, que definido como um gene altamente (devagar) expressa se todas as sondas contendo tais genes são activos (inactiva) por todo o conjunto de amostras, e moderadamente expresso em contrário. Um limiar menos rigorosas (por exemplo, 95% das sondas em vez do 100%) pode ser seleccionada, mas o nível de confiança de alto e baixo gene-expressão vai ser diminuída

A transformação de dados:. A partir de genes para as reacções

Diferencial e expressão gênica absoluta leva a um up-regulada /altamente expresso, inalterada /normalmente expressa e sub-regulada /humildes-expressa classificação gene.

a fim de mapear esse gene classificação expressão no conjunto de reacções metabólicas incluídos no conjunto de EFMS selecionado, usamos as leis booleanas, também conhecidas como regras Gene-Protein-reação (RPG), relatada em [5], como previamente feito em [11], [ ,,,0],18]. Note aqui que Recon 1 reconstrução rede metabólica humana anota 1496 genes a partir dos quais 1.451 são encontrados no HGU 133 acrescido de matriz.

Com base nestas regras GPR e a expressão categorização gene, obtemos um de três níveis de classificação reação metabólica, ou seja regulado para cima /altamente expressos, //​​reacções inalteradas normalmente expressas e para baixo-regulado humildes-expressas.

Característica e diferenciado EFMS

mapeamos as reações a classificação para o conjunto de 5876 EFMS em cada cenário: AD, SQ, NC, uPAD e upSQ. Para AD, cenários SQ e CN, determinou-se um subconjunto de EFMS característicos com a abordagem apresentada em [11]. Nós definimos EFMS característicos como aqueles significativamente enriquecida com reações altamente expressos e que envolve um pequeno número de reacções humilde expressas. Esta definição centra-se em dados de expressão absolutos (ver anterior subseção “análise de expressão absoluta”).

Este conceito pode ser estendido para dados de expressão diferencial, no nosso caso, utilizando os conjuntos de genes obtidos para cenários UPAD e upSQ. Em particular, nós definimos EFMS diferenciais como aqueles significativamente enriquecida com sobre-expresso e reacções envolvendo um pequeno número de reacções de sub-expressos. Note-se que o uso da expressão diferencial envolve várias questões teóricas, v.g. genes consistentemente altamente expressos podem ter uma pequena mudança vezes.

Como a combinação de EFMS diferenciais com EFMS característica é uma abordagem mais precisa, neste artigo, cunhou o termo EFMS “proeminentes” para aqueles EFMS que são característicos e diferencial, ao mesmo tempo, ou seja, eles são significativos tanto em termos absolutos e analisa o diferencial.

resultados e Discussão

Cerca de 70% dos cancros do pulmão diagnosticados são pequenas células cancros não pulmonares (NSCLC) e pertencem a dois subtipos principais, particularmente AD e SQ. O objetivo deste trabalho é elucidar as propriedades e as diferenças entre AD e os cânceres de pulmão SQ metabólicas específicas. Para o efeito, foi utilizada a metodologia apresentada acima.

A Tabela 1 resume os resultados para a análise da expressão diferencial absoluto e realizado. Curiosamente, na Tabela 1 verificou-se que o número de genes expressos modesto e reacções em CN é significativamente maior do que em dois cenários de cancro. Isto pode sugerir que a reprogramação de metabolismo do câncer aumenta a robustez sistêmica, provavelmente ativando vias silenciados que garantem e otimizam a proliferação. De notar contudo que, em muito menor extensão, o número de reacções altamente expressos é maior em NC. Esses insights podem indicar que o metabolismo em CN é mais específico do que no cancro e apresenta menor variabilidade entre amostras no conjunto activo de enzimas. A mesma conclusão é obtida com genes moderadamente expressos. Por outro lado, se nos concentrarmos na análise diferencial, encontramos, como esperado pela construção, que os genes regulados positivamente em UPAD são regulados negativamente em upSQ, e vice-versa, por exemplo, o subconjunto de 1.725 genes em AD (1 em UPAD)-regulada corresponde ao subconjunto de genes regulados por baixo na SQ (-1 em upSQ). No entanto, o mesmo não ocorre com as reações de nível devido a regras de GPR, que ilustra a complexidade regulatória do metabolismo.

Foi selecionado como diferencial e EFMS característicos para cada cenário aqueles com um FDR inferior a 20%. O número total de EFMS estatisticamente significativos podem ser encontrados na Tabela 1. Em particular, verificou-se um número considerável de EFMS característicos em cada condição e, como discutido em [11], o seu número não foi necessariamente proporcional ao número de highly- e humildes-expressa (para cima e para baixo-regulado) reações. Portanto, não é surpreendente que mais EFMS característicos são encontrados em SQ do que em AD, uma vez que o número de característica e diferencial EFMS depende da conectividade de reações highly- e humilde-expressos (cima e para baixo-regulado) no nosso conjunto de EFMS [11]. Para visualizar e interpretar diferencial e característica EFMS, mapeamos-los nos diagramas de Venn mostrado na Figura 2.

Figura 2.A mostra o número de EFMS características que se sobrepõem em CN, SQ e AD . Como esperado parcialmente, pode-se observar que a actividade metabólica em tecidos de cancro (AD e SQ) é mais semelhantes do que no tecido saudável (NC). Em particular, um subconjunto comum de 109 EFMS característica é encontrada para a AD e SQ. Entre eles, 56 não estão envolvidos em CN, o que pode representar uma rede metabólica núcleo do metabolismo do cancro do pulmão. Os outros 53 EFMS são comuns para os nossos três cenários, revelando semelhanças entre o câncer e os tecidos saudáveis.

A fim de detectar vias e metabolitos mais específicos na DA e SQ, comparamos característica e EFMS diferenciais de SQ e AD, como se mostra nas Figuras 2.B e 2.C, respectivamente. Como observado acima, consideramos como SQ proeminente essas EFMS característicos em SQ e up-regulamentada em SQ; analogamente, o AD proeminente EFMS são característicos na DA e up-regulada no AD. Foram identificados 46 SQ proeminente EFMS e proeminente EFMS 13 dC, ou seja EFMS característicos que são ao mesmo EFMS diferencial de tempo. No entanto, a partir destes EFMS, 20 SQ EFMS proeminentes e 13 AD EFMS proeminentes foram encontrados para ser característico em ambos os tecidos cancerosos. Isto implica que, apesar de estar presente em ambos os tecidos, a sua actividade é mais elevada em SQ e DA, respectivamente. Além disso, detectamos uma clara falso positivo em EFMS diferenciais SQ, ou seja, um EFM diferencialmente expressos em SQ que é única característica em AD e dois falsos positivos em EFMS AD diferenciais.

AD e SQ proeminente entrada /saída metabólitos

Os resultados acima mostram que a nossa abordagem é capaz de distinguir EFMS proeminentes no AD e os cânceres de pulmão SQ. A fim de traduzir essas informações em insights mais práticos, nós nos concentramos em metabólitos de entrada e saída envolvidas nestes 46 SQ e 13 AD EFMS proeminentes, respectivamente. Para ilustração, considere a Figura 3, que mostra um SQ EFM proeminente consumindo

glicerol

(Glyc) e

L-alanina

(Ala-L), metabolitos de entrada, e produzindo

L- serina

(ser-L) e

L-lactato

(lac-L), metabólitos de saída.

As reticências representam metabolitos e setas representam reações. pontos brancos e negros dentro das setas representam reacções reversíveis e irreversíveis, respectivamente. Cada metabolito é representada com o seu compartimento correspondente mostrado entre parênteses: [E], extracelular, e [C], citosol. Cinza e elipses brancas representam metabólitos externos e internos, respectivamente. Nomenclatura para metabolitos e reações foi feita a partir de [5] e está incluído no S1 Arquivo.

Como estes EFMS foram obtidos a partir de uma rede metabólica escala genoma humano, estes metabolitos de entrada e saída correspondem principalmente ao substratos (captação) e produtos excretados no câncer de pulmão e, portanto, poderia ser medida em bio-fluidos e ser vistos como biomarcadores. Assim, esta abordagem poderia complementar estudos metabolômica.

Nós aqui analisados ​​metabólitos de entrada /saída envolvidos na AD e SQ EFMS proeminentes. Em particular, foram identificados metabolitos de entrada /saída presentes no 46 SQ e upSQ EFMS, mas não em UPAD e, se possível (não em) AD e CN. Estes metabolitos são denominados SQ proeminente. Nós supomos para SQ metabolitos proeminentes uma absorção mais elevada (entradas) e secreção (saídas) de fluxo do que no AD e, por conseguinte, eles poderiam ser usados ​​para distinguir SQ e AD. O mesmo pode ser feito para o 13 dC e UPAD EFMS. No entanto, não houve resultados de interesse foram encontrados neste caso.

A Tabela 2 apresenta um resumo dos metabólitos SQ proeminente de absorção e secreção mais relevantes obtidos. Detalhes completos podem ser encontrados em S1 Arquivo. Com base na literatura, discutiremos a seguir trabalhos anteriores sobre o papel destes metabolitos.

A abundância intracelular superior

metilglioxal

em SQ em comparação com AD foi previamente relatado em [19 ], o que constitui claramente um sucesso da nossa abordagem. Além disso, uma alta expressão de

deaminoneuraminic aci

d em ambos os tecidos SQ e AD foi encontrado em [20]. No entanto, a nossa abordagem previu um papel mais relevante na SQ, o que requer mais pesquisas para ser validado. Note-se também que tanto o

metilglioxal

e

deaminoneuraminic aci

d são tipicamente incorporados em proteínas diferentes e sua presença em diferentes fluidos biológicos não foi explorada.

Diante dos resultados apresentados em [ ,,,0],19], pode-se questionar a razão por que motivo

ácido deaminoneuraminic

não está envolvida no subgrupo de EFMS característicos no AD. Deve-se observar que a nossa fonte de evidência é de dados de expressão de genes. Em SQ encontramos um padrão de expressão regular para genes envolvidos na produção de EFMS

ácido deaminoneuraminic

, mas não no AD. Isto não exclui a importância de

ácido deaminoneuraminic

no AD, como pode ocorrer alterações pós-transcricional.

Com relação à

tetrahydrofolate

e

heptaglutamyl folato

, um desempenho diferente de

folato

metabolismo no AD e SQ foi recentemente elucidados [21]. Neste trabalho, é relatado que

hidrolase gama-glutamil

enzima, que remove cadeias de poliglutamato de folato polyglutamylated, facilitando a fuga de folato a partir das células, é mais elevada do que em SQ AD. Isto é particularmente em linha com a nossa hipótese.

Em [22], eles encontraram um nível superior, mas não significativa de

L-fenilalanina

,

glutamato Comprar e

glicerol

no soro de pacientes com dA. Isto está em consonância com os nossos resultados, que sugerem uma grande captação celular destes metabolitos em SQ. Para outros aminoácidos que aparecem no nosso conjunto de EFMS (

L-alanina

,

glutamina

e

L-serina

), não mostrado na Tabela 2, a comparação entre AD e SQ não está disponível em [22]. No entanto, eles encontraram uma alteração significativa dos seus níveis séricos entre câncer de pulmão e os pacientes saudáveis.

Para o resto dos metabólitos, mais pesquisas são necessárias para validar a sua função na AD e SQ. No entanto, além de

D-manose

, poderíamos encontrar uma clara associação destes metabolitos com câncer. Por exemplo, em [23], a maior liberação de

acetona

foi encontrado no hálito de pacientes com câncer de pulmão do que em voluntários saudáveis. Além disso, um menor nível de

acetoacetate

foi encontrado em derrames pleurais malignas [24]. Por outro lado, a acumulação de

alfa-N-fenilacetil-L-glutamina

tenha sido previamente implicado como um biomarcador para o cancro da bexiga urinária [25] e, por conseguinte, constitui uma hipótese atraente para ser explorado.

Note aqui que, como mostrado na Figura 1, EFMS podem combinar diferentes vias metabólicas canónicos e pedaços dos mesmos. Em nosso conjunto de 46 SQ EFMS proeminentes, os caminhos canônicos mais frequentes são a degradação do

glicerol

e

D-manose, bem como a biossíntese de

serina Comprar e

glutamina

.

Tendo em conta os resultados fornecidos na Tabela 2, é claro que EFMS são mais informativos do que as vias canônicas, como a lista de potenciais metabolitos é mais amplo quando EFMS são interrogados diretamente. Isso mostra o potencial da nossa abordagem com métodos respeito, baseado em caminhos canônicos.

Conclusões

O conceito de Elementary Modo Flux não é novo na biologia de sistemas [10]. No entanto, seu cálculo não tem sido possível em redes de escala genoma até recentemente, que restringiu o seu uso para analisar -ómicas dados. Com o advento de técnicas baseadas em optimização [26] – [29], o desempenho de algoritmos para calcular EFMS em redes metabólicas escala genoma é melhorar rapidamente. Esses avanços nos permitiram determinar um conjunto significativo de EFMS em diferentes organismos, como mostrado em [11] para o metabolismo humano. Com base neles e dados -ómicas, uma imagem mais precisa dos processos metabólicos serão obtidas em diferentes cenários.

Neste artigo identificamos EFMS-chave, tanto AD e SQ NSCLC com base em dados de expressão gênica, encontrar um diferente assinatura metabólica. Para esse fim, utilizou-se e estendeu a abordagem apresentada em [11], com uma classificação de gene com base em i) absoluta e ii) diferenciais análise de expressão, que são complementares e nos permite ter resultados mais precisos.

tem havido muito debate na literatura sobre a correlação entre o mRNA e os níveis de proteína, bem como fluxos metabólicos. A medida em que os dados transcriptomic correlaciona-se com os dados de proteômica e fluxomic ainda é uma questão em aberto [30]. No entanto, diversos artigos recentes têm mostrado a relevância dos dados de expressão de genes para a previsão de fenótipos metabólicos, por exemplo, [7], [31], que ilustra o valor de abordagens como a aqui apresentada. Note-se também que a nossa abordagem é geral e pode ser aplicada a conjuntos de dados de proteômica e metabolômica, superando mudanças pós-transcricional.

A nossa abordagem foi utilizada para identificar metabólitos de entrada e saída com uma atividade diferente no AD e SQ NSCLC. Encontramos um número destes metabolitos, encontrando um bom acordo com a literatura relatado anteriormente. A nossa abordagem, baseada em EFMS e dados de expressão gênica, abrir novos caminhos para estudar novos biomarcadores (metabolitos) que caracterizam os resultados clínicos diferentes. Note-se que a quantidade de dados de expressão de genes em diferentes linhas celulares de cancro e doentes é maciça [12]. Usando esses dados no contexto da abordagem aqui apresentada poderia guiar experimentos metabolômica e descoberta de biomarcadores em amostras de plasma /urina, sobretudo tendo em conta a dificuldade de interpretar metabolômica espectros em abordagens não-alvo.

Informações de Apoio

Arquivo S1.

Contém quatro folhas de cálculo do Excel que definem i) os nomes e abreviaturas das reações e metabólitos envolvidos na reconstrução da rede metabólica humano utilizado [5], ii) detalhes de EFMS selecionadas como característica /diferencial a partir de um conjunto geral compilado em [11] , iii) atividade de EFMS selecionadas como característica /diferencial em diferentes cenários de câncer de pulmão, e iv) uma extensão da Tabela 2, incluindo informações completas sobre SQ e absorção específica AD e metabólitos secretados

doi:. 10.1371 /journal.pone. 0103998.s001

(XLSX)

Reconhecimentos

os autores gostariam Prof. Rubén Pío por seus comentários úteis na discussão biológica dos resultados.