Sumário

Identificar as assinaturas de microRNA para os diferentes tipos e subtipos de câncer pode resultar em melhor detecção, caracterização e compreensão do câncer e mover-nos em direção a estratégias de tratamento mais personalizados. No entanto, usando a expressão diferencial de microRNA (tumor contra normal) para determinar essas assinaturas pode levar a previsões imprecisas e baixo interpretability por causa da natureza barulhenta de dados de expressão de miRNA. Apresenta-se um método para a selecção de microARNs biologicamente activas utilizando os dados de expressão de genes e de rede para interacção microARN-gene. O nosso método baseia-se uma regressão linear com uma regularização rede elástica. Nossas simulações mostram que, com o nosso método, os miRNAs ativos podem ser detectados com alta precisão e nossa abordagem é robusta a altos níveis de ruído e falta de informação. Além disso, nossos resultados sobre conjuntos de dados reais para glioblastoma e cancro da próstata são confirmados por medições de expressão de microRNA. O nosso método conduz à selecção de microARNs potencialmente funcionalmente importantes. As associações de alguns dos nossos miRNAs identificados com mecanismos de câncer já estão confirmados em outros estudos (hipóxia relacionada HSA-mir-210 e HSA-mir-296-5p relacionados com a apoptose). Também identificamos miRNAs adicionais que não foram previamente estudados no contexto do câncer, mas são coerentemente previstos como ativa pelo nosso método e podem justificar uma investigação mais aprofundada. O código está disponível em Matlab e R e pode ser baixado em https://www.cs.toronto.edu/goldenberg/Anna_Goldenberg/Current_Research.html

Citation:. Mezlini AM, Wang B, Deshwar A, Morris Q, Goldenberg a (2013) Identificação de câncer específicos miRNAs funcionalmente relevantes de expressão gênica e miRNA-a-Gene Networks por meio de regressão regularizada. PLoS ONE 8 (10): e73168. doi: 10.1371 /journal.pone.0073168

editor: Xin-Yuan Guan, The University of Hong Kong, China

Recebido: 28 Março, 2013; Aceito: 18 de julho de 2013; Publicação: 02 de outubro de 2013

Direitos de autor: © 2013 Mezlini 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:. Nenhuma corrente fontes de financiamento externas deste estudo

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

Introdução

Como um importante fator altamente conservada de regulação pós-transcricional , microARNs acredita-se que têm um impacto significativo sobre a expressão do gene e, portanto, na maior parte dos mecanismos biológicos e funções. A ligação entre miRNAs e câncer tem sido objecto de vários estudos e revisões recentes [1] – [4]. A crença de que a mudança de perfil do miRNA não é apenas uma consequência espectador de câncer, mas também pode ter um papel activo na mesma, é consolidada por várias observações. Primeiro, os dados de expressão miRNA mostra mudanças coerentes e drásticas nos níveis de expressão entre os tecidos tumorais e os seus homólogos saudáveis. Em segundo lugar, tem-se observado que diversos miARNs estão localizados no genoma em regiões que são propensas a CNVs /deleções no cancro [5]. Finalmente, e mais importante, muitos miARNs têm mostrado ter um efeito directo nos mecanismos relacionados com o cancro, tais como apoptose [6], a proliferação de [7], a angiogénese [8] e metástase [9].

análise diferencial de perfis de expressão de miARN no cancro vs tecido saudável sozinho pode conduzir a um grande número de falsos positivos devido à natureza ruidosa de dados de expressão de miARN. Além disso, temos pouco conhecimento de quanto desvio na expressão de um determinado miRNA pode induzir mudanças funcionalmente relevantes na expressão gênica. É possível que o perfil de expressão do gene é altamente sensíveis até mesmo pequenas mudanças em quantidades de alguns miARNs enquanto as alterações drásticas na outros miARNs não têm impacto significativo sobre ele.

Os métodos anteriores para a detecção de cancro miARNs importantes em fazer uma série de pressupostos fundamentais. Por exemplo, RegulatorInference [10] é um método muito recente, que tem como objectivo encontrar os miARNs activas por meio de uma abordagem de regressão. Assume-se implicitamente que todos os genes são afectadas por variações do número de cópias da mesma forma linear e que o efeito de um miARN num gene alvo é linear no número de locais de ligação. Além disso, RegulatorInference utiliza dados de expressão de miARN para pré-seleccionar miARNs potencialmente activos, embora este passo é opcional. Em [11], a expressão do gene, expressão miRNA e da rede de interação gene-gene são usados ​​para construir uma rede de influência putativo complexo miRNA-alvo com coeficientes de influência miRNA que são calculados com base em miRNA efeito direto /indireto sobre genes e gene-gene anotadas interações.

neste artigo, apresentamos um método para prever miRNAs funcionalmente relevantes de dados de expressão diferencial de genes utilizando a informação interação miRNA-gene e expressão de mRNA somente. Ao contrário do que métodos anteriores, nós não usamos dados de expressão de miRNA em nossas previsões e não fazemos suposições sobre como os diferentes miRNAs, CNVs ou interações podem influenciar diferentes genes. A idéia é selecionar um conjunto de miRNAs responsável pela maioria das mudanças observadas na expressão gênica baseada no conhecimento prévio das interações miRNA-de genes existentes sem pressupostos adicionais sobre os pontos fortes destas interações. A nossa abordagem baseia-se num modelo de regressão para a expressão diferencial de genes. Nós adicionamos uma regularização rede elástica [12] para evitar overfitting o elevado nível de ruído dos dados e selecione um conjunto mínimo de miRNAs ativos. Os dados de expressão diferencial miARNs só é usado para fins de validação. Na medida do nosso conhecimento, esta é a primeira abordagem para determinar miRNAs ativos no câncer de dados de expressão de genes apenas (sem dados miRNA) e, portanto, podemos avaliar o nosso desempenho usando dados diferencial de expressão miRNA dos mesmos pacientes.

Nossas simulações mostra que o nosso método é robusto para vários tipos de ruído e de dados em falta, e que é capaz de prever os miARNs relevantes, enquanto as alterações de expressão de genes de entrada são, pelo menos, parcialmente devido a miARN. Utilizamos os nossos dados em 157 pacientes com glioblastoma e 111 pacientes com câncer de próstata e previu vários efeitos miRNAs relevantes que foram confirmados através de medições de expressão de miRNA sobre esses mesmos pacientes

.

Nossos resultados em dados reais miRNAs identificados cujas funções foram previamente validados em câncer, como mir-210 e mir-296-5p, juntamente com outros miRNAs potencialmente importantes: Mir-1, miR-154, mir-339-3p, mir-539, mir-561, mir-607 em glioblastoma e mir- 143 *, mir-30c-2 *, mir-330-3p, mir-526b e mir-939 no câncer de próstata.

Métodos

1 pré-processamento de dados

Uma grande proporção da variabilidade genética /miRNA medições de expressão em todo amostras de tumores diferentes é devido aos diferentes níveis de contaminação com células saudáveis. Normalmente a de um tecido do tumor é constituído por células saudáveis ​​cujo gene /sinal de expressão miRNA vai perturbar o sinal de câncer em medidas diferentes para as diferentes amostras (pacientes).

Nós usamos Isopure [13] para extrair o câncer purificada sinalizar para todos os pacientes. Isso dá uma maior coerência entre os doentes com cancro e resultados mais precisos para a previsão miRNA.

2 Normalizada diferencial expressão computação

Depois de purificar os dados de tumores, tomamos o registro das medições de genes em pacientes e em controlos. Em seguida, para cada paciente, calculamos a expressão diferencial normalizada para um gene ou um miARN de acordo com [14] 🙁 1) em que: E e Y são, respectivamente, o original e a expressão do gene normalizada para o paciente, n e m são, respectivamente, o número controles de saudáveis ​​e pacientes com câncer, e são a média ea variância de expressão para esse gene nos controles saudáveis. O termo penaliza os genes que têm alta variação entre pacientes com câncer. O mesmo normalização é utilizada para os dados de miRNA obter expressão miRNA diferencial de tumor vs amostras saudáveis ​​quando usamos a expressão miRNA para fins de validação. MiRNAs ativos

3 Seleccionar

Nós determinamos a lista de ativos miRNAs selecionando miRNAs que teria de ser ativo para observar o padrão de mudança de expressão de mRNA, resultando em todo o genoma. Mais especificamente, nós modelamos a mudança de todo o genoma em níveis de expressão de mRNA como uma soma de influências miRNA desconhecidos. As influências têm contribuição diferente de zero para todos os miRNAs que visam um determinado gene. Usamos a rede miARN-para-gene para gene alvo e informações representá-lo como uma matriz. Obtivemos a rede do Instituto Europeu de Bioinformática (ww.ebi.ac.uk/enright-srv/microcosm/cgi-bin/targets/v5/download. Pl), que forneceu um conjunto de genes-alvo para cada miRNA (711 miRNAs, 16799 genes e 470.000 bordas). Se não houver nenhum efeito discernível da mudança expressão miARN sobre as alterações de expressão dos alvos, a influência é estimado para ser igual a zero. As influências de miRNA são estimados com base em cada paciente. Se a influência miARN predito é diferente de zero e tem o mesmo sinal entre maioria dos pacientes, presumimos que o dado é miARN activo e pode ser um factor importante para uma dada doença. O fluxograma para o nosso método é capturado na Figura 1 e a formulação é dada abaixo: (2)

Podemos prever os miRNAs ativos para cada paciente individual, em seguida, investigamos a coerência dos miRNAs ativos em todo pacientes.

matriz de interacções microARN-gene é definido como se segue: (3)

os valores negativos na matriz indicam que os miARNs geralmente regular negativamente a expressão do gene. Uma vez que a informação sobre a quantidade de um determinado miARN afecta um dado gene não está disponível, os coeficientes na solução representam a “influência” de miARNs na expressão do gene do perfil em vez de miARNs expressão diferencial (isto é, quanto a alteração na expressão do gene de alvos de miRNA pode ser atribuído a esse determinado miRNA). indica duas coisas: 1) se miRNA foi ativo (); e 2) de que modo influenciada a expressão, ou seja, se os genes alvo são sobre-expresso em tecido canceroso em comparação com o tecido normal, indicando que os níveis de miARN foram esgotados () ou sub-expresso, indicando a sobre-expressão do dado miARN () .

Se a influência de um miRNA ativa é do mesmo sinal com expressão miRNA diferencial observado do paciente dado, podemos dizer que a previsão miRNA é validado pelas medições miRNAs.

Desde que nós queremos para evitar overfitting e incentivar modelos com um pequeno número de miRNAs ativos (modelos mais simples, com apenas alguns miRNAs ativos são mais fáceis de interpretar e são biologicamente mais relevantes), usamos uma sanção tipo de rede elástica. A função objectivo resultante para minimizar é: (4) onde e são os parâmetros de rede elástica, a escolha dos parâmetros é discutido abaixo. pena de rede elástica é escolhido aqui, porque é capaz de evitar algumas das limitações que podem ocorrer usando uma penalidade simples como em [10]. Por exemplo, quando temos variáveis ​​altamente correlacionadas (miRNAs com um monte de alvos em comum) uma penalidade tenderão a selecionar uma variável aleatória e ignorar os outros, enquanto rede elástica irá selecionar todas as variáveis ​​relevantes.

4 Escolha de parâmetros (de validação cruzada)

os parâmetros da rede elástica definir a dispersão da solução: o número de miRNAs que estão previstos para estar dirigindo de forma activa os genes de expressão diferencial. Para determinar, foi utilizada a estrutura de validação cruzada proposto em [12] (Implementação está disponível no pacote glmnet R). Resultados aceitáveis ​​são obtidos com os correspondentes ao mínimo de erro preditivo utilizando validação cruzada 10 vezes. Escolhendo o mais alto correspondente a um erro de predição de 1 erro padrão mais o erro preditivo mínima pode levar a resultados mais precisos em simulações com níveis mais baixos de ruído. No entanto, muitas vezes dá soluções demasiado escasso quando o erro de predição tem uma elevada variância e, portanto, utilizar o erro de predição da Convenção mínima nesses casos. Nos nossos resultados, fixar a mesma para todos os pacientes para ser o valor médio seleccionado entre pacientes. Para a escolha de nós repetimos todo o experimento (simulação e os dados reais) com valores diferentes (0,1, 0,25, 0,5) e nenhuma grande diferença foi observada para os miRNAs finais previstos, por isso, definir o nosso a 0,25 para todos os experimentos.

resultados

1 Simulações e robustez ao ruído

primeiro, testamos a capacidade do nosso método para selecionar o subconjunto correto de gene-expressão condução miRNAs entre o conjunto de todos os miRNAs, e a capacidade de determinar as influências corretos para os miRNAs selecionados (sinal de na (2)). Para isso, foram selecionados aleatoriamente 30 miRNAs ser os miRNAs ativos condução das mudanças de expressão gênica e nós atribuído grandes valores de expressão média positivos ou negativos a eles (valor absoluto uniformemente seleccionados a partir de e assinar obtido por lançamentos de moeda imparcial). Nós atribuímos média nula a todos os outros miRNAs que não são simuladas como ativa. Nós então simulados 100 pacientes com miRNA perfis de expressão diferencial centrado em torno desses valores médios (distribuição de Gauss com dada média e desvio padrão 0,5). Como resultado, obtém-se para cada paciente um conjunto de medições de miARN expressão diferencial em que os 30 miARNs simulado como activo irá ser consistentemente expressos diferencialmente e todos os outros miARNs vai representa um ruído de fundo. Finalmente, para cada paciente que se multiplicam as medidas expressão diferencial miARN simulados pela rede interacção miARN-gene (matriz na Equação 2) para se obter medidas simulados expressão diferencial de genes (Este passo será posteriormente referida como a etapa de simulação de expressão diferencial de genes). A rede utilizada aqui é o mesmo que o mencionado no ponto 2.3, e produzido pelo Instituto Europeu de Bioinformática capturar as interações entre 711 miRNAs e 16799 genes, o miRNA médio com cerca de 650 genes alvo em potencial.

O objetivo deste experimento é testar se o problema pode ser resolvido apesar do fato de que os miRNAs têm muitas vezes centenas de sobreposição de alvos potenciais e que várias miRNAs pode ter efeitos opostos sobre os níveis de expressão do gene.

Nós corremos mil simulações gerando dados como descrito acima. Nós descobrimos que em um dos casos, fomos capazes de identificar o exato subconjunto selecionados aleatoriamente de miRNAs de condução as mudanças na expressão gênica e prever correctamente todos os sinais de influência. Na prática, isto significa que o método funciona correctamente para qualquer amostra em dados reais onde a expressão diferencial ‘miARNs é responsável por uma proporção relativamente elevada de a expressão diferencial de ARNm. Isto também significa que a consistência em que grupos de genes estão acima /abaixo expressa é um sinal forte o suficiente para detectar miRNAs ativos, embora diferentes miRNAs pode ter efeitos opostos sobre genes alvos comuns.

Em seguida, testou a robustez do os nossos métodos para os diferentes tipos de ruído. Foi examinado o efeito de quatro tipos de ruído que poderia tornar esse problema mais difícil de resolver:

Contabilizamos ruído estrutural (interações falsos negativos) na rede miRNA-gene, adicionando bordas aleatórios antes de simulação de expressão diferencial de genes e, em seguida, utilizando a rede de miARN-gene original para as previsões, resultando algumas das informações miARN influência utilizado para gerar os dados foram em falta na fase de predição.

representaram bordas incorrectos (falsos positivos) interações no rede miARN-gene, removendo bordas anteriores aleatórios para simulação de expressão diferencial de genes. A rede de miRNA-gene original ainda é usado em previsões.

Nós simulou o efeito das interações gene-gene não observadas na expressão dos genes (nós usamos a rede de interação proteína-proteína).

aumentar os níveis de ruído nos dados de expressão (através da adição de ruído Gaussian com 0-média e variância proporcional aos níveis de expressão) para ter em conta outros mecanismos que alteram gene-expressão no câncer, tais como variações no número de cópias.

a Figura 2 mostra o efeito de modelar falta de informação /incorrecto na rede miARN-gene. Notamos que o método é capaz de detectar aproximadamente o subconjunto correto de miRNAs mesmo quando supomos das interações miRNA-gene anotados estão errados (eu removo uma das arestas no gráfico de rede durante a expressão etapa de simulação gene) ou quando vamos supor que o anotações conter apenas metade das interações miRNA-gene reais (somarmos bordas durante a expressão etapa de simulação gene). Há evidências de que o método é mais robusto às informações (bordas falsos negativos) do que a informação incorrecta (bordas falsos positivos) faltando o que significa que é preferível utilizar redes conservativas neste contexto. A Figura 3, mostra a robustez do método para elevados níveis de ruído na expressão do gene. O ruído de expressão do gene é parametrizada pela variável de controlo da força do ruído: para cada gene, a variância do último tipo de ruído é multiplicado pelo nível médio de expressão (dá um tipo de Poisson a variância). Finalmente, o ruído interacção gene-gene é controlada pela difusão variável como se segue: (5)

(A) Sensibilidade e (B) a precisão do método para predizer os miARNs gene dirigindo-expressão quando variando as proporções de bordas incorretas e arestas que faltam na rede de interações miRNA-Gene (apagar bordas /inserir novos bordas). Todos os miRNA foram também previsto para ter o sentido correto de influência (supressor vs efeito oncogene).

(A) Sensibilidade e (B) a precisão do método na predição dos miRNAs gene-expressão-dirigindo quando variando o nível de interacções gene-ruído (através do parâmetro de difusão) e a intensidade do ruído no nível de expressão diferencial de genes (através da variável). Todos os miRNAs preditos têm os sinais de influência corretas.

Onde está o vetor de expressão gênica diferencial, é a matriz de interação direta gene-gene e é a matriz com as interações gene-gene de segunda ordem (segundo vizinhos ordem em o gene para o gene representação rede interacções). Isto significa uma expressão do gene afecta a um certo grau a expressão de genes (interagindo vizinhos directos) e em menor grau os genes que interagem com os vizinhos directos (segunda ordem vizinhos). A rede de interação gene-gene que usamos aqui é um subconjunto da rede humana combinada baixado do site BioGrid. Captura de informações para os 16,799 genes que estão presentes no nosso rede miARN-gene e contém 85,590 bordas. A Figura 3 mostra que a capacidade do nosso método para recuperar os verdadeiros miARNs é elevada, mesmo na presença de outras influências, tais como afecta de genes que interagem, que o nosso modelo não leva em conta. Os resultados da simulação indicam que o nosso método é robusto a diferentes tipos de ruído.

2 Análise de dados de câncer

critérios

2.1 Avaliação.

Usando nosso método, previu o funcionalmente miRNAs relevantes e sua influência na expressão de genes a partir dos dados de expressão de genes diferenciais para o glioblastoma multiforme e próstata. Desde as nossas previsões estão em uma base per-paciente, selecionar os miRNAs que foram preditas ativa () com o mesmo sentido de influência em mais de um dos pacientes. Estes miARNs são mais provável para reflectir uma verdadeira mecanismo biológica comum para o cancro, uma vez que foram consistentemente previsto como activo pelo nosso método em um grande número de pacientes independentes. Então, olhamos para as medições de expressão »miRNAs para os mesmos pacientes. Se expressões diferenciais dos miRNAs ativos têm os mesmos sinais como suas influências previstos em mais de dos pacientes, nós os consideramos validado por medições de miRNA.

Nos dados de expressão diferencial de miRNA, alguns miRNAs são coerentemente excessivo ou sub-expressos através pacientes e alguns não são. Nós estimamos o significado da nossa miRNA ativa definida pelo cálculo do valor-p:. A probabilidade de ter como bons ou melhores resultados de validação do que o nosso método se as previsões miRNAs foram aleatórias

Calculamos que p-valor em primeiro lugar selecção de um subconjunto aleatório de miARNs a partir dos dados, com o tamanho do conjunto igual ao número de miARNs previsto como activo pelo nosso método. Então, vamos atribuir ao acaso a direção de influência (sinais) para esses miRNAs selecionados. Finalmente, estimamos a proporção destas previsões aleatórias que são validados por meio de medições de miRNA usando os dados de miRNA correspondentes aos mesmos pacientes estudados (um miRNA é validado se for coerente sobre-expressos /sub-expressa quando o seu sinal de impacto é, respectivamente, positivo /negativo). Nós repetimos esta experiência 10.000 vezes. O valor-p é a proporção de experimentos aleatórios com maior taxa de validação de predição de nosso método. Um suficiente p-valor pequeno indica que os miARNs seleccionados pelo nosso método não era aleatória e que é provável que exista uma importância funcional em relação ao cancro indicado por a coerência na expressão de miARN /gene entre os pacientes.

2,2 Glioblastoma .

os dados de expressão gênica glioblastoma foi produzido pelo Instituto Broad utilizando o delineamento experimental HT_HG-U133A Affymetrix. Ele contém 157 casos de tumor e 10 controlos. Estes dados, juntamente com a expressão miRNA usamos para validação estão disponíveis no site da TCGA.

Depois de purificar os dados de expressão gênica (Veja Seção 2.1) e transformá-la para expressão diferencial normalizada (ver secção 2.2), previmos 11 miRNAs ativos em mais de dos pacientes. Fora destes 11 miRNAs previsões, 7 foram validados pela expressão miRNA disponíveis (verificado em mais de dos casos) e outros 2 foram verificados em mais de dos casos. Estes resultados correspondem a um valor p de 0,0005 (ver Secção 3.2.1 para mais detalhes). A Figura 4 mostra os miARNs coerentemente preditas entre pacientes. Entre os miRNAs que foram previstos e confirmados, encontramos mir-210, mir-339-3p, mir-561, mir-1, mir-154, mir-539, mir-607.

O rosa é para sobre-expressos miRNAs e azul é para sub-expressas. Cada coluna representa um paciente e cada linha um miRNA.

miR-210 é induzível por hipóxia e foi previamente identificado como um marcador independente para vários tipos de câncer (mama [15], pâncreas [16], cabeça e pescoço [17]). Além disso, é citado como um regulador para a expressão do gene Normoxic que está envolvida na iniciação do tumor [18]. Nós previmos-lo como ativo e confirmou a sua actividade sobre-expressão usando dados observados em glioblastoma.

Nós também previu e confirmou a expressão excessiva de mir-339-3p, e a sub-expressão de miR-1, mir-154, mir-539, mir-561 e mir-607. No momento não há conhecimento sobre os papéis funcionais destes miRNAs em câncer. Outras experiências de validação são necessárias para uma melhor compreensão da função destes miARN no glioblastoma. mir-548b-5p, mir-548c-3p, mir-548c-5p foram também previu em quase todos os pacientes, mesmo que os seus conjuntos de genes-alvo eram muito diferentes, mas eles só foram validados em, respectivamente, dos casos.

cancer

2.3 próstata.

os dados câncer de próstata foi produzido pelo Memorial Sloan-Kettering cancer Center (MSKCC) e está disponível a partir GEO sob o número de acesso GSE21032. Os dados contém informações sobre 111 pacientes e 28 controles para os quais tanto dados de expressão de miRNA gene e estão disponíveis.

Depois de pré-processamento dos dados de expressão de genes para obter a expressão diferencial normalizado purificado e usando o nosso método para prever conjuntos de miRNAs ativos para cada paciente, foram selecionados 10 miRNAs: 7 destes miRNAs foram validados utilizando os dados de expressão de miRNA observados em mais de pacientes, confirmando a direção de miRNA influência. Outra miRNA: mir-574-5p foi validado em um dos pacientes. Estes resultados correspondem a um valor de p estatisticamente significativa da.

Entre os miARNs que foram preditos e confirmados, miR-210 foi sobre-expresso de forma semelhante aos nossos resultados nos dados de glioblastoma, e miR-296-5p ( sobre-expressos) foi associado anteriormente com a apoptose de células de cancro de próstata independente de androgénios [19] miR-143 * foi prevista e confirmada pelos dados observados como sob-expresso em todos os pacientes, mas não foi anteriormente mencionado como um marcador de cancro na literatura . Da mesma forma mir-30c-2 *, mir-526b, mir-330-3p e mir-939 (todo o previsto e confirmado como sobre-expresso) foram esporadicamente mencionado como miRNAs diferencialmente expressos em literatura câncer, mas sem evidência experimental sólida para caracterizar a sua papel exato em cancros ainda.

Finalmente, mir-569 e miR-607 foram previstos na maioria dos tanto câncer de próstata e pacientes com glioblastoma, mas só foram validados em glioblastoma, porque eles não foram medidos em dados de câncer de próstata. Da mesma forma, mir-574-5p foi previsto em ambos os conjuntos de dados, mas suas medidas não estavam disponíveis para os pacientes com glioblastoma, pois ele só foi confirmada em câncer de próstata.

O resumo geral dos nossos resultados com maiores taxas de validação no câncer de próstata e glioblastoma estão descritos na Figura 4.

Discussão

neste artigo apresentamos o primeiro método que prevê miRNAs ativos no câncer a partir dos dados miRNA-gene rede reguladora e de expressão de mRNA sem depender do expressão miARN si. Usamos quadro de regressão-regularizada-rede elástica para fazer essas previsões de forma robusta. Como os dados de expressão de ARNm é muitas vezes prontamente disponível, o nosso método pode ser utilizado para orientar a análise de miARNs estabelecendo prioridades para experiências futuras. Nós validado o nosso método em ambos os dados reais, juntamente com as medições de expressão de miRNA simulação e para confirmar nossas descobertas. Nossas simulações indicaram que o nosso método robustamente identifica miRNAs ativos e a direção de sua influência (supressores ou oncogenes) sobre os padrões de expressão gênica global. Nossos resultados em dados reais indicados miRNAs potencialmente importantes no câncer de glioblastoma e próstata, alguns dos quais já foram validados em estudos anteriores (A hipóxia relacionada mir-210 e da apoptose das células de câncer de próstata relacionado mir-296-5p) e outros para os quais a exata papel no cancro continua a ser determinado.

melhorias futuras do nosso método está intimamente ligada a uma melhor modelagem do ruído nos dados. Por exemplo, tendo em conta as alterações de expressão que são induzidos por variações cariotípicos ou copiar as variações no número de cancro iria ajudar a isolar o efeito de miARNs funcionalmente relevantes, especialmente se o impacto destas variações sobre a expressão do gene é entendido de forma precisa e modelada no futuro. Melhores resultados, também pode ser alcançado, se tivermos um modelo sólido das interações entre genes e genes que podem alterar a expressão de forma independente dos miARNs.