Extracto
Metabolismo expresa el fenotipo de las células vivas y la comprensión de que es crucial para diferentes aplicaciones en la biotecnología y la salud. Con la creciente disponibilidad de metabolómica, proteómica y, en mayor medida, los datos de transcriptómica, la elucidación de las propiedades metabólicas específicas en diferentes escenarios y tipos de células es un tema clave en la biología de sistemas. A pesar del potencial del concepto elemental modo de flujo (EFM) para este propósito, su uso se ha limitado hasta ahora, principalmente debido a que su cálculo ha sido factible para redes genoma escala metabólica. En un trabajo reciente, se determinó un subconjunto de EFMS en el metabolismo humano y propuso un nuevo protocolo para integrar los datos de expresión génica, manchado 'EFMS característicos' clave en diferentes escenarios. Nuestro enfoque fue aplicado con éxito para identificar diferencias metabólicas entre varios tejidos humanos sanos. En este artículo, se evaluó el rendimiento de nuestro enfoque en situación clínicamente interesante. En particular, hemos identificado EFMS clave y metabolitos en el adenocarcinoma y el carcinoma de células escamosas de subtipos no pequeñas de cáncer de pulmón de células. Los resultados son consistentes con el conocimiento previo de estos subtipos principales de cáncer de pulmón en la literatura médica. Por lo tanto, este trabajo constituye el punto de partida para establecer una nueva metodología que podría conducir a distinguir los procesos metabólicos clave entre los diferentes resultados clínicos
Visto:. Rezola A, J Pey, Rubio A, Aviones FJ (2014)
En silico-
Predicción de las diferencias metabólicas entre dos células no pequeñas de cáncer de pulmón subtipos. PLoS ONE 9 (8): e103998. doi: 10.1371 /journal.pone.0103998
Editor: Pankaj K. Singh, Universidad de Nebraska Medical Center, Estados Unidos de América
Recibido: 6 Febrero, 2014; Aceptado: 9 Julio 2014; Publicado: 5 Agosto 2014
Derechos de Autor © 2014 Rezola et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Los fondos fueron recibido de la Asociación de Amigos de la Universidad de Navarra a Alberto Rezola y desde el Gobierno Vasco a Jon Pey. Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
el cáncer de pulmón es el cáncer más común en todo el mundo, tanto en términos de casos y muertes y sus mayores tasas de incidencia pertenecen a Europa y América del Norte [1]. Con la llegada de -ómicas de datos, se ha hecho un gran esfuerzo para identificar mutaciones en oncogenes y los diferentes subtipos de cáncer de pulmón, con el objetivo de desarrollar tratamientos más efectivos. Sin embargo, el pronóstico sigue siendo pobre y se requiere más investigación para dilucidar nuevos biomarcadores y tratamientos que mejoran los resultados clínicos [2].
En este contexto, el estudio de los procesos metabólicos en el cáncer es actualmente un tema candente, como hemos tener una evidencia creciente de su reprogramación. Aparte de metabolismo de la glucosa, el llamado efecto de Warburg, alteraciones se han reportado en la síntesis de nucleótidos, aminoácidos y lípidos [3], así como las mutaciones relevantes en genes metabólicos y acumulaciones de metabolitos clave [4]. A medida que las células tumorales presentan una alta diversidad genética, la identificación de las rutas metabólicas relevantes en diferentes tipos de cáncer sub-representa una importante área de investigación.
tecnologías ómicas de alto rendimiento han dado lugar a un escenario novedoso donde un análisis más completo de metabolismo es posible. Un avance importante fue la reconstrucción de la red metabólica escala del genoma humano [5], [6], lo que permitió a los investigadores analizar el metabolismo humano en diferentes escenarios a un nivel sin precedentes de la complejidad, el uso de métodos teóricos y -ómicas de datos [7], [8]. En esta dirección, diferentes conceptos vía metabólica basados en la red se han introducido en los últimos años [9]. Ellos han demostrado que el metabolismo celular implica una estructura de vía más complejos y variados que los presentados en mapas canónicos. En particular, un concepto prometedor es el de Primaria Flux Modos (EFMS), lo que nos permite descomponer una red metabólica en sus modos más simples de comportamiento [10]. Sin embargo, la integración de los datos -ómicas con EFMS para analizar el metabolismo humano ha sido limitado, debido al hecho de que el cálculo de EFMS es difícil en las redes a escala del genoma. Este problema ha sido abordado recientemente en [11], donde un nuevo protocolo para integrar los datos de expresión de genes y se propone EFMS. Este enfoque se aplicó con éxito para identificar diferencias metabólicas entre varios tejidos sanos.
En base a [11], nuestro objetivo aquí es identificar las vías metabólicas y los metabolitos principales en dos subtipos principales de cáncer de pulmón de células no pequeñas (NSCLC ): adenocarcinoma y carcinoma de células escamosas. En particular, se puede investigar si las diferencias específicas entre estos subtipos se pueden encontrar la combinación EFMS y los datos de expresión génica. De acuerdo con el conocimiento previo de estos subtipos principales de cáncer de pulmón en la literatura médica, nuestros resultados distinguen adecuadamente los procesos metabólicos clave entre los diferentes resultados clínicos analizados.
Materiales y Métodos
modos elementales de flujo (efms ) concepto
Para ilustrar el concepto de EFMS, se utilizó la figura 1, que representa un sistema metabólico simplificado con la glucólisis y TCA
Abreviaturas:. Ac, acetato; AcCoA, acetil-CoA; Cit, citrato; D-Lac, lactato; D-Glc, la glucosa; OAA, oxalacetato, Pyr, piruvato, CO2, dióxido de carbono.
Un EFM es técnicamente un subconjunto mínimo de enzimas capaces de llevar a cabo en el estado de equilibrio sostenido. El estado de equilibrio implica que los metabolitos en el interior de los límites del sistema, por ejemplo,
piruvato gratis (Pyr), debe estar en equilibrio estequiométrico, es decir, el flujo en debe ser igual a fluir hacia fuera. Esta condición requiere la definición de los metabolitos capaces de ser intercambiados fuera del sistema, es decir, aquí las entradas son
glucosa gratis (D-Glc) y
acetato gratis (Ac), mientras que las salidas
lactato gratis (D-Lac) y
dióxido de carbono gratis (CO2). Además, "mínimo" significa que la eliminación de una enzima conduce a la vía de la interrupción. En nuestro ejemplo de la Figura 1, tenemos 3 EFMS. EFM1 representa la glucólisis anaeróbica; EFM2 glucólisis aeróbica a través del ciclo del TCA; ciclo del TCA EFM3 alimenta de etilo. Es fácil comprobar que se cumplen las condiciones mencionadas anteriormente. Para más detalles técnicos, véase [10].
Tenga en cuenta que EFMS son mínimas modos de comportamiento y combinaciones también son posibles. Sin embargo, en diferentes escenarios algunos de ellos pueden prevalecer sobre los otros. Por ejemplo, las células cancerosas producen energía principalmente a través de la glucólisis anaeróbica (EFM1) incluso cuando suficiente
oxígeno
está disponible (efecto Warburg). Tenga en cuenta que EFMS normalmente tienen diferentes entradas (sustratos) y salidas (metabolitos excretados). En este artículo, nuestro objetivo es explotar esta idea separar diferentes escenarios clínicos sobre la base de datos de expresión génica.
EFMS humana recogida y el cáncer de pulmón de datos
Aquí hemos utilizado un subconjunto de 5875 EFMS determinado previamente en [11] a partir de Recon 1 red metabólica humana [5], que contiene 2469 reacciones bioquímicas y 1587 metabolitos. Este subconjunto de EFMS implica una variada lista de las rutas metabólicas potencialmente activos en diferentes condiciones fisiológicas humanas (ver [11] para obtener información más detallada de este conjunto de EFMS).
Por otro lado, se extrajo datos de expresión génica de la Expresión génica Omnibus base de datos (GEO) [12]. En particular, se consideró que 58 muestras de NSCLC humanos de tejido tumoral a partir de [13], y 6 normales muestras de tejido pulmonar (CN) a partir de [14]. 40 muestras de tejidos tumorales de NSCLC fueron tomadas de pacientes con diagnóstico clínico de adenocarcinoma (AD), mientras que las otras muestras de tejido tumoral de 18 pacientes con carcinoma de células escamosas (SQ). Todas estas muestras se hibridó en una matriz de Affymetrix HGU 133 plus, que contiene 54.675 sondas para 20.283 genes. A continuación se describen diferentes métodos aplicados para analizar estos datos.
análisis de la expresión diferencial
Se determinó que los genes estaban sobre-expresado, sin cambios o bajo-expresado en la EA con respecto al SQ (Upad) y viceversa (upSQ). Tenga en cuenta que exceso de genes expresados en AD están abajo-expresan en SQ, y viceversa, como se puede observar en la primera columna de la Tabla 1. Además, los datos de expresión génica de los tejidos sanos no pueden compararse directamente con los datos de los tejidos de cáncer como pertenecen a una fuente de datos diferente. Esto no constituye un problema, ya que se centran en la aclaración de las diferencias entre AD y SQ.
Para esta tarea se utilizó limma paquete de software estadístico R en [15], es decir, regresión lineal múltiple y empíricos de Bayes estadísticas que determinan la probabilidad de que un gen que no se expresan diferencialmente entre las dos condiciones (
p
-valor). A continuación, se aplicó la técnica de tasa de falso descubrimiento (FDR) para corregir el efecto de las pruebas múltiples hipótesis, la transformación anterior
p-valores
en
q
-valores [16]. Se consideraron los genes expresados diferencialmente los que tienen un
q
-valor inferior al 5%. Tenga en cuenta que este umbral es arbitrario, sin embargo, cuanto menor sea el umbral, mayor es el nivel de confianza. La determinación de los genes arriba y hacia abajo regulada es sencillo basado en coeficientes de regresión lineal.
expresión absoluta análisis
Definimos el análisis de expresión absoluta como la clasificación de los genes como presentes o ausentes en una específica muestra biológica. Aquí todo se clasificaron los genes en tres estados: altamente, normally- y humilde expresada. Esta clasificación discreta de genes se realizó para cada grupo: AD, SQ y CN. Tenga en cuenta que este análisis se llevó a cabo para cada grupo por separado y no se hizo ninguna comparación entre los grupos, es decir, la expresión absoluta de los genes es una propiedad funcional para cada grupo.
Para este propósito genes primeros clasificados de cada muestra como activa o inactivos basado en el modelo de código de barras de expresión de genes [17]. Entonces, con el fin de obtener la clasificación de tres niveles deseados, se definió como un gen altamente (humilde) expresamos si todas las sondas que contienen tales genes están activos (inactivo) en todo el conjunto de muestras, y moderadamente expresado de otro modo. Un umbral menos estrictas (por ejemplo 95% de las sondas en lugar del 100%) puede ser seleccionado, pero el nivel de confianza de alta gen y de bajo expresión se reducirá
transformación de datos:. De genes a las reacciones
diferencial y la expresión génica absoluta conduce a una hasta reguladas /altamente expresado, sin cambios /normalmente expresadas y las reguladas /clasificación de genes expresados humilde.
con el fin de asignar este gen clasificación de expresión en el conjunto de reacciones metabólicas incluidas en el conjunto de EFMS seleccionado, que utiliza las leyes de Boole, también conocidas como reglas gen de la proteína-reacción (GPR), informó en [5], como se hizo anteriormente en [11], [ ,,,0],18]. Nótese aquí que Recon 1 humano reconstrucción red metabólica anota 1496 genes de la que 1451 se encuentran en el HGU 133 plus matriz.
Sobre la base de estas reglas de GPR y la categorización de la expresión génica, se obtiene una clasificación reacción metabólica de tres niveles, es decir, hasta reguladas, reacciones /altamente expresado sin cambios /normalmente expresadas y abajo reguladas /humilde expresadas.
característico y diferenciado EFMS
Hemos trazado las reacciones de clasificación en el conjunto de 5876 EFMS en cada escenario: AD, SQ, NC, Upad y upSQ. Para AD, SQ y CN escenarios, se determinó un subconjunto de EFMS característicos con el enfoque presentado en [11]. Definimos EFMS característicos como los enriquecido significativamente con reacciones altamente expresados y la participación de un pequeño número de reacciones humilde expresó. Esta definición se centra en los datos de expresión absolutos (véase el anterior apartado "Análisis de la expresión absoluta").
Este concepto se puede extender para los datos de expresión diferencial, en nuestro caso el uso de los conjuntos de genes obtenidos para escenarios Upad y upSQ. En particular, se define como los diferenciales EFMS enriquecido significativamente con sobreexpresados reacciones y la participación de un pequeño número de reacciones sub-expresados. Tenga en cuenta que el uso de la expresión diferencial implica varias cuestiones teóricas, por ejemplo, los genes altamente expresados consistentemente pueden tener un pequeño cambio veces.
A medida que la combinación de EFMS diferenciales con característica EFMS es un enfoque más preciso, en este trabajo se acuñó el término "EFMS prominentes" para aquellos que son característicos EFMS y diferencial, al mismo tiempo, es decir, que son significativos tanto en lo absoluto y analiza el diferencial.
resultados y Discusión
Alrededor del 70% de los cánceres de pulmón diagnosticados son células pequeñas de pulmón cánceres no (NSCLC) y pertenecen a dos subtipos principales, en particular AD y SQ. El objetivo de este trabajo es dilucidar las propiedades y diferencias entre AD y los cánceres de pulmón SQ metabólicas específicas. A tal fin, se utilizó la metodología presentada anteriormente.
La Tabla 1 resume los resultados del análisis de la expresión absoluta y diferencial logrado. Curiosamente, en la Tabla 1, se encontró que el número de genes y las reacciones expresadas humilde de CN es significativamente mayor que en dos escenarios de cáncer. Esto puede sugerir que la reprogramación del metabolismo del cáncer mejora la robustez sistémica, probablemente, la activación de vías silenciadas que garanticen y optimicen la proliferación. Note sin embargo que, en un grado mucho menor, el número de reacciones altamente expresado es mayor en CN. Estas ideas pueden indicar que el metabolismo en CN es más específico que en el cáncer y presenta menos variabilidad a través de muestras en el conjunto activo de las enzimas. La misma conclusión se alcanza con los genes expresados de forma moderada. Por otro lado, si nos centramos en el análisis diferencial, encontramos, como era de esperar por la construcción, que los genes regulados hasta en Upad están regulados hacia abajo en upSQ, y viceversa, por ejemplo, el subconjunto de genes en 1725 AD (1 en Upad) hasta reguladas coincide con el subconjunto de reguladas por los genes en SQ (-1 en upSQ). Sin embargo, la misma no se produce en las reacciones de nivel debido a las reglas de GPR, que ilustra la complejidad de regulación del metabolismo.
Hemos seleccionado como diferencial y EFMS característicos para cada escenario de aquellos con un FDR inferior al 20%. El número total de EFMS estadísticamente significativas se puede encontrar en la Tabla 1. En particular, hemos encontrado un número considerable de EFMS característicos de cada estado y, como se explica en [11], su número no es necesariamente proporcional al número de altamente y humilde-expresada (arriba y abajo-regulado) reacciones. Por lo tanto, no es de extrañar que más EFMS característicos se encuentran en SQ que en AD, ya que el número de característica y diferencial EFMS depende de la conectividad de las reacciones altamente expresados y humilde-(arriba y hacia abajo regulada) en nuestro conjunto de EFMS [11]. Con el fin de visualizar e interpretar diferencial y característico EFMS, les asigna en los diagramas de Venn que se muestran en la Figura 2.
Figura 2.A muestra el número de EFMS característicos que se superponen en CN, SQ y AD . Como era de esperar parcialmente, se puede observar que la actividad metabólica en tejidos de cáncer (AD y SQ) es más similar que en el tejido sano (CN). En particular, un subconjunto común de 109 EFMS característica se encuentra para AD y SQ. Entre ellos, 56 no están involucrados en la CN, que puede representar una red metabólica núcleo del metabolismo de cáncer de pulmón. Los otros 53 EFMS son comunes para los tres escenarios, que revela similitudes entre el cáncer y tejidos sanos.
Con el fin de detectar las vías y los metabolitos más específicas en AD y SQ, se compararon característica y EFMS diferenciales de SQ y AD, como se muestra en las figuras 2.B y 2.C, respectivamente. Como se señaló anteriormente, hemos considerado como SQ prominente esos EFMS característicos en SQ y hasta reguladas en SQ; análogamente, AD prominente EFMS son característicos de la EA y hasta reguladas en la EA. Se identificaron 46 SQ prominente EFMS y 13 dC prominente EFMS, es decir EFMS característicos que son al mismo EFMS de diferencia horaria. Sin embargo, a partir de estos EFMS, 20 SQ EFMS prominentes y 13 AD EFMS prominentes resultaron ser característico en ambos tejidos de cáncer. Esto implica que, a pesar de estar presente en ambos tejidos, su actividad es mayor en SQ y AD, respectivamente. Además, se detectó una clara falso positivo en EFMS diferenciales SQ, es decir, un EFM expresado diferencialmente en SQ que es única característica en la EA, y dos falsos positivos en EFMS diferenciales AD.
AD y SQ prominente de entrada /salida metabolitos
Los resultados anteriores muestran que nuestro enfoque es capaz de distinguir EFMS prominentes en la EA y los cánceres de pulmón SQ. Con el fin de traducir esta información en puntos de vista más práctico, nos centramos en los metabolitos de entrada y salida que participan en estos 46 SQ y AD 13 EFMS prominentes, respectivamente. Por ejemplo, considere la figura 3, que muestra una prominente EFM SQ consumir
glicerol gratis (glyc) y
L-alanina gratis (Ala-L), metabolitos de entrada, y la producción de
L- serina gratis (Ser-L) y
L-lactato gratis (lac-L), metabolitos de salida.
Las elipses representan metabolitos y las flechas representan las reacciones. Los puntos blancos y negros dentro de las flechas representan reacciones reversibles e irreversibles, respectivamente. Cada metabolito se representa con su correspondiente compartimento que aparece entre corchetes: [e], extracelular, y [c], citosol. Gris y elipses blancas representan metabolitos externos e internos, respectivamente. Nomenclatura para los metabolitos y reacciones fue tomado de [5] y se ha incluido en S1 Archivo.
A medida que estos EFMS se obtuvieron de una red metabólica escala del genoma humano, estos metabolitos de entrada y salida corresponden principalmente a sustratos (absorción) y productos excretados en el cáncer de pulmón y, por lo tanto, podrían ser medidos en fluidos biológicos y ser vistos como biomarcadores. Por lo tanto, este enfoque podría complementar los estudios de metabolómica.
aquí analizado metabolitos de entrada /salida que participan en AD y SQ EFMS prominentes. En particular, hemos identificado metabolitos de entrada /salida presentes en el 46 SQ y upSQ EFMS, pero no en Upad y si es posible (no dentro) de AD y CN. Estos metabolitos se denominan SQ prominente. Se postula para SQ metabolitos prominentes una mayor captación (entradas) y la secreción (salidas) de flujo que en AD y, por lo tanto, podrían ser utilizados para distinguir SQ y AD. El mismo se puede hacer para el 13 dC y Upad EFMS. Sin embargo, no hay resultados de interés se encontraron en este caso.
La Tabla 2 muestra un resumen de los metabolitos SQ prominente de absorción y secreción más relevantes obtenidos. Los detalles completos se pueden encontrar en S1 Archivo. Con base en la literatura, se discuten a continuación los trabajos anteriores sobre el papel de estos metabolitos.
Una abundancia intracelular más alta
metilglioxal Hoteles en SQ en comparación con AD se ha informado anteriormente en [19 ], lo que constituye un claro éxito de nuestro enfoque. Además, una alta expresión de
deaminoneuraminic aci
d en ambos tejidos SQ y AD se encuentra en [20]. Sin embargo, nuestro enfoque predijo un papel más relevante en SQ, que requiere más investigación para ser validado. Tenga en cuenta también que tanto
metilglioxal
y
deaminoneuraminic aci
d normalmente se incorporan a diferentes proteínas y su presencia en diferentes fluidos biológicos no ha sido explorado.
En vista de los resultados presentados en [ ,,,0],19], se puede cuestionar la razón de por qué
ácido deaminoneuraminic
no participan en el subgrupo de EFMS característicos en la EA. Es preciso señalar que nuestra fuente de evidencia son los datos de expresión génica. En SQ hemos encontrado un patrón de expresión regular los genes implicados en la producción de EFMS
ácido deaminoneuraminic
, pero no en la EA. Esto no excluye la importancia de
ácido deaminoneuraminic
en la EA, ya que podría provocar cambios post-transcripcional.
Con respecto a los
tetrahidrofolato
y
heptaglutamyl folato
, una actuación diferente de
folato
metabolismo en AD y SQ se ha dilucidado recientemente [21]. En ese trabajo, se informa de que
hidrolasa gamma-glutamil
enzima, que elimina las cadenas de folato poliglutamato polyglutamylated, facilitar el escape de ácido fólico desde el interior de las células, es más alta en SQ de AD. Esto es particularmente de acuerdo con nuestra hipótesis.
En [22], se encontraron con un nivel más alto, pero no significativa de
L-fenilalanina
,
glutamato
y
glicerol
en el suero de los pacientes con EA. Esto está en consonancia con nuestros resultados, que sugieren una importante captación celular de estos metabolitos en SQ. Para otros aminoácidos que aparecen en nuestro conjunto de EFMS (
L-alanina
,
glutamina
y
L-serina
), que no se muestra en la Tabla 2, la comparación entre los años y SQ no está disponible en [22]. Sin embargo, se encontraron con una alteración significativa de sus niveles séricos entre el cáncer de pulmón y los pacientes sanos.
Para el resto de los metabolitos, se requiere más investigación para validar su función en la AD y SQ. Sin embargo, aparte de
D-manosa
, hemos podido encontrar una asociación clara de estos metabolitos con cáncer. Por ejemplo, en [23], una mayor liberación de
acetona
fue encontrado en el aliento de pacientes con cáncer de pulmón que en voluntarios sanos. Además, un menor nivel de
acetoacetato
se encontró en los derrames pleurales malignos [24]. Por otra parte, la acumulación de
alfa-N-fenilacetil-L-glutamina
se ha planteado la hipótesis previamente como un biomarcador de cáncer de vejiga urinaria [25] y, por lo tanto, constituye una hipótesis atractiva para ser explorado.
notar aquí que, como se muestra en la Figura 1, EFMS pueden combinar diferentes vías metabólicas canónicas y piezas de ellos. En nuestra serie de 46 SQ EFMS prominentes, las vías canónicas más frecuentes son la degradación de los
glicerol
y
D-manosa
, así como la biosíntesis de
Opiniones y serina
glutamina
.
Teniendo en cuenta los resultados proporcionados en la Tabla 2, es evidente que EFMS son más informativos que las vías canónicas, como la lista de los posibles metabolitos es más amplio cuando son interrogados EFMS directamente. Esto demuestra el potencial de nuestro enfoque con los métodos basados en el respeto vías canónicas.
Conclusiones
El concepto de modo de flujo primaria no es nuevo en la biología de sistemas [10]. Sin embargo, su cálculo ha sido no es posible en redes de genoma escala hasta hace poco, que ha restringido su uso para analizar -ómicas datos. Con el advenimiento de las técnicas basadas en la optimización [26] - [29], el rendimiento de los algoritmos para calcular EFMS en redes metabólicas genoma escala está mejorando rápidamente. Estos avances han permitido determinar un conjunto significativo de EFMS en diferentes organismos, como se muestra en [11] para el metabolismo humano. Sobre la base de los datos y -ómicas, una imagen más precisa de los procesos metabólicos se obtendrá en diferentes escenarios.
En este artículo hemos identificado EFMS clave tanto en la EA y SQ NSCLC en base a los datos de expresión génica, la búsqueda de una diferente firma metabólica. A tal fin, hemos utilizado y ampliado el enfoque presentado en [11], con una clasificación de genes basado en i) y ii absoluta) análisis de expresión diferencial, que son complementarios y nos permite disponer de resultados más precisos.
ha habido mucho debate en la literatura acerca de la correlación entre los niveles de ARNm y proteínas, así como los flujos metabólicos. La medida en que los datos transcriptómica se correlaciona con los datos proteómicos y fluxomic es todavía una cuestión abierta [30]. Sin embargo, diferentes artículos recientes han demostrado la pertinencia de los datos de expresión génica para predecir los fenotipos metabólicos, por ejemplo, [7], [31], lo que ilustra el valor de los enfoques como el que aquí se presenta. Tenga en cuenta también que nuestro enfoque es general y puede aplicarse a conjuntos de datos proteómicos y metabolómicos, la superación de los cambios post-transcripcional
.
Se utilizó Nuestro enfoque para identificar los metabolitos de entrada y salida con una actividad diferente en la EA y SQ NSCLC. Hemos encontrado un número de estos metabolitos, encontrar un buen acuerdo con la literatura ya se ha informado. Nuestro enfoque, basado en EFMS y datos de expresión génica, abren nuevas vías para el estudio de nuevos biomarcadores (metabolitos) que caracterizan los diferentes resultados clínicos. Tenga en cuenta que la cantidad de datos de expresión génica en diferentes líneas celulares de cáncer y pacientes es enorme [12]. El uso de estos datos en el contexto del enfoque que aquí se presenta podría guiar los experimentos de metabolómica y el descubrimiento de biomarcadores en muestras de plasma /orina, especialmente teniendo en cuenta la dificultad de interpretar la metabolómica espectros en los enfoques que no son objeto.
Apoyo a la Información
Archivo S1.
contiene cuatro hojas de cálculo de Excel que definen i) los nombres y abreviaturas de las reacciones y metabolitos que participan en la reconstrucción de la red metabólica humana usada [5], ii) detalles de EFMS seleccionados como característica /diferencial de un conjunto general compilado en [11] , iii) la actividad de EFMS seleccionados como característica /diferencial en diferentes escenarios de cáncer de pulmón, y iv) una extensión de la Tabla 2, incluidos todos los detalles de SQ y captación específica AD y metabolitos secretados
doi:. 10.1371 /journal.pone. 0103998.s001 gratis (XLSX)
Reconocimientos
los autores agradecen Prof. Rubén Pío por sus útiles comentarios en la discusión biológica de los resultados.