Extracto
Las aminoacil-ARNt sintetasas (ARS) y ARS-que interactúan las proteínas multifuncionales (AIMPs) presentan una gran versatilidad funcional más allá de sus actividades catalíticas en síntesis de proteínas. Sus funciones no canónicos se han relacionado con el cáncer patológicamente. Aquí describimos nuestro análisis de todo el genoma integradora de las ARS para mostrar las actividades asociadas con el cáncer de glioblastoma multiforme (GBM), el tumor cerebral primario maligno más agresivo. En primer lugar, seleccionamos 23 ARS /AIMPs (que se denominarán genéricamente RAVR), 124 genes asociados con el cáncer druggable objetivo (DTGS) y 404 interactores proteína-proteína (PPI) de las ARS utilizando el índice gen del cáncer del NCI. Se utilizaron datos de 254 GBM microarrays de Affymetrix en el Atlas del Genoma del Cáncer (TCGA) para identificar los conjuntos de sondas cuya expresión fueron más fuertemente correlacionada con la supervivencia (Kaplan-Meier parcelas frente a los tiempos de supervivencia, log-rank test t & lt; 0,05). El análisis identificó 122 sonda fija como las firmas de supervivencia, incluyendo 5 de RAVR (VARS, QAR, coches, NARS, FARS), y 115 de DTGS y los IBP (Pard3, RXRB, ATP5C1, HSP90AA1, CD44, THRA, TRAF2, KRT10, MED12 , etc). Es de destacar que 61 sondas relacionadas con la supervivencia fueron expresados diferencialmente en tres diferentes subgrupos de pronóstico en pacientes con GBM y mostraron correlación con marcadores de pronóstico establecidos, tales como la edad y firmas moleculares y fenotípicas. Coches y FARS también mostraron significativamente mayor asociación con diferentes redes moleculares en pacientes con GBM. Tomados en conjunto, nuestros resultados demuestran evidencia de una contribución de la biología-dominante RAVR en la biología de GBM
Visto:. YW Kim, Kwon C, Liu JL, Kim SH, Kim S (2012) Estudio de la Asociación del Cáncer de aminoacil -tRNA Señalización de redes sintetasa en el glioblastoma. PLoS ONE 7 (8): e40960. doi: 10.1371 /journal.pone.0040960
Editor: Natarajan Kannan, Universidad de Georgia, Estados Unidos de América
Recibido: 9 Marzo, 2012; Aceptado: 15 de Junio de 2012; Publicado: 31 Agosto 2012
Copyright: © Kim 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:. Este trabajo fue apoyada por la concesión del Proyecto Global Frontier (NRF-M1AXA002-2010-0029785) de la Fundación Nacional de Investigación financiado por el Ministerio de Educación, Ciencia y Tecnología de Corea. 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
mamíferos aminoacil-tRNA sintetasas (ARS) y ARS-que interactúan las proteínas multifuncionales (AIMPs) llevar a cabo la primera etapa de la síntesis de proteínas por catalizar la ligadura de aminoácidos a sus afines tRNAs. Sin embargo, también contienen otros dominios no relacionados con actividades catalíticas para formar complejos con diversos entre sí o con otros factores de regulación celular. Esta complejidad estructural parece estar ligada a una versatilidad funcional, y sus funciones ampliadas han sido implicados en una variedad de enfermedades humanas incluyendo cáncer [1]. Varios ARS han demostrado ser anormalmente hacia arriba o hacia abajo-regulada en hepatomas, cáncer de colon, linfoma de Burkett, adenocarcinoma de próstata, cáncer de mama, sarcoma, adenocarcinoma de colon y adenoma hipofisario [2] - [5]. Además, la regulación funcional del crecimiento celular, la diferenciación, el empalme de ARN, las actividades de citoquinas, y la angiogénesis por las ARS en varios estados de enfermedad tales como cáncer de mama, cáncer de colon, cáncer de próstata, y cáncer de células renales se ha estudiado [6] - [10 ]. La sobreexpresión de MRS también se detectó en Histiocytomas, sarcomas, gliomas malignos fibrosos malignos y glioblastomas [1]. Estos tumores tienen la amplificación del locus del cromosoma 12q13, donde el gen de MRS se solapa con el gen de CHOP, que funciona como un inhibidor de la C /EBP12. Esta amplificación probablemente da lugar a la sobreexpresión de MRS y CHOP, que puede promover un entorno favorable para la progresión del tumor [11]. Sin embargo, a pesar de que las ARS se han relacionado con los cánceres humanos, su importancia biológica aún no es completamente entendido.
A continuación describimos nuestro análisis de todo el genoma integradora de las ARS para mostrar las actividades reguladoras asociadas con el cáncer, con énfasis en el glioblastoma multiforme (GBM) [12] utilizando el índice del NCI gen del cáncer (CGI) [13] y del Genoma del cáncer Atlas (TCGA) base de datos [14]. En primer lugar, se seleccionaron 23 ARS /AIMPs (RAVR), 124 casos de cáncer asociados druggable geneset destino (DTG) y 404 interactores proteína-proteína (PPI) de las ARS. A continuación, se asignó a cada uno de los geneset a varias firmas moleculares pronósticos de GBM (GEO adhesión#GSE4271) incluyendo proneural (PN), proliferativa (prolife) y mesenquimales (MES) [15] y los genes relacionados con la supervivencia identificados que son expresados diferencialmente entre las muestras en cada subtipo en comparación con otros subtipos. Mostramos varios candidatos que son más propensos a interactuar con aminoacil-ARNt sintetasa y su diferente participación en cada subtipo específico. Por lo tanto, nuestro estudio sugiere que la contribución potencial de las ARS con sus conjuntos de genes de PPI en el fenotipo de GBM.
Resultados
RAVR Muestra Potencialmente asociación con cánceres través de interacciones con DTGS
Para examinar la posible asociación de la familia ARS con cáncer a nivel sistémico, se compararon los perfiles de expresión de los genes que codifican el 20 ARS citoplasmática humana y AIMP1-3 (AIMPs) con los de DTGS conocidos obtenidos de índice gen del cáncer del Instituto Nacional del cáncer de Estados Unidos (CGI). Los procedimientos de análisis detallados se describen en la Figura 1. Se seleccionaron 124 DTGS que puedan tener interacciones con 23 ARS /AIMPs, y 404 genes como interactores proteína-proteína de las ARS. Para la comparación, también se seleccionaron 1874 genes no asociados con el cáncer (nonCAGs) (cada geneset se detalla en la Tabla S1). En el primer ejemplo de la CGI, se utilizaron los genesets para mostrar actividades reguladoras asociadas con el cáncer con Cytoscape. Hemos clasificado los datos en diez grupos de cáncer (cerebro, colon, riñón, cuello uterino, hematopoyético y linfoide, hígado, próstata, pulmón, mama, y cáncer gástrico).
Uso de las interacciones entre los asociados con el cáncer ARS y AIMPs, y tres genesets, como era de esperar, un gran número de la línea de base en el nodo de RAVR-DTGS indica mayor asociación entre RAVR y DTGS que RAVR-IBP (figuras S1, S2, S3, S4). Un mapa cáncer asociación también se estableció para mostrar lo mucho que las ARS y AIMPs podría ser diferente interactuado con diez cánceres diferentes (Figuras S5, S6, S7, S8, S9, S10, S11, S12, S13, S14). Cuatro grandes conjuntos de cáncer conectados a componentes de la red de interacción de asociación cáncer se muestran en la Figura 2. El tamaño de los ganglios del cáncer indica el número de interacciones con el gen nodo marrón. Entre los componentes de RAVR, relativamente más elevada de la red asociada al cáncer fue mostrado por GARS, MARS, las guerras, ARSA, CARS, AIMP1 (SCYE1) y AIMP3 (EEF1E1) (nodos verdes). Además, AIMP1, Marte y ARSA tienen relativamente mayor asociación con el cáncer, lo que indica su potencial importancia en la biología del cáncer y de las necesidades de los estudios sobre los mecanismos patológicos.
3501 genes fueron seleccionados por el manual de curación, el examen clínico y la relación causal con la cáncer. El uso de 11 base de datos pública que muestra las interacciones de las proteínas humanas curada (HPRD, BioGrid, KEGG, Reactome, BIND, menta, intacto, InnateDB, DIP, CADENA, y PharmDB), se seleccionaron más de 124 DTGS y 404 genes como los IBP de las ARS. Utilizando un análisis de las interacciones asociada al cáncer, el cáncer de un mapa-asociación fue establecida para mostrar lo mucho que las ARS y AIMPs podría ser diferente interactuado con diez tipos de cáncer diferentes. Cada nodo marrón indica cada gen de cáncer respectivo y cada tamaño de nodo indica el grado de cáncer dependiente de co-asociación de un gen. Línea indica el co-asociación entre diez tipos de cáncer y siete RAVR. El tamaño de los ganglios del cáncer indica el número de interacciones con el gen nodo marrón. Siete componentes de RAVR (nodos verdes) muestran relativamente mayor red asociada al cáncer.
Mapa de correlación de firmas Definir RAVR Las subclases de glioblastoma
Para los análisis sistemáticos asociados con el cáncer de ARS y AIMPs, se aplicaron los genesets a la MBG 254 Affymetrix U133plus2 microarrays de datos en el TCGA. En este conjunto de datos, se identificaron 846 conjuntos de sonda resultantes, como la 168 y 678 DTGS IBP que pueden interactuar directamente con las ARS y AIMP1-3. Para comparación, también se seleccionaron 978 conjuntos de sonda entre 1874 nonCAGs (cada probeset se detalla en la Tabla S2). Para entender las interacciones con cada uno RAVR DTGS /IPP /nonCAGs y visualizar la relación entre los genesets, se hizo un mapa de correlación. En primer lugar, la probeset DTGS se agrupan sobre la base de los coeficientes de correlación de Pearson que se relacionaban sus patrones de expresión en todos los tejidos 254 GBM a los patrones de expresión de RAVR sobre el mismo conjunto de tejidos, como se muestra en la Figura 3a. A continuación, agrupado IBP y nonCAGs sobre la base de estos coeficientes de correlación. En este análisis, un color rojo indica que dos genes tienden a ser hacia arriba o hacia abajo reguladas juntos (positivamente); un color azul indica la tendencia opuesta (negativa). El mapa agrupado de la correlación geneset-geneset mostró una correlación relativamente positiva o negativa entre dos conjuntos de genes. Para los tres conjuntos de interacción en el que la regla coeficiente de correlación de más de 0,4 desempeñaron significativamente, se determinó la frecuencia de más de 0,4 para determinar si cualquier conjunto tenía frecuencias relativamente altas de correlación significativa. Los histogramas de frecuencia se muestran en la Figura S15. Para el conjunto RAVR-DTG, el coeficiente de correlación más de 0,4 tenía una frecuencia relativamente alta de 0,35% frente al 0,51% de la RAVR-PPI. Para el conjunto RAVR-nonCAG, se demostró una frecuencia relativamente baja de 0,09%. Además, las diferencias en los valores de la mediana entre los conjuntos son estadísticamente significativas (P & lt; 0,001, ANOVA de una vía).
(a) Se identificaron 846 resultante sonda fija incluyendo 168 DTGS y 678 IBP que pueden interactuar directamente con RAVR utilizando 254 GBM Affymetrix U133plus2 microarrays de datos en TCGA. Para la comparación, también se seleccionaron 978 conjuntos de sonda entre 1874 nonCAGs. Para entender RAVR-DTGS /IPP /nonCAGs interacciones y visualizar la relación entre genesets, un mapa de correlación se hizo sobre la base de sus niveles de correlación con cada conjunto. Los conjuntos de sonda se presentan en formato de matriz, donde las filas representan los genes individuales de DTGS, IBP, y nonCAGs, respectivamente, y las columnas representan cada gen de RAVR. Cada celda de la matriz representa el nivel de correlación de un gen en un RAVR. El color rojo indica que el gen tiende a ser hacia arriba o hacia abajo reguladas en conjunto; El color azul indica la tendencia opuesta (Cuanto más oscuro, más fuerte es la asociación entre dos genes). (B) el análisis de agrupamiento jerárquico mostró que RAVR fueron compartidos por los tres grupos con 31 DTGS (FDR & lt; 0,005). 31 DTGS se generaron en un análisis de agrupamiento jerárquico supervisada. (C) La agrupación jerárquica de RAVR basado en los 16 DTGS sobre la base de la asociación lineal entre dos conjuntos de expresión génica. 16 DTGS se correlacionaron con los tres subgrupos de RAVR.
Para entender claramente las interacciones moleculares de cada geneset, se realizó un análisis de agrupamiento jerárquico supervisada utilizando el mapa, lo que demuestra que tres grupos llevan a una baja tasa de falso descubrimiento ( FDR & lt; 0,005), por lo que parece proporcionar especificidades interactivos significativos de cada grupo (Figura 3b). RAVR fueron compartidos por los tres grupos. El primer subgrupo RAVR parece estar estrechamente relacionada con DTGS. Hemos identificado que varios RAVR como las guerras, ARSA y AIMP1 mostró una asociación altamente significativa con 31 genes DTG (Tabla S3) (asociación positiva con 21 DTGS y asociación negativa con 10 DTGS), lo que sugiere su posible contribución a la biología GBM. El segundo subgrupo incluye 11 RAVR (EPRS, VARS, NARS, LARS, FARS, Kars, yars, MARS, AIMP3, y AIMP2) y mostraron invierte las funciones biológicas con 31 DTGS en comparación con el primer grupo. Sin embargo, el tercer grupo que incluye 9 RAVR (AARS, DARS, el SARS, GARS, IARS, alquitranes, QAR, HARS y CARS) mostraron coeficientes de correlación relativamente bajos. métodos de agrupación de datos de microarrays actuales se limitan a la asociación lineal entre los valores de expresión de genes individuales y fenotipo. Para entender las asociaciones no lineales entre la expresión génica y el fenotipo que puede no ser asociaciones lineales, se utilizó un análisis cuantitativo (numérico) rasgo en el que podríamos hacer relaciones basadas en la asociación lineal entre dos conjuntos de expresión génica. Este método es una herramienta útil para la detección de clases de genes se correlacionaron con un carácter cuantitativo y explorar los patrones de asociación de genes de clase. En este análisis, 16 DTGS (Tabla S4) se correlacionaron con los tres subgrupos de RAVR (Figura 3c, P & lt; 0,05). Los resultados de dos métodos de asociación mostraron el mismo número de grupo con las tendencias similares de las asociaciones. 9 DTGS (UBE2I, KRAS, MARCKS, NFKB1, NR3C1, TP53, VKORC1, YY1, y HLA-B) estaban comprometidos para las asociaciones lineales y no lineales. Por otro lado, 4 genes (NF1, CYP1A2, TGFB2, y CTGF) no se detectaron como diferencialmente interactuado con RAVR por el método de asociación lineal. Sin embargo, no hemos podido demostrar si los perfiles no lineales reflejan las tendencias generales de las asociaciones, por lo que se necesitan más estudios. Un análisis comparativo del patrón de asociación entre el PPI y el RAVR individual se muestra en la Figura S16 y S17. En este caso, RAVR fueron compartidos por dos grupos, mostrando una asociación altamente positivo y negativo con 119 genes PPI. Pero mostró una tasa de falso descubrimiento baja (FDR & lt; 0,014, por lo que parece proporcionar débiles especificidades interactivas de IBP en comparación con DTGS El análisis de asociación no lineal también mostró dos grupos de RAVR tener una asociación altamente significativa con 117 genes PPI Tomados en conjunto.. , estos resultados indican que ARSNs sugieren posibles mecanismos y procesos que intervienen en la regulación DTGS.
expresión RAVR y correlación con la supervivencia en pacientes con GBM
Para identificar los patrones de expresión de genes que clasifican los tumores GBM en RAVR grupos de biología-dominante, que utilizan 846 conjuntos de sonda como se describe conjuntos previamente que identificó por primera sonda cuya expresión más fuertemente correlacionada con la supervivencia. (gráficos de Kaplan-Meier en comparación con los tiempos de supervivencia, log-rank prueba t & lt; 0,05) Este análisis identificó que. 122 resultantes sonda fija de RAVR (VARS, QAR, CARS, NARS, FARS), DTGS (PDE4A, NF1, NBN, CETP, SMAD3, HIST3H2A, TFRC, PTPRC, MTAP, etc), y los IBP (Pard3, RXRB, ATP5C1, HSP90AA1, CD44, THRA, TRAF2, KRT10, MED12, etc) que se correlaciona con la supervivencia en pacientes con GBM (cuadro S5). El efecto de varios genes expresiones en la supervivencia se muestra en las figuras S18, S19, S20. A continuación, se realizó un agrupamiento supervisado con los 122 probesets y muestras de GBM (GEO adhesión#GSE4271) que muestra los subtipos de glioblastoma conocidos como proneurales (PN; la mediana de supervivencia de la subclase PN es 174,5 semanas), proliferativas (prolife; 60,5 semanas) y mesenquimales (SEM; 65,0 semanas) [15]. Como se muestra en la Figura 4a, este análisis mostró que 61 conjuntos de sonda entre los 122 conjuntos de sonda se expresan diferencialmente en los tres subgrupos diferenciados basados en el valor de corte estadística (p = 0,01), incluyendo los coches y FARS, y 59 conjuntos de sonda (Tabla S6 ). El uso de 61 probeset como una firma, el subtipo PN mostró una característica dominante de patrón de expresión de los conjuntos de genes en comparación con prolife y MES subtipos, lo que sugiere patrones de predicción consistentes por un 61 sonda firma establecer expresión. Para determinar si los coches y FARS contribuyen a las diferencias en las características biológicas de los tumores de GBM, se analizó la expresión de dos ARS. Como se muestra en la Figura 4b, CARS se sobreexpresa en prolife y MES subtipos, mientras que FARS se sobreexpresa en el subtipo PN. gráficos de Kaplan-Meier de supervivencia y log-rank análisis mostraron que la mediana de supervivencia global del grupo de menores de CARS expresado fue mayor (66,9 semanas) que la del grupo de sobre-expresado (51,4 semanas). También, el tiempo de supervivencia global media de grupo FARS sobre-expresado fue más largo (59,2 semanas) que la de bajo-expresó grupo (50,0 semanas).
(a) Se identificaron los conjuntos de sonda cuya expresión más fuertemente correlacionado con la supervivencia (Kaplan-Meier parcelas frente a los tiempos de supervivencia, log-rank test t & lt; 0,05). Este análisis identificó que 122 conjuntos de sonda resultante de RAVR, DTGS, y los IBP que se correlaciona con la supervivencia en pacientes con GBM. A continuación, se realizó un agrupamiento supervisado con los probesets y subtipos de GBM como proneural (PN), proliferativa (prolife) y mesenquimales (MES). Este análisis mostró que 61 probeset como firma genes son expresados diferencialmente en los tres subgrupos discretos. Los 61 conjuntos de sonda se presentan en formato de matriz, donde las filas representan genes individuales y las columnas representan cada tejido. Cada celda de la matriz representa el nivel de expresión de un gen en un tejido individual. células rojas y verdes reflejan niveles altos y bajos de expresión, respectivamente. (B) los subgrupos tumorales se distinguen por los coches y FARS. Las barras horizontales indican los valores medios. CARS se enriquece en MES y prolife subgrupos, mientras que en el subgrupo FARS PN. Cada parcela de Kaplan-Meier de la supervivencia global en pacientes con GBM 130 agrupados en la base de la expresión de los coches y FARS. La diferencia entre los dos grupos fue significativa cuando el valor de p fue inferior a 0,05. (C) La agrupación jerárquica del conjunto de datos GSE4290 de 81 muestras de GBM de pacientes con GBM y 23 tejidos no tumorales basado en los 61 conjuntos de sonda. Cada gen con un estado de expresión se muestra en la Figura complementario S21-S23. Nueve sondas se sobreexpresa significativamente en las muestras no tumorales, con 2 sondas no se muestra en este análisis.
Para buscar la expresión de los 61 conjuntos de sonda en los tejidos normales del cerebro, se evaluó la sonda fija ' firmas de expresión con otros conjuntos de datos de expresión génica GBM público independiente (por ejemplo, GSE4290 conjunto de datos) [16]. En el conjunto de datos GSE4290, los niveles de expresión de los 61 conjuntos de sonda fueron diferentes entre un conjunto de no-tumores y los tumores de GBM (Figura 4C). CARS se sobreexpresa en los tumores de GBM, mientras FARS no se sobreexpresa significativamente en ninguno de los tejidos. De interés, en los conjuntos de datos GSE4290 de astrocitomas (II y III) y oligodendrogliomas (II y III), no hay correlaciones fueron identificados con los 61 conjuntos de sonda (Figuras S21, S22, S23), lo que sugiere que la firma del sistema 61 de la sonda era específica para GBM.
Coches y FARS las correlaciones con diferentes redes moleculares en pacientes con GBM
Para investigar si existe alguna diferencia en las redes de interacción de los coches y FARS en los tres subtipos, se seleccionaron 48 genes (Tabla S7) que pueden interactuar directamente con los coches y FARS usando nuestros datos publicados anteriormente [1]. A continuación, se realizó un agrupamiento supervisado con los 48 genes y las muestras de GBM (GEO adhesión#GSE4271). Como se muestra en la Figura 5a, este análisis mostró que 24 sondas (16 genes) entre 48 genes fueron expresados diferencialmente en los tres subgrupos discretos (P = 0,001). En la figura 5b, varios interactores, como PACSIN2 y SMAD9, se sobreexpresa subtipo PN, mientras HNRNPR y de las BPF se sobreexpresa en el subtipo prolife. El uso de 16 genes como una firma de interacción molecular de coches y FARS, el subtipo PN mostró una característica diferente del patrón de expresión de cada interactor comparación con prolife y MES subtipos, lo que sugiere diferentes patrones de interacción de los dos ARS en cada subtipo. Para detectar las diferencias en los perfiles funcionales, colocamos los genes expresados diferencialmente en el contexto de los conocimientos actuales interactoma, utilizando las herramientas de Ingenuity Pathways Analysis (
P
para todos & lt; 0,05), lo que demuestra que el ARN proceso metabólico (FARSB , SMAD9, FARS2, mapk3, HNRNPR, y ARSA) fue significativamente relacionados con la PN y la prolife subtipos. funciones moleculares significativamente hasta regulados por el subtipo PN fue señalización actividad de la proteína y la vía de la fosforilación de proteínas (SMAD9, mapk3, y MAP3K5) del receptor. Este análisis mostró que las diferencias de interacción molecular de coches y FARS en cada subtipo podría estar asociado con diferencias en los resultados clínicos de los pacientes con GBM. En su conjunto, este estudio identifica una red altamente interconectada de aberraciones, incluyendo 61 conjuntos de sonda (59 IBP y 2 ARS) con los coches baja regulado y el FARS en marcha regulada, lo que sugiere que la diferencia de las interconexiones podría tener un papel importante en supervivencia a largo plazo de los pacientes de GBM. Por lo tanto, nuestros resultados sugieren la contribución potencial de las ARS con su interacción conjuntos de genes sobre el fenotipo de GBM.
Discusión
La evidencia reciente sugiere que aminoacil-tRNA sintetasas (ARS) muestran una gran versatilidad funcional y su funciones no canónicos se han relacionado con el cáncer patológicamente. Este estudio demuestra que nuestro análisis de todo el genoma integradora de las ARS muestra las actividades asociadas con el cáncer en GBM y establece 61 sonda fija como las firmas de supervivencia que se expresan diferencialmente en los tres diferentes subgrupos de pronóstico en pacientes con GBM. Las redes de interacción de los coches y FARS revelan las diferencias de interacción molecular de coches y FARS en cada subtipo, lo que sugiere las posibles diferencias en los resultados clínicos de GBM. Este trabajo sugiere mayor asociación con diferentes redes moleculares de una ARS en la biología de GBM, y puede producir mecanismos biológicos claves detrás de la diferencia de los subtipos.
ARS y AIMPs han sido explorados como dianas terapéuticas contra el cáncer de la red los criterios de asignación y robustos conocidos factores de interacción proteína-proteína para la mayoría de estos genesets, pero éstos se han descuidado debido a la falta de correlaciones de genotipo-fenotipo en determinadas situaciones clínicas [1]. La aceptación generalizada de que las funciones no convencionales de las ARS han sido validados ha estimulado el interés en la investigación de la razón por la que hay muchas enfermedades asociadas con RAVR [17], [18]. Mientras que numerosas alteraciones genéticas se han descrito en RAVR [18], [19], tales marcadores han demostrado ser de no esencial en la orientación de las complejidades de la enfermedad. Curiosamente, la expresión reciente perfiles de estudios han puesto de manifiesto que las redes moleculares reguladores pueden ser factores clave para el control de la tumorigénesis [1], [10], [20]. En el presente estudio, hemos identificado posibles redes de interacción molecular asociados con la complejidad del tumor, así como subclases de enfermedades en las vías de señalización de GBM.
Muestra RAVR asociada al cáncer Interacciones
Se compararon los perfiles de expresión de la genes que codifican el 23 RAVR con DTGS obtenidos del índice gen del cáncer del Instituto Nacional del cáncer (CGI) y estableció un mapa cáncer asociación que muestra cuánto las ARS y AIMPs podría ser diferente interactuado con diez tipos de cáncer diferentes. La fuerte asociación entre RAVR y los diez tipos de cáncer es consistente con nuestros hallazgos anteriores [1]. En nuestro análisis anterior, el 23 RAVR mostró perfiles de expresión que son similares a los de los CAG en diez tipos de cáncer diferentes y que se distinguen claramente de la pauta de nonCAGs (combinado
P
& lt; 0,0001). RAVR mostró un alto grado de asociación en la mayoría de los cánceres analizados, a excepción de páncreas, próstata, hígado y cáncer gástrico, lo cual era consistente con nuestros resultados. Razones para la asociación de RAVR con algunos tipos de cáncer (por ejemplo, linfomas, cáncer de mama), pero no en otros (por ejemplo, páncreas, próstata) deben ser estudiados más a fondo. Entre los componentes de RAVR, en nuestras dos resultados, tanto GARS y AIMP1 mostraron relativamente más alta de la red asociada al cáncer, lo que indica su potencial importancia en la biología del cáncer. Si bien ha habido avances en la comprensión del papel de AIMP1 en el cáncer [21], [22], no se han definido las funciones GARS en la biología del cáncer. Varios estudios anteriores han informado de fenotipos asociados-GRS que 11 alelos mutantes distintos para GRS en la población humana causada CMT (Charcot-Marie-Tooth) enfermedad neuronal [19] y la regulación positiva GRS en pacientes autoinmunes [23] y defectos en GARS son la causa de la médula distal neuropatía muscular de tipo 5 [24]. Consistente con correlaciones bien establecidas de GRS a varias enfermedades, que ya han encontrado que las proteínas o fragmentos de GRS tienen actividad para inducir la apoptosis de las células cancerosas específicamente. En nuestro estudio anterior, las proteínas secretadas GRS de los macrófagos se unen a las células cancerosas y participan en actividades contra el cáncer específicas a través de la activación de la caspasa 3 y MAPK inactivación [25], [26]. Mientras que el análisis actual utiliza un análisis a gran escala, estas moléculas son representativos de un interés particular para los nuevos marcadores relacionados con tratamientos contra el cáncer
.
(a) Identificamos sonda fija cuya expresión más fuertemente correlacionada con los coches y en cada FARS subtipo. Este análisis identificó que el 88 sonda fija resultante de los 48 genes. A continuación, se realizó un agrupamiento supervisado con los probesets y subtipos de GBM como proneural (PN), proliferativa (prolife) y mesenquimales (MES). Este análisis mostró que el 24 probeset como firma genes son expresados diferencialmente en los tres subgrupos discretos (P = 0,001). Los 24 conjuntos de sonda se presentan en formato de matriz, donde las filas representan genes individuales y las columnas representan cada tejido. Cada celda de la matriz representa el nivel de expresión de un gen en un tejido individual. células rojas y verdes reflejan niveles altos y bajos de expresión, respectivamente. (B) los subgrupos tumorales se distinguen por interactores de coches y FARS. Las barras horizontales indican los valores medios.
Hallazgo de RAVR Biología asociada subtipo de pacientes en el glioblastoma
Para los análisis sistemáticos asociados-GBM de las ARS y AIMPs, se realizó RAVR-DTGS /IPP /nonCAGs interacción analiza y visualiza la relación utilizando varios mapas de correlación, que muestra una correlación positiva o negativa significativa entre RAVR y otros dos conjuntos de genes. coeficiente de correlación de Pearson es una de las medidas más convenientes para evaluar la expresión de genes similitudes. En nuestro conjunto de datos (254 GBM Affymetrix U133plus2 microarrays conjunto de datos), se utilizó el número suficiente de conjunto de datos debido a un número más pequeño de la muestra tiende a producir mayor amplitud de valores de correlación entre cualquier par de genes [27]. También no nos integramos otro conjunto de datos utilizando la base de datos pública porque la selección del método de normalización GeneChip afectó fuertemente el rendimiento de coexpression datos. Se utilizó el coeficiente de correlación de Pearson sí para comparar cada conjunto de datos y mostramos las diferencias entre los conjuntos de datos estadísticamente significativos (P & lt; 0,001, ANOVA de una vía). GUERRAS, ARSA y AIMP1 en el primer grupo mostraron una correlación altamente asociados con 31 DTGS. Aunque la mayoría de los miembros RAVR en el segundo grupo mostraron correlaciones débiles, MARS en el tercer grupo se distingue por correlación marcadamente negativa con el DTGS. Dos grupos muy asociados mostraron activación de ANSN y la expresión génica DTGS, indicativo de la biosíntesis de proteínas y la proliferación celular, respectivamente. Estudios anteriores han sugerido que la sobreexpresión de MRS en glioma y glioblastomas [11], pero no han indicado la causa del cáncer. Es de destacar que WRS- y grupos MRS-guiada se caracterizan por otro análisis de la firma que se ha asociado con los patrones de los tipos de asociaciones de clase de genes. En este análisis, los genes glioblastomas como KRAS, NF1, MARCKS, TGFB2, TP53, y NFKB1 conducción se correlacionaron diferencialmente con tres clases de RAVR que muestran grupos muy similares a los mencionados anteriormente [28] - [33]. Estos resultados indicaron que ARSNs sugieren posibles mecanismos y procesos que intervienen en la regulación asociada al cáncer de GBM biología [34].
Varios información clínica como estadio y grado tumoral son potentes predictores de resultados en pacientes con cáncer [35 ], [36]. Aunque estos factores no predicen la supervivencia o la respuesta al tratamiento en pacientes con enfermedad avanzada [36], microarrays de ADN análisis han identificado los genes cuyos niveles de expresión correlaciona con la supervivencia en el cáncer [37]. Varios estudios de expresión génica han identificado conjuntos de genes de pronóstico utilizando una estadística de corte solo, pero estos genes no han sido validados para el diagnóstico y el pronóstico más preciso. Para identificar los perfiles de expresión de genes clínicamente relevantes en correlación con la supervivencia y RAVR subgrupos de biología-dominante a largo plazo en los tumores de GBM, que identificó por primera sonda fija cuya expresión más fuertemente correlacionada con la supervivencia, mostrando 122 conjuntos de sonda resultantes en los pacientes con GBM. El uso de subtipos de glioblastoma bien conocidos, tales como PN, prolife y MES [15], se encontró que un grupo de 61 genes de la firma se expresa de forma diferente en los tres subgrupos discretos. El subtipo PN mostró una característica dominante de patrón de expresión de los 61 conjuntos de genes, mientras que el subtipo prolife parece similar al subtipo Mes. Los subtipos prolife y MES podrían aparecer a variar con la mera extensión de la expresión de estas 61 firmas en comparación con el subtipo PN y no diametralmente opuesta regulados en comparación con los 35 genes de la firma como se informó anteriormente [15]. Sin embargo, los 61 conjuntos de sonda se correlacionaron significativamente con la supervivencia entre los 846 conjuntos de sondas que pueden interactuar directamente con RAVR, y diferencialmente expresados en los tres subgrupos diferenciados basados en el valor de corte estadística (p = 0,01). Por tanto, este estudio sugiere que las diferencias de interacción molecular de RAVR en cada subtipo podría estar asociado con diferencias en los resultados clínicos de los pacientes con GBM. Además, una red altamente interconectada de los 61 conjuntos de sonda podría correlacionarse con las establecidas mejores marcadores de supervivencia de la PN como una edad más temprana y de grado III-como la histología [15]. Es de destacar que la expresión de los coches y FARS parece ser única para los tumores del subtipo PN. A continuación, utiliza las redes de interacción de los coches y FARS para explorar las diferencias de interacción molecular de coches y FARS en cada subtipo, lo que sugiere las posibles diferencias en los resultados clínicos de los pacientes con GBM. Nuestro enfoque basado en la red de interacción de proteínas es explorar proteínas interconectados responsables de las funciones celulares específicas [38]. El uso de las redes PPI, los genes relacionados con la enfermedad podría ser identificados relacionados funcionalmente y revelar los mecanismos biológicos claves detrás de la diferencia de los subtipos [39], [40].
La asociación significativa entre los coches y FARS, y el PN firma apoya nuestra clasificación, que une la existencia de un subgrupo de la biología-dominante RAVR, no descrita en otros estudios. Por lo tanto, las 61 firmas de genes pueden correlacionar con los marcadores de supervivencia establecidas de la PN [41], pero en este estudio no pudieron demostrar una hipótesis clara para explicar la relación de dos subtipos de mal pronóstico con las firmas. Por lo tanto, son necesarios para evaluar un subgrupo de la biología-dominante RAVR en la biología de GBM nuevos estudios y resultados reproducibles.