Abstract
Biomarkører prognostiske for tykk- og endetarmskreft (CRC) vil være svært ønskelig i klinisk praksis. Proteiner som regulerer gallesyre (BA) homeostase, ved å koble metabolske sensorer og metabolske enzymer, også kalt bro proteiner, kan være pålitelige prognostiske biomarkører for CRC. Basert på en utviklet beregning, «bridgeness,» vi identifisert bro proteiner som er involvert i reguleringen av BA homeostase og identifisert deres prognostiske potensialer. Ekspresjons mønstre av disse bro proteinene kunne skjelne mellom normale og syke vev, tyder på at disse proteinene er forbundet med CRC patogenese. Ved hjelp av en veiledet klassifiseringssystem, fant vi at disse bro proteiner var reproduserbart prognostisk, med høy prognostisk evne i forhold til andre kjente markører
Citation. Lee S, Lee K, Yoon S, Lee JW, Lee D (2014 ) Anomalies i Nettverks Bridges involvert i gallesyre Metabolism forutsi resultater av pasienter med kolorektal kreft. PLoS ONE ni (9): e107925. doi: 10,1371 /journal.pone.0107925
Redaktør: Antonio Moschetta, IRCCS Istituto Oncologico Giovanni Paolo II, Italia
mottatt: 27 mars 2014; Godkjent: 18 august 2014; Publisert: 26.09.2014
Copyright: © 2014 Lee et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Data Tilgjengelighet:. Den forfatterne bekrefter at alle data som underbygger funnene er fullt tilgjengelig uten restriksjoner. Datasett om genuttrykk profiler som brukes er tilgjengelig fra GEO (Marisa et al., Tiltredelse = GSE39582, Sheffer et al., Tiltredelse = GSE41258, Calon et al., Tiltredelse = GSE39397). Et datasett om menneske metabolske enzymer er tilgjengelig fra supplerende fil av Hao et al, papir:.. Hao et al, «Compartmentalization av Edinburgh Menneskelig Metabolsk Network», BMC Bioinformatikk, 2010, 11: 393. Et datasett om menneske hel-vev genuttrykk profiler er tilgjengelig fra BioGPS database (URL: https://biogps.org/downloads/). Et datasett om menneske protein-protein interaksjoner er tilgjengelig fra HPRD (URL: https://www.hprd.org/download). Protein-DNA interaksjoner (TF-target genet interaksjoner) fra TRANSFAC database skal være godkjent av BIOBASE GMBH
Finansiering:. Dette arbeidet ble støttet med tilskudd fra NIH (DK064678 til J.W.L.). K.L. ble støttet av Basic Science Research Program gjennom National Research Foundation of Korea (NRF) finansiert av departementet for utdanning, vitenskap og teknologi (NRF-2013R1A2A2A04013317). D.L. ble støttet med tilskudd av Korea Health Technology R D Project, Helsedepartementet og velferd, Republikken Korea (A112022); og også av Bio-Synergy Research Project (NRF- 2012M3A9C4048758) av departementet for vitenskap, IKT og fremtidig planlegging gjennom National Research Foundation. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
tykktarms~~POS=TRUNC kreft~~POS=HEADCOMP (CRC) er den tredje største årsaken til kreft dødsfall på verdensbasis, med 746,000 personer dør av denne sykdommen i 2012 [1]. Prognostiske biomarkører vil forbedre behandlingsstrategier gjennom risikolagdelinger [2]. Hittil har imidlertid noen indikatorer på pasientens prognose er identifisert, hindrer valg og timing av adjuvant behandling for utsatte pasienter.
Prognostiske biomarkører bør være mekanistisk relevant for sykdom patogenesen. Selv om dagens datadrevne uttrykk-signaturer, hvor genuttrykksmønster er sterkt korrelert med pasientens prognose, har vist betydelig prognostisk evne, de har ikke avdekket underliggende mekanisme og dermed uklar riktige terapeutiske intervensjoner [3]. Biologiske hypoteser har gitt a priori bevis på mekanistisk relevans [4], men eksisterende målrettede hypotesedrevet tilnærming er sannsynlig å gå glipp av mange gener relatert til de biologiske hypoteser, som krever nye alternative tilnærminger for å finne mange hypoteserelevante gener.
galle~~POS=TRUNC syrer~~POS=HEADCOMP (Bas) er kreftfremkallende [5], [6], med høy fett dietter moduler BA homeostase og endrede nivåer av BAs fører til CRC patogenesen. For eksempel har en BA-supplert diett i mus vist seg å indusere CRC direkte, noe som tyder på at BAs er kreftfremkallende [7]. Men selv om BAs føre til CRC patogenesen, BAs ble ikke benyttet som praktiske markører. Ved in vivo nivåer, var de svake og ukarakteristisk mellom pasienter med CRC og matchede kontroller over studier [8] siden endrede BA nivåer ved matinntak er midlertidig og svak, og dermed vanskelig å oppdage. Uregelmessigheter i gener som regulerer cellulær BA homeostase er mer av determinate faktorene for å utvikle CRC.
Proteiner som er involvert i regulering av homeostase av ikke bare BAs men alle metabolittene inkluderer metabolske sensorer og metabolske enzymer. Metabolske sensorer gjenkjenne metabolsk informasjon om regulering av homeostase ved å detektere nivået av intracellulær metabolitter [9] – [11]. For eksempel, den farnesoid X reseptor (FXR, også kjent som NR1H4) detektere nivået av intracellulære Bas, med denne informasjonen som blir brukt under reguleringen av cellulær homeostase BA. Metabolske enzymer katalyserer reaksjonene til metabolitter, endre sine intracellulære nivåer. Uregelmessigheter i disse sensorene og enzymer vil derfor forandre BA homeostase [12], [13], og til slutt påvirke CRC patogenese. For eksempel ble genetiske defekter i BA regulerende enzymer eller sensor proteiner funnet å føre til CRC patogenesen [14], [15]. Men disse genene også var ikke prognostiske markører på grunn av den lave forekomsten av mutasjoner i CRC.
Interessant, var flere faktorer som verken metabolske sensorer eller enzymer vist seg å modulere BA homeostase [16]. Som en alternativ fremgangsmåte for identifisering av pålitelige prognostiske markører, hypotese vi at disse faktorene kan videresender informasjon om metabolsk status mellom metabolske sensorer og enzymer, funksjonelt forbinder disse to klasser av molekyler. Disse faktorene, kalt bro proteiner, kan tjene som pålitelige prognostiske markører hos pasienter med CRC, fordi uregelmessigheter i disse proteinene ville forstyrre levering av metabolsk informasjon og riktig regulering av BA homeostase. Nåværende målrettede metoder ville være ineffektiv i sentret relé proteiner spesielt mellom metabolske sensorer og enzymer, skyldes i stor grad av mangel på en metode for å kvantifisere releet graden av proteiner. Systematiske tilnærminger, ved hjelp av informasjon om kjente molekylære interaksjoner og proteiner tilkobling av sensorer og enzymer kan identifisere og skille bro proteiner involvert i cellulære signalnettverk.
Her foreslår vi en nettverksbasert tilnærming som identifiserer prognostiske markører blant proteiner som spille en avgjørende rolle muligens bindings sensorer og enzymer fra BA metabolisme, knyttet til kjente biologisk hypotese. Disse proteinene, referert til som bro proteiner, kan vurderes systematisk bygger på opplysninger om molekylære interaksjoner er tatt opp i flere databaser. For å oppnå dette, har vi definert en «bridgeness» metrisk, som representerer grad av sammenheng mellom sensorer og enzymer, og foreslå Key Bridge proteiner som nettverks markører for prognose hos pasienter med CRC. Ved hjelp av denne «hypotesen initierte» tilnærming, identifiserte vi et sett med markører som kan bedre forutsi utfall hos pasienter med CRC enn tidligere identifiserte prognostiske markører. En nettverksbasert undersøkelse av biomarkører basert på deres bridgeness eiendom kan identifisere prognostiske biomarkører innblandet i mobilnettverk.
Resultater
Bridge nettverk og bro proteiner for gallesyre metabolisme
nettverksbasert tilnærming identifisert 50 bro proteiner som pålitelige prognostiske markører (tabell S1). Høyt rangert bro proteiner inkludert peroksisomproliferatoraktiverende aktivert reseptor gamma, coactivator en alfa (PPARGC1A), hepatocytter nukleær faktor 4a (HNF4A), glykogen syntase kinase 3 beta (GSK3B), retinoid X reseptor gamma (RXRG), caspase 8, apoptose -relaterte cystein peptidase (CASP8), CREB bindende protein (CBP), peroxisome proliferator-aktivert reseptor alfa (PPARA), p53 (også kjent som TP53), E1A bindende protein p300 (EP300) og retinoid X reseptor-alfa (RXRA). Spesielt, RXRA, som danner en heterodimer med en BA sensor, FXR, deltar i reguleringen av BA homeostase [17]. Dessuten regulerer p53 BA homeostase ved å koble mellom en sensor BA og BA-enzymer, noe som fører til unormal BA opphopning av sin defekt [16], [18]. Likeledes er noen bro proteiner som fungerer i regulering BA homeostase oppsummert i tabell S2, viser bevis for at broen proteiner, selv om de er beregningsmessig valgt, kan delta i reguleringen av BA homeostase.
For å undersøke disse bro proteiner, vi konstruerte et referansenett for BA metabolisme (figur 1), et nettverk bestående av metabolske sensorer, metabolske enzymer og proteiner som forbinder sensorene og enzymer. Pivotal bro proteiner som regulerer gitt metabolske veier ble undersøkt ved først å integrere tidligere kunnskap og interactome data. Til dags dato, 53 enzymer, inkludert transportører, har blitt rapportert å være involvert i metabolismen BA og registrert i databasen EHMN (tabell S3) [19]. Som detektering Bas og regulere deres nivåer ved å endre nedstrøms trasé for Bas, og FXR er funnet in vivo og in vitro for å være en sensor for Bas [11]. Basert på tidligere kunnskap og databasen, ble føleren og enzymer som inngår i et BA bro-nettverk. Storskala interactome data fra databaser, inkludert HPRD [20] og TRANSFAC [21], ble integrert for å identifisere proteiner som lenker sensorer og enzymer (Figur 1b). Vi fant ut at 10,805 gener eller genprodukter var ansvarlige for 110,741 interaksjoner; av disse genprodukter, hentet vi bare sensorene, enzymer og relaterte mellom proteiner. Alle proteiner ansvarlig for direkte og indirekte vekselvirkninger mellom sensorer og enzymer ble vurdert, med noen mellomliggende protein være en mulig bro protein.
Den totale prosessen av nettverket konstruksjonen er beskrevet i (B-E). (A) struktur av et bro-nettverk, som består av en metabolsk sensor (rød), et metabolsk enzym (blå) og en bro protein (grå). Metabolske enzymer katalyserer reaksjoner av metabolitter. Metabolsk sensorer registrerer nivåene av intracellulære metabolitter. Bridge proteiner knytte metabolske sensorer og metabolske enzymer. (B) Integrasjon av mulige interaksjoner mellom sensorer og enzymer som bruker protein-protein interaksjoner (PPI) og protein-DNA interaksjoner (PDI). Informasjon om sensorer og enzymer ble samlet inn fra publiserte studier og databaser. (C) Imponerende begrensninger på noder og kanter av et integrert nettverk. (D) En siste referanse nettverket for å identifisere bro proteiner. (E) Valg av bro proteiner fra referanse nettverk av sine bridgeness score
Begrensninger ble senere ilagt både proteiner og deres samspill med tanke på vev-spesifikk kontekst av metabolismen (figur 1C,. Materialer og metoder). Til tross for rikelig informasjon på store interactome data, kan det være seleksjonsskjevheter og vevs-spesifikke varianter. Som et resultat av å pålegge begrensninger, har vi oppnådd en endelig referanse nettverk av 63,070 kanter og 7,011 noder, med sensorer og enzymer som utgjør 23 noder (figur 1D, se Figur S1 for den endelige referanse-nettverk).
Fra referanse nettverk, valgte vi bro proteiner, blant mellom proteiner, som bedre kobling BA sensorer og BA enzymer, ved hjelp av en «bridgeness» beregning, forutsatt at de svært knytte proteiner kritisk regulere BA homeostase gjennom å levere metabolsk informasjon (figur 1E Methods). Sammenlignet med andre eksisterende centralities, inkludert grad, nærhet og betweenness centralities (se tekst S1), vår metode var bedre i stand til å fokusere på et bestemt protein forbindelser i bestemte baner mellom sensorer og enzymer, uavhengig av forbindelsene i andre urelaterte baner på nettverket . Som ventet lokalt tette proteiner blant veier mellom BA sensorer og BA enzymer bidrar betydelig til regulering av BA metabolisme; således, kan disse proteiner være forbundet med CRC carcinogenesis. Vi fokuserte derfor på den prognostiske potensialet i bridge proteiner med høye bridgeness score.
biologiske egenskaper bro proteiner
Før undersøke deres prognostiske potensialer, undersøkte vi de biologiske egenskapene til bro proteiner som ble beregnings valgt av bridgeness score i CRC. Først identifiserte vi uttrykk mønstre av bro proteiner innebygd i CRC; vi undersøkte diskriminerende mønstre av bro proteiner på transcriptomic nivå, ved hjelp av gen-uttrykk profiler av CRC pasienter, som beskrevet tidligere [22]. Ved hjelp av univariat Student
t
-UNDERSØKELSER, sjekket vi muligheten til individuelle bro proteiner for å skille mellom normal kolon (
N
= 54) og primærprøver CRC vev (
N
= 186) ved transcriptomic nivå. Av de topp-50 proteiner, 42 (84%) var signifikant diskriminerende (to-sidig
P
0,01). Gene ontologi berikelse analyse av disse 42 proteiner avdekket at de fleste ble beriket i begreper som «regulering av transkripsjon fra RNA polymerase II promoter» og «transkripsjon regulator aktivitet», som er knyttet til regulatoriske roller i cellulære prosesser (tabell S4). De ble også beriket i CRC patogene sti-relaterte ord, for eksempel «kanonisk Wnt reseptor signalveien» og «Axin-APC-beta-catenin-GSK3B kompleks», noe som tyder på relevansen av disse bro proteiner til CRC patogenesen.
Deretter sammenlignet vi p-verdi fordelinger av i) bro proteiner, ii) en sensor og et enzym, og iii) en samlet gruppe av i) og ii) (figur 2). Sammenlignet med bakgrunn fordeling av p-verdier fra generelle genprodukter oppdaget i en microarray (
N
= 12752), p-verdien fordeling av den samlede gruppen var noe rett-skiftet (Kolmogorov-Smirnov (KS) test, ensidig
P
= 7.89 × 10
-2). Men når vi fokuserte bare på broen proteiner, de viste høy statistisk signifikans i KS test (
P
= 2,93 × 10
-3), noe som indikerer at diskriminerende makt bro proteiner, på transkriptomet nivå, var signifikant større enn for de samlede genprodukter i microarray. Interessant, sensor og enzymproteiner viste lignende distribusjoner i forhold til bakgrunnen (
P
= 0,812), noe som indikerer at sensoren og enzymproteiner er mindre informativ enn bro proteiner i å skille mellom normale og syke kolon vev.
(A) p-verdi distribusjoner av (i) sensor, enzym og bro proteiner (S + E + B), (ii) sensor og enzymproteiner (S + E) og (iii) bro proteiner (B). (B) Sammenligninger av disse p-verdi distribusjoner med bakgrunn p-verdi distribusjon. Statistisk signifikans nivåer av skiftet p-verdi fordelinger ble bestemt ved ensidig Kolmogorov Smirnov tester.
Vi har også undersøkt om de topp-50 bro proteiner er en mulig rekke valg som viser høy statistisk signifikans. Vi sammenlignet derfor p-verdi distribusjoner av valg med ulike antall bro proteiner, ved hjelp av KS-test. De topp-50 bro proteiner viste den laveste p-verdi på denne sammenligningen (figur S2), med statistisk signifikans av utvalgte bro proteiner blir lavere. Derfor fokuserte vi på de topp-50 bro proteiner i videre analyse. Vi inkluderte også andre begrensninger som brukes i nettverksbygging i en lignende måte (Figur S3).
neste sammenlignet diskriminerende effekt av utvalgte bro proteiner fra forskjellige nettverk, gjennom multivariate klassifisering (figur 3A) (Se detaljert prosess Materialer og metoder). De genererte nettverk for sammenligning var: (i) et bro-nettverk utviklet fra BA metabolisme, (ii) et bro-nettverk utviklet fra glukose metabolisme (dvs. glykolyse pathway) og (iii) et helt protein nettverk uten å avgrensa av sensorer og enzymer i viss stoffskifte. Vi har også sammenlignet tilfeldig utvalgte proteiner uavhengig av deres interaksjoner. Glykolyse ble valgt for sammenligning til BA stoffskifte på grunn av dens relevans for felles kreft progresjon [23], [24]. Som forventet, diskriminerende kraften i en BA bro nettverk på transkriptomet nivået overskredet som en glykolyse bro nettverk fordi glykolyse ikke er spesielt involvert i CRC. Den evne komponenter av BA bro-nettverket for å klassifisere en prøve som normal tykktarm eller primær CRC vev (figur 3B) i stor grad overskredet som tilfeldig valgte genprodukter. I kontrast, komponenter av andre nettverk, herunder at involvert i glykolysen, var lik eller knapt overskredet tilfeldig utvalgte genprodukter i diskriminerende evne. Det vil si, bare genuttrykk nivåer av bro proteiner valgt fra en BA bro nettverk ifølge bridgeness var informativt å skille mellom normal tykktarm og CRC.
(A) Samlet prosess med multivariate klassifikasjoner som bruker funksjoner fra bro proteiner av forskjellig nettverk. Etter sortering bro proteiner ved deres bridgeness (), funksjoner ble hentet kumulativt fra topprangerte bro proteiner (). Prøvene ble deretter klassifisert av kumulativt valgte funksjoner og beregnede klasse nøyaktighet (). (B) Nøyaktigheten av klassifiseringen mellom normal tykktarm og primær CRC vev. For klassifikasjoner, ble bro proteiner oppnådd fra (i) en gallesyre bro-nettverk (rød), (ii) et glykolyse bro-nettverk (gul) og (iii) et helt protein nettverk (purpur). Klassifisering nøyaktig ble også beregnet ved hjelp av tilfeldig utvalgte proteiner (svart) med 95% konfidensintervall (grå) på gjennomsnitts klassifisering nøyaktighet på gjentatte tilfeldig valg (C) Nøyaktigheten av klassifiseringen mellom normal tykktarm og polypp vev. (D) Nøyaktigheten av klassifiseringen mellom polypp og primær CRC vev.
Vi deretter undersøkt CRC scene-spesifikke uttrykk mønstre av utvalgte bro proteiner. De fleste sporadiske CRC utvikle seg fra normal tykktarm via adenomatøse polypper, med den sekvens som involverer akkumulerte genetiske anomalier i en trinnvis måte [25]. For å identifisere scenen spesifikke variasjoner i bridge proteiner, utførte vi multivariate klassifikasjoner mellom normal kolon og adenomatøse polypper og mellom polypper og primær CRC. Vi fant store variasjoner i genekspresjon av bro proteiner mellom normal kolon og polypper (Figur 3C og D). Nemlig bro proteiner assosiert med BA metabolisme variert betydelig i løpet av tidlige stadier av CRC patogenesen, noe som tyder på at disse bro proteiner kan være initiativtakerne CRC tumorigenesis. Vi har også funnet den broen proteiner fra BA metabolisme og glykolyse utstilt inverse mønsteret mellom polypper og primær CRC, som viser svakere, men betydelig variasjoner i senere stadium av CRC patogenesen, som om disse endringene var tilhengere av CRC utvikling (Figur 3C og D). Sammen utgjør disse funnene viste at broen proteiner fra BA metabolisme og glykolyse opptrådt commutatively under CRC progresjon.
Videre bruker pathway berikelse tester, observerte vi andre meningsfulle biologiske egenskaper bro proteiner. Bridge proteiner involvert i BA metabolisme ble beriket i CRC-relaterte pathways, inkludert Wnt (KEGG ID: hsa04310; falske funnrate justert, hypergeometrisk
P
= 4.47 × 10
-5), CRC ( KEGG ID: hsa05210;
P
= 2.80 × 10
-5) og felles kreft (KEGG ID: hsa05200;
P
= 6,94 × 10
-10) baner ( Tabell S5). Dette funn tyder på at de fleste bro proteiner er involvert i CRC patogeneserelaterte trasé og har potensial til å fremme CRC gjennom disse banene. Dermed egenskaper bestemmes fra diskriminerende mønstre og berikelse tester indikerer at bro proteiner valgt av bridgeness er forbundet med CRC patogenesen.
Potensiale bro proteiner som prognostiske markører
For å vurdere prognostiske evne computationally- utvalgte bro proteiner, vurdert vi deres uttrykk mønstre hos pasienter klassifisert som å ha en god eller dårlig prognose. Først, gruppert vi pasienter på en ukontrollert måte, basert på likheter av uttrykk mønstre, og sammenlignet overlevelse utfall blant pasienter i klynger. Totalt 178 pasienter fra tidligere datasett [26] ble gruppert i tre undergrupper ved hjelp av en hierarkisk clustering algoritmen: BA-m1 (
N
= 106), BA-m2 (
N
= 28) og BA-m3 (
N
= 44) (figur 4A). Kaplan-Meier metoden med log-rank test viste at mellom tre undergrupper av pasienter, tilbakefall overlevelse var signifikant forskjellig, indikerer deres betydelig prognostisk potensial (
P
= 2,37 × 10
-3 ) (figur 4B). Deretter vurderte vi den prognostiske potensialet i andre kjente uttrykk-signatur markører på samme måte. Bruke uttrykk mønstre av gener som er valgt i Wang et al [27] og ColoPrint [28], vi klassifisert pasientene inn i tre undergrupper, og sammenlignet overlevelse utfall blant deres undergrupper (ColoPrint undergruppene: col-m1 (
N
= 20) , col-m2 (
N
= 1) og col-m3 (
N
= 157); wang undergrupper: wang-m1 (
N
= 19), wang M2 (
N
= 3) og wang-m3 (
N
= 156)). Som et resultat, kan undergrupper av pasienter gruppert etter ColoPrint gener skille mellom gode og dårlige prognoser (
P
= 2,75 × 10
-8), selv om bare en enkelt pasient funnet i de fattigste prognose gruppen (col M2), men Wang gener var ikke prognostisk (
P
= 0,258) (Figur 4C og D). I tillegg kjent molekylære markører, inkludert p53 mutasjoner (
P
= 0,233), misparringssystemet status (
P
= 9,8 × 10
-2), KRAS-mutasjoner (
P
= 5.75 × 10
-2), og BRAF mutasjoner (
P
= 0,338), var ikke også betydelig prognostisk i dette datasettet (Figur 4E-H).
Deres prognostisk evne ble undersøkt ved hjelp av et datasett av vevsprøver fra pasienter med CRC [26]. (A) Heatmap av CRC tumorprøver med undergrupper klassifisert av uttrykk mønstre av bro proteiner: BA-m1 (blå), BA-m2 (gul) og BA-m3 (rød). Prognostisk evne ble vurdert av Kaplan-Meier overlevelsesanalyser. BA-m2 gruppen viste dårligst prognose. (B) Prognostic evne av våre bro proteiner. (C) Prognostic evne til ColoPrint gen set [28], med undergrupper som klassifiseres som col-m1 (blå), col-m2 (gul) og kol-m3 (rød). (D) Prognostic evne til Wang et al. signatur gen set [27], med undergrupper klassifisert som wang-m1 (blå), wang-m2 (gul) og Wang-m3 (rød). (E) Prognostic evnen til p53-mutasjonstatus, mutant og vill-type. (F) Prognostic evne misparringssystemet (MMR) status, mangelfull (dMMR) og dyktigere (pMMR). (G) Prognostic evne KRAS mutasjonsstatus, mutant og villtype. (H) Prognostic evne BRAF mutasjonsstatus, mutant og villtype.
For å vurdere prognostiske reproduserbarhet av disse bro proteiner og andre uttrykks-signatur markører, vi deretter klassifisert pasienter i et uavhengig datasett [ ,,,0],22] som har gode eller dårlige prognoser, gjennom en overvåket klassifiseringssystemet, ved hjelp av tidligere datasett [26] som trening datasettet (Figur 5). Pasienter i testdata ble klassifisert, ved hjelp av sine uttrykk nivåer, basert på korrelasjonskoeffisienter å bety uttrykk nivåer av dårlig prognose-gruppen pasienter i de treningsdata, som tidligere utførte [29]; vi tildelt pasientene inn i en dårlig prognose gruppen hvis deres korrelasjonskoeffisienter var høy. Vi innhentet terskler av korrelasjonskoeffisienter å bestemme dårlig prognose hos pasienter med høyest statistisk signifikans, gjennom kryss-validering prosedyrer på treningsdataene (se Materialer og metoder). Bemerkelsesverdig, pasienter i testdata kan bli betydelig skilles mellom gode og dårlige prognoser når vi brukte uttrykket nivåer av bro proteiner som har for korrelasjonskoeffisienter; overlevelse utfall, dvs. CRC-spesifikke overlevelse, innenfor rubrikk grupper ved broen proteinene var signifikant forskjellig når Kaplan-Meier metoden med log-rank test ble brukt (P = 2,70 × 10
-2) (figur 5A) . Andre uttrykk signaturer, inkludert ColoPrint (P = 0,210) og Wang (P = 0,558) (Figur 5B og C), var ikke prognostisk i den uavhengige testdatasettet, noe som tyder på at bare broen proteiner var reproduserbart prognostisk. Disse resultatene understreker potensialet og pålitelighet av bro proteiner som prognostiske markører.
Deres prognostisk evne ble undersøkt i en uavhengig test data [22] kontrollert klassifikasjoner og dermed bekreftet sin prognostisk reproduserbarhet. (A) Prognostic evne til våre brud proteiner (B) Prognostic evne bestemt ved ColoPrint-genet angitt i referanse [28] (C) Prognostic evne bestemmes av Wang et al. genet satt i referanse [27].
Diskusjoner
Ved å undersøke gener som er involvert i reguleringen av BA homeostase, har denne studien identifisert flere gener for prognostiske biomarkører for CRC, med viser mekanistisk relevans for CRC patogenesen. Selv om ulike prognostiske biomarkører er foreslått basert på biologiske hypoteser [4], har disse biomarkører vist begrenset klinisk nytteverdi. Hypotesen at BAs spille sentrale roller i CRC, gir ledetråder til å forstå patogenesen av denne sykdommen. Men snarere enn å fokusere på BAs seg selv, vi fokusert på de som er involvert i regulering BA stoffskiftet ved å koble metabolske sensorer og metabolske enzymer gener. Basert på en utviklet beregning, «bridgeness», ble mange bridge proteiner valgt fra en referanse, eller bro, nettverk og deres prognostiske evner ble analysert. Bro-proteiner kunne skjelne mellom normale og syke vev, og er derfor relevant til patogenesen av CRC. Disse bro proteiner hatt større og reproduserbar prognostisk evne, som vist ved statistisk signifikans, enn tidligere identifiserte prognostiske markører, noe som tyder på at de er pålitelige prognostiske markører hos pasienter med CRC.
Interessant, men verken sensor eller enzymproteiner kunne vesentlig skille mellom normal tykktarm vev og CRC, et funn som kan skyldes housekeeping rollene til disse sensor og enzym proteiner for celleoverlevelse. Celler som mangler proteiner med molekyl funksjoner tilsvarende de i de fleste av disse sensor og enzymproteiner; Dermed vil defekter i sine uttrykk ha skadelige effekter på cellefunksjoner. Dermed evolusjonært, genetiske avvik i Bridge proteiner kan ha overlevelses fordeler over uregelmessigheter i sensor- og enzymproteiner. Faktisk noen bro proteiner, inkludert kaspase 8, apoptose-relaterte cystein peptidase (CASP8), p53 og catenin (cadherin-assosiert protein) beta-1, 88 kDa (CTNNB1, også kjent som β-catenin), viste høye mutasjons frekvenser i CRC prøvene, mens sensor og enzymer proteiner for BA stoffskiftet gjorde ikke [30]. Denne evolusjonære press, blant annet under CRC tumorigenesis, vil akselerere kjøp av anomalier med bro proteiner.
I tidligere studier, spesielt, en bro protein, STK11, viste seg å ha særlig mekanistisk potensial til å fremme tykktarms tumorigenesis [31 ] – [33]. STK11 har vært forbundet med Peutz-Jeghers syndrom (PJS), en tilstand som øker dannelsen av mage adenomatøse polypper og leverkreft [31]. I de fleste PJS pasienter, er en allel av STK11 mutert, forårsaker flere mage adenomatøse polypper eller leverkreft [32], [33]. På lignende måte kan STK11 ha den mekanistiske potensial til å fremme kolorektal tumorgenese. Andre bro proteiner kan også ha prognostisk verdi i CRC patogenesen.
STK11 er også assosiert med energi metabolisme, enten alene eller ved å samhandle med AMPK, noe som gjør det en potensiell bro protein som er involvert i reguleringen av energiomsetningen [34] , [35]. Blant de andre bro proteiner involvert i energimetabolisme er PPARGC1A, GSK3B, PPARA, peroksisomproliferator-aktivert reseptor gamma (PPARG), oppløst stoff bæreren familie 2 (lettes glukosetransportør) delen 4 (SLC2A4, også kjent som GLUT4), glyceraldehyd-3- fosfat dehydrogenase (GAPDH) og laktat dehydrogenase A (LDHA), alle viktige regulatorer av eller enzymer som er involvert i energiomsetningen. Dermed kan deres molekylære funksjoner forklare aktivitetene til forretningsområdene som øker energiforbruket [36]. Vurderingene av de molekylære funksjonene til bro proteiner kan gi ny innsikt om sine som ennå uidentifiserte roller i BA homeostase.
Til tross bro proteiner som viser prognostisk potensial, BA bro nettverk viser begrenset evne til å identifisere andre kjente CRC-mottakelighet gener. For eksempel fant vi at en BA bro nettverk var ikke i stand til å identifisere flere kjente CRC-resistensgener, slik som APC, KRAS, og BRAF. Unøyaktigheter som stammer fra store interactome data kan hindre inngående analyse av bro nettverk. Også sammenhengene av metabolske veier, som for eksempel lipid, kolesterol, og glukosemetabolisme, ville utvide muligheten til å undersøke alle risikofaktorer for CRC patogenese. Denne fremgangsmåten kan også anvendes på andre sykdommer utsatt for metabolske anomalier, inkludert fedme, type-2-diabetes og Alzheimers sykdom gang metabolske sensorer, enzymer og riktig interactome data genereres for disse sykdommene. Fastsetting av riktige og nøyaktige bro nettverk for metabolske veier kan tillate identifisering av sykdoms mottakelighet gener og deres klinisk bruk som prognostiske markører.
I sammendraget, fant vi at bro proteiner som er involvert i reguleringen av BA metabolisme, har prognostisk potensial hos pasienter med CRC. Til tross for deres potensial til å fremme CRC patogenesen, bro proteiner hadde ikke blitt systematisk undersøkt i tidligere studier. Basert på en utviklet beregning for «bridgeness», vi beregnings valgt bro proteiner fra et referansenettverk og undersøkt deres prognostisk potensial i CRC. Vi har også testet om forskjeller i deres diskriminerende uttrykk mønstre i normal tykktarm og CRC gjort dem relevante for CRC patogenesen. Funnene tyder på at bro proteiner som er involvert i reguleringen av BA stoffskifte kan være pålitelige prognostiske markører for CRC-pasienter.
Materialer og metoder
Bridge nettverk konstruksjon
Referanse nettverk for BA metabolisme besto av metabolske sensorer, metabolske enzymer og proteiner i samspill med begge deler. Den valgte BA sensor var FXR og BA enzymer var de utpekte i EHMN menneskelig metabolske nettverk database som enzymer involvert i «gallesyre biosyntese» bane [19].
