Extracto
Los biomarcadores de pronóstico para el cáncer colorrectal (CCR) sería altamente deseable en la práctica clínica. Las proteínas que regulan la homeostasis ácido (BA) bilis, mediante la vinculación de los sensores metabólicas y enzimas metabólicas, también llamadas proteínas de puentes, pueden ser biomarcadores pronósticos fiables para CRC. Basado en una, métrico ideado "bridgeness," hemos identificado proteínas puente implicados en la regulación de la homeostasis de BA y se determinaron sus potenciales de pronóstico. Los patrones de expresión de estas proteínas puente podría distinguir entre los tejidos normales y enfermos, lo que sugiere que estas proteínas están asociadas con CRC patogénesis. El uso de un sistema de clasificación supervisada, se encontró que estas proteínas de puente eran reproducible pronóstico, con alta capacidad de pronóstico en comparación con otros marcadores conocidos
Visto:. Lee S, Lee K, Yoon S, Lee JW, Lee D (2014 ) Anomalías en los puentes de red involucrados en el metabolismo del ácido biliar predecir los resultados de los pacientes con cáncer colorrectal. PLoS ONE 9 (9): e107925. doi: 10.1371 /journal.pone.0107925
Editor: Antonio Moschetta, IRCCS Istituto Oncológico Giovanni Paolo II, Italia |
Recibido: 27 Marzo, 2014; Aceptado: August 18, 2014; Publicado: 26 Septiembre 2014
Copyright: © 2014 Lee 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
Disponibilidad de datos:. La autores confirman que todos los datos que se basan los resultados son totalmente disponible sin restricciones. Conjuntos de datos sobre perfiles de expresión génica utilizados están disponibles a partir de GEO (Marisa et al., La adhesión = GSE39582, Sheffer et al., La adhesión = GSE41258, Calon et al., La adhesión = GSE39397). Un conjunto de datos sobre las enzimas metabólicas humanos está disponible en archivo adicional de Hao et al, papel:.. Hao y otros, "La compartimentación de la red metabólica humana Edimburgo", BMC Bioinformatics, 2010; 11: 393. Un conjunto de datos sobre todo el tejido perfiles de expresión génica humana está disponible en la base de datos BioGPS (URL: http://biogps.org/downloads/). Un conjunto de datos acerca de las interacciones proteína-proteína humana está disponible de HPRD (URL: http://www.hprd.org/download). Las interacciones proteína-ADN (interacciones de genes TF-objetivo) de la base de datos TRANSFAC deben ser aprobados por BIOBASE GMBH:
Financiación:. Este trabajo fue apoyado por subvenciones del NIH (DK064678 a J.W.L.). K. L. fue apoyado por el Programa Básico de Investigación de Ciencias a través de la Fundación Nacional de Investigación de Corea (NRF), financiado por el Ministerio de Educación, Ciencia y Tecnología (NRF-2013R1A2A2A04013317). D. L. fue apoyado por becas de la Tecnología de Corea R Medicina y D del Proyecto, Ministerio de Salud y Bienestar Social, República de Corea (A112022); y también por el Proyecto Bio-Synergy Research (NRF- 2012M3A9C4048758) del Ministerio de Ciencia, TIC y planificación de futuro a través de la Fundación Nacional de Investigación. 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 colorrectal (CCR) es la tercera causa principal de muerte por cáncer en todo el mundo, con 746.000 personas que mueren de esta enfermedad en 2012 [1]. biomarcadores pronósticos mejorarían las estrategias de tratamiento a través de las estratificaciones de riesgo [2]. Hasta la fecha, sin embargo, son pocos los indicadores de pronóstico de los pacientes han sido identificados, obstaculizar la selección y el momento de la terapia adyuvante para los pacientes en situación de riesgo.
biomarcadores de pronóstico deben ser mecánica correspondiente a la patogénesis de la enfermedad. Aunque actuales de expresión firmas basadas en datos, en los patrones de expresión de genes están altamente correlacionados con el pronóstico del paciente, han demostrado capacidad de pronóstico importante, no han revelado el mecanismo subyacente y las intervenciones terapéuticas adecuadas tanto oscurecidos [3]. hipótesis biológicas han proporcionado una evidencia a priori de relevancia mecanicista [4], pero los enfoques basados en hipótesis específicas existentes es probable que se pierda numerosos genes relacionados con las hipótesis biológicas, lo que requiere nuevos enfoques alternativos para encontrar muchos genes hipótesis relevantes.
Los ácidos biliares (BAS) son cancerígenos [5], [6], con dietas altas en grasas que modulan la homeostasis BA y los niveles alterados de BA que conducen a CRC patogénesis. Por ejemplo, una dieta suplementada con BA en ratones se ha demostrado que induce CRCs directamente, lo que sugiere que BA son cancerígenos [7]. Sin embargo, a pesar de los BA conducen a CRC patogénesis, Bas no fueron utilizados como marcadores prácticos. En los niveles in vivo, que eran débiles y indistinta entre los pacientes con CCR y controles emparejados entre los estudios [8] ya que los niveles de BA modificados por la ingesta de alimentos son temporales y débil, por lo tanto difíciles de detectar. Anomalías en los genes que regulan la homeostasis celular BA son más de los factores determinados para desarrollar CCR.
Las proteínas implicadas en la regulación de la homeostasis de BA no sólo, sino todos los metabolitos incluyen sensores metabólicas y enzimas metabólicas. sensores metabólicos reconocen la información metabólica durante la regulación de la homeostasis mediante la detección de los niveles de metabolitos intracelulares [9] - [11]. Por ejemplo, el receptor farnesoid X (FXR, también conocido como NR1H4) detectar el nivel de Bas intracelulares, con esta información se utiliza durante la regulación de la homeostasis celular BA. Las enzimas metabólicas catalizan las reacciones de los metabolitos, la alteración de sus niveles intracelulares. Anomalías en estos sensores y enzimas serían, por tanto, alterar la homeostasis BA [12], [13] y en última instancia afectar CRC patogénesis. Por ejemplo, se han encontrado defectos genéticos en BA regulación de enzimas o proteínas de sensores para llevar a CRC patogénesis [14], [15]. Sin embargo, estos genes no eran también marcadores de pronóstico, debido a la baja incidencia de mutaciones en los CRC.
Curiosamente, se demostró que los factores adicionales que no son ni sensores metabólicos ni enzimas para modular BA homeostasis [16]. Como un método alternativo de identificación de marcadores de pronóstico fiables, la hipótesis de que estos factores pueden transmitir información sobre el estado metabólico entre sensores metabólicas y enzimas, que une funcionalmente estas dos clases de moléculas. Estos factores, llamadas proteínas de puentes, pueden servir como marcadores pronósticos fiables en pacientes con CCR, ya que las anomalías en estas proteínas podrían entorpecer la entrega de información metabólica y la adecuada regulación de la homeostasis de BA. enfoques dirigidos actuales serían ineficaces para sondear las proteínas de relé específicamente entre los sensores y las enzimas metabólicas, debido en gran parte a la falta de un método para cuantificar el grado de retransmisión de las proteínas. enfoques sistemáticos, utilizando la información acerca de las interacciones moleculares conocidos y las proteínas y enzimas que conectan sensores pueden identificar y distinguir las proteínas puente implicados en las redes de señalización celular.
A continuación, se propone un enfoque basado en la red que identifica marcadores de pronóstico entre las proteínas que jugar un papel crítico, posiblemente, la vinculación de los sensores y los enzimas del metabolismo de BA, en relación a la hipótesis biológica conocida. Estas proteínas, conocidas como proteínas de puente, se pueden evaluar sistemáticamente sobre la base de información acerca de las interacciones moleculares registrados en varias bases de datos. Con este fin, hemos definido una métrica "bridgeness", que representa los grados de conexión entre los sensores y las enzimas, proteínas y proponer puente clave como marcadores de red para el pronóstico en pacientes con CCR. El uso de este enfoque "hipótesis iniciada", hemos identificado un conjunto de marcadores que podrían predecir mejor los resultados en pacientes con CCR de marcadores de pronóstico previamente identificados. Una investigación basada en la red de biomarcadores en función de su propiedad bridgeness puede identificar biomarcadores pronósticos implicados en las redes celulares.
Resultados
redes de puente y las proteínas de puente para el metabolismo de los ácidos biliares
Nuestro enfoque basado en la red han identificado 50 proteínas puente como marcadores pronósticos fiables (Tabla S1). proteínas puente superior del ranking incluyen peroxisomas gamma proliferador activado del receptor, coactivador 1 alfa (PPARGC1A), hepatocitos factor nuclear 4 alfa (HNF4A), glucógeno sintasa quinasa 3 beta (GSK3B), retinoides receptor de X gamma (RXRG), caspasa 8, la apoptosis -related peptidasa cisteína (CASP8), proteína de unión a CREB (CBP), peroxisoma proliferador activado del receptor alfa (PPARA), p53 (también conocido como TP53), E1A de unión p300 proteína (EP300) y alfa del receptor de retinoide X (RXRA). Notablemente, RXRA, formando un heterodímero con un sensor de BA, FXR, participa en la regulación de la homeostasis BA [17]. Además, p53 regula la homeostasis BA mediante la vinculación entre un sensor de BA y BA enzimas, lo que lleva a la acumulación anormal de BA por su defecto [16], [18]. Del mismo modo, algunas proteínas puente que funcionan en la regulación de la homeostasis de BA se resumen en la Tabla S2, mostrando evidencia de que las proteínas del puente, a pesar de que se seleccionan computacionalmente, podrán participar en la regulación de la homeostasis de BA.
Para investigar estas proteínas puente, se construyó una red de referencia para el metabolismo BA (Figura 1), una red compuesta de sensores metabólicos, enzimas metabólicas y proteínas que unen los sensores y enzimas. proteínas puente fundamentales que regulan dadas las vías metabólicas se investigaron mediante la integración de datos de conocimiento de primera y interactome anteriores. Hasta la fecha, 53 enzimas, incluyendo transportadores, se ha informado para participar en el metabolismo de BA y grabado en la base de datos EHMN (Tabla S3) [19]. Como la detección de BA y la regulación de sus niveles mediante la alteración de las vías descendentes de BAS, FXR se ha encontrado in vivo e in vitro para ser un sensor de BA [11]. Basándose en el conocimiento anterior y la base de datos, el sensor y las enzimas fueron incluidos en una red puente BA. datos interactome a gran escala a partir de las bases de datos, incluyendo HPRD [20] y TRANSFAC [21], se han integrado para identificar las proteínas que enlazan los sensores y enzimas (Figura 1B). Se encontró que 10.805 genes o productos genéticos fueron los responsables de las interacciones 110,741; de estos productos génicos, se extrajeron sólo los sensores, enzimas y proteínas intermedios relacionados. Se consideraron todas las proteínas responsables de interacciones directas e indirectas entre los sensores y las enzimas, con cualquier proteína intermedia siendo una posible proteína de puente.
El proceso global de la construcción de la red se describe en (B-E). (A) Estructura de una red de puente, compuesto de un sensor metabólico (rojo), una enzima metabólica (azul) y una proteína de puente (gris). Las enzimas metabólicas catalizan las reacciones de los metabolitos. sensores metabólicos detectar los niveles de los metabolitos intracelulares. proteínas puente enlaza sensores metabólicas y enzimas metabólicas. (B) Integración de las posibles interacciones entre los sensores y las enzimas que utilizan las interacciones proteína-proteína (PPI) y las interacciones proteína-ADN (PDI). Información sobre los sensores y las enzimas se obtuvieron de los estudios y bases de datos publicados. (C) La imposición de restricciones en los nodos y los bordes de una red integrada. (D) Una red de referencia final para identificar proteínas de puente. (E) La selección de las proteínas de puentes de la red de referencia por sus puntuaciones bridgeness
Las restricciones se impusieron posteriormente en ambas proteínas y sus interacciones, considerando el contexto específico de tejido del metabolismo (Figura 1C;. Materiales y Métodos). A pesar de abundante información sobre los datos interactome a gran escala, puede haber sesgos de selección y variaciones específicas de tejido. Como resultado de la imposición de limitaciones, obtuvimos una red de referencia final de 63,070 bordes y 7.011 nodos, con los sensores y las enzimas que constituyen 23 nodos (Figura 1D, ver Figura S1 para la red de referencia final).
A partir de la referencia red, se seleccionaron las proteínas de puente, entre las proteínas intermedios, que los sensores de BA mejor enlace y enzimas BA, utilizando una métrica "bridgeness", suponiendo que las proteínas altamente enlazan regulan críticamente homeostasis BA a través de la entrega de información metabólica (Figura 1E; Métodos). En comparación con otras centralidades existentes, incluyendo grado, cercanía y centralidades intermediación (véase el texto S1), nuestro método era más capaz de concentrarse en las conexiones de una proteína particular en rutas específicas entre los sensores y las enzimas, independientemente de las conexiones en otros caminos no vinculados en la red . Como era de esperar, las proteínas localmente densas entre los caminos entre los sensores BA BA y enzimas contribuyen significativamente a la regulación del metabolismo de BA; Por lo tanto, estas proteínas pueden estar asociados con CRC carcinogénesis. Por lo tanto, nos hemos centrado en el potencial pronóstico de proteínas puente con puntajes altos bridgeness.
Características biológicas de las proteínas puente
Antes de investigar su potencial de pronóstico, se examinaron las características biológicas de las proteínas de puentes que fueron seleccionados computacionalmente bridgeness por las puntuaciones en los CRC. En primer lugar, se identificaron los patrones de expresión de proteínas puente incrustados en los CRC; examinamos los patrones discriminativos de proteínas de puentes a nivel transcriptómica, utilizando perfiles de expresión génica de pacientes con CRC, tal como se describe anteriormente [22]. El uso de Estudiantes univariado
t
-pruebas, se comprobó la capacidad de las proteínas individuales puente de distinguir entre el colon normal (
N
= 54) y muestras primarias de tejido del CRC (
N
= 186) en el nivel transcriptómica. De las 50 proteínas, 42 (84%) fueron significativamente discriminativo (dos caras
P Hotel & lt; 0,01). Gen ontología análisis de enriquecimiento de estas 42 proteínas reveló que la mayoría fueron enriquecidos en términos tales como "regulación de la transcripción de ARN polimerasa II promotor" y "regulador de la actividad de transcripción", que están relacionados con funciones reguladoras en los procesos celulares (Tabla S4). También fueron enriquecidos en términos relacionados con las vías patógenas CRC, tales como "vía del receptor de señalización Wnt canónica" y "axina-APC-beta-catenina-GSK3B compleja", lo que sugiere la pertinencia de estas proteínas puente de CRC patogénesis.
a continuación, se compararon las distribuciones p-valor de i) las proteínas puente, ii) un sensor y una enzima, y iii) un grupo combinado de i) y ii) (Figura 2). En comparación con los antecedentes de distribución de los valores de p de productos génicos generales detectados en un microarray (
N
= 12.752), la distribución de p-valor del grupo combinado fue algo cambió derecha (Kolmogorov-Smirnov (KS) prueba, de un solo lado
P
= 7.89 × 10
-2). Sin embargo, cuando nos centramos sólo en las proteínas del puente, que mostraron una alta significación estadística en la prueba de KS (
P
= 2.93 × 10
-3), lo que indica que el poder discriminativo de las proteínas del puente, en el nivel transcriptoma, fue significativamente mayor que la de los productos generales de genes en el microarray. Curiosamente, sensor de proteínas y de enzimas mostraron distribuciones similares en relación con el fondo (
P
= 0,812), lo que indica que el sensor y la enzima proteínas son menos informativos que las proteínas de puente en la distinción entre los tejidos normales y enfermos de colon.
distribuciones (A) valor de p de proteínas (i) sensor, de enzimas y de puente (S + e + B), (ii) sensor de proteínas y de enzimas (S + e) y (iii) proteínas de puente (B). (B) Las comparaciones de esas distribuciones p-valor con antecedentes de distribución p-valor. Los niveles de significación estadística de p-valor distribuciones desplazadas fueron determinados por un solo lado de Kolmogorov Smirnov.
También investigamos si los top-50 proteínas puente son un número viable de selecciones que muestran alta significación estadística. Por lo tanto, se compararon las distribuciones p-valor de las selecciones con diferentes cantidades de proteínas puente, mediante el KS-test. Las 50 mejores-puente proteínas mostraron el menor valor de p en esta comparación (Figura S2), con la significación estadística de las proteínas de puente seleccionados fueron inferiores. Por lo tanto, nos centramos en los top-50 proteínas puente en su posterior análisis. También se incluyeron otras restricciones utilizados en la construcción de la red de una manera similar (Figura S3).
A continuación comparó el poder discriminativo de las proteínas de puente seleccionados de diferentes redes, a través de la clasificación multivariante (Figura 3A) (Ver en el proceso detallado Materiales y métodos). Las redes generadas para las comparaciones fueron: (i) una red puente desarrollado a partir del metabolismo BA, (ii) una red puente desarrollado a partir de metabolismo de la glucosa (es decir, vía de glicolisis) y (iii) una red de proteína entera sin limitarse por los sensores y enzimas en cierta vías metabólicas. También se compararon las proteínas seleccionadas al azar, independientemente de sus interacciones. La glucólisis fue elegido para la comparación con el metabolismo BA debido a su relevancia para el cáncer común progresión [23], [24]. Como era de esperar, el poder discriminativo de una red de puente BA a nivel del transcriptoma superó a la de una red puente de la glucólisis porque la glucólisis no está implicada específicamente en los CRC. La capacidad de los componentes de la red de puente BA para clasificar una muestra como colon normal o tejido CRC primaria (Figura 3B) superó en gran medida la de los productos de genes seleccionados al azar. Por el contrario, los componentes de otras redes, incluyendo que participa en la glucólisis, eran igual o apenas superó productos de los genes seleccionados al azar en capacidad de discriminación. Es decir, sólo los niveles de expresión de genes de proteínas de puente seleccionados a partir de una red de puente BA acuerdo con bridgeness fueron informativas para distinguir entre el colon normal y el CRC.
(A) Proceso global de las clasificaciones multivariantes utilizando las funciones de las proteínas de puentes de diferente redes. Después de clasificar las proteínas puente por su bridgeness), se extrajeron las características (forma acumulativa a partir de proteínas de puente de alta clasificación (). Las muestras fueron posteriormente clasificados por características seleccionadas de forma acumulativa y precisión de clasificación calculados (). (B) Las precisiones de clasificaciones entre normal del colon y los tejidos CRC primarias. Para clasificaciones, proteínas puente se obtuvieron a partir de (i) una red puente de ácidos biliares (rojo), (ii) una red puente de la glucólisis (amarillo) y (iii) una red de proteína entera (púrpura). precisión de clasificación también se calcularon utilizando proteínas seleccionadas al azar (negro) con intervalos de confianza del 95% (gris) en las precisiones de clasificación medios de selecciones aleatorias repetidas (C) Las precisiones de las clasificaciones entre los tejidos de colon y pólipos normales. (D) Las precisiones de las clasificaciones entre los pólipos y tejidos primarios CRC.
A continuación, examinó CRC etapa específica de los patrones de expresión de proteínas de puente seleccionados. La mayoría de los CRCs esporádicos desarrollan a partir de colon normal a través de pólipos adenomatosos, con la secuencia que implica anomalías genéticas acumuladas en una manera escalonada [25]. Para identificar las variaciones específicas para cada etapa en las proteínas del puente, se realizó la clasificación multivariante entre dos puntos normales y pólipos adenomatosos y entre los pólipos y los CRC primarias. Encontramos variaciones sustanciales en la expresión de los genes de las proteínas de puente entre dos puntos y pólipos (Figura 3C y D) normales. A saber, las proteínas asociadas con el metabolismo del puente BA variado sustancialmente durante las primeras etapas de la patogénesis CRC, lo que sugiere que estas proteínas de puente pueden ser iniciadores de CRC tumorigénesis. También se encontró que las proteínas del puente de metabolismo de BA y la glucólisis exhibido patrones inversas entre los pólipos y los CRC primarias, mostrando más débil, pero sustancial, las variaciones durante la etapa posterior de CRC patogénesis, como si estos cambios eran seguidores de la Convención de desarrollo (Figura 3C y D). En conjunto, estos resultados demuestran que las proteínas del metabolismo del puente BA y la glucólisis se comportaron commutatively durante la progresión del CRC.
Por otra parte, el uso de pruebas de vía de enriquecimiento, observamos otras características biológicas significativas de proteínas puente. proteínas implicadas en el metabolismo de puente BA se enriquecieron en las vías relacionadas con el CRC, incluyendo la Wnt (KEGG ID: hsa04310; tasa de falso descubrimiento ajustados, hipergeométrica
P = 4,47
× 10
-5), CRC ( KEGG ID: hsa05210;
P
= 2.80 × 10
-5) y el cáncer común (KEGG ID: hsa05200;
P
= 6.94 × 10
-10) (vías S5 Tabla). Este hallazgo indica que la mayoría de las proteínas puente están involucrados en CRC vías relacionadas con la patogénesis y tienen el potencial de promover la CRC a través de estas vías. Por lo tanto, las características determinadas a partir de los patrones discriminativos y pruebas de enriquecimiento indican que las proteínas del puente seleccionados por bridgeness están asociados con la patogénesis CRC.
potencial de proteínas como marcadores de pronóstico puente
Para evaluar la capacidad de pronóstico de computationally- proteínas puente seleccionados, se evaluaron sus patrones de expresión en pacientes clasificados con un pronóstico bueno o malo. En primer lugar, que agrupan los pacientes de forma no supervisada, basada en las similitudes de los patrones de expresión, y los resultados de supervivencia en comparación entre los pacientes en grupos. Total de 178 pacientes de conjunto de datos anterior [26] se agruparon en tres subgrupos utilizando un algoritmo de agrupamiento jerárquico: BA-m1 (
N
= 106), BA-m2 (
N
= 28) y BA-m3 (
N
= 44) (Figura 4A). El método de Kaplan-Meier con la prueba de log-rank mostró que entre los tres subgrupos de pacientes, la supervivencia libre de recaída fue significativamente diferente, lo que indica su potencial pronóstica sustancial (
P
= 2.37 × 10
-3 ) (Figura 4B). A continuación, se evaluó el potencial de pronóstico de otros marcadores conocidos expresión de firma de la misma manera. El uso de patrones de expresión de genes seleccionados en Wang et al [27] y ColoPrint [28], que clasifica a los pacientes en tres subgrupos y la supervivencia en comparación con los resultados entre sus subgrupos (subgrupos de Coloprint: Col-m1 (
N
= 20) , col-m2 (
N
= 1) y Col-m3 (
N
= 157); subgrupos de Wang: wang-m1 (
N
= 19), wang -m2 (
N
= 3) y Wang-m3 (
N
= 156)). Como resultado, los subgrupos de pacientes agrupados por los genes de Coloprint pueden distinguir entre buen y mal pronóstico (
P
= 2,75 × 10
-8), aunque sólo un único paciente se encontró en el grupo de pronóstico más pobre (col -m2), pero los genes de Wang no eran pronóstico (
P
= 0,258) (Figura 4C y D). Además, se conoce marcadores moleculares, incluyendo mutaciones de p53 (
P = 0,233
), el estado del gen de reparación de genes (
P
= 9.8 × 10
-2), las mutaciones del gen KRAS (
P
= 5,75 × 10
-2), y las mutaciones de BRAF (
P = 0,338
), no eran también sustancialmente pronóstico en este conjunto de datos (Figura 4E-H).
Su capacidad de pronóstico se examinó utilizando un conjunto de datos de muestras de tejido de pacientes con CRC [26]. (A) Mapa de calor de las muestras tumorales de CRC con subgrupos clasificados por los patrones de expresión de proteínas de puente: BA-m1 (azul), BA-m2 (amarillo) y BA-m3 (rojo). capacidad de pronóstico se evaluó mediante el análisis de supervivencia de Kaplan-Meier. El grupo BA-m2 mostró el peor pronóstico. (B) la capacidad pronóstica de nuestras proteínas puente. (C) la capacidad pronóstica de la serie de genes ColoPrint [28], con subgrupos clasificados como col-M1 (azul), col-m2 (amarillo) y Col-m3 (rojo). (D) la capacidad de pronóstico de la Wang et al. firma conjunto de genes [27], con subgrupos clasificados como Wang-m1 (azul), Wang-m2 (amarillo) y Wang-m3 (rojo). (E) la capacidad pronóstica de estado de la mutación de p53, mutante y de tipo salvaje. (F) la capacidad pronóstica del estado desajuste gen de reparación (MMR), deficiente (dMMR) y competente (GMANS). (G) la capacidad pronóstica de estado de la mutación KRAS, mutante y de tipo salvaje. (H) la capacidad pronóstica de la mutación BRAF estado, mutante y de tipo salvaje.
Para evaluar la reproducibilidad pronóstico de estas proteínas de puentes y otros marcadores de expresión en firmas, nosotros los pacientes a continuación, clasificados en un conjunto de datos independientes [ ,,,0],22] como tener un pronóstico bueno o malo, a través de un sistema de clasificación supervisada, utilizando el conjunto de datos anterior [26] como la formación de datos (Figura 5). Los pacientes en los datos de prueba se clasificaron, usando sus niveles de expresión, sobre la base de los coeficientes de correlación en el sentido de los niveles de expresión de los pacientes de mal pronóstico en grupos en los datos de entrenamiento, como el realizado previamente [29]; asignamos a los pacientes en un grupo de mal pronóstico si sus coeficientes de correlación fueron altos. Se obtuvieron los umbrales de los coeficientes de correlación para decidir pacientes de mal pronóstico con la más alta significación estadística, a través de procedimientos de validación cruzada de los datos de entrenamiento (ver Materiales y Métodos). Digno de mención, los pacientes en los datos de prueba se pueden distinguir de manera significativa entre buen y mal pronóstico cuando utilizamos los niveles de expresión de proteínas puente de funciones para los coeficientes de correlación; los resultados de supervivencia, la supervivencia es decir, CRC-específicos, de los grupos de anuncios por parte de las proteínas del puente fueron significativamente diferentes cuando se utilizó el método de Kaplan-Meier con la prueba de log-rank (p = 2,70 × 10
-2) (Figura 5A) . Otras firmas de expresión, incluyendo ColoPrint (P = 0,210) y Wang (p = 0,558) (Figura 5B y C), no eran pronóstico en el conjunto de datos de pruebas independiente, lo que sugiere que sólo las proteínas puente eran reproducible pronóstico. Estos resultados subrayan el potencial y la fiabilidad de las proteínas puente como marcadores de pronóstico.
Su capacidad de pronóstico fue examinado en un conjunto de datos de prueba independientes [22] por clasificaciones supervisadas y por lo tanto confirmó su reproducibilidad pronóstico. (A) la capacidad de pronóstico de nuestras proteínas de puente (B) capacidad de pronóstico determinado por el gen ColoPrint establecido en la referencia [28] (C) capacidad de pronóstico determinado por el Wang et al. conjunto de genes en la referencia [27].
Discusión
Por la investigación de los genes implicados en la regulación de la homeostasis de BA, este estudio ha identificado numerosos genes de biomarcadores pronósticos de CRC, con mostrar mecanicista relevancia para CRC patogénesis. Aunque se han propuesto varios biomarcadores de pronóstico basado en hipótesis biológicas [4], estos biomarcadores han demostrado utilidad clínica limitada. La hipótesis, que BA desempeñan un papel fundamental en el CCR, proporciona pistas para la comprensión de la patogénesis de esta enfermedad. Sin embargo, en lugar de centrarse en sí mismos BA, nos centramos en los genes implicados en la regulación del metabolismo BA mediante la vinculación de los sensores metabólicas y enzimas metabólicas. Sobre la base de una métrica, "bridgeness" ideado, numerosas proteínas puente fueron seleccionados de una referencia, o puente, de red, y se analizaron sus capacidades de pronóstico. proteínas puente podría distinguir entre los tejidos normales y enfermos y por lo tanto son relevantes para la patogénesis de la CRC. Estas proteínas puente tenía una mayor capacidad de pronóstico y reproducible, como se muestra por la significación estadística, que los marcadores de pronóstico previamente identificados, sugiriendo que son marcadores de pronóstico fiables en pacientes con CRC.
Curiosamente, sin embargo, ni sensores ni de enzimas proteínas podrían distinguir significativamente entre el tejido normal del colon y el CRC, un hallazgo que puede ser el resultado de las funciones de limpieza de estas proteínas y enzimas de sensores para la supervivencia celular. Células carecen de proteínas con funciones moleculares similares a los de la mayoría de estas proteínas de sensores y de la enzima; por lo tanto, los defectos en su expresión tendrían efectos perjudiciales sobre las funciones celulares. Por lo tanto, evolutivamente, anomalías genéticas en las proteínas de puente pueden tener ventajas de supervivencia más de anomalías en las proteínas de los sensores y de la enzima. De hecho, algunas proteínas de puente, incluyendo la caspasa 8, peptidasa cisteína relacionada con la apoptosis (CASP8), p53 y catenina (proteína asociada a cadherina) beta 1, 88 kDa (CTNNB1, también conocido como β-catenina), mostraron altas frecuencias de mutación en CRC muestras, mientras que las proteínas de sensores y enzimas para el metabolismo de BA no lo hicieron [30]. Esta presión evolutiva, incluso durante la tumorigénesis CRC, se aceleraría la adquisición de anomalías por proteínas puente
.
En estudios previos, en particular, una proteína puente, STK11, ha demostrado tener un potencial especial mecanicista para promover la tumorigénesis colorrectal [31 ] - [33]. STK11 se ha asociado con el síndrome de Peutz-Jeghers (PJS), una condición que aumenta la formación de pólipos adenomatosos gástricos y carcinoma hepatocelular [31]. En la mayoría de los pacientes PJS, un alelo de STK11 está mutado, causando múltiples pólipos adenomatosos gástricos o carcinoma hepatocelular [32], [33]. Del mismo modo, STK11 puede tener el potencial mecanicista para promover la tumorigénesis colorrectal. Otras proteínas de puentes también pueden tener valor pronóstico en el CCR patogénesis.
STK11 también se asocia con el metabolismo de la energía, ya sea solos o por interacción con la AMPK, por lo que es una proteína puente potencial implicada en la regulación del metabolismo energético [34] , [35]. Entre las otras proteínas puente implicados en el metabolismo de la energía son PPARGC1A, GSK3B, PPARA, peroxisoma receptor gamma activado por el proliferador (PPARG), soluto familia portadora 2 (transportador de glucosa facilitado) miembro 4 (SLC2A4, también conocido como GLUT4), gliceraldehído-3- fosfato deshidrogenasa (GAPDH), y lactato deshidrogenasa a (LDHA), todos los reguladores importantes de la o las enzimas que participan en el metabolismo energético. Por lo tanto, sus funciones moleculares pueden explicar las actividades de Bas que aumentan el gasto de energía [36]. Las evaluaciones de las funciones moleculares de las proteínas puente, podrían proporcionar nuevos conocimientos sobre sus funciones aún no identificados en la homeostasis de BA.
A pesar de las proteínas de puentes que muestran el potencial de pronóstico, las redes de puente BA muestran una capacidad limitada para identificar otros genes de susceptibilidad CRC-conocidos. Por ejemplo, se encontró que una red de puente BA no pudo identificar varios genes de susceptibilidad CRC-bien conocidos, tales como APC, KRAS y BRAF. Las imprecisiones se originan a partir de datos interactome a gran escala podrían dificultar su análisis a fondo de las redes de puentes. Además, las interrelaciones de las vías metabólicas, tales como lípidos, colesterol y metabolismo de la glucosa, ampliarían la capacidad de investigar todos los factores de riesgo para CRC patogénesis. Este enfoque también se podría aplicar a otras enfermedades vulnerables a las anomalías metabólicas, como la obesidad, la diabetes de tipo 2 y la enfermedad de Alzheimer, una vez sensores metabólicos, enzimas y datos interactome adecuada son generados para estas enfermedades. La determinación de las redes de puentes adecuados y precisos para las vías metabólicas puede permitir la identificación de genes de susceptibilidad a la enfermedad y su utilización clínica como marcadores de pronóstico.
En resumen, hemos encontrado que las proteínas del puente, que están implicados en la regulación de BA metabolismo, tienen un potencial pronóstico en pacientes con CCR. A pesar de su potencial para promover la patogénesis CRC, proteínas puente no se habían investigado sistemáticamente en los estudios anteriores. Sobre la base de una métrica ideado para "bridgeness", que computacionalmente seleccionaron las proteínas de puente de una red de referencia y examinamos su potencial pronóstico en el CCR. También probamos si las diferencias en sus patrones de expresión discriminativa en el colon normal y el CRC les hizo relevante para la patogénesis CRC. Los resultados indican que las proteínas del puente que intervienen en la regulación del metabolismo de BA pueden ser marcadores pronósticos fiables para los pacientes con CCR.
Materiales y Métodos
Red de Construcción de puente
La red de referencia para metabolismo BA consistió en sensores metabólicos, enzimas metabólicas y proteínas que interactúan con ambos. El sensor de BA seleccionado fue FXR y las enzimas BA eran los designados en la base de datos de la red metabólica humana EHMN como enzimas implicadas en la ruta "bilis ácido biosíntesis" [19].