Extracto
Aplicaciones
Este estudio tiene como objetivo explorar la expresión génica firmas y suero biomarcadores para predecir la quimio-resistencia intrínseca en el cáncer de ovario epitelial (EOC).
pacientes y métodos
perfiles de expresión génica de datos de 322 casos de EOC de alta calidad entre los años 2009 y 2010 en el proyecto Atlas del Genoma del cáncer ( TCGA) se utilizaron para desarrollar y validar las firmas de expresión de genes que podrían discriminar diferentes respuestas a los tratamientos de primera línea de platino /a base de paclitaxel. a continuación, una red de regulación de genes fue construido para identificar más genes hub responsables de la expresión génica diferencial entre el grupo de respuesta completa (RC) y el grupo de enfermedad progresiva (PD). Además, para encontrar biomarcadores séricos más robustos para la aplicación clínica, hemos integrado nuestros genes firmas y firmas de genes se informó anteriormente para identificar los genes que codifican proteínas de secreción mediante la búsqueda en la base de datos DAVID. Al final, la red de interacción gen-droga fue construido mediante la búsqueda comparativo Toxicogenómica base de datos (CTD) y la literatura.
Resultados
Un modelo predictivo 349-gen y un modelo de 18-gen independiente de la llave características clínicas con alta precisión fueron desarrollados para la predicción de la quimio-resistencia en la EOC. Entre ellos, se identificaron diez genes hub importantes y seis vías de señalización críticas para tener implicaciones importantes en la respuesta a la quimioterapia. Además, se identificaron diez biomarcadores séricos potenciales para la predicción de la quimio-resistencia en la EOC. Por último, hemos sugerido algunos medicamentos para el tratamiento individualizado.
Conclusión
Hemos desarrollado los modelos predictivos y biomarcadores séricos para el platino respuesta /paclitaxel y estableció el nuevo enfoque para descubrir potenciales biomarcadores séricos de la expresión génica perfiles. También se sugieren las posibles fármacos que se dirigen a los genes hub
Visto:. Han Y, Huang H, Xiao Z, Zhang W, Cao Y, Qu L, et al. (2012) Análisis integrado de la Expresión Génica Perfiles asociados con la respuesta del tratamiento basado en platino de paclitaxel /en el cáncer ovárico epitelial. PLoS ONE 7 (12): e52745. doi: 10.1371 /journal.pone.0052745
Editor: Sandra Oršulić, el Cedars-Sinai Medical Center, Estados Unidos de América
Recibido: 12 de septiembre de 2012; Aceptado: 21 Noviembre 2012; Publicado: December 27, 2012
Derechos de Autor © 2012 Han 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 estudio fue financiado por el Programa Nacional 973 de China (2009CB521805). 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
cáncer de ovario
epitelial, que representa más del 90% de todos los cánceres de ovario, ocurre más comúnmente en sexta y séptima décadas de las mujeres postmenopáusicas y es una causa principal de muerte por cáncer entre las mujeres en los países desarrollados [1]. En los Estados Unidos, había aproximadamente 21.990 nuevos casos de cáncer de ovario diagnosticados y 15.460 muertes en 2011 [2]. cirugía citorreductora primaria seguida de quimioterapia postoperatoria se considera el estándar de tratamiento para el cáncer de ovario avanzado [3]. la quimioterapia de primera línea con agentes de platino y paclitaxel es capaz de lograr una respuesta completa (RC) en el 70% de los pacientes con enfermedad avanzada [4]. Sin embargo, aproximadamente 30% de los pacientes no responden a estos medicamentos e incluso los pacientes que inicialmente responden a la quimioterapia de primera línea sufren recaídas frecuentes y, finalmente, llegar a ser resistentes a dichos agentes.
Cómo predecir la resistencia a quimioterápicos y aún más importante, ¿cómo para revertir la resistencia están clínicamente desafió. Uno de los enfoques es la identificación de biomarcadores predictivos especialmente los biomarcadores que podrían ser también dianas terapéuticas. perfiles de expresión génica tecnología fue utilizada para identificar biomarcadores relacionados con la quimio-resistencia-[5] - [13]. Sin embargo, hasta la fecha, sin firma la expresión génica se ha demostrado ser suficientemente eficaz en la predicción de la quimio-resistencia en la práctica clínica, que es en gran parte debido a la inadecuada muestra de inclusión y /o el tamaño pequeño de la muestra utilizada en los estudios.
Para la dirección este desafío, se seleccionaron de manera crítica y evaluaron 322 pacientes con cáncer de ovario seroso solamente con la enfermedad CR o progresiva (PD) a la terapia con platino /a base de paclitaxel a partir del proyecto del Genoma del cáncer Atlas (TCGA) para identificar genes firmas de expresión asociados con la quimio-resistencia. Mediante el uso supervisado método de componentes principales, un modelo predictivo 349-gen y un 18-de-gen correlaciona modelo independiente de la edad del paciente, el estadio, reducción de volumen etapas de estado o tumorales fueron desarrollados para la predicción de la quimio-resistencia. Además, para identificar biomarcadores quimioterapéuticos de suero para una aplicación más práctica clínica, combinamos nuestro perfil de expresión de 322 genes y cuatro hallazgos anteriores, que han sido seleccionados en base a los criterios estrictos del perfil de expresión génica del cáncer epitelial de ovario, la validación, el tamaño apropiado de la muestra, y la predicción de la respuesta al tratamiento de quimioterapia de primera línea. Encontramos diez biomarcadores séricos que tienen valor predictivo de respuesta primaria a la quimioterapia de primera línea. Al final, se sugirieron varios fármacos que podrían dirigirse genes hub en nuestros modelos. Nuestros resultados proporcionan una plataforma para la selección de los fármacos más adecuados para un mejor resultado del tratamiento de estos pacientes resistentes a platino /quimioterapia basada en paclitaxel.
Pacientes y métodos
Ética Declaración
Somos libres para utilizar los datos de cáncer de ovario en TCGA mediante el cumplimiento de sus criterios de libertad-a-publicar: Un marcador de papel ha sido publicada en ese tipo de tumor. El Comité de Ética de Investigación de la Universidad de Pekín Hospital Cancer & amp; Instituto dispensado el requisito de la aprobación ética de este análisis debido a que el registro es una base de datos sin identificación. consentimientos por escrito se obtuvieron de todos los pacientes vivos.
Pacientes y muestras de tejidos
Un total de 322 pacientes con cáncer de ovario seroso de alto grado fueron cuidadosamente seleccionados de la base de datos TCGA (Instituto Nacional del Cáncer. El cáncer portal de datos del genoma atlas. http://tcga-data.nci.nih.gov/tcga/findArchives.htm. Accessed September 1, 2011). Información detallada de los pacientes seleccionados que incluyen la edad al momento del diagnóstico, estadio tumoral, el grado de reducción de volumen y el estado se enumeran en la Tabla 1. Información Todos los especímenes de cáncer de ovario 'y definiciones clínicas fueron descritas anteriormente [14]. Todos los pacientes seleccionados recibieron una /un tratamiento a base de paclitaxel primera línea de platino, excepto que el régimen de tratamiento cuatro pacientes era desconocido. Las 322 muestras se dividieron al azar en la formación (n = 200) y los conjuntos de prueba (n = 122). En el conjunto de entrenamiento, 177 de 200 pacientes demostraron CR y 23 de 200 pacientes demostraron PD al tratamiento primario de platino /a base de paclitaxel después de la cirugía. En el conjunto de pruebas, 110 de 122 pacientes tuvieron CR y 12 de 122 pacientes tenían PD /tratamiento basado en platino paclitaxel.
Selección de los estudios indicados previamente publicados
Con el fin de encontrar estudios previos estrechamente relacionados con nuestro estudio, se realizaron búsquedas en las bases de datos en línea de 2005~2011 con criterios estrictos: el mismo subtipo de cáncer, validación, el tamaño apropiado de la muestra, y la predicción de la respuesta al tratamiento de quimioterapia de primera línea. Cuatro estudios fueron identificados [6], [8], [10], [11] y su información detallada se enumeran en la Tabla 2. Para la validación de nuestros genes firma, 3 conjuntos de datos [15] - [17] a partir de la base de datos NCBI GEO [18] fueron descargados. Estos 3 conjuntos de datos son todos los perfiles de expresión génica de las líneas celulares de cáncer de ovario chemoresistant 'A2780 resistente' y la línea celular de sus padres 'A2870', que se genera de forma independiente por 3 grupos diferentes. Hay 5, 3 y 6 repeticiones en conjuntos de datos GSE15372, GSE28646, y GSE33482 respectivamente. Los genes que están estrechamente relacionados con platino /respuesta al tratamiento con paclitaxel también se buscaron en la base de datos CTD.
perfiles de expresión génica Análisis
perfiles de expresión génica de datos (nivel 3) de 322 ovario seroso muestras de cáncer se obtuvieron del Portal de datos TCGA. El perfilado de todas las muestras se llevó a cabo en la U133A chip de genes humanos (Affymetrix, Santa Clara, CA).
Bioinformática y Análisis Estadístico
Se empleó el método de componentes principales supervisado para la generación de un general gen modelo predictivo y un modelo de gen que es independiente de las características clínicas clave, incluyendo la edad, estadio de reducción de volumen de estado, y el grado (modelo de-correlacionada). El análisis anterior se llevó a cabo utilizando el paquete superpc [19] en I 2.14.0 (R Fundación para la Computación de Estadística [http://www.r-project.org/]). Los genes expresados diferencialmente en 3 GEO conjunto de datos también se calcularon en R. Se utilizó para el análisis Chea factor de transcripción [20], David y Clon /convertidor Gene ID para la anotación de genes [21], [22], y se reúnen para análisis de vías de enriquecimiento [ ,,,0],23]. GNCpro (http://gncpro.sabiosciences.com/gncpro/gncpro.php), C3NET paquete [24] en I 2.14.0, Mimi complemento [25], y GeneMANIA [26] plugin de Cytoscape [27] fueron empleados para explorar y parcela gen-gen interacción de la red y la red de factor de transcripción, así como los diez mejores genes 'red de interacción y la red de interacción gen-drogas.
pruebas estadísticas estándar se utilizaron para analizar la expresión de genes de perfiles clínico y datos, incluyendo la χ
2 test, prueba exacta de Fisher y muestras independientes
t-test
. La significación se define como un
p valor Red de menos de 0,05. Benjamini-Hochberg múltiples pruebas de corrección se utilizó para estimar la tasa de falso descubrimiento en el análisis de la vía [28]. Características operativas del receptor (ROC) y el área bajo la curva (AUC) fueron utilizados para la evaluación de la firma previsibilidad. Los análisis se realizó utilizando principalmente R y SPSS versión 18 (SPSS Inc., Chicago, Illinois).
Resultados
Desarrollo de modelos predictivos de respuesta asociados con quimioterapéutico
Para identificar un gen firma la expresión que predice la respuesta a la quimioterapia y por lo tanto ayudar a determinar el régimen más apropiado para el tratamiento personalizado, un modelo predictivo 349-gen y un 18-gen modelo de-correlacionada se desarrolló a partir del conjunto de entrenamiento usando el paquete superpc en Bioconductor (Fig. 1) . En concreto, en primer lugar se calculó la puntuación de regresión univariante de cada función (12042 genes) en lo que respecta a los resultados del tratamiento del paciente (CR o PD). A continuación, se realizó un 10 veces la validación cruzada para averiguar la mejor umbral y para formar una matriz de datos reducida que consiste en sólo aquellas características cuya puntuación supera un umbral (en nuestro caso, el mejor umbral es de 1,26). A continuación, se realizó un análisis de componentes principales para averiguar el conjunto de genes más significativa para la predicción de la respuesta al tratamiento. Resulta que el primer componente principal contiene 349 características es la mejor (
p = 0,025
). Con el fin de mantener la potencia más fuerte en la predicción de la respuesta, que no hicimos la contracción. Por último, el componente principal más significativo en un modelo de regresión se utiliza para predecir el resultado del tratamiento. Del mismo modo, en el caso del desarrollo de modelo-de correlacionadas, en primer lugar hemos montado un modelo lineal de las características clave clínicas (edad, etapas, el estado de reducción de volumen y grado) como predictores de la competencia, y luego sustituimos estas características por el residuo de esta forma. En el proceso de construcción del modelo superpc, estas características 'correlacionados De' se usan para buscar explícitamente predictores independientes de las características clínicas principales. Elegimos el umbral de 1,85 y el primer componente principal contiene 18 funciones con p = 0,001. Dado que el modelo 18-gen es un pequeño conjunto de genes, que no hicimos la contracción tampoco.
Los casos de cáncer de ovario seroso 322 de alto grado se dividieron al azar en el conjunto de entrenamiento (200 muestras) y el conjunto de pruebas (122 muestras). El conjunto de entrenamiento se utilizó para generar el modelo predictivo y el modelo de correlación de-que es independiente de las características clínicas principales. A continuación, estos dos modelos se validaron utilizando el conjunto de pruebas. A continuación se utilizó 3 conjuntos de datos de la base de datos GEO para validar la firma genes en nuestros hallazgos. Para explorar las posibles biomarcadores en el suero, se combinaron firma genes en estos dos modelos con genes previamente reportados en cuatro estudios previos y preguntó sobre estos genes en la base de datos DAVID. Setenta y siete genes que codifican proteínas secretoras se identificaron (Tabla S3). La previsibilidad de los genes de respuesta a la quimioterapia fue entonces examinado individualmente utilizando los datos de todas las 322 muestras. Por último, se realizó un análisis funcional de los genes de la firma y sugirió que algunos fármacos que podrían dirigirse los genes hub en nuestros hallazgos.
Tal como se muestra en la Fig. 2, la firma 349-gen tenían una AUC = 0,826 (
p Hotel & lt; 0,001) en el conjunto de entrenamiento (Fig. 2A) y el AUC = 0,702 (
p = 0,022
) en el conjunto de prueba (Fig. 2B). El 18-gen de-correlacionada firma tenía una AUC = 0,775 (
p Hotel & lt; 0,001) en el conjunto de entrenamiento (Fig. 2C) y el AUC = 0,614 (
p = 0,197
) en el conjunto de pruebas (Fig. 2D). En el modelo 349-gen, 30 genes más ponderados se enumeran en la Tabla 3 (Determinamos los 30 mejores genes por el grado de importancia-score de cada gen en la Fig. S6, que se calcula para cada gen igual su correlación con el supervisado componente principal predictor. Véase la Tabla S1 para obtener información de todos los genes 'en este modelo) y 18 genes en el 18-gen modelo de correlacionadas fueron listadas en la Tabla 4 (importante-score de cada gen aparece en la Fig. S7).
la curva (a) ROC del modelo predictivo 349-gen en el conjunto de entrenamiento (200 muestras, de las AUC = 0,826;
p & lt;
0,001 (B) de la curva ROC del modelo predictivo 349-gen en. el conjunto de pruebas (122 muestras, AUC = 0,702;
p = 0,022)
(C) curva ROC del modelo predictivo de-correlacionada de 18 genes en el conjunto de entrenamiento (200 muestras, de las AUC = 0,775;.
p
. & lt; 0,001 (D) de la curva ROC del modelo predictivo de-correlacionada de 18 genes en el conjunto de pruebas (122 muestras, AUC = 0,614;
p = 0,197
).
sobre la base de estos resultados, el modelo 349-gen tenía una alta sensibilidad y especificidad, tanto en el conjunto de entrenamiento y el conjunto de pruebas. El 18-gen modelo de-correlacionada tiene buena sensibilidad y especificidad en el conjunto de entrenamiento, pero relativamente baja sensibilidad y especificidad en el conjunto de pruebas.
Análisis funcional de los genes de la firma de los dos modelos predictivos
Para entender las funciones biológicas de los genes de la firma desde el modelo predictivo 349-gen y el 18-gen modelo de-correlacionada involucrado en la quimio-resistencia, hemos realizado tres tipos de análisis. En primer lugar, se realizó un análisis de las redes de interacción gen-gen para identificar los genes de cubo en el modelo 349-gen utilizando MIMI plugin de Cytoscape (Fig. 3). Mediante la definición de genes de cubo como genes que interactúan con al menos tres otros genes, se identificaron diez genes de cubo (Tabla 5), de los cuales UBE2I (enzima ubiquitina-conjugación E2I) [29], [30], CASP3 (caspasa 3, apoptosis relacionados peptidasa cisteína) [31] y la proteína activada por mitógenos mapk3 (quinasa 3) [32], [33] están estrechamente asociado con platino /respuesta quimioterapéutico basado en paclitaxel.
Los genes que interactúan con al menos otros tres se seleccionaron genes, entre los que UBE2I, CASP3 y mapk3 son moléculas importantes que están involucrados en la progresión del cáncer de ovario o de quimiorresistencia. La información detallada de estos diez genes de cubo se enumeran en la Tabla 4.
Teniendo en cuenta que la mayoría de los cambios en la expresión de genes están regulados por factores de transcripción aguas arriba de reglamentación y /o genes de señalización, que luego se buscaba en Chea de factores de transcripción que se regulan los 349 genes. No se encontraron (Tabla S2); veintinueve factores de transcripción con significación estadística (0,01
p Hotel & lt). Sobre la base de diferentes tipos de interacción, hemos construido una red de interacción de estos factores de transcripción (Fig. S5) .y realizó un análisis de la vía de enriquecimiento usando estos factores. Se encontró que seis vías estaban más relacionados con ocho de los 29 factores de transcripción, incluyendo la vía de señalización MAPK (
p = 0,0007
), señalización de TGF-beta vía (
p = 0,001
), célula ciclo (
p = 0,001
), vía de señalización Wnt (
p
= 0,003), la adhesión focal (
p
= 0,007), y la proliferación celular (
p
= 0,02). Estas vías pueden desempeñar un papel importante en la quimio-resistencia en el cáncer de ovario. Información detallada de los factores de transcripción se enumeran en la Tabla 6 y la Tabla S2.
La red de interacción gen-gen del modelo 18-gen fue construido por C3NET en Bioconductor (Fig. S6A), en la que 17 genes tienen interacciones físicas con los otros genes. Para obtener una visión más completa de los 18 genes y sus vecinos que interactúan, se construyó una red utilizando GNCpro (Fig. S6B), en el que 11 de los 18 genes tienen interacciones con los otros genes y PAPPA, TNFSF11, y ESR2 son importantes genes hub en el modelo de 18-gen. Como se muestra en la Fig. S6B, TNFSF11 hasta regula los factores de transcripción críticos tales como Jun, SRC y AKT1, ESR2 tiene interacciones físicas con SP1, AKT1 y SRC, y PAPPA modifica IGFBP4 [34] - [40].
La caza de suero Potencial biomarcadores para quimioterapéutico respuesta
desde biomarcador de suero se detecta más convenientemente en las clínicas, hemos tratado de establecer una nueva forma de identificar potenciales biomarcadores séricos de respuesta a la quimioterapia de perfiles de expresión génica mediante la orientación genes que codifican proteínas de secreción. Hemos integrado genes en el modelo 349-gen y el modelo 18-gen y los genes de los cuatro estudios anteriores y búsquedas de los genes que codifican las proteínas de secreción en la base de datos DAVID (Fig. 1). Como resultado, se identificaron 77 genes para codificar las proteínas secretoras que podrían ser secretados en el suero (Tabla S3). A continuación, prueba los valores predictivos de estos genes de respuesta a la quimioterapia de forma individual utilizando la expresión de genes de perfiles de datos 322 y se calcula el valor AUC de estos genes (Tabla S4). Se encontró que la tapa diez genes con altos valores de AUC (Tabla 7) para tener la capacidad de discriminar el grupo CR del grupo PD (
p
& lt; 0,05), de los cuales AFM ha sido informado de que un suero independiente biomarcador de CA125 para la predicción de la progresión del cáncer de ovario mediante el análisis de proteómica comparativa [41], [42].
análisis funcional del Potencial terapéuticas en suero biomarcadores
para investigar más a fondo el papel de los los diez primeros biomarcadores séricos en respuesta a la quimioterapia, se construyó una red de interacción gen /proteína utilizando GNCpro. Como se muestra en la Fig. 4A, IL1RL1, PRG4, AFM, GIP y COMP parecían ser genes críticos de cubo ya que podrían interactuar con los genes que se sabe están involucrados en la quimiorresistencia. Por ejemplo, AFM parece interactuar indirectamente con MUC1, ESR1, y BRCA1 que se sabe que contribuyen a la resistencia a la de platino /tratamiento a base de paclitaxel (Fig. 4B).
genes cubo (A) y vecina los genes de los diez genes que codifican proteínas de secreción. (B) AFM fue ejemplificada para mostrar los posibles mecanismos de los diez primeros genes que codifican proteínas de secreción probablemente involucran en la quimio-resistencia.
validación adicional de los genes en nuestra firma, genes principales, así como potenciales biomarcadores séricos
Hemos validado aún más en nuestros genes, genes de la firma del cubo y potenciales biomarcadores séricos de 3 formas más. En primer lugar, usamos 3 conjuntos de datos diferentes (GSE15372, GSE28646 y GSE33482) de la base de datos NCBI GEO para validar nuestros datos. Estos 3 conjuntos de datos son todos los perfiles de expresión génica de las líneas celulares de cáncer de ovario chemoresistant 'A2780 resistente' y la línea celular de sus padres 'A2870', que se genera por 3 grupos diferentes. Hay 5, 3 y 6 repeticiones en conjuntos de datos GSE15372, GSE28646 y GSE33482, respectivamente. Genes expresados diferencialmente en estos 3 conjunto de datos se calcularon y se muestran en la Tabla S8. Usamos el diagrama de Venn para mostrar el solapamiento entre los genes de la firma y los genes expresados diferencialmente (Fig. 5). 133 genes de modelo 349-gen, 9 genes de modelo 18-gen, 7 de 13 genes de cubo y 5 de 10 biomarcadores séricos potenciales se solapan con los genes expresados diferencialmente de esos 3 conjuntos de datos (Fig. 5A, 5B, 5C y 5D, respectivamente).
el diagrama de Venn muestra la cantidad de genes en el modelo 349-gen (A), el modelo (B), los genes del cubo (C), y la parte superior 10 biomarcadores séricos (D 18-gen) se solapan con 3 conjuntos de datos externos GSE15372, GSE28646 y GSE33482.
Mientras tanto, se realizaron búsquedas de base de datos CTD para genes que podrían asociados con la sensibilidad a fármacos de platino /a base de paclitaxel (Tabla S5), entonces el solapamiento entre nuestra firma genes y resultados de las búsquedas también se presentó (Fig. S4C). 30 del modelo 349-gen, 3 de modelo 18-gen y 4 de 13 genes hub se solapan con los resultados de las búsquedas.
Además, presentamos el solapamiento entre los genes de la firma y la firma de esos genes (4 literaturas Fig. S3 y S4B). 16 genes de modelo 349-gen, genes de 0 modelo 18-gen, 1 de 13 genes de cubo, y 2 de 10 biomarcadores séricos potenciales se solapan con las firmas de genes a partir de 4 publicaciones anteriores (Tabla S9). Sin embargo, como podemos ver en la figura S4D, firma genes de las literaturas de la Tabla 2 también muestran poca superposición entre ellos. Esto puede ser debido a su relativamente pequeño tamaño de la muestra, diferente nivel de selección de la muestra, o diferentes métodos para desarrollar modelos predictivos.
Construcción de red de interacción gen-drogas y la orientación de genes sugerencia de drogas
Como nos ya tiene factores de transcripción y genes clave del cubo, lo que se quiere saber qué medicamentos podrían dirigirse a estos genes con el fin de revertir la resistencia a /tratamiento basado en platino paclitaxel. Mediante la búsqueda en la base de datos NCBI CTD y Pubmed, se encontraron varios fármacos inhibidores específicos y para interactuar con nuestros principales factores de transcripción y genes de cubo. Mediante la combinación de estos resultados, podemos construir una red de interacción del factor de drogas de transcripción clave (Fig. S7) y un concentrador de red de interacción gen-química (Fig. 6), que no sólo nos muestran los productos químicos que pueden inhibir estos factores de transcripción clave y los genes de cubo , sino que también nos dicen cómo estos genes podrían aumentar o disminuir la susceptibilidad de fármacos quimioterapéuticos. Por ejemplo, ESR2 podría aumentar la susceptibilidad del paciente a cisplatino, etopósido y Raloxifeno, mientras Gefitinib podría aumentar la expresión de ESR2. Mapk3 podría disminuir la susceptibilidad del paciente a la doxorrubicina, dacarbazina y estrógenos, mientras que gefitinib y cisplatino podría disminuir la expresión de mapk3, lo que sugiere gefitinib podría ser un buen fármaco para pacientes platino /resistentes a paclitaxel.
El centro de gene- red de interacción de drogas nos muestra cómo estos genes y medicamentos podrían interactuar entre sí. Por ejemplo, ESR2 podría aumentar la susceptibilidad del paciente a cisplatino, etopósido y Raloxifeno, mientras Gefitinib podría aumentar la expresión de ESR2.
Discusión
Predicción de la respuesta a la quimioterapia es siempre un reto clínico tarea. Se han realizado muchos esfuerzos para encontrar la expresión génica firmas para discriminar diferentes respondedores utilizando la tecnología de alto rendimiento. Sin embargo, ninguna de esas firmas de genes se utiliza formalmente en las clínicas. Las posibles razones podrían carecer de selección de la muestra crítico o el tamaño pequeño de la muestra. Nuestro estudio y 4 publicaciones anteriores que figuran en la Tabla 2 están destinadas para averiguar firmas de genes para predecir el resultado del tratamiento basado en platino de cáncer de ovario seroso. Y hay varios genes que se superponen entre nuestras firma genes y los genes de la firma de publicaciones anteriores. Sin embargo, hay varias diferencias entre la nuestra y esos 4 publicaciones. .. Los métodos estadísticos para el desarrollo de modelos que utilizamos (Dressman y col escopeta estocástico de búsqueda [10], Ju et al seleccionar manualmente los mejores genes expresados diferencialmente [11], Helleman et al BRB & amp;. SAM [8], y Jazaeri y col . BRB [6]), tamaño de la muestra, y el estándar de selección no son lo mismo. Nuestro modelo de tamaño (firma 349-gen) es más adecuada en comparación con Dressman et al. (1704 sondas que representa 1388 genes). Aunque Ju et al., Helleman et al. y Jazaeri et al tienen tamaño del modelo (100, 68, y 85, respectivamente), que o bien habían fijado pequeña formación o superior motivada simplemente diferencialmente los genes expresados como predictores.
En conclusión, nuestras firmas son nuevos en comparación con el 4 publicaciones anteriores (Tabla 2) en 4 aspectos: 1) Tenemos un tamaño de muestra más grande (322 frente a 119, 96, 45 y 13), que son más convincible en el desarrollo de modelos predictivos. 2) Tenemos una mejor selección de la muestra (sólo usar muestras CR y PD y se centra principalmente en la resistencia de platino /paclitaxel). 3) Con el fin de averiguar qué genes están verdaderamente relacionadas con los resultados del tratamiento y para excluir el sesgo potencial de esas características clínicas clave, hemos desarrollado un modelo de correlacionadas que era novedoso. 4) Se empleó el análisis de componentes supervisada para desarrollar una firma 349-gen y la firma de 18 genes, que es diferente del que se acaba utilizando más altos genes expresados diferencialmente (Ju et al.).
Para aclarar aún más la contribución biológica de aquellos firma genes a los resultados del tratamiento, se construyeron las redes de regulación para identificar los genes críticos del cubo y vías de señalización diferencialmente presentes en los grupos CR y PD. Entre los diez genes de cubo identificados en el modelo 349-gen, UBE2I se correlaciona con subtipos histológicos de EOC [43], CASP3 es el marcador más importante de la apoptosis [44], y mapk3 juega un papel crucial en la progresión del EOC. Los otros genes (SMARCE1, DISC1, CENTD2, RHOT1, ARHGAP6, ARHGEF9 y ARHGEF11) también están involucrados en la progresión del cáncer o la quimio-resistencia [45] - [49]
Dado que los perfiles de expresión génica son ruidosos y es difícil. para encontrar la mayoría de las vías significativas al hacer el enriquecimiento vía directa, hemos creado una nueva estrategia para resolver este problema. Nuestra estrategia se basa en dos aspectos: 1) la mayoría de los cambios de expresión génica son regulados por factores de transcripción y 2) la acción de factores de transcripción es relativamente menos ruidoso. Por este método, se encontró que los genes en el modelo 349-gen se regulan por 29 factores de transcripción que están enriquecidos en los seis vías críticas, incluyendo MAPK, TGF beta, Wnt, ciclo celular, la adhesión focal y vías de señalización de proliferación celular. La asociación de estas vías con la respuesta a la quimioterapia o la progresión del cáncer se ha informado en estudios anteriores [50] - [58]. Los genes de cubo, factores de transcripción y vías de señalización críticos identificados se podrían objetivos potenciales para el diseño de fármacos después de una validación adicional.
Una característica importante de un biomarcador ideal es fácil de detectar. por lo tanto hemos desarrollado un nuevo enfoque para detectar biomarcadores quimioterapéuticos que podrían detectarse en el suero. Encontramos diez genes que codifican proteínas secretoras que tienen la capacidad de separar CR de PD y por lo tanto podría ser potenciales biomarcadores séricos para la predicción de la respuesta a la /el tratamiento basado en paclitaxel platino en EOC. AFM identificado en el estudio se informó a ser un marcador de diagnóstico independiente de CA125 [42], que en parte se apoya nuestra estrategia y resultados. Desde CA125 es el biomarcador convencional para la progresión del cáncer de ovario y de respuesta a la quimioterapia, la adición de AFM de CA125 podría mejorar de este modo el poder pronóstico en el EOC.
La construcción de la red de interacción gen-drogas nos dio más pistas sobre la forma de elegir los medicamentos adecuados para el tratamiento individualizado. Como se muestra en la sección de resultados, Gefitinib puede ser un medicamento apropiado para el tratamiento de pacientes de platino /resistentes a paclitaxel por la disminución de la expresión de mapk3 y el aumento de la expresión de ESR2
.
Aunque nuestros resultados son alentadores, todavía hay algunas preguntas sin respuesta. Por ejemplo, las validaciones experimentales siguen siendo necesarios para explorar las funciones específicas de los genes de cubo, factores de transcripción y vías de señalización en la quimio-resistencia utilizando líneas celulares de cáncer de ovario y de los animales. Además, tenemos que probar aún más esos biomarcadores séricos utilizando muestras de suero de pacientes con cáncer de ovario.
Resumiendo, hemos desarrollado dos modelos predictivos que producen conocimientos sobre los mecanismos moleculares de la quimio-resistencia. Sobre la base de los modelos, hemos construido una red de regulación aguas arriba en el que varios factores de transcripción críticos y vías de señalización pueden desempeñar un papel crucial en la quimio-resistencia en la EOC. Además, mediante la integración con los resultados publicados, encontramos diez biomarcadores séricos potenciales que podrían ser utilizados en la práctica clínica. Además, la red de interacción gen-droga fue construido, que no sólo nos muestra qué medicamentos pueden inhibir estos factores de transcripción y genes hub clave, pero también nos dicen cómo estos genes podrían aumentar o disminuir la susceptibilidad de fármacos quimioterapéuticos. Este es un buen comienzo para nosotros seleccionar los fármacos más adecuados para un mejor resultado del tratamiento de estos pacientes resistentes a platino /quimioterapia basada en paclitaxel.
Apoyo a la Información sobre Table S1. Lista de amigos de genes de la firma 349-gen.
doi: 10.1371 /journal.pone.0052745.s001 gratis (XLSX)
Tabla S2.
potenciales factores de transcripción que regulan los genes en la firma 349-gen.
doi: 10.1371 /journal.pone.0052745.s002 gratis (XLSX) sobre Table S3.
77 genes que codifican proteínas secretoras relacionados con /tratamiento basado en paclitaxel platino (integrado nuestros resultados con estudios previos 4).
doi: 10.1371 /journal.pone.0052745.s003 gratis (XLSX) sobre Table S4.
Área Bajo la Curva de genes que codifican proteínas secretoras.
doi: 10.1371 /journal.pone.0052745.s004 gratis (XLSX) sobre Table S5.
Los genes interactúan con el platino o paclitaxel buscaron la base de datos CTD.
doi: 10.1371 /journal.pone.0052745.s005 gratis (XLSX) sobre Table S6. Importancia-resultados de 349 genes en el modelo de regresión predictiva.
doi: 10.1371 /journal.pone.0052745.s006 gratis (XLSX) sobre Table S7. Importancia-resultados de 18 genes en el modelo de-correlacionados.
doi: 10.1371 /journal.pone.0052745.s007 gratis (XLSX) sobre Table S8.
genes expresados diferencialmente en GSE15372 & amp; GSE33482 & amp; GSE28646.
doi: 10.1371 /journal.pone.0052745.s008 gratis (XLSX) sobre Table S9. firma genes
de 4 publicaciones anteriores que se enumeran en la Tabla 2.
doi: 10.1371 /journal.pone.0052745.s009 gratis (XLSX)
Figura S1. mapa
calor de la firma 349-gen contra 322 pacientes. Este diagrama muestra el mapa de calor de la firma 349-gen contra 322 pacientes, en la que las filas representan los diferentes genes en 349- firma genética y las columnas representan los distintos pacientes. La barra azul sobre el mapa de calor representa CR y la barra verde representa PD
doi:. 10.1371 /journal.pone.0052745.s010 gratis (TIFF)
figura S2. mapa
calor de la firma 18-gen contra 322 pacientes. publicaciones.