Extracto
La evidencia acumulada muestra un vínculo estrecho entre la inflamación y el cáncer. Sin embargo, la identificación completa de los factores de transcripción pivotales (es decir, el núcleo de TFS) la mediación de los enlaces dysregulated sigue siendo un reto, debido principalmente a la falta de muestras que se refleje de manera efectiva las conexiones entre la inflamación y la tumorigénesis. A continuación, se construyó una serie de redes de regulación mediada TF-de un gran compendio de perfiles de expresión de los tejidos normales del colon, enfermedades inflamatorias del intestino (EII) y el cáncer colorrectal (CCR), que contiene 1201 muestras en total, y luego propusimos un Network- enfoque basado en la caracterización de los posibles vínculos de puente inflamación y el cáncer. Con este fin, hemos calculado las relaciones significativamente dysregulated entre la inflamación y sus redes de cáncer vinculados, y fueron identificados 24 TFS núcleo con sus genes dysregulated. En conjunto, nuestro enfoque nos proporciona una visión bastante importante en la tumorigénesis asociada a la inflamación en el cáncer colorrectal, que también podría aplicarse para identificar las relaciones que median funcionalmente disregulados los vínculos entre otras diferentes fenotipos de la enfermedad
Visto:. Xiao Y, Ventilador H, Zhang Y, Xing W, Ping Y, Zhao H, et al. (2013) La identificación sistemática de los factores de la transcripción Core Enfermedades Mediar desregulada Enlaces Bridging inflamatorias del intestino y cáncer colorrectal. PLoS ONE 8 (12): e83495. doi: 10.1371 /journal.pone.0083495
Editor: Paolo Provero, Universidad de Turín, Italia |
Recibido: July 9, 2013; Aceptado: 4 de noviembre de 2013; Publicado: December 26, 2013
Derechos de Autor © 2013 Xiao et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Este trabajo fue apoyado en parte por los grupos de investigación creativo de la Fundación Nacional de Ciencias Naturales de China (números de subvención 81121003, 91129710, 91029717, 91229112 y 31200997), el Fondo de Investigación Especializada para el Programa de Doctorado de Educación Superior de China (número de concesión 20102307110022), la Fundación de Ciencias de la provincia de Heilongjiang (los números de subvención D200834 y C201207) y la Fundación de Ciencias de la Educación Departamento de la provincia de Heilongjiang (número de concesión YJSCX2012-230HLJ). 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
la estrecha relación entre la inflamación y el cáncer en el intestino ha sido apreciado desde hace siglos sobre la base de las observaciones clínicas [1], [2]. Las enfermedades inflamatorias intestinales (EII), que incluyen colitis ulcerosa (CU) y la enfermedad de Crohn (CD), predisponen a los pacientes con el desarrollo de cáncer colorrectal (CRC) [3], que es uno de los cánceres más comunes y mortales en todo el mundo. Aunque, la secuencia de 'adenoma-carcinoma' ha sido durante mucho tiempo una importancia central a los estudios sobre la CRC, se ha observado un cambio en el enfoque de la secuencia de la "inflamación-displasia-carcinoma '[4]. Una posible explicación [5], [6] podría ser que la inflamación, que acelera la adquisición de características cáncer subyacente los tejidos del colon lesionados, podría promover la progresión tumorigénico. Sin embargo, la interpretación de los estrechos vínculos de puente inflamación y el cáncer en el intestino sigue siendo un reto.
Tecnologías de alto rendimiento han promovido en gran medida la producción de grandes cantidades de datos biológicos de capas múltiples, por ejemplo, microarrays de expresión génica [7] , [8]; estos datos han de ser utilizado ampliamente para caracterizar las diferencias moleculares entre las células normales y malignas [9], [10], o las asociaciones moleculares entre distintos fenotipos de la enfermedad [11], por ejemplo, la inflamación y el cáncer. Estos estudios basados en la expresión de éxito identificados los genes individuales que participan en la caracterización fenotípica, mientras que todavía es difícil inferir ningún detalle de las relaciones entre estas moléculas oncogénesis subyacentes. Por lo tanto, es razonable para identificar las relaciones alteradas o disregulados a un nivel de vía o de la red.
Gran parte de la respuesta de la célula a los estímulos internos o externos se rige por una red mundial de reglamentación sobre todo en el nivel transcripcional [12] . Como uno de los principales reguladores de contexto celular mamífero, los factores de transcripción (TFS) contribuyen significativamente a varios procesos patológicos. Greten et al. [13] mostró que el componente específico de factor de transcripción
NF-kB
la inflamación vinculada y la tumorigénesis en el CCR relacionados con la UC, utilizando un modelo de ratón knockout. Un trabajo reciente [14] implicado factor de transcripción
STAT3
en la supervivencia celular y la progresión del ciclo celular de la tumorigénesis colitis asociada. Sin embargo, no se han reportado estudios sistemáticos de TFS implicados en el enlace en el intestino. La traducción de los datos de expresión de todo el genoma en conocimiento de la red es esencial para su posterior análisis a gran escala, lo que requiere de herramientas computacionales, tales como co-expresión o información teórica enfoques asociados [15]. Más recientemente, las redes de genes se construyen típicamente a partir de los datos de expresión génica a través de análisis computacional. El primer análisis a gran escala de la coexpresión de microarrays objetivo de aumentar la estabilidad de inferencia de funciones de genes [16]. Posteriormente, Choi et al. [17] compararon un tumor y la red de co-expresión normal calculado a partir de 13 fenotipos de cáncer distintos y, a continuación, identifica las relaciones coexpression diferencial con alteraciones funcionales. Además de los estudios sobre estas relaciones alteradas, vías o subredes asociadas también se identifican a través de los enfoques basados en la red integradas. En el caso de glioblastoma (GBM), Cerami et al. [18] confirmó que las alteraciones funcionales GBM tienden a ocurrir dentro de los módulos específicos, y por lo tanto trataron de identificar las vías básicas relacionadas con el GBM mediante el análisis de red automatizada. Al mismo tiempo, los sub-redes funcionales en el cáncer colorrectal fueron reconocidos por Nibbe et al. [19] utilizando el algoritmo de paseo aleatorio. Sin lugar a dudas, estos métodos son útiles en la identificación de los mecanismos moleculares asociados enfermedad individual subyacente. Sin embargo, los estudios sobre fenotipo de la enfermedad en respuesta a las perturbaciones moleculares [20] o en asociaciones moleculares entre distintos fenotipos de la enfermedad están aún en su fase inicial. Abdollahi et al. [21] demostraron que el cambio de equilibrio angiogénico a un fenotipo pro-angiogénico se rige por trazados de circuito de la transcripción a nivel mundial en el cáncer de páncreas en respuesta a proteínas endógenas clave, sobre la base de una red de regulación. Otro estudio sobre las distintas etapas de hepatocarcinoma completados por He et al. [22] identificaron los procesos moleculares potenciales mediante la aplicación de un enfoque de red en combinación con la regulación transcripcional
En este trabajo, se adopta un enfoque computacional integrado (Figura 1;. Véase también la figura S1 para un diagrama de flujo de los pasos de cálculo ) para reconstruir las redes de regulación de la normalidad, IBDs y CRC de un gran compendio de perfiles de expresión génica con distintos patrones de expresión de genes inflamación y el cáncer (en adelante, redes IC-específicos), utilizando un algoritmo de ingeniería inversa. Luego se aplica una agrupación basada en la red para caracterizar una pista potencial que une EII y redes de CRC asociados, lo que nos ayuda a distinguir redes inflamatorias con potenciales tumorigénicas. A través de análisis de comparación de la red, las relaciones disregulados se calculan con la ganancia o pérdida de la información mutua entre la inflamación y el cáncer de la red, y luego se construye una red desregulada. Con base en el análisis de patrones mal regulada, que finalmente identificamos 24 TFS pivotales (es decir, el núcleo de TFS), junto con sus genes dysregulated, como candidatos interesantes para los biólogos; esto sin duda va a extender y complementar el conocimiento actual de la tumorigénesis relacionada con la inflamación en el cáncer colorrectal
El procedimiento se divide principalmente en cuatro pasos:. 1) reconstrucción de las redes de regulación IC-específicas de un gran compendio de datos de microarrays; 2) agrupación de las redes de regulación IC-específicas utilizando la red TOM, seguido de las perturbaciones de la red; 3) la construcción de una red dysregulated con bordes dysregulated entre la inflamación y su red de cáncer relacionado basado en comparaciones de la red; 4) la identificación de TFS núcleo a través de análisis de patrones mal regulada. TF, factor de transcripción; Ig, gen de la inflamación; Cg, gen del cáncer colorrectal; MI, información mutua.
Materiales y Métodos
Orígenes de datos
Se recogieron 13 EII y conjuntos de datos de expresión de genes relacionados con el CRC de la Expresión Génica Omnibus (GEO) (Tabla S1). Sus correspondientes archivos de matriz de la serie procesados fueron utilizados como entrada de datos para volver a construir las redes de interacción de genes. Corrección de fondo y la normalización de datos de cada conjunto de datos de expresión que ya se realizaron, por separado. Probe conjuntos asignados a ninguno o varios ID de genes humanos se retiraron. Los valores de expresión se log2 transformado. Para cada conjunto de datos, se extrajeron muestras en condiciones de CU, EC, CRC, y normal, lo que resultó en 22 conjuntos de datos de expresión.
Se obtuvieron 231 genes relacionados con la inflamación de las categorías de ontología de genes "respuesta inflamatoria" (GO: 0006954) y "regulación de la respuesta inflamatoria" (GO: 0050727), que se denomina entonces como el conjunto de genes de la inflamación. El conjunto de genes del cáncer colorrectal (conjunto de genes del cáncer), que incluyó a 196 genes, se genera manualmente desde la línea de herencia mendeliana en la base de datos Man (OMIM) mediante la búsqueda en diferentes palabras clave ( "cáncer colorrectal" O "carcinoma colorrectal" O "neoplasia colorrectal" ). Estos dos conjuntos de genes se denominan a continuación como conjuntos de genes IC. Además, un conjunto TF refiriéndose a 344 TFS única ha sido descargado de TRANSFAC® profesional 11.4.
La reconstrucción de las redes de regulación IC-específicos
En primer lugar, los K-means algoritmo de agrupamiento [23] se aplicó a EII y los conjuntos de datos de expresión relacionadas con el CRC en base a los patrones de expresión de genes en ambos conjuntos de genes de inflamación y el cáncer, la identificación de grupos de la muestra de expresión homogénea que después fueron transferidos a los conjuntos de datos como IC-específicas. Para cada una de las CU, EC, y los conjuntos de datos relacionados CRC con más de 100 muestras, se agruparon las muestras en cuatro grupos utilizando K-means clustering. Los que tienen menos de 100 muestras se agruparon en dos grupos. El perfil de expresión subdividida o conjuntos de datos de expresión IC-específicos, incluidos los datos normal no sometidos a conjuntos de agrupación de tratamiento, se generaron. Entonces, los que tienen menos de 20 muestras fueron excluidos del estudio más a fondo, teniendo en cuenta la precisión del método utilizado para la construcción de las redes de regulación [24]. Los datos no excluye conjuntos se utilizaron para la reconstrucción de las redes de regulación IC-específicas.
Aracne (Algoritmo para la Reconstrucción de Accurate Redes Celulares) [25], que se basa en un enfoque teórico de la información y procesamiento de datos control de la desigualdad (DPI), proporciona una manera de inferir las redes de regulación directamente de los datos de expresión génica. Las interacciones entre TFS y genes fueron identificados mediante el cálculo de la información mutua (MI) estimado por el método de kernel gaussiana con una especificada
p-
valor de corte, que entonces se podaron por análisis de DPI en base a un parámetro de tolerancia. Con base en el conjunto del TF derivado de TRANSFAC, se utilizó el programa Aracne para reconstruir una red de regulación entre TFS y todos los genes detectados por la detección de microarrays de cada uno de los datos de expresión IC-específicos establecidos de forma independiente, con un
p- valor
punto de corte de 0.001 y un punto de corte en la tolerancia estrictos DPI de 0%. A continuación, se extrajeron los IC y TF genes de la red de regulación construida, que se denomina como la red de regulación específica del IC.
La agrupación de redes reguladoras específicas IC-
Una versión modificada de superposición topológica medida ( TOM) [26], [27] de la red llamado TOM fue propuesto para calcular la similitud de propiedades reguladoras para todos los TFS comunes entre cada dos redes de regulación, cuando se realiza la agrupación de las redes IC-específicas. dos redes reguladoras dadas, Sean y el número de vecinos de común en y, respectivamente. El número de vecinos comunes de estuvo representada por, y entonces podríamos definir el para cualquier común de la siguiente manera:
Finalmente, fue resumida en red entre las dos redes y luego dividido por el máximo de red TOM para todos los posibles pares redes, que se utilizó entonces como la medida de la similitud entre las dos redes.
a continuación, las permutaciones de red se aplicaron a esas redes IC-específicos y luego se generaron nuevos resultados de la agrupación a través de la eliminación en repetidas ocasiones una red para toda la redes utilizadas para la agrupación de red y luego dos redes fuera, utilizando la misma medida de similitud.
Informática desregulada relaciones
se define una relación entre el regulador y que están alteradas entre la inflamación y el cáncer de la red, siempre y sólo si la diferencia MI de la relación entre las redes de EII y el CRC es estadísticamente significativa en comparación con la distribución aleatoria.
Dado un par de redes de EII y el CRC, se combinaron los vecinos adyacentes de cada común de la red individual y después se calcularon la diferencia MI para cada relación de todos los TFS comunes. La diferencia entre MI y se calcula de la siguiente manera: dónde y representan entre el MI y en las redes de CRC y la EII, respectivamente. Todos los valores de MI se calcularon a partir del programa de Aracne. Por último, hemos generado todas las diferencias MI para todas las relaciones de todos los TFS comunes entre las dos redes. Para identificar las relaciones desregulados, pruebas de permutación se realizaron 100 veces para ambos conjuntos de datos de expresión de la EII y CRC, lo que resulta en 100 pares de redes aleatorias contados a partir del correspondiente par de conjuntos de datos aleatorios. Hemos calculado repetidamente la diferencia MI para cada relación utilizando todos los pares de las redes aleatorias con EII y CRC obtenidos antes y después fusionamos todas las diferencias MI en una distribución aleatoria. Una tasa de falso descubrimiento (FDR)
p-
valor & lt; 0,05 se utilizó como punto de corte importancia. Esas relaciones dysregulated se visualizaron utilizando software Cytoscape [28]. El componente conectado más grande fue extraído para su posterior análisis.
Factores de Transcripción Identificar Core
Un TF se define como un regulador clave en la red desregulada construido a partir de las relaciones entre las redes disregulados EII y CRC, basado en el grado de distribución de la TF y las proporciones de composición de sus directamente conectados genes inflamación y el cáncer. En cuanto a las proporciones de composición de cada TF, se calculó la relación entre el número de genes de inflamación adyacente a su grado, y la relación del número de genes de cáncer adyacentes a su grado.
Resultados
Reconstrucción de IC-específica normal, EII, y el CRC Reguladora Redes
Se recogieron doce conjuntos de datos de expresión génica de la base de datos GEO (Tabla S1). Fuera de estos datos, se extrajeron 22 conjuntos de lo normal, CU, EC, y los datos de expresión de CRC (normal: 7; UC: 6; CD: 3; CRC: 6) se refieren a 1201 muestras en total. En primer lugar, para generar muestras relativamente homogéneos, se aplicó un K-means algoritmo de agrupamiento de los conjuntos de datos de expresión 22 a partir de los distintos patrones de expresión de 196 genes de cáncer y 231 de la inflamación. Esto dio lugar a 14 UC, 6 CD, y 16 subconjuntos de CRC, que se conocen como IC-específico. Los otros 7 conjuntos de datos normales, que no fueron sometidos a análisis de k medias de agrupación, se cree homogénea y también se incluye para su posterior análisis. Finalmente, veintiún conjuntos de datos de expresión IC-específicos fueron retenidos, incluyendo 5 UC, 2 CD, 11 CRC, y 3 normales, con al menos 20 muestras para cada uno.
A continuación, hemos reconstruido 21 IC-específica las redes de regulación de los correspondientes conjuntos de datos de expresión IC-específicas utilizando el programa de Aracne con un p-valor y una tolerancia de DPI como se describe en Materiales y Métodos. Aracne, como un algoritmo de ingeniería inversa, es ampliamente utilizado para reconstruir las redes de interacción de genes en contexto celular de mamífero. Como la comparación con otros algoritmos de la misma familia, el algoritmo de Aracne se considera bueno en el rendimiento cuando se trata de datos de estado estable (no el tiempo de la serie) y es aún pendientes cuando pocos experimentos están disponibles, en comparación con el número de genes [29] , [30], [31]. Las redes inferidos contenían TFS y todos sus genes potencialmente relacionados. Para ahondar más en los factores fundamentales subyacentes que median los enlaces desregulados, TFS y sus genes IC conectadas directamente se extrajeron, y luego el componente conectado máxima para cada red IC-específica se utilizó para el siguiente análisis (Figura S2).
Figura 2 muestra la red parámetros topológicos de 21 redes IC-específicos, incluyendo red de diámetro, densidad de la red, la cercanía nodo de media, media nodo de rutas más cortas, intermediación, y el grado. También se proporcionan las constituciones de red, es decir, el número de TF, genes de la inflamación y los genes del cáncer que corresponden a cada red. Observamos que los nodos están constituidos de manera similar entre las redes. El número de TFS, inflamación o cáncer de genes en cada red muestra pequeñas alteraciones, que van desde 288 hasta 339, 212-225, y 170-174, respectivamente. Por otra parte, los números respectivos de las constituciones de nodos para los genes comunes TFS, inflamación o cáncer entre cada dos redes IC-específicos también son paralelas entre sí (detalles en la figura S3). Sin embargo, ciertos parámetros topológicos muestran discordancias obvias entre las redes de regulación normales, inflamación o cáncer. Por ejemplo, la media de nodo (sólo TFS) y el borde (todos los bordes) muestran intermediación grandes diferencias entre sí, incluso entre la red cáncer de sí mismos. Mientras que el nodo media (sólo TFS) cercanía y caminos más cortos muestran diferencias moderadas cuando se comparan las redes inflamación y el cáncer.
Los números respectivos de TFS, inflamación y cáncer genes se enumeran en las tres primeras columnas. red de diámetro, densidad de la red, significa la cercanía de nodo (sólo TFS), con una media de ganglios rutas más cortas (solamente TFS), y la media de intermediación de nodos (solamente TFS) y bordes (todos los bordes) también se incluyen en los siguientes seis columnas. Para los primeros nueve columnas, cada una se acompaña con un histograma fuera de la primera fila, con la altura de cada barra indica el número en cada celda de la columna correspondiente. El grado de distribución de sólo TFS en cada red se proporciona como histogramas en la última columna. Los tres negros Las flechas hacia abajo en cada histograma clasifican todas las barras en cuatro grupos, lo que representa el cáncer, CD, normal, y las redes de comunicaciones unificadas, respectivamente. INGENE, el gen de la inflamación; CaGene, gen del cáncer; #, El número; NodeCn, la cercanía nodo; NodeSp, nodo de rutas más cortas; NodeBt, intermediación nodo; EdgeBt, intermediación borde.
Una posible indicación Vinculación de EII y Asociados CRC
Red TOM se utiliza para evaluar la similitud de regulación de TFS común entre cada dos redes diferentes. A continuación, utiliza la medida de similitud a la red a agruparse 21 redes de regulación IC-específicas. Según indicó la agrupación resultado, las redes normales, inflamación o cáncer en general, tienen la máxima similitud en sus respectivas categorías, como la rama de ocho redes de cáncer estrechamente agrupadas se muestran en la Figura 3 (a la izquierda de la línea roja punteada). Exactamente, la sucursal cerca de cinco inflamación (incluyendo CD y UC), y dos redes normales están también estrechamente agrupadas, respectivamente. Estas redes se espera que generen las pautas reguladoras asociadas más de cerca de TFS conforman tres grandes ramas representativas de lo normal, la inflamación y el cáncer (de derecha a izquierda, marcada por la sombra de color correspondiente en la Figura 3). Cada rama significa que estas redes son mucho más paralelo entre sí en los mecanismos de regulación (o patrones de regulación) que con los de otras ramas. Intuitionistically, dos redes normales se agrupan dentro de la rama de las redes de inflamación, lo que hemos denominado la rama normales; su distancia notablemente más pequeño es en realidad una buena representación para el alto rendimiento de nuestra red propuesta TOM. Como era de esperar, estas redes inflamación o cáncer estrechamente agrupadas generaron distancia relativamente grande se deben principalmente a la heterogeneidad de la enfermedad [32].
Red TOM se utilizó como medida de similitud de la agrupación jerárquica. Tres oficinas de representación están marcadas por diferentes sombras de color. Ca, red cáncer; CU y EC, redes de inflamación; normal de la red, lo normal; Ca.GSE25070_24.network, la red cáncer infiere de los datos GSE25070 establecidos con 24 muestras después de someter a K-medios algoritmo de agrupamiento.
Curiosamente, dos redes de comunicaciones unificadas, es decir, UC.GSE3629_22.network y UC.GSE3629_31.network, están muy próximas, junto con una red de CRC, es decir, Ca.GSE13294_42.network, en la rama de la derecha (Figura 3, a la derecha de la línea discontinua roja). En caso de ruido sistemática, tratamos de evaluar la recurrencia de la rama exacta mediante la eliminación al azar una red y luego realizar la agrupación en las redes restantes. A pesar de las perturbaciones de las redes utilizadas para la agrupación podrían causar algunas alteraciones en los resultados finales, se nos anima a ver que las dos redes UC siempre se agrupan con la misma red CRC (Figura 4). Consistentemente, los resultados para la eliminación al azar dos redes a cabo también demuestran que la rama exacta se repite con más frecuencia. Además, como el apoyo de la literatura, los pacientes con CU tienen mayor predisposición a cánceres colitis asociada (CAC), como CRC [33], y el CRC es una amenaza importante en pacientes de larga data de la UC [34], que apoya en parte el enlaces potenciales que implica la rama. por tanto, razonamos que existen algunos mecanismos de regulación similares entre la inflamación y el cáncer de red de regulación, que también sugieren un vínculo funcional entre la UC y el CRC. Mientras tanto, una red normal (Normal.GSE8671_32.network) también parecía estar agrupados de forma inesperada dentro de la misma rama próxima a la red cáncer. Una posible explicación podría ser que el normal de la red derivadas de tejidos de colon normal histológicos ya ha ejecutado los procesos moleculares avanzadas de la inflamación y /o cáncer de debajo de la presentación normal (Figura S4).
Hemos eliminado una red y luego generada nueva agrupación, en repetidas ocasiones, para examinar si esas ramas generados usando todas las redes recurrido o no. (Los nombres de las redes retirados se enumeran en la primera columna. El número 1 en cada celda de la columna de dos a seis medios recurrentes, mientras que el número 0 significa no.). Ramas clasificadas como CaBranch1, CaBranch2, InBranch, NorBranch, ICBranch y NewBranch se extraen manualmente de la agrupación jerárquica utilizando todas las redes. CaBranch1, contiene exactamente las dos redes de Ca.GSE25070_24.network y Ca.GSE3629_67.network. CaBranch2, contiene el cáncer de redes agrupadas estrechamente entre sí. InBranch, incluye redes de inflamación. NorBranch, contiene exactamente las dos redes normales de Normal.GSE11223_63.network y Normal.GSE20881_67.network. ICBranch, contiene exactamente los cuatro redes de UC.GSE3629_22.network, UC.GSE3629_31.network, Ca.GSE13294_42.network y Normal.GSE8671_32.network. NewBranch se muestra en el lado derecho, sólo y sólo si el ICBranch faltaba. Las redes de comunicaciones unificadas en ICBranch están subrayadas por la línea roja en NewBranch.
desregulada Las relaciones entre la UC y su Vinculado CRC
La agrupación de las redes de regulación IC-específicos basados en la red nos ayuda a TOM delinear una pista potencial de vincular la Universidad de California y el CRC asociado, con la rama (Figura 3, a la derecha de la línea roja punteada) que nos proporciona candidatos muy prometedores. Para interpretar los enlaces desregulados, se identificaron las relaciones con la ganancia o pérdida de MI entre la UC y de las redes de CRC significativa. Para la combinación de UC.GSE3629_22.network y Ca.GSE13294_42.network, que en primer lugar se combinaron vecinos directos de TFS común, y luego computamos diferencia MI para cada relación. En segundo lugar, 100 conjuntos de datos de expresión-IC específica al azar para cada uno de los dos conjuntos de datos de expresión, que se utilizaron para la reconstrucción de las redes de regulación correspondiente, se generaron. De cada uno de los 100 pares de conjuntos de datos de expresión al azar, que computa las diferencias en repetidas ocasiones MI para esas relaciones calculadas anteriormente después de la reconstrucción de las redes de regulación aleatorios usando programa de Aracne con parámetros por defecto correspondiente, y luego formamos una distribución aleatoria de las diferencias MI. En comparación con distribución al azar, podríamos definir el significado de cada relación por un valor de p & lt FDR; 0,05. Se consideraron esas relaciones con la ganancia o pérdida de MI significativo como mal regulada. A continuación, se generaron 3394 disregulados relaciones de la combinación, mientras que 2.898 fueron generados a partir de la otra combinación de UC.GSE3629_31.network y Ca.GSE13294_42.network. Por último, se extrajeron 1052 relaciones, que se definieron como mal regulada de forma simultánea en ambas combinaciones, para la construcción de una red mal regulada.
La red, que contiene 625 nodos con 285 TFS, y la inflamación 200 y 162 genes del cáncer, es una representación objetiva de 1052 las relaciones entre los genes desregulados TFS e IC. Clave de red parámetros topológicos (Figura S5) demuestran que es una red libre de escala biológica y del mundo pequeño.
Factores de Transcripción Core mediar en la desregulada Enlaces
Transcripción redes de regulación mediada por el factor sirven como un sistema de toma de decisiones dentro de las células de mamíferos [35]. Por lo tanto, sobre la base de la red construida desregulada, podríamos identificar TFS centrales que funcionan a través de la regulación de los genes adyacentes disregulados puente UC y el CRC asociado. Después de estudiar el grado de distribución de todos los TFS en la red, que umbral de un grado TF de no menos de 8 a ser topológicamente importante. Y luego, se comprobó la relación de la composición de la inflamación y cáncer de genes adyacentes de todos los TFS. Como se indica, TFS se podrían clasificar en tres tipos: TFS cancerígenas con los genes del cáncer en su mayoría adyacentes; TFS inflamatoria con genes de la inflamación sobre todo adyacentes; TFS IC-específicos con ambos genes inflamación y el cáncer adyacentes. Con el fin de identificar aquellos TFS núcleo potencialmente implicados regulan no sólo los genes de la inflamación, sino también los genes del cáncer, las proporciones de composición (incluyendo tanto la relación del número de la inflamación adyacente, y la relación entre el número de genes de cáncer adyacentes) se establecieron como en menos 0,1. A favor de nuestras reglas, 24 TFS núcleo se genera en base a estas restricciones, teniendo en cuenta tanto la restricción de grado y la proporción de constituyentes de sus genes inflamación y el cáncer adyacentes. Los propensos a la regulación de la inflamación o sólo los genes de cáncer y con el grado más bajo que muestra una influencia menor en relación a toda la estructura de la red no se incluyeron. Un mal regulada sub-red (red principal) se construye entonces un total de 24 TFS núcleo con sus genes conectados directamente (Figura 5). La lista básica TF se compone de
STAT3
,
GFI1
,
NFATc1
,
TCF7L2
,
ETS1
,
CEBPG
,
XBP1
,
RUNX3
,
SMAD7
,
SMAD2
,
POU2F2
,
FOXC1
,
TCF4
,
PBX1
,
HOXA4
,
SOX10
,
SREBF1
,
nfyb
,
FoxO1
,
PRDM1
,
ZNF589
,
BACH2
,
POU5F1B
, y
TFF3
. Algunos núcleo de TFS, es decir,
TCF7L2
y
FoxO1
son importantes, que también son objetivos de mutaciones genéticas [36] (Figura 5).
La sub-red se construye a partir 24 de núcleo TFS y sus genes dysregulated IC. Varias interacciones han sido confirmados por otras investigaciones. Por ejemplo, las interacciones entre NFATc1 e IL6, y STAT3 y AKT1, que han sido confirmadas por los experimentos biológicos, se ilustran por el rectángulo discontinuo dos insertado y ofrecen información detallada sobre cómo funciona. Core TFS se destacan en rojo con el tamaño más grande. Los genes con variaciones genéticas que ofrece de marzo et al. están marcadas con una pequeña estrella de cinco puntas.
Algunas núcleo de TFS junto con sus relaciones desregulados son generalmente conocidos, lo que pone de relieve la importancia de la regulación de TFS fundamentales en la reducción de la inflamación y el cáncer en el intestino. Un ejemplo es
NFATc1
junto con su gen desregulada
IL6
[37]. la activación temprana de
IL6
es necesaria para la transformación maligna de las células normales en el modelo de ratón línea celular [38]. La mayoría de los estudios en células T demuestran que la liberación de IL6 depende de la activación de
NFATc1
[39], que también está implicada en la respuesta inmune de múltiples tipos de células que corresponden a la lesión intestinal. Otro factor bien informado-
STAT3
[40] se activa a través de la fosforilación de una manera que IL6 une a su receptor. IL6 podría inducir la transcripción de
STAT3
, y luego lograr sus efectos anti-apoptóticos y pro-tumorigénicos través de
STAT3
y de los objetivos como
AKT1
[41].
AKT1
[42], [43] es esencial en la regulación de la proliferación de células de mamíferos y la supervivencia. Por otra parte, la relación de regulación entre ellos ya ha sido confirmado por Iliopoulos et al. [44]; esta relación está mediada por el miR-21 y su gen diana
PTEN
.
STAT3
puede inducir la tumorigenicidad de las células transformadas y la posterior activación de
NF-kB
[45], que es otra manera de activar
IL6
[46].
Discusión
cáncer de la investigación [47], [48] ha generado un marco conceptual que es útil para comprender las alteraciones complejas y dinámicas en la biología del cáncer. El amplio catálogo de fenotipos y genotipos de cáncer es una manifestación completa de seis características generales (o rasgos) enumeradas por Hanahan et al., Junto con la inflamación, que es poco conocido como "el séptimo '[49]. A pesar de años de investigaciones clínicas y epidemiológicas han ofrecido pruebas acumuladas en la fuerte asociación entre la inflamación y diferentes fenotipos de cáncer, pocos estudios han evaluado exhaustivamente los factores de transcripción que median núcleo de los vínculos entre disregulados EII y CRC asociado.
Las funciones de inflamación en la carcinogénesis son bastante complejas y no se entienden bien, a pesar de que ignoramos la dirección de la causalidad entre la inflamación y el cáncer. Por lo tanto, sobre la base de un número limitado de muestras de cáncer y la inflamación, que es muy difícil para delinear los misteriosos y complejos vínculos entre la inflamación y el cáncer. Aquí, hemos integrado un gran compendio de perfiles de expresión de microarrays en el nivel de la red, y por separado extrajeron muestras de inflamación y el cáncer con niveles transcripcionales similares de la inflamación y genes relacionados con el cáncer.