Extracto
Las tecnologías genómicas incluyendo microarrays y secuenciación de próxima generación han permitido la generación de firmas moleculares de cáncer de próstata. Se cree que las listas de genes expresados diferencialmente entre los estados malignos y no malignos siendo fuentes fértiles de biomarcadores de cáncer de próstata putativo. Sin embargo, tales listas de genes expresados diferencialmente pueden ser muy variables por múltiples razones. Como tal, mirando a la expresión diferencial en el contexto de los conjuntos de genes y las vías ha sido más robusto. El uso de la próxima generación de los datos de secuenciación del genoma de Genoma del Cáncer Atlas, la expresión génica diferencial entre la edad y el etapa- tumores de próstata humanos emparejados y las muestras no malignas se evaluó y se usa para elaborar una firma vía de cáncer de próstata. Arriba y genes regulados fueron asignados a las vías compuestas de grupos de genes relacionados curadas de varias bases de datos. La importancia de estas vías se evaluó a continuación, de acuerdo con el número de genes expresados diferencialmente que se encuentran en la vía y su posición dentro de la vía usando conjunto de genes de enriquecimiento de análisis y análisis de impacto vía de señalización. El "factor de crecimiento transformante-beta de señalización" y "regulación de la mitosis Ran la formación del huso" vías están fuertemente asociados con el cáncer de próstata. Varias otras vías importantes confirman informaron los resultados de los microarrays de datos que sugieren la regulación del citoesqueleto de actina, ciclo celular, señalización de la proteína quinasa activada por mitógeno, y la señalización de calcio también se alteran en el cáncer de próstata. Así, hemos demostrado la viabilidad de la vía de análisis e identificado un área poco explorada (RAN) para su investigación en la patogénesis del cáncer de próstata
Visto:. Myers JS, von Lersner AK, Robbins CJ, Sang Q-XA (2015) expresados diferencialmente genes y las vías de la firma de cáncer de próstata humano. PLoS ONE 10 (12): e0145322. doi: 10.1371 /journal.pone.0145322
Editor: Jian Cao, de la Universidad de Stony Brook, Estados Unidos |
Recibido: 14 Octubre, 2015; Aceptó 2 de diciembre de 2015; Publicado: 18 de diciembre 2015
Derechos de Autor © 2015 Myers 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: Todos los datos relevantes están dentro del apoyo de sus archivos de información en papel y
Financiación:. Este trabajo fue apoyado en parte por el Leslie N. Wilson-Delores Auzenne Graduate ayudantía para las minorías adjudicados a JSM por la Escuela de Graduados de la Universidad del Estado de Florida, la Investigación la experiencia del Programa de la Mujer en Matemáticas, Ciencias e Ingeniería de la Universidad del Estado de Florida para AKVL, y becas de la Universidad del Estado de Florida y una silla cátedra dotada de Investigación del cáncer de donantes anónimos a QXAS. 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
Abreviaturas : PSA, antígeno específico de la próstata; DEGs, genes expresados diferencialmente; MAPK, la proteína quinasa activada por mitógenos; TGF-β, factor de crecimiento transformante beta; TCGA, del Genoma del Cáncer Atlas; FDR, la tasa de falso descubrimiento; PANTHER, el análisis de proteínas a través Relaciones Evolutivas; GO, ontología de genes; GSEA, Gene Conjunto de Análisis de enriquecimiento; KEGG, Kyoto Enciclopedia de genes y genomas; SPIA, el análisis del impacto de señalización Camino; ES, enriquecimiento Resultado; NES, enriquecimiento Resultado normalizado; PNDE, probabilidad de sobrerrepresentación; pPERT, probabilidad de perturbación
Introducción
El cáncer de próstata es el segundo cáncer más diagnosticado entre los hombres estadounidenses, con más de 220.000 casos nuevos predijo en 2015 [1]. El antígeno prostático específico (PSA) ha sido la piedra angular de la detección del cáncer de próstata durante décadas. Sin embargo el PSA no es un marcador ideal y el uso generalizado de PSA-selección está cayendo en desuso [2-4]. La dependencia de la prueba de PSA es problemático porque los falsos positivos son el resultado de la hiperplasia benigna de próstata o prostatitis y porque el PSA no consigue discriminar enfermedad indolente, lo que lleva a un sobrediagnóstico. La expansión de la tecnología y la metodología genómica y proteómica ha mejorado la caracterización de la biología del tumor, impulsando la búsqueda de biomarcadores de cáncer más precisos. Expresión de genes y proteínas diferencias entre los tejidos normales y malignos de próstata han sido bien documentados y servir como una piscina para putativos, biomarcadores de estratificación pronóstica, y el riesgo de diagnóstico [5-24]. Las mutaciones genéticas, cambios epigenéticos, y los cambios de expresión de microARN que se producen en la iniciación y progresión del cáncer también se han estudiado con el objetivo de descubrimiento de biomarcadores [25-29]. Sin embargo, sigue habiendo varios obstáculos sustanciales en la aplicación de biomarcadores. Baja reproducibilidad entre laboratorios, las diferencias en las plataformas y las técnicas experimentales, la heterogeneidad inherente de cáncer de próstata, y la utilidad clínica insignificantes o pequeñas ganancias en la sensibilidad y especificidad más allá de PSA dificulta la identificación, validación y aplicación de biomarcadores [30-35].
el trabajo previo se ha centrado en la selección y validación de genes individuales como biomarcadores. Sin embargo, la heterogeneidad de cáncer de próstata hace que sea muy poco probable encontrar un solo gen que es un marcador representante [36]. paneles formados por la combinación de múltiples genes de cribado se han utilizado para aumentar el poder predictivo para la detección del cáncer, la recurrencia, la recaída y la supervivencia más allá del uso de PSA o la puntuación de Gleason solos [37-40]. El éxito del enfoque de panel de biomarcadores se evidencia por el lanzamiento comercial de varias pruebas de detección que han encontrado utilidad clínica: ProMark [41], Oncotype DX [42], Prolaris [43], y descifrar [44]. Estos paneles pueden ser extraídas de los estudios clasificaciones moleculares que utilizan la expresión diferencial para elaborar una firma para el cáncer.
clasificaciones Sin embargo moleculares y firmas de genes no siempre son estables en el sentido de que múltiples firmas se pueden encontrar para cánceres. Las grandes discrepancias entre las listas de genes expresados diferencialmente (DEGs) a partir de datos de microarrays se han puesto de relieve [45]. En algunos casos, la superposición entre los conjuntos de datos de microarrays fue tan baja como 5% [46]. Así que para cada conjunto de DEGs, una firma diferente se pudo encontrar. Por lo tanto biomarcadores seleccionados de estas listas llevaría a cabo con diversos grados de éxito. Tomando la lista de DEGs y su correlación con un marcador pronóstico puede generar una piscina más útil biomarcador putativo porque entonces sólo los genes correlacionaron con un pronóstico comprenderían la firma molecular. Sin embargo, Ein-Dor
et al
. mostró que en el cáncer de mama, no había un único, conjunto único de genes que predijo la supervivencia debido a la alteración de la población de pacientes podría producir múltiples conjuntos de genes de igual capacidad de pronóstico en la predicción de la supervivencia [33]. Por otra parte, no era necesaria correlación con la supervivencia de capacidad de pronóstico [33]. Por lo tanto, es probable que muchos paneles no incluyen una serie de otros genes que podrían ser posibles marcadores biológicos ya que el panel se derivó de un cuerpo de muestras (aunque puede ser grande) y considera sólo correlaciones más fuertes.
Un enfoque alternativo es el análisis basada en las vías. En análisis de vías, una colección de genes relacionados de la misma vía o de la red de la interacción se evalúa en lugar de examinar un grupo de genes potencialmente no relacionados que optimizar la sensibilidad y selectividad de diagnóstico o pronóstico. Hay una mayor coincidencia entre los datos a nivel de vía en comparación con superposición entre las listas de DEGs [46, 47]. Pathway análisis no deja de lado la naturaleza cooperativa de los genes y considera que muchas veces los genes implicados en el mismo proceso a menudo se desregulados juntos. Al mirar a la vía, variaciones menores en la instrumentación o método son menos propensos a afectar los resultados, que conduce a resultados más consistentes a través de diferentes conjuntos de datos [48]. Así, el enfoque de la trayectoria produce resultados más sólidos, mejora la clasificación de las enfermedades, y puede revelar nuevos conocimientos acerca de una enfermedad [49-51]. Un tipo de vía de análisis comienza con un gen expresado diferencialmente y se correlaciona la expresión de genes implicados en la misma ruta o proceso similar con un resultado de diagnóstico o pronóstico en particular [52-54]. Una iteración similares comienza con una vía de importancia conocida en la iniciación del cáncer o la progresión y evalúa el poder pronóstico de sus componentes individuales. Esto se ha hecho para la mitogen-activated proteína quinasa (MAPK) [55], Akt [56], mTOR vía [57, 58], Toll-like receptor vía de señalización [59], y otras firmas de oncogenes [60].
en este documento, la expresión génica global en el cáncer de próstata humana se caracterizó utilizando un enfoque imparcial vía. la secuenciación de próxima generación se utilizó para obtener un perfil de las diferencias en la expresión de ARN entre los tumores humanos y el tejido no maligno de pacientes. Pathway análisis incluyó conjunto de genes de enriquecimiento de análisis y el análisis del impacto vía de señalización. Dos vías se asociaron significativamente con la próstata humana tumors- "Ran regulación de la formación del huso mitótico" vía y "factor de crecimiento transformante beta (TGF-β) de señalización" vía.
Materiales y Métodos
ARN datos de secuenciación
Nivel 3 de datos sin identificación de las muestras de cáncer de próstata y todas las muestras no malignas disponible en estos pacientes con cáncer de próstata ha sido descargado de El portal de datos del Genoma del cáncer Atlas (TCGA) (https: //tcga- data.nci.nih.gov). Nivel 3 describe los datos de que se ha procesado y agregado para dar señales de expresión de genes para una muestra. Para cada muestra, los datos contienen recuentos de expresión para un máximo de 20.531 codificación y transcripciones de ARN, además de información clínica, tales como la edad, estadio, grado de Gleason, el nivel de PSA, y la raza /origen étnico no codificante. Antes del análisis, las muestras tumorales y no tumorales fueron sacados al azar para conseguir una piscina edad y etapa con ajuste de 225 muestras (S1 Tabla). Se analizaron un total de 173 muestras de cáncer de próstata y 52 muestras no malignas de 204 pacientes únicos. La información clínica del paciente se presenta en la Tabla 1.
Expresión génica diferencial
El entorno de programación R (versión 3.1.2) [61] se utilizó para procesar datos en bruto, realizar análisis estadísticos cálculos, y llevar a cabo el análisis de expresión diferencial. Después de la edad y la etapa de coincidencia, 393 transcripciones fueron retirados porque carecían de expresión en las 225 muestras que comprenden el conjunto de datos. Los recuentos de ARN para los restantes 20.138 transcripciones se redondearon al número entero más cercano y compilados en una matriz para construir el conjunto de datos. La magnitud de expresión cambia en relación a las muestras no malignas también se calculó tomando la base 2 logaritmo de la relación tumor /no maligno media expresión. Para los genes con ninguna expresión en las muestras o bien el tumor o no malignas, el registro
2 veces los cambios se ajustaron mediante la adición de una a cada uno significa y luego calculando la relación. Todos registro
2 valores citados son valores a partir de tales ajustes. veces los cambios negativos indican baja regulación en muestras de tumores mientras que los valores positivos indican la regulación. Se utilizó el paquete DESeq2 R (versión 1.6.3) [62] para identificar DEGs en los datos de ARN paciente TCGA. El cómputo se realiza en el clúster de la Florida State University High Performance Computing. DESeq2 devuelve un valor P determinada por las estadísticas de Wald y una ajustada valor P (Q-valor) de corregir para comparaciones múltiples pruebas utilizando el método de Benjamini-Hochberg para determinar la tasa de falso descubrimiento (FDR). DEGs se definieron como genes diferentes con un FDR menos del 1% (Q & lt; 0,01).
Para evaluar la importancia de los DEGs identificados, los análisis se llevaron a cabo para buscar vías excesivamente, enriquecimiento conjunto de genes, y la señalización impacto vía. En primer lugar, se identificaron los elementos representados entre los DEGs. El análisis de proteínas a través evolutivos Relaciones herramientas (Panther) y análisis de sistemas de clasificación se utiliza para categorizar DEGs por clase de proteínas PANTHER, ontología de genes (GO) Función Molecular, y GO procesos biológicos para determinar entonces si tenían una representación cualquiera de estas clases o ir términos [ ,,,0],63]. La sobrerrepresentación de prueba PANTHER (liberación 20150430) se utilizó para buscar los datos con la base de datos PANTHER (PANTHER versión 10.0 Lanzamiento 15/05/2015) y la base de datos GO (Lanzado 09/05/2015) para identificar a cualquiera de las clases de proteínas o GO anotaciones excesivamente en nuestros datos, en comparación con un genoma de referencia humano. P-valores se ajustaron utilizando una corrección de Bonferroni.
Pathway Analysis
Conjunto de Análisis de genes de enriquecimiento (GSEA) [64] se utilizó para identificar grupos de genes enriquecido, ya sea en el tumor o no maligno condición. La herramienta de análisis GSEA (versión 2.2.0) ha sido descargado de la página web del Instituto Broad (http://www.broadinstitute.org/gsea/index.jsp). comisariada conjuntos de genes de BioCarta y Reactome vías fueron descargados de base de datos de firmas moleculares del Instituto Broad. Un conjunto de genes adicionales se construyó a partir de Kyoto Enciclopedia de genes y genomas (KEGG vías) [65]. Se excluyeron Pathways con la menor relevancia para el cáncer de próstata. Los KEGG vías incluidas en el análisis se enumeran en la información de apoyo (S2 Tabla). La matriz entera recuento de expresión de ARN se cargó en la aplicación GSEA sin limitar la entrada sólo a DEGs. Ambas pequeñas (& lt; 5 genes) y grandes (& gt; 500 genes) conjuntos de genes fueron excluidos del análisis
Análisis de Impacto vía de señalización (SPIA) se utilizó para evaluar la importancia de las vías enriquecidos en términos de su. impacto y capacidad de activar o inhibir una vía [66]. SPIA análisis se realizó utilizando el paquete R "SPIA" (versión 2.18.0) [67]. ID de Entrez, registro
2 veces los cambios y valores de Q para todos los genes fueron compilados. La expresión diferencial de corte utilizado en el algoritmo de SPIA se basó en el valor Q-FDR ajustado. El análisis se realizó utilizando la misma lista a medida de las vías como se utilizan en GSEA (S2 Tabla) y versiones actualizadas de estas vías estaban descarga antes de ejecutar el análisis (consultado el 07/29/2015).
el uso de un FDR 1% (Q & lt; 0,01), el análisis DESeq2 marcó 11.115 genes y las transcripciones como estadísticamente diferentes entre muestras tumorales y muestras no malignas en nuestro conjunto de datos TCGA (Tablas S3 y S4). Esto cubre 55% de los genes y las transcripciones secuenciados. El número de genes y las transcripciones reguladas por ascendió a 5.379 y el número de genes y las transcripciones hasta reguladas ascendió a 5.736. En general, los mayores cambios observados estaban en la baja regulación de los genes y las transcripciones (figura 1). La magnitud de la sobre regulación de los genes y las transcripciones era más pequeña que la magnitud de reguladas por los genes y la gama de expresión también fue menor. El vigésimo más abajo-regulada, y la mayoría de los veinte hasta los genes regulados se presentan en la Tabla 2 y la Tabla 3.
En este diagrama de dispersión unidimensional la magnitud de los cambios de expresión de genes representados por registro
2 veces se muestran las proporciones. Cada punto representa un gen o transcripción. Es significativo que los genes y las transcripciones expresados diferencialmente se muestran como diamantes rojos sólidos.
Clasificación y Análisis Sobrerrepresentación
Los 11.115 DEGs se agruparon de acuerdo a la clase de proteínas PANTHER, GO Función molecular y anotaciones GO proceso biológico. Un total de 6.254 DEGs tenía cualquiera de las clases de proteínas PANTHER, GO procesos biológicos, o GO anotaciones función molecular y fueron clasificados más. Agrupar por clase de proteínas y GO proceso biológico categorías demostró ser el más informativo (Fig 2). Las clasificaciones completas se pueden encontrar en la información de apoyo (S5 Tabla). Los DEGs representan un amplio espectro de clases de proteínas que participan en una amplia gama de procesos. La clase de proteínas PANTHER "unión de ácidos nucleicos" incluye tanto el ARN y las proteínas de unión de ADN, nucleasas, y helicasas. La clase de proteínas "factor de transcripción" es sub-categorizadas por motivo estructural y también contiene cofactores y receptores nucleares de hormonas. Las proteasas y fosfatasas se encuentran dentro de la clase de proteínas "hidrolasa". Los tipos de "receptor" incluidos son receptores de la proteína quinasa, los receptores de hormonas nucleares, receptores de citoquinas, canales iónicos activados por ligando, y los receptores acoplados a proteína G. La categoría de "Enzyme Modulador" cuenta con la proteína G, quinasa, fosfatasa, y moduladores de la proteasa. Curiosamente, las categorías fueron generalmente no predominantemente pobladas por los genes o transcripciones hacia abajo reguladas o hasta reguladas. Para todas las clases de proteínas excepto la clase "Nucleic Acid Binding", DEGs se distribuyeron uniformemente a través de muestras tumorales y no malignas. En la "unión de ácidos nucleicos" clase de proteínas, había casi una vez y media mayor número de genes regulados como las reguladas. La abundancia de ácido nucleico de unión genes sugiere altera la actividad transcripcional en las muestras tumorales.
(A) "unión del ácido nucleico" incluye ADN y ARN de unión, nucleasas, y helicasas. "Factor de transcripción" incluye dedos de zinc, hélice-giro-hélice, caja grupo de movilidad alta, hélice-bucle-hélice, y los factores de transcripción básicos de cremallera de leucina; cofactores; y receptores de hormonas nucleares. "Hidrolasa" se refiere a proteasas, fosfatasas, esterasas, lipasas, deaminases, fosfodiesterasas, glicosidasas, desacetilasas, pirofosfatasas, glucosidasas, galactosidasas, y amilasas. "Receptor" incluye receptores de la proteína quinasa, los receptores de hormonas nucleares, receptores de citoquinas, canales iónicos activados por ligando, y los receptores acoplados a proteína G. "Enzyme Modulator" incluye proteína G, quinasa, fosfatasa, y moduladores de la proteasa. (B) "proceso metabólico" cuenta con hidratos de carbono, aminoácidos celular, lípidos, proteínas y el metabolismo de compuestos que contengan nucleobases-; y el ciclo de los ácidos tricarboxílicos. "Proceso celular" categorías son la señalización célula-célula, ciclo celular, el crecimiento y la proliferación, las células movimiento de los componentes, y la citocinesis. "Regulación biológica" incluye la regulación de la apoptosis, el metabolismo, el ciclo celular, la traducción, la actividad catalítica y la homeostasis. "Proceso de desarrollo" son categorías del sistema, ectodermo, mesodermo, endodermo y el desarrollo; diferenciación celular; muerte; morfogénesis estructura anatómica; el desarrollo del embrión; la determinación del sexo; y los procesos de especificación patrón. "Localización" incluye proteínas de transporte, proteínas y procesos de localización de ARN.
El más abundante proceso de dos biológico GO y grupos del "proceso metabólico" y "proceso celular" -son no es sorprendente ya que estos contienen genes están involucrados en el más básico de los procesos de la vida. De hecho, cambios metabólicos han sido ampliamente documentado en tumores [68-70]. El aumento de las necesidades energéticas y de biosíntesis de las células cancerosas proliferan a menudo se enfrentan a través de la desregulación metabólica [71-73]. El título "Proceso metabólico" incluye metabolismo de los carbohidratos, el metabolismo de aminoácidos celular, el metabolismo de los lípidos, el metabolismo compuesto que contiene nucleobases-, metabolismo de las proteínas, y el ciclo de los ácidos tricarboxílicos. "Proceso celular" incluye la señalización célula-célula, ciclo celular, el crecimiento y la proliferación, celular movimiento de componentes, y la citocinesis. "Regulación biológica" incluye la regulación de la apoptosis, el metabolismo, el ciclo celular, la traducción, la actividad catalítica y la homeostasis. La categoría de "proceso de desarrollo" incorpora el sistema, ectodermo, mesodermo, endodermo y el desarrollo, así como la diferenciación celular, la muerte, la estructura anatómica morfogénesis, el desarrollo del embrión, la determinación del sexo, y el patrón de los procesos de especificación. "Localización" se refiere a proteínas de transporte y procesos generales de proteínas y ARN específicos de localización.
Estadística de sobrerrepresentación de PANTHER se utilizó para calcular la probabilidad de que las clases de proteínas altamente pobladas y van las agrupaciones entre los DEGs ocurriría por azar. De hecho, muchas de las categorías más abundantes están sobrerrepresentados en los datos en comparación con un genoma de referencia (Tabla 4). La proteína más abundante de tres classes- "Nucleic Acid Binding", "factor de transcripción", y "hidrolasa" -fueron enriquecidos junto con las clases "transferasa" y "Transporter". Los cinco procesos biológicos GO más pobladas también se enriquecieron: "Proceso metabólico", "proceso celular", "Regulación biológica", "Localización", y "proceso de desarrollo". El "organismo multicelular Proceso", "Adhesión Biológica", "Organización de componentes celulares o Biogénesis", y "Proceso del sistema inmune" GO procesos biológicos también se enriquecieron. Por último, cinco de los seis principales funciones GO Molecular fueron enriquecidos: "Enlace", "Actividad catalítica", "Nucleic Acid Binding Factor de Transcripción de actividad", "la actividad de transporte", y "estructural de la molécula de actividad"
conjunto de genes de enriquecimiento de análisis
una de las limitaciones de un análisis de clase o vía sobrerrepresentación es que no indica qué condición está asociada con la sobrerrepresentación; GSEA hace. genes expresados fueron clasificados según su correlación con el fenotipo maligno y entonces esta lista se comparó con conjuntos de genes en una vía, que une el enriquecimiento camino hacia un fenotipo. Los genes más altamente correlacionados-en un conjunto de genes, cuanto mayor sea el significado de ese conjunto de genes. Los conjuntos de genes con los puntajes más altos de enriquecimiento normalizados se presentan en la Tabla 5 y otros resultados se enumeran en la información de apoyo (S7 Tabla). El punto de corte FDR se fijó en 25% para maximizar la generación de hipótesis. Sólo una vía se enriqueció en las muestras tumorales, la "RanMS vía", que incluye los genes que regulan la formación del huso mitótico durante la división celular. Diez genes en nuestra lista de DEGs pertenecían a esta vía, cada uno contribuye a su enriquecimiento en el fenotipo maligno (Tabla 6). Los diez fueron expresados diferencialmente y hasta regulado en las muestras malignas. Las vías restantes fueron enriquecidos en el fenotipo no maligno. La vía más importante enriquecido en el fenotipo no maligno era la vía de la "señalización de calcio". El enriquecimiento de la vía de señalización de calcio se debió a 81 DEGs y otros 19 genes o transcripciones (S8 Tabla). También enriquecidos en el fenotipo no maligno varias otras vías de señalización (oxitocina, prolactina, cAMP, MAPK, cGMP-PKG, TGF-β, Hippo, y Ras) y vías relacionadas con la adhesión célula-célula y célula-matriz (matriz extracelular la interacción de los receptores, la regulación del citoesqueleto de actina, proteoglicanos y adhesión focal).
vía de señalización Análisis de Impacto
SPIA considera si o no los DEGs se encuentran en una vía tienen una impacto significativo dentro de esa vía y por lo tanto se refiere a la topología de DEGs en las vías [66]. En otras palabras, la significación vía depende en parte de si el número de DEGs observados en una vía es mayor que la observada por azar. Esta es capturada en la probabilidad de representación excesiva. importancia vía también está parcialmente basada en si DEGs en una vía en particular en los cruces son cruciales y por lo tanto pueden perturbar la vía. Esta es la probabilidad de perturbación. Estas dos probabilidades se combinan en una probabilidad global de que es ajustado por la tasa de falso descubrimiento. Esta métrica ajustada se utiliza para clasificar el impacto de las vías. Muchas de las mismas vías fueron identificados como significativa tanto en GSEA y análisis SPIA (Tabla 7). De hecho, los 8 resultados más significativos de SPIA vía se enriquecieron todos significativamente en GSEA. Sin embargo, sólo la vía de la "señalización de calcio" ocupaba un puesto alto en ambos análisis. La única vía activada en la condición maligna era la vía de "señalización de TGF-β" (Tabla 8). Las otras vías fueron inhibidas en la condición maligna. Similar a los resultados de GSEA, varias vías de señalización (oxitocina, cAMP, MAPK, cGMP-PKG, TGF-β, Hippo, Rap1, ErbB, y Ras) y vías relacionadas con la célula-célula y la adhesión célula-matriz (proteoglicanos, la adhesión focal, y la regulación del citoesqueleto de actina) se vieron afectados. Las imágenes de las vías con DEGs marcada se puede acceder a la información de apoyo (S9 Tabla).
Discusión
estudios de expresión globales han documentado muchos genes expresados diferencialmente en la próstata humana cáncer [7, 9, 13-15, 96-102]. Lucas y Heath compilaron una lista de genes expresados diferencialmente con reportado significado pronóstico en el cáncer de próstata [30]. De los 22 genes enumerados, 19 fueron expresados diferencialmente en nuestro conjunto de datos TCGA y hubo acuerdo en el patrón de expresión entre los 12 genes.
PTEN
,
TMPRSS2
,
MYC
,
SMAD4
,
EZH2
,
p53
,
BCL2
,
NPY
,
PLA2G7
,
Ki-67
,
p16
, y
BAX expresión en
nuestros hallazgos coinciden lo que se presentó en la literatura.
PTEN
, un supresor de tumores, se había reducido regulado en muestras malignas. La supresión de
PTEN
se correlaciona con un mayor grado de Gleason, el riesgo de progresión y recurrencia después de la terapia, y avanzadas localizada o enfermedad metastásica y la muerte [103, 104].
SMAD página 4 se redujo reguladas en nuestros datos de cáncer de próstata TCGA y también se ha encontrado que son las reguladas en los cánceres de próstata, incluyendo tumores avanzados [105, 106]. La supresión de este gen ha llevado a los cánceres de próstata invasivo, metastásicos y letales en un modelo de ratón [39].
TMPRSS2
fue hasta reguladas y esto está de acuerdo con informes de que sea más altamente expresado en el carcinoma de próstata en comparación con el epitelio normal de la próstata [107, 108].
TMPRSS2
contribuye a la invasión y metástasis de cáncer de próstata [109]. Además,
TMPRSS2-ERG
fusión de genes es una promesa como un potencial biomarcador de cáncer de próstata [110].
MYC
fue también hasta reguladas en este conjunto de datos y la sobreexpresión (amplificación de genes, ARNm y la proteína del aumento) de
MYC Hoteles en el cáncer de próstata está bien documentado [111-115].
MYC
amplificación de genes se encontró con más frecuencia en las metástasis [116, 117] y también se correlacionó con factores de mal pronóstico como el más alto de Gleason y anota histopatológicos [118], o una mayor probabilidad de recurrencia de PSA [114].
EZH2
regulación arriba-se informa aquí y en la literatura, donde dicha sobreexpresión provocó un aumento de la proliferación de células de la próstata y se asocia con enfermedad agresiva y un mayor riesgo de recurrencia [119]. La expresión de
p53
ARNm se incrementó en muestras malignas en nuestros datos del TCGA. En un estudio de pacientes con cáncer de próstata,
p53
expresión positiva se observó en la mayoría (69,1%) de los pacientes con el número de pacientes positivos como el aumento de escenario y una mayor puntuación de Gleason. P53 fue también un predictor independiente de recurrencia [120].
BCL2
expresión de ARNm se redujo en muestras de tumores TCGA. La ausencia de BCL-2 expresión de la proteína se expresa en cáncer de próstata [120, 121]. Por otra parte, BCL-2 expresión es negativa en andrógeno-dependientes, pero aumentó en los cánceres de próstata hormona insensibles [122-124] y correlaciona con mal pronóstico [125]. Pro-neuropéptido Y fue hasta reguladas en este estudio y en la literatura [126, 127]. Pro-neuropéptido Y sobre regulación está asociado con tumores no agresivos [128] y regula la proliferación de líneas celulares de cáncer de próstata [129].
PLA2G7
fue hasta reguladas en nuestros datos. Se ha informado de que ser más altamente expresado en el cáncer de próstata en comparación con las muestras benignas [130, 131] y las muestras estudiadas aquí TCGA. Los niveles de
Ki-67
mRNA se incrementaron en el tumor en comparación con las muestras no malignas de nuestros datos TCGA y en la literatura en comparación con tejido normal [132]. Además proteína Ki-67 se incrementa en el cáncer de próstata [133-136], metástasis de cáncer de próstata [137, 138] y es un marcador pronóstico útil [139]. En nuestra lista de DEGs,
p16
fue hasta reguladas. Recientemente, la expresión de p16 fue encontrado en una gran mayoría de los tejidos de la próstata [140].
BAX
expresión del ARNm se incrementó en este conjunto de datos TCGA y proteínas BAX había una mayor expresión en el cáncer de próstata [141].
Los 7 restantes DEGs en común con la lista de Lucas y de Heath muestran una discrepancia en la expresión patrón entre nuestros resultados y la literatura.
TGF-β1
no se expresó diferencialmente pero
TGF-β2
se había reducido regulado. La expresión de
TGF-β1
y
TGF-β2
se incrementó en el cáncer de próstata en comparación con los tejidos normales o no malignas [142-147]. Sin embargo,
TGF-β3
se redujo reguladas de acuerdo con otros informes de
TGF-β3
expresión en el cáncer de próstata [97, 148]. Ambos α y ß isoformas de
IL-1 | y
IL-6
se redujeron regulado en este conjunto de datos TCGA.
IL-1α
y
IL-6
eran regulados hasta en muestras de cáncer de próstata [149-153].
IL-6
estimuló el crecimiento de las células LNCaP [154] y elevado
IL-6
también se asoció con un mal pronóstico en el cáncer de próstata [149, 155-162].
IL-1β
se ha informado tanto hacia arriba y hacia abajo-regulada en la literatura. La expresión de proteínas en muestras de pacientes se había reducido regulado [163], pero elevada gen y expresión de proteínas en células de cáncer humanas y tumores también se ha informado [164]. En nuestra lista de DEGs,
p21
se había reducido regulado. Aaltomaa
et al
. informaron expresión de la proteína p21 en la mayoría de los tumores de próstata pero no en células normales de la próstata epiteliales [165], pero otros estudios informaron inmunotinción p21 en sólo el 20% -35% de las muestras de cáncer [166, 167]. Tanto
p21
y
p16
inhibe el crecimiento de líneas celulares de cáncer de próstata [168]. Factor de crecimiento endotelial vascular A (
VEGF-A
) se había reducido regulado en nuestros datos. Alta expresión de
VEGF
correlaciona con mal pronóstico [169], pero algunos estudios informó que la mayor expresión de
VEGF-A
correlacionado con un mejor resultado clínico [170].
TRAIL /TNFSF10
fue hasta reguladas en nuestros datos del TCGA. Mientras que la expresión de la proteína TRAIL epitelial fue más fuerte en los tumores, la expresión del estroma de TRAIL se redujo o ausente en los tumores [171, 172]. Sólo RUTA expresión del estroma se correlacionó con la supervivencia libre de recidiva [171].
NFKB1
se había reducido regulado en nuestros datos. Sin embargo,
NFKB1
expresión de la proteína aumentó progresivamente en los tejidos normales, la hiperplasia prostática benigna y cáncer de próstata [173]. Los otros DEGs con significado pronóstico en el cáncer de próstata que no son expresados diferencialmente en nuestra lista de DEGs incluyen
IL-7
,
CCL-2
, y
CDH1
.
las comparaciones entre los DEGs presentados en este documento y DEGs enumerados en otra variación estudios más destacado de experimento a experimento.