Extracto
La angiogénesis se ha demostrado que se asocia con el desarrollo del cáncer de próstata. La mayoría de los estudios sobre el cáncer de próstata se centraron en polimorfismos de nucleótido único individuales (SNP) mientras que las interacciones SNP-SNP se sugieren tener un gran impacto en desvelar el mecanismo subyacente de la enfermedad compleja. El uso de 1.151 pacientes con cáncer de próstata en los marcadores genéticos de susceptibilidad del cáncer de conjunto de datos (CGEMS), se evaluaron 2.651 SNPs en los genes de la angiogénesis asociados a la agresividad del cáncer de próstata. SNP-SNP interacciones fueron evaluados principalmente utilizando el método de dos etapas Random Forests más multivariado de regresión adaptativa Splines (TRM) en el grupo CGEMS, y se volvieron a evaluar en el grupo de Moffitt con 1.040 pacientes. Para los pares de genes identificados, se aplicó la evaluación transversal para evaluar SNP interacciones en ambos grupos de estudio. Cinco SNP-SNP interacciones en tres pares de genes (
MMP16 + ROBO1
,
MMP16 + CSF1
, y
MMP16 + EGFR
) fueron identificados para ser asociado con el cáncer de próstata agresivo en los dos grupos . Tres pares de SNPs (rs1477908 + rs1387665, rs1467251 + rs7625555, rs1824717 y rs7625555 +) estaban en
MMP16
y
ROBO1
, un par (rs2176771 + rs333970) en
MMP16
y
CSF1
, y un par (rs1401862 + rs6964705) en
MMP16
y
EGFR
. Los resultados sugieren que
MMP16
pueden desempeñar un papel importante en la agresividad del cáncer de próstata. Mediante la integración de nuestros nuevos hallazgos y la literatura biomédica disponibles, se propuso una red de interacción gen hipotético. Esta red demuestra que nuestros identificados SNP-SNP interacciones son biológicamente relevante y muestra que el EGFR puede ser el centro de las interacciones. Los resultados proporcionan información valiosa para identificar las combinaciones de genotipo en riesgo de desarrollar cáncer de próstata agresivo y mejorar la comprensión de la etiología genética de la angiogénesis asociada a la agresividad del cáncer de próstata
Visto:. Lin HY, Amankwah EK, Tseng TS, Qu X , Chen DT, Parque JY (2013) SNP-SNP red de interacción con los genes de la angiogénesis asociada con el cáncer de próstata la agresividad. PLoS ONE 8 (4): e59688. doi: 10.1371 /journal.pone.0059688
Editor: Xiaoning Qian, University of South Florida, Estados Unidos de América
Recibido: 27 Agosto, 2012; Aceptado: February 17, 2013; Publicado: 3 Abril 2013
Derechos de Autor © 2013 Lin 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 recibió el apoyo de la Sociedad Americana del cáncer (GRI-93-092-14, PI: WJP /HYL); y el Instituto Nacional del Cáncer (R01CA128813, PI: JYP). EKA es apoyado por una beca de la prevención del cáncer del Instituto Nacional del Cáncer (R25T CA147832). Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
el cáncer de próstata representa el 29% de la incidencia de cáncer y el 9% de las muertes por cáncer y es el cáncer más común y la segunda causa principal de muerte por cáncer en los hombres estadounidenses en 2012 [1]. El cáncer de próstata tiene una heterogeneidad clínica sustancial. Por lo tanto, los médicos a menudo tienen dificultades para distinguir entre los pacientes que van a desarrollar tumores indolentes y agresivos en el momento del diagnóstico de cáncer de próstata [2]. Para los pacientes con cáncer de próstata de bajo riesgo, se recomienda el manejo y el tratamiento conservador debido a un curso indolente durante un largo período de tiempo puede ser observada. Varias características (tales como el antígeno específico de la próstata, el estadio clínico y el grado del tumor) se han utilizado para clasificar a los pacientes de alto riesgo que necesitan tratamiento inmediato y los pacientes de bajo riesgo que necesitan tratamiento conservador. Al utilizar las funciones existentes, aproximadamente el 20% de estos pacientes con cáncer de próstata de bajo riesgo de morir debido a un tratamiento conservador [3]. Por lo tanto, hay una necesidad urgente para la identificación de biomarcadores con el fin de mejorar la precisión de la predicción de la agresividad del cáncer de próstata.
La angiogénesis es un proceso biológico que implica la división y migración de células endoteliales, lo que resulta en la formación de la microvasculatura [4], [5]. La formación de vasos sanguíneos es importante para el desarrollo de órganos durante la embriogénesis y sigue contribuyendo al crecimiento de los órganos después de su nacimiento. Durante la edad adulta, la mayoría de los vasos sanguíneos permanecen en reposo y la angiogénesis se limita al ovario ciclismo y en la placenta durante el embarazo [4], [5], [6]. No obstante, las células endoteliales mantienen su capacidad de dividirse rápidamente en los vasos sanguíneos en respuesta a estímulos fisiológicos, tales como la hipoxia, y la angiogénesis se reactiva durante la cicatrización de heridas y la reparación [4], [5], [7]. El proceso de angiogénesis postnatal está regulada por una interacción continua (que establece un equilibrio) de estimuladores tales como el factor de crecimiento endotelial vascular (VEGF), factor de crecimiento de fibroblastos básico (bFGF), factor de crecimiento epidérmico (EGF), interleuquinas (ILS), transformando factor de crecimiento beta (TGF-β), factor de necrosis tumoral alfa (TNF-α), derivado de plaquetas factor de crecimiento (PDGF), y metaloproteinasas de la matriz (MMPs) y los inhibidores tales como la endostatina, factor plaquetario-4, tumastin, trombospondina-1, inhibidor del activador del plasminógeno-1 y angiostatina [4], [5], [6], [7], [8]. Sin embargo, en muchos trastornos que incluyen cáncer de próstata, el equilibrio entre estimuladores e inhibidores se inclina a favor de los estimuladores, lo que resulta en un "cambio angiogénico" [9], [10]. El llamado "cambio angiogénico" puede ser el resultado de cambios en los niveles de expresión de genes en la vía de la angiogénesis.
polimorfismos de nucleótido único (SNP) en los genes de la angiogénesis puede alterar la expresión génica e influir en el proceso de la angiogénesis en la próstata cáncer y tumor inhibió el crecimiento en modelos animales [11], [12]. De hecho, se han identificado varios SNPs en los genes de la angiogénesis que afectan a la expresión génica. Estas variantes pueden contribuir potencialmente a la variación interindividual en el riesgo y la progresión de los tumores de próstata [13]. Además, se muestra la angiogénesis asociada con la puntuación de Gleason, estadio tumoral, progresión, metástasis y la supervivencia de los pacientes con cáncer de próstata [14], [15].
Aunque el número de estudios para evaluar el papel de los SNPs en los genes de la angiogénesis se limita, varios de los estudios apoyan la asociación entre la angiogénesis y la agresividad del cáncer de próstata. Hasta ahora, los resultados de varios estudios de asociación de genoma completo (GWA) de genes candidatos y sugieren que los SNP en la vía de la angiogénesis puede ser importante en la progresión del cáncer de próstata y la agresividad. En los estudios de genes candidatos,
VEGF
-1154A y -634C alelos se asociaron con un mayor riesgo de tumor de grado superior [16]. Jacobs
et al
. (2008) evaluaron 58 SNPs en nueve genes de la angiogénesis y encontraron que tres SNPs correlacionados (rs1477017, rs17301608, y rs11639960) en el
MMP2
se asocia con el cáncer de próstata en general y avanzada [17]. Además, los hombres con el
IL-10
819 genotipo TT tendían a tener un mayor riesgo de desarrollar un cáncer de próstata de alto grado [18]. En un estudio de GWA, Thomas
et al.
Observó que un SNP no sinónimos (rs4072111) que cambia una serina a prolina en
IL-16
se asoció significativamente con un mayor riesgo de cáncer agresivo [ ,,,0],19]. Otro estudio GWA observó una asociación significativa entre el cáncer de próstata agresivo y tres SNP intergénicas (rs11199874, rs10749408 y rs10788165) que abarcan una región de 590 kb en el cromosoma 10q26 que abarca
FGFR2
, un gen de la angiogénesis [20]. Penney observó asociación con la mortalidad de SNPs en
IL-18 gratis (rs360729, rs243908 y) y
IL-11 gratis (rs12709950) en su primera etapa de exploración, pero ninguno se replica en la etapa dos escanear [21].
con el fin de evaluar ampliamente las variaciones genéticas en los genes de la angiogénesis asociados a la agresividad del cáncer de próstata, se examinaron los efectos de ambos SNPs individuales y las interacciones SNP-SNP. La mayoría de los estudios actuales se centran en la evaluación de los efectos individuales SNP; Sin embargo, las asociaciones uno-a-uno no puede ser suficiente para explicar la complejidad de la causalidad de la enfermedad. Recientemente se ha establecido que las interacciones gen-gen /SNP-SNP pueden tener un mayor impacto en la causalidad inauguración de enfermedades complejas [22], [23], [24], [25]. Pure interacciones SNP-SNP, es decir, aquellos con menor o ningún efecto de SNP individuales significativas, se informó en varias enfermedades, como el cáncer de mama [26], [27], cáncer de próstata [28], y la artritis reumatoide [29].
Para superar los retos en los datos de alta dimensión, se realizaron búsquedas en las interacciones SNP-SNP utilizando el enfoque de TRM, una de dos etapas Random Forests más multivariado de regresión adaptativa Splines (MARS). Los estudios convencionales utilizan un modelo aditivo de SNPs, y la búsqueda de por pares SNP interacciones mediante regresión logística. Este enfoque no es suficiente, ya que un supuesto modelo aditivo puede no ser válida. Se ha demostrado que la selección del modelo genético tiene un gran impacto en la capacidad de detección de asociaciones [28]. En algunos estudios, las interacciones puras SNP se pasan por alto debido a que sólo SNPs con un efecto principal significativo o marginal se toman en consideración. Para mejorar la capacidad de predicción de la enfermedad compleja, la identificación de modelos genéticos apropiados (tales como dominante y recesivo) y teniendo en cuenta las interacciones gen-gen en los estudios de asociación se sugirió [30]. Este enfoque TRM, que toma diferentes modelos de herencia y las interacciones en cuenta tanto en el patrón de selección y la interacción buscar pasos, ha demostrado ser de gran alcance en la detección de SNP interacciones en un estudio a gran escala variación genética [31].
materiales y Métodos
se utilizaron dos grupos en este estudio. El grupo CGEMS se utilizó como el conjunto de datos principal para identificar las interacciones SNP-SNP asociados con la agresividad del cáncer de próstata. Los resultados significativos identificados en los datos CGEMS fueron luego re-evaluados utilizando los datos de Moffitt. Todos los individuos de nuestro análisis eran hombres con ascendencia europea, porque se disponía de datos sobre los hombres con ascendencia europea en el conjunto de datos CGEMS. Sólo una variable demográfica común, la edad al inicio del estudio, estaba disponible en los dos grupos de estudio. Sin embargo, debido a la diferencia diseño del estudio, las variables de edad en el momento de inscripción en los dos grupos de estudio no son comparables. Para los pacientes con cáncer de próstata, la fecha de inscripción era antes del diagnóstico de cáncer de próstata en el estudio CGEMS (un estudio de casos y controles anidados dentro de un estudio de cohorte prospectivo), pero fue después del diagnóstico de cáncer en la cohorte de Moffitt (un caso sólo estudian) . Por lo tanto, nuestro análisis se basan en los resultados no ajustados.
CGEMS Población
Hubo 1.151 pacientes con cáncer de próstata (659 agresiva y 492 pacientes no agresivos) en el cáncer de próstata CGEMS conjunto de datos de todo el genoma . Los participantes fueron seleccionados de la próstata, de pulmón, de colon y de ovario (PLCO) de detección del cáncer de inscripción de prueba entre 1993 y 2003 [32]. Había 12%, 55% y 33% de los pacientes en el grupo de edad de & lt; 60, 60-69 y & gt; = 70 años de edad, respectivamente, en la inscripción del estudio de cohorte PLCO. Los datos de toda contenía aproximadamente 550.000 SNPs genotipo con Illumina Illumina HumanHap300 y HumanHap250. Los pacientes con puntuaciones de Gleason ≥ 7 o ≥stage III se considera que tienen cáncer de próstata agresivo. Hemos identificado los genes que codifican proteínas implicadas en o relacionadas con la angiogénesis a través de búsquedas literatura publicada (PubMed) y base de datos vía pública (Cancer Genome Anatomy Project, Kyoto Enciclopedia de genes y genomas y la ontología de genes). Se examinaron un total de 2.653 SNPs en los 161 genes de la angiogénesis. El equilibrio de Hardy-Weinberg fue examinado en el grupo control (n = 1.101), que no fueron incluidos en este estudio. Después de excluir a dos SNPs sin seguir el equilibrio de Hardy-Weinberg (p-valor & lt; 10
-4), se aplicaron un total de 2.651 SNPs para nuevos análisis. El desequilibrio de unión entre todos los SNPs de prueba se examinó sobre la base de r
2 usando el Haploview Tagger [33]. Después de seleccionar un SNP en cada par con un fuerte desequilibrio de ligamiento de r
2 & gt;. 0.8, se incluyeron un total de 2.177 SNPs para los análisis de la interacción
Moffitt Población
Se utilizó el grupo de Moffitt en la valoración transversal de SNPs en los genes de la angiogénesis asociados a la agresividad del cáncer de próstata. La población Moffitt consistía en una cohorte histórica de 1.040 casos de prostatectomía atendidos en el Centro de Cáncer Moffitt de 1986 a 2003. Se identificaron 437 casos agresivos y 603 casos no agresivos en base a los mismos criterios de la agresividad del cáncer de próstata utilizados en el grupo CGEMS. Hubo 49%, 42% y 8% de los pacientes en el grupo de edad de & lt; 60, 60-69 y & gt; = 70 años de edad, respectivamente, en la inscripción del estudio Moffitt. Había 681 SNPs angiogénesis genotipado usando el ensayo Illumina GoldenGate ™ (Illumina, San Diego, CA). El protocolo de estudio fue aprobado por la Junta de Revisión Institucional de la Universidad del Sur de Florida (Tampa, FL).
Análisis de los efectos individuales SNP
En el grupo CGEMS, tres modelos de herencia (dominante, recesiva y el modelo aditivo) fueron evaluados utilizando modelos de regresión logística, y se seleccionó el mejor modelo basado en el mínimo valor de p para cada SNP. tasa de falso descubrimiento (FDR) q-valor [34] se calculó para el ajuste para comparaciones múltiples. Los SNPs significativos con un valor de p inferior a 0,05 en el CGEMS fueron luego re-evaluados en el grupo de Moffitt. Por coherencia, se aplicó el mismo modelo genético con el p-valor mínimo en el grupo de CGEMS en el grupo de Moffitt para cada SNP. También se evaluaron los efectos principales de SNPs que participan en las interacciones significativas.
valoración transversal de SNP-SNP interacciones
Para explorar las interacciones SNP-SNP, el TRM, de dos etapas azar Bosques plus MARS, se aplicó [31]. En la primera etapa del enfoque TRM, se seleccionaron los SNPs candidatos principales en base a minimizar la tasa de error fuera de la bolsa (fuera de banda) clasificación que utiliza el índice de importancia la precisión de permutación al azar sin escala en los bosques. Los SNPs candidatos seleccionados en la primera etapa se exploraron hasta interacciones bidireccionales asociados con la agresividad del cáncer de próstata usando MARS. En la primera etapa, se utilizó el valor por defecto de 5.000 árboles para construir el primer bosque y 2.000 árboles para todos los bosques adicionales utilizando el paquete R varSelRF. El número de predictores seleccionados al azar se fijó en 47, la raíz cuadrada del número de predictores. Entre todos los bosques armarios, el conjunto final de las variables seleccionadas se basa en el menor número de variables cuya tasa de error es inferior a un error estándar de la tasa de error mínimo fuera de banda. En MARS, se aplicaron las funciones máximas base de 30 a explorar los patrones de interacción SNP-SNP entre los principales candidatos SNPs. Diez veces la validación cruzada se utilizó para seleccionar el grado de libertad que se cobra por función de base.
Debido al azar Bosques no permite a los valores que faltan, los datos de genotipo esporádicamente faltantes fueron imputados utilizando imputar la versión 2.0 con el HapMap3 CEU + ETI datos que la población de referencia. Entre 2.177 SNPs para la búsqueda de interacción, la velocidad de datos que faltaba era baja: la tarifa que falta media fue de 2,6% y la máxima fue de 5,6%. Con el fin de preservar todos los SNPs en los análisis, nuestra interacción análisis se basa en la combinación de datos compuesta por los datos de genotipo originales y los datos imputados. Los efectos de SNP individuales se evaluaron usando los datos originales.
El enfoque TRM no facilita importancia variable usando los valores de p, por lo que se aplicó el método de arranque para la selección de los factores en el modelo final y la reducción de resultados falsos positivos. Las frecuencias de arranque de un modelo nulo, ninguna asociación entre el resultado simulado y los SNPs de prueba, se aplicaron para establecer el punto de corte de selección de variables en TRM. En este modelo nulo, hemos generado de forma independiente una variable de resultado binario con 659 sujetos en un grupo y 492 sujetos en el otro grupo, que era consistente con el estado de la agresividad en el conjunto de datos CGEMS. Se obtuvieron 500 muestras de arranque mediante el muestreo con reemplazo del modelo nulo. Para cada factor identificado (efectos individuales o interacciones), se calcularon las frecuencias positivas falsas sobre la base de 500 muestras de arranque. El percentil 95% de las frecuencias de arranque en los factores de falsos positivos era del 4,2%. Para los propósitos conservadores, sólo mantuvimos los que tienen una frecuencia de arranque mayor que 5%. Para facilitar la interpretación, los factores identificados se incluyeron en la regresión logística multivariable para la obtención de odds ratio y sus intervalos de confianza del 95%.
El diagrama de flujo de la cruz-evaluación para la detección de interacciones SNP-SNP se muestra en la Figura 1 . en el paso 1, las interacciones SNP-SNP identificados en el grupo CGEMS, tratado como un conjunto de entrenamiento, fueron re-evaluados en el grupo de Moffitt. Entre los pares de genes identificados CGEMS (interacciones gen-gen), también se han interesado en explorar si otras interacciones SNP-SNP podrían ser detectados en el grupo de Moffitt independiente. En el paso 2, que además realizaron búsquedas en todas las posibles interacciones de dos vías SNP-SNP de los pares de genes identificados (como
MMP16
+
ROBO1
) en el grupo de Moffitt. En el paso 3, las interacciones SNP identificados a partir de la Etapa 2 se volvieron a evaluar en el grupo CGEMS. El mejor "patrones de interacción" (como modelo dominante-dominante) se detectaron por separado en ambos grupos utilizando MARS. Además, hemos comprobado si los modelos de interacción identificadas fueron mejores que los modelos con sus principales efectos únicamente mediante el uso de las regresiones logísticas paso a paso. Los datos se realizaron utilizando SAS 9.3. TRM se realizó con MARS 2.0 (Sistemas de Salford, San Diego, EE.UU.), y el paquete de R randomForest y varSelRF.
En el paso 1, interacciones SNP-SNP identificados en el grupo CGEMS fueron re-evaluados en el Moffitt grupo. En el paso 2, se evaluaron todas las posibles interacciones de dos vías SNP-SNP de los pares de genes identificados en el grupo de Moffitt. En el paso 3, las interacciones SNP identificados a partir de la Etapa 2 se volvieron a evaluar en el grupo CGEMS.
Resultados
En los marcadores genéticos de susceptibilidad del cáncer de grupo (CGEMS), que evaluó el efecto principal de la angiogénesis 2.651 SNPs asociados con el estado de la agresividad del cáncer de próstata (sí /no), utilizando modelos de regresión logística. Había 279 SNPs en 75 genes con un p-valor bruto inferior a 0,05. Entre estos SNP, el mayor valor de q FDR era 0.053. Esto indica que se espera que menos de 15 resultados falsos positivos entre los mejores SNPs seleccionados. Estos SNP significativas fueron evaluados en el grupo de Moffitt. Entre estos SNPs 279, 160 SNPs se encuentran disponibles en los datos de Moffitt. Cuatro SNPs en tres genes (
COL4A3
,
PDGFD
y
ELK3
) se asociaron con la agresividad del cáncer de próstata en los grupos CGEMS y Moffitt con un valor de p de menos de 0.05. Dos SNPs (rs10498214 y rs6436661) en el
COL4A3
se asociaron significativamente con la agresividad del cáncer de próstata. Aquellos con el genotipo CC en comparación con la TC y el genotipo TT en rs10498214 tendían a tener un mayor riesgo de cáncer agresivo de próstata (odds ratio (OR) = 1,63 y p-valor = 0,028 para CGEMS; OR = 1,53 y p-valor = 0,047 para Moffitt). El CC y el genotipo CT de rs6436661 en el
COL4A3
se asoció negativamente con la agresividad del cáncer de próstata (OR = 0,74, p-valor = 0,040 para CGEMS; OR = 0,71, p-valor = 0,034 para Moffitt). Los hombres con el genotipo CC en rs488753 (
PDGFD
) eran más propensos a desarrollar cáncer de próstata agresivo que aquellos con el genotipo CT y TT (OR = 1,47, p-valor = 0,035 para CGEMS; OR = 1,45, p -valor = 0,031 para Moffitt). El CC y CT genotipo rs2268509 en el
ELK3
se asoció positivamente con la agresividad del cáncer de próstata (OR = 1,29, p-valor = 0,047 para CGEMS; OR = 1,57, p-valor = 0,002 para Moffitt)
las interacciones SNP en los genes de la angiogénesis se evaluaron utilizando el enfoque de TRM en el grupo CGEMS. Se seleccionaron un total de 14 factores utilizando el enfoque TRM (Figura 2). Dos efectos principales de rs3093040 (en
CSF1
) y rs1477908 (en
MMP16
) fueron seleccionados, y se identificaron 12 de dos vías interacciones SNP-SNP. Para la selección de los factores en el modelo final y validación interna, se aplicó el método de arranque. El uso de una frecuencia de arranque del 5% como punto de corte, se seleccionaron los siete factores: dos efectos principales que interactúan y cinco pares de SNP. Los dos efectos principales fueron los factores principales en estos pares de SNP. Entre los cinco pares de interacción de SNP, rs1477908 estaba involucrado en dos pares de SNP rs3093040 y se incluyó en los otros tres pares de SNP. Los cinco pares de genes de las interacciones SNP-SNP identificados fueron
MMP16 + ROBO1, MMP16 + CSF1, CSF1 + FBLN5, CSF1 + HSPG2
, y
MMP16 + EGFR, España, que en un orden de clasificación basado en las frecuencias de arranque . Como se muestra en la Tabla 1, se incluyeron estos factores importantes en un modelo de logística multivariable, y todos los factores fueron altamente significativas (p-valor de rango: 0,015 a 0,0001). Estos resultados fueron similares después de ajustar la edad (resultados no mostrados).
Para reducir los resultados falsos positivos, se aplicó el método de arranque para la selección de los factores en el modelo final. Se obtuvieron 500 muestras de arranque mediante el muestreo con reemplazo del modelo nulo. Para cada factor identificado, se calcularon las frecuencias de falsos positivos en base a las muestras 500 de arranque. Los factores con una frecuencia de arranque superior al 5% se incluyeron en el modelo multivariable (Tabla 1).
Aunque estos cinco SNP-SNP interacciones fueron significativas en el modelo multivariable, se evaluaron más
si estos SNP pares fueron predictores independientes de la agresividad del cáncer de próstata. Los cinco pares de interacción SNP se ajustaron individualmente en un modelo de regresión logística. En cada interacción de 2 vías en la Tabla 2, el grupo de referencia fue etiquetado como O = 1. define aquellos con o & gt; 1 como el grupo de riesgo y aquellos con O & lt; 1 como grupo protector. Para facilitar la comparación de los patrones de interacción SNP entre los dos grupos de estudio, los patrones se presentaron utilizando 3 × 3 tablas en el suplemento (cuadros S1, S2, S3). Estos cinco pares de SNP se asociaron significativamente con la agresividad del cáncer de próstata en el grupo CGEMS. En particular, las dos primeras interacciones SNP-SNP rs1477908 eran (
MMP16
) + rs1387665 (
ROBO1
) y rs6994019 (
MMP16
) + rs3093040 (
CSF1
). pacientes con cáncer de próstata con la combinación genotipo AG /GG AA + del par de SNP rs1477908 y rs1387665 tenían más probabilidades de desarrollar cáncer de próstata agresivo (OR = 1,83, p-valor = 0,0002) que aquellos con el genotipo combinación de AA + AA. Los pacientes con el genotipo GG /GA en rs3093040 tenían más probabilidades de tener un cáncer de próstata agresivo que aquellos con el genotipo AA, pero este efecto se modificó significativamente por rs6994019. Entre aquellos con el genotipo GG /GA en rs3093040, los hombres con el genotipo GG de rs6994019 tenían más probabilidades de desarrollar cáncer de próstata agresivo (OR = 2,22, p-valor = 1,7 * 10
-5) que aquellos con el genotipo AA de rs3093040; sin embargo, esta asociación positiva no fue significativa para aquellos con el genotipo GT /TT de rs6994019 (OR = 1,36, p-valor = 0,096).
Estos 5 importantes interacciones SNP-SNP fueron evaluados utilizando el grupo Moffitt (paso 1 en la Figura 1). Sólo una interacción SNP-SNP rs1477908 de (
MMP16
) y rs1387665 (
ROBO1
) estaba disponible en el grupo de Moffitt. Como se muestra en la Tabla 2, se observa que el grupo de alto riesgo de desarrollar cáncer de próstata agresivo era aquellos con el genotipo GG AA y en el par de rs1477908 y rs1387665 (OR = 1,39 y p-valor = 0,065) en el grupo de Moffitt. Los grupos de alto riesgo seleccionados en ambos grupos son similares: AA + GG y AA + AG /GG de rs1477908 y rs1387665 en los grupos de Moffitt y CGEMS, respectivamente
Además de la CGEMS identificado interacciones SNP-SNP, se exploró si la otra. SNP interacciones en los pares de genes identificados en el grupo de Moffitt se asociaron significativamente con la agresividad del cáncer de próstata. Bidireccionales SNP-SNP interacciones de los cinco pares de genes identificados (
MMP16 + ROBO1, MMP16 + EGFR, MMP16 + CSF1, CSF1 + FBLN5, y CSF1 + HSPG2
) Se realizaron búsquedas (paso 2, Figura 1). Como se muestra en la Tabla 2, se detectaron otros ocho SNP-SNP interacciones en el grupo de Moffitt. Dos interacciones estaban en el par de genes de MMP16 + ROBO1, tres estaban en la MMP16 + EGFR, uno estaba en
MMP16
+
CSF1 Opiniones y dos estaban en el CSF1 + HSPG2. Entre estos ocho identificados SNP-SNP interacciones, seis eran disponible en el CGEMS; en consecuencia, fueron luego re-evaluados (Figura 1, Paso 3).
Se observaron tres pares de genes que tener por lo menos una interacción SNP-SNP con un patrón de interacción similar en los dos grupos de estudio. El patrón de interacción similar se definió como las combinaciones de genotipos identificados en los dos grupos de estudio, que se solapan y con la misma dirección en términos de riesgo de la agresividad del cáncer de próstata. Tres (rs1477908 + rs1387665, rs1467251 + rs7625555, rs1824717 y rs7625555 +) estaban en el par de genes de
MMP16
y
ROBO1
. La interacción de rs1401862 y rs6964705 estaba en el
MMP16
y
EGFR
, y otro par de SNP rs2176771 y rs333970 de estaba en el
MMP16
y
CSF1
. Con la excepción de la pareja SNP rs1477908 y rs1387665 de, dos pares adicionales de SNP rs1467251 (rs7625555 y rs1824717 + + rs7625555) en el par de genes de
MMP16
y
ROBO1
se asocia con la agresividad del cáncer de próstata. En el grupo de Moffitt, los pacientes con cáncer de próstata con el AA + genotipo GG /GA en el par de SNP rs1467251 y rs7625555 tenían una menor probabilidad de desarrollar cáncer de próstata agresivo que otras combinaciones genotipo en el mismo par de SNP (OR = 0,29, p-valor = 0,024). En el grupo CGEMS, el grupo de bajo riesgo fue de aquellos con la AG /AA + GG /genotipo GA en el mismo par de SNP (OR = 0,59, p-valor = 0,002). En cuanto a la interacción de rs1824717 y rs7625555, el grupo de alto riesgo de cáncer de próstata agresivo en el grupo CGEMS fue la combinación de AA y AA genotipo de este par de SNP (OR = 1,91, p-valor = 0,009), y el grupo de alto riesgo en el conjunto de Moffitt fue la combinación de AA /AG y GA /genotipo AA (OR = 1,59, p-valor = 0,008). Con la
MMP16
y
EGFR
, los hombres con el genotipo combinación de GA /AA y AA en un par de SNP rs1401862 y rs6964705 del tendían a tener menos probabilidades (OR = 0,58, p-valor = 0,011) tienen cáncer de próstata agresivo que otras combinaciones genotipo de los pares de SNP en el grupo CGEMS. También se observó el patrón de interacción significativa de este par SNP en el grupo de Moffitt.
Los principales efectos de SNPs que participan en las interacciones significativas se muestran en la Tabla 3. Estos efectos principales no podrían reproducirse dentro de los dos grupos de estudio . Entre los 16 SNPs que participan en las interacciones SNP-SNP asociados con la agresividad del cáncer de próstata en el grupo de CGEMS, 13 SNPs tenían un valor de p de menos de 0,05 en el análisis univariado. Entre los 16 SNPs en el grupo Moffitt, solamente rs17172446 tenía un valor de p inferior a 0,05. También confirmó que los modelos de interacción que figuran en la Tabla 2 fueron mejores que el principal efecto sólo en los modelos (resultados no mostrados).
Discusión
Nuestros hallazgos identificados cinco interacciones SNP-SNP en los genes de la angiogénesis relacionados con la agresividad del cáncer de próstata en el grupo de CGEMS usando el enfoque novedoso TRM. Cinco altamente significativas interacciones SNP-SNP (p-valor = 2 × 10
-5 a 6 × 10
-4) con un medio de gran tamaño del efecto se detectaron con éxito incluso con un tamaño de muestra relativamente pequeña de aproximadamente 1.000 . Las razones de probabilidad de estos SNP interacciones se clasificaron desde un medio (OR≥1.5) de gran tamaño del efecto (OR≥2) [35]. El impacto clínico de las interacciones SNP-SNP puede ser más grande que la de los SNPs identificados en estudios de asociación. El poder de predicción del riesgo de cáncer para los SNPs identificados en estudios de asociación se limita a la mediana por alelo-OR de 1,22 basado en una revisión reciente [30].
Nuestras interacciones entre genes identificados pueden ser biológicamente relevantes basados en el análisis de redes. Las interacciones de los cinco pares de genes (MMP16 + ROBO1, MMP16 + Csf1, MMP16 + EGFR, CSF1 + FBLN5, y CSF1 + HSPG2) se demostraron usando transversal de evaluación en los grupos CGEMS y Moffitt. En particular, los primeros tres pares de genes tenían al menos una interacción SNP-SNP con un patrón de interacción similar en los dos grupos de estudio. Entre los pares de genes identificados,
MMP16
y
CSF1
estaban involucrados en varios pares de genes que interactúan, se asume así una asociación de red. Con el fin de comprobar la relevancia biológica de las asociaciones y explorar el mecanismo funcional subyacente de nuestras interacciones entre genes identificados, se propuso una red de regulación genética hipotética (Figura 3). Esta red de interacción genética se genera en base a las interacciones proteína-proteína publicados en
Homo Sapience
utilizando la base de datos de MetaCore GeneGo Inc. La interconexión de las redes de procesos bioquímicos de los genes identificados mostró que las seis proteínas estaban involucrados directa o indirectamente en el
EGFR
vía de señalización. Se sugiere que estos genes pueden ser co-regulados por varios factores de transcripción juntos, como E2F1, STAT1, ESR1, SP1, y AP-1, y un receptor (integrina). La proteína más prominente en la red era EGFR, que interactuó con los cinco proteínas restantes que estaban involucrados en la angiogénesis
aFive la interacción de pares de genes:.
MMP16 + ROBO1, MMP16 + CSF1, CSF1 + FBLN5, CSF1 + HSPG2
, y
MMP16 + EGFR.
b nodos representa las proteínas, y las líneas entre los nodos indican las interacciones entre proteínas. Las líneas verdes y rojas representan los efectos positivos y negativos, respectivamente. Las proteínas de los genes identificados se indican mediante un círculo alrededor de los nodos.
El receptor del factor de crecimiento epidérmico (EGFR) es una proteína crítica en la proliferación de las células epiteliales y está implicado en la oncogénesis. El EGFR se une el factor de crecimiento epidérmico (EGF) y se ha demostrado que desempeñan un papel importante en la regulación del crecimiento celular de la próstata y la función [36], [37], [38]. Nuestros resultados también fueron apoyados por un reciente estudio de microarrays integradora. Wang
et al.
Realizó un meta-análisis de 10 próstata cáncer de microarrays de expresión de datos para identificar las firmas comunes tanto a nivel de genes y las vías asociadas con el riesgo de cáncer de próstata, y la vía del EGFR se encontró en nueve conjuntos de datos ,"Wang
et al.
performed a meta-analysis of 10 prostate cancer microarray expression datasets to identify the common signatures at both the gene and pathway levels associated with prostate cancer risk, and the EGFR pathway was found in nine datasets ,,,0