Abstract> Objetivo
El diagnóstico precoz del cáncer de próstata (CaP), que es una enfermedad clínicamente heterogénea-multifocal , es esencial para mejorar el pronóstico de los pacientes. Sin embargo, publicadas marcadores de diagnóstico de CaP comparten poca superposición y están mal validaron utilizando datos independientes. Por lo tanto, hemos desarrollado un proteómica aquí integración y la interacción clasificador basado en la red mediante la combinación de la expresión diferencial de proteínas con características topológicas de las redes de interacción de proteínas humanas para mejorar la capacidad de diagnóstico de CaP.
Métodos y Resultados
Por dos dimensiones electroforesis en gel de diferencia de fluorescencia (2D-DIGE) junto con EM con ACP y los tejidos adyacentes benigna de próstata, un total de 60 proteínas con expresión diferencial en los tejidos de CaP fueron identificados como los marcadores candidatos. Entonces, sus redes se analizaron mediante el software Meta-Core GeneGo y tres centro de proteínas (PTEN, SFPQ y HDAC1) fueron elegidos. Después de eso, un clasificador de diagnóstico CaP se construyó mediante modelado de máquinas de vectores soporte (SVM), basado en los datos de microarrays de expresión génica de los genes que codifican las proteínas de cubo mencionados anteriormente. Validaciones de rendimiento diagnóstico mostró que este clasificador tenía una alta precisión predictiva (85.96~90.18%) y el área bajo la curva ROC (aproximando 1.0). Por otra parte, la importancia clínica de PTEN, SFPQ y proteínas HDAC1 en el CaP fue validado tanto por ELISA y análisis de inmunohistoquímica. Más interesante aún, la proteína PTEN fue identificado como un marcador pronóstico independiente de supervivencia libre de recurrencia bioquímica en pacientes con CaP según el análisis multivariante mediante regresión de Cox.
Conclusiones
Nuestros datos indican que la proteómica integradora y clasificador que combina la expresión diferencial de proteínas y las características topológicas de la red de interacción proteína humana puede ser una poderosa herramienta para el diagnóstico de CaP interacción de red basados. También se identificó la proteína PTEN como un nuevo marcador pronóstico para la supervivencia libre de recurrencia bioquímica en pacientes con CaP
Visto:. Jiang F-n, El H-c, Zhang Y-q, Yang D-L, Huang J-H, Zhu Y-x, et al. (2013) clasificador basado en red integradora de Proteómica y la interacción del cáncer de próstata Diagnóstico. PLoS ONE 8 (5): e63941. doi: 10.1371 /journal.pone.0063941
Editor: Natasha Kyprianou, Universidad de Kentucky College of Medicine, Estados Unidos de América
Recibido: 27 de enero de 2013; Aceptado: April 9, 2013; Publicado: 30 de mayo de 2013
Derechos de Autor © 2013 Zhong 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 financiado en parte por la Fundación Nacional de Ciencias Naturales de china (81200550), el Programa Nacional de china clave de Investigación básica (2010CB912700, 2011CB910601), Nacional S & amp; T Proyecto Mayor (2008ZX10002-016, 2009ZX09301-002), Mayor Nacional de Investigaciones Científicas y Proyectos especiales Tecnológico (2011ZX09307-304), Proyecto de Ciencia y Tecnología de la provincia de Guangdong (2010B060500003), Guangzhou Ciencia Municipal y el Proyecto llave en mano Tecnología (2010Y1-C041). 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 (CaP), una enfermedad heterogénea clínicamente-multifocal, es la neoplasia maligna más común en los hombres y la segunda causa principal de muerte relacionada con el cáncer masculino [1]. La incidencia y la mortalidad por esta causa en China parecen estar aumentando rápidamente, y el resultado clínico de los pacientes con CaP es difícil de predecir. Se estima que un 20% de los pacientes con CaP sufren de la enfermedad recurrente después de la prostatectomía radical o la radiación [2]. La tasa de supervivencia específica del cáncer de 5 años es de cerca del 80% en hombres con CaP localizado, pero es sólo el 34% en hombres con metástasis a distancia [3]. screening El antígeno prostático específico (PSA) se ha utilizado ampliamente para la detección precoz del CaP clínicamente localizado. Sin embargo, hasta la fecha no existen indicadores fiables de la conducta agresiva y la progresión del CaP. En vista de la importancia del diagnóstico precoz de la aplicación de los tratamientos curativos que son la única esperanza para el aumento de la esperanza de vida de los pacientes con CaP, existe una necesidad urgente de desarrollar sistemas eficaces que puedan predecir la aparición de esta neoplasia.
el perfil molecular del cáncer humano se ha demostrado que es un nuevo enfoque para investigar este proceso de la enfermedad de múltiples facetas. Entre los diversos enfoques de alto rendimiento para el perfilado molecular, análisis de proteoma es el más ampliamente sobre la base de métodos que utilizan la expresión diferencial en dos dimensiones electroforesis en gel de poliacrilamida (2D-PAGE) geles o, más recientemente, dos cromatografía dimensional seguido por la identificación de proteínas espectrometría de masas [4 ]. Se considera como una poderosa herramienta para la evaluación global de la expresión de proteínas, y ha sido ampliamente aplicado en el análisis de las enfermedades, especialmente en los campos de la investigación del cáncer. La tecnología de dos dimensiones-electroforesis en gel de diferencia (2D-DIGE), utilizando un estándar interno-muestra mixta, es ahora reconocida como un método preciso para determinar y cuantificar las proteínas humanas, reducir la variabilidad entre gel y simplificar el análisis en gel [5]. Varios grupos incluyendo el nuestro han adoptado este enfoque de alto rendimiento para evaluar la expresión global de proteínas en varios cánceres humanos, incluyendo el carcinoma hepatocelular (HCC) [6], el cáncer colorrectal [7], de células de carcinoma escamoso esofágico [8], cáncer de mama [ ,,,0],9], el cáncer de ovario [10], cáncer de vejiga [11], el CP [12], [13] y el cáncer de páncreas [14]. Sin embargo, ha sido el gran número de proteínas candidatos identificados utilizando plataformas de alto rendimiento y es la falta de consistencia entre los diferentes sistemas de detección debido a la heterogeneidad de las cohortes de pacientes y la diferencia en las plataformas. Por lo tanto, es necesario identificar un predictor fiable y consistente que es lo suficientemente robusta como para superar las variabilidades inducidas por diferentes plataformas o diferentes cohortes de pacientes
.
Nuestro grupo de estudio recientemente se ha desarrollado un clasificador basado en la biología de sistemas para el diagnóstico precoz de HCC mediante la combinación de la expresión génica diferencial y las características topológicas de las redes de interacción de proteínas humanas, y también demostró que este clasificador puede mejorar eficazmente el rendimiento diagnóstico de los pacientes con HCC [15]. Sobre esta base, en el estudio actual, tenemos la intención de desarrollar una proteómica integradoras y clasificador utilizando las proteínas expresadas diferencialmente basados en red de interacción detectados por 2D-DIGE en nuestro estudio anterior [12], con el fin de mejorar la capacidad de diagnóstico de CaP. Realizamos además la validación experimental sobre la importancia clínica de los marcadores candidatos CaP mediante ensayo de inmunoabsorción ligado a enzimas (ELISA) e inmunohistoquímica análisis.
Materiales y Métodos
Pacientes y muestras Colección
el estudio fue aprobado por el Comité de Ética de Investigación del hospital de Guangzhou primero Municipal Popular, Guangzhou Medical College, Guangzhou, República Popular de China. escrito el consentimiento informado se obtuvo de todos los pacientes. Todas las muestras se manipulan y hacen anónimos de acuerdo con las normas éticas y legales
.
Para el análisis 2D-DIGE, cuatro tejidos frescos y PCA emparejados 4 tejidos benignos adyacentes de próstata obtenidos de 4 pacientes con CaP que fueron sometidos a resección transuretral de la próstata o prostatectomía radical fueron proporcionados por primer hospital de Guangzhou Municipal Popular, Guangzhou, china. Ninguno de los pacientes reclutados en este estudio recibieron tratamiento hormonal o radioterapia adyuvante o neoadyuvante antes de la cirugía. Los datos clínico-patológicos de las muestras de tumor se resumen en la Tabla 1.
Para la validación de proteínas por ELISA e inmunohistoquímica análisis, 22 casos de cáncer de los tejidos de la próstata y 21 casos de tejidos benignos adyacentes fueron obtenidos de pacientes con CaP que fueron operados en el hospital de Guangzhou de First Municipal Popular y el hospital Popular Provincial de Guangdong, Guangzhou, china. microarrays de tejidos humanos CaP (TMA) que consta de 112 tejidos de PCA de raza caucásica y los pacientes con CaP afroamericanos (envejecimiento 46-87 años, media ± SD = 58 ± 7,36 años, la estadificación TNM del I al III) con información clínica detallada se adquirieron de Jieqing empresa (Guangzhou, china) .Los datos clínico-patológicos de estos pacientes se resumen en la Tabla 2.
identificación del perfil de expresión diferencial de proteínas en el CaP
El perfil de expresión diferencial de proteínas en tejidos de CaP en comparación con los tejidos benignos adyacentes de próstata fue identificado por 2D-DIGE acuerdo con los protocolos de nuestro estudio anterior [12].
el análisis de redes
se realizó un análisis de red para seleccionar proteínas esenciales en red enfermedad como los componentes de CaP clasificador de acuerdo con los protocolos de nuestro estudio anterior [15]. La representación de la red se ha generado utilizando el software GeneGo Meta-Core (Encinitas, CA). El software interconectados todos los genes candidatos de acuerdo a las anotaciones basadas en la bibliografía publicada. Sólo se consideraron las conexiones directas entre los genes identificados. hubs principales fueron definidos como aquellos con más de treinta conexiones y & lt;.. 50% de las aristas ocultas dentro de la red
proteómica integradoras y la construcción del CP clasificador basado en red de interacción
Conjuntos de datos
Para demostrar esta novela clasificador, tres conjuntos de datos disponibles públicamente de perfiles de expresión génica obtenidos a partir de la expresión génica Omnibus (GEO, http://www.ncbi.nlm.nih.gov/geo/, fecha de salida: 01, 2012, incluyendo 29.123 Series, 9.933 plataformas y 719,101 muestras) fueron utilizados en este estudio, incluyendo Tomlins_prostate [16] (número de acceso GEO: GSE6099, 51 muestras de CaP y 23 muestras de la glándula de la próstata no tumorales), Wallace_prostate [17] (número de acceso GEO: GSE6956, 75 muestras de CaP y 14 muestras de la próstata no tumorales) y Taylor_prostate [18] (número de acceso GEO: GSE21034, 150 muestras de CaP y 29 muestras de la próstata no tumorales) de datos. Estos conjuntos de datos fueron separados al azar en los conjuntos de datos de entrenamiento y prueba de 100 veces.
máquinas de vectores soporte clasificador.
máquina de vectores de soporte (SVM) [19], lo que puede abordar el caso general de no lineal y clasificación no separable de manera eficiente, se utilizó para construir nuestros proteómica integrador y clasificador CaP basada en red de interacción. El objetivo de una SVM es encontrar un hiperplano que maximiza la anchura del margen entre las clases y al mismo tiempo minimiza los errores empíricos [20]. Aquí, hemos elegido la función de base radial (RBF) de la siguiente fórmula [21]: A continuación, el conjunto de datos de formación se utiliza para introducir el modelo SVM con el fin de calcular el valor de umbral de la puntuación al seleccionar el valor de corte en la que el área bajo Receptor Curva característica de operación (ROC) () era el más grande. Por último, el clasificador SVM decide:. Si, la muestra se puede predecir como tejidos con CaP
Performance Evaluation
El rendimiento global del CP clasificador se evaluó mediante dos enfoques distintos: 5 veces cruzada prueba de validación y prueba de conjunto de datos independiente. La exactitud de predicción global () y se utilizaron para medir la predicción del rendimiento de nuestro método. ROC Curve puede mostrar la eficacia de una prueba mediante la presentación de la sensibilidad y la especificidad para diferentes puntos de corte [22]. La sensibilidad y la especificidad pueden medir la capacidad de una prueba para identificar los verdaderos positivos y falsos en un dataset.where,,, se refieren respectivamente al número de verdaderos positivos, verdaderos componentes negativos, falsos positivos y falsos negativos de resultado en una prueba, mientras que se refiere al número total de muestras predichos.
las curvas ROC se representan y se alisó por software SPSS con la sensibilidad en el eje y 1-especificidad en el eje.
en la cruz 5 veces -Validación prueba, el conjunto de datos se dividió al azar en 5 grupos, cuatro de los cuales fueron utilizados para entrenar a los parámetros del algoritmo predictivo. La exactitud de predicción del algoritmo se evaluó entonces por el conjunto restante, y este procedimiento se repitió cinco veces antes de sensibilidad y especificidad frente a diferentes parámetros de los cinco conjuntos de datos de prueba se calculan para la curva ROC.
Proteína de validación por enzima ensayo de inmunoabsorción ligado
El ensayo ELISA se realizó para detectar los niveles de expresión de marcadores potenciales candidatos, que fueron identificados como proteínas esenciales por tanto en 2D-DIGE y los análisis de red de acuerdo con nuestro estudio anterior [12].
proteína de validación mediante análisis de inmunohistoquímica
se realizó el análisis de inmunohistoquímica para determinar los patrones de expresión y localizaciones subcelulares de potenciales marcadores candidatos en los tejidos con CaP acuerdo con nuestro estudio anterior [23].
análisis estadístico
software SPSS13.0 para Windows (SPSS Inc, EE.UU.) se utilizó para el análisis estadístico. Las variables continuas se expresaron como
. Grupo comparaciones de las variables categóricas se evaluaron utilizando la χ
2 test o asociación lineal por lineal. Las comparaciones de los medios promedio se realizaron con la prueba t de muestras independientes o análisis 1 de la varianza. Los
valores de p
de menos de 0,05 se consideraron estadísticamente significativos.
Resultados y Discusión
Identificación de marcadores candidatos CaP para el análisis de redes
De acuerdo en nuestro estudio anterior [12], un total de 60 proteínas expresadas diferencialmente, incluyendo 37 que fueron hasta reguladas y 23 que fueron el regulado en los tejidos de CaP, se utilizaron para el análisis de redes (la información detallada de esta proteína lista se demostró in).
identificación de proteínas concentrador de red para CaP clasificador
para crear la red, las proteínas (nodos) y conexiones basadas en la literatura publicadas (bordes) se representaron usando GeneGo-MetaCore. La arquitectura de red es consistente con una red sin escala y representa las interacciones entre los objetivos individuales. Como se considera que los objetivos con un alto grado de conectividad de los componentes más importantes de una red [24], se examinaron los centros con más de 30 conexiones y menos de 50% de los bordes ocultos dentro de la red. Para la red de diferencial de los genes expresados en tejidos PCA (Figura 1A), se seleccionaron 13 centros para construir su red de interacción (Figura 1B): ddx5, ERG, HDAC1, HSP27, NDPK_A, NDPK_B, PEA3, SFPQ (PSF), PTEN, PUR-alfa, TAF1, TAF15, y hnRNP_L (la información detallada de estos centro de proteínas se muestra en la Tabla S2). Como se muestra en la Figura 1B, tres centro de proteínas (PTEN, HDAC1 y SFPQ) que fueron interactuaron entre sí estrechamente fueron elegidos para la construcción de nuestro clasificador CaP.
basadas en concentradores de red de visualización de 13 genes expresados diferencialmente hub (B ). GeneGo MetaCore se utilizó para generar una red de conexiones directas entre los genes seleccionados para el análisis. Las flechas rojas, verdes y grises indican efectos negativos, positivos, y los no especificados, respectivamente. Hubs se identificaron como tener más de una treintena de conexiones y menos del 50% de las aristas ocultas dentro de la red.
Evaluación del desempeño del CP clasificador
construcción CaP clasificador.
sobre la base de los niveles de expresión génica de los tres ejes mencionados anteriormente, el clasificador CaP se construyó utilizando modelo SVM. La formación de datos se utilizó para la formación de los parámetros de CaP clasificador y los conjuntos de datos independientes se utilizaron para evaluar el desempeño de este clasificador.
La validación independiente.
Los microarrays de genes independientes expresión de datos se utilizaron para probar nuestra clasificador CaP. Tomlins_prostate [16] (número de acceso GEO: GSE6099, 51 muestras de CaP y 23 muestras de la glándula de la próstata no tumorales), Wallace_prostate [17] (número de acceso GEO: GSE6956, 75 muestras de CaP y 14 muestras de la glándula de la próstata no tumorales) y Taylor_prostate [ ,,,0],18] (número de acceso GEO: GSE21034, 150 muestras de CaP y 29 muestras de la próstata no tumorales) de datos fueron separados al azar en los conjuntos de datos de entrenamiento y prueba, y este procedimiento se repitió 100 veces. Los pesos de los genes de cubo y umbral de puntuación en el clasificador CaP fueron entrenados por la formación de datos. La exactitud de predicción y el valor de AUC del algoritmo se evaluó a continuación por los conjuntos de datos de prueba, y este procedimiento se repitió 100 veces. Por último, los valores de precisión y AUC para diferentes pruebas se suman para calcular el promedio y el error estándar.
La exactitud de predicción y los valores de AUC de los diferentes clasificadores ACC sobre los conjuntos de datos de prueba Tomlins_prostate, Wallace_prostate y Taylor_prostate se calcularon. Como se muestra en la Tabla 3, los valores de precisión de este clasificador CaP en diferentes conjuntos de datos de prueba independientes fueron 85.88~92.71% y los valores de AUC fueron 0.89~0.93. El valor AUC es un indicador de la eficacia del sistema de evaluación. Una prueba ideal con discriminación perfecta (100% de sensibilidad y especificidad del 100%) tiene un AUC de 1,0, mientras que una predicción no informativa tiene el área de 0,5, lo que indica que se puede lograr mediante la mera conjetura. Cuanto más cerca de 1.0 el AUC de una prueba es, mayor es la eficacia global de la prueba será [22]. Hemos encontrado que este clasificador CaP tenía un área que se aproxima 1.0, lo que sugiere que tenía una relativamente alta capacidad de identificar los verdaderos tejidos de CaP en contra de los diferentes conjuntos de datos de prueba independientes.
Hemos seleccionado 3 cubos (PTEN, HDAC1 y SFPQ) de 13 centros de conexiones en la red que el componente de nuestro clasificador CaP, porque estaban interactuaron entre sí estrechamente. Con el fin de verificar la racionalidad de esta selección, se compararon los resultados de CaP clasificador con 13 centros y el de CaP clasificador con 3 ejes. Como los resultados mostrados en la Figura 2, la exactitud de predicción y los valores de AUC del clasificador con 3 cubos eran ambos más altos que los del clasificador con 13 cubos. Pero las diferencias no tuvieron significación estadística (todos p & gt; 0,05)., Lo que indica que puede ser razonable para elegir los bujes con interacciones directas como el componente de nuestro clasificador CaP
La exactitud de predicción y los valores del AUC del clasificador con 3 cubos eran ambos más altos que los del clasificador con 13 cubos. Pero las diferencias no tuvieron significación estadística (todos p & gt; 0,05).
Cinco veces la validación cruzada
También utilizamos el protocolo de validación cruzada de 5 veces para evaluar el. el cumplimiento de este clasificador CaP. A medida que el AUC es un indicador de la capacidad de discriminación para el clasificador, se utiliza aquí para evaluar la eficacia predictiva de este clasificador CaP. Como se muestra en la Tabla 4, los valores de precisión de este clasificador CaP en todas las cinco pruebas fueron 86.32~92.88% y los valores de AUC fueron 0.89~0.93, lo que sugiere que tiene una gran fiabilidad y eficacia para identificar los verdaderos tejidos con CaP contra diferentes pruebas conjuntos de datos.
significado clínico del centro de proteínas PTEN, HDAC1 y SFPQ de CaP en
Nextly, se investigaron las asociaciones de tres centro de proteínas: PTEN, HDAC1 y SFPQ, con las características clínico-patológicas y el pronóstico de los pacientes con CaP. Los resultados 2D-DIGE de estos centros se muestran en la Figura 3.
A emparejado se aplicó la prueba t de Student para los cuatro pares utilizando el software DeCyder BVA.
PTEN.
PTEN (fosfatasa y homólogo de tensina en el cromosoma 10), localizado en 10q23.3, es uno de los genes supresores de tumores más comunes en los cánceres humanos [25]. Funciona como un regulador negativo de la vía PI3K /AKT [26]. Los estudios demostraron que acumulan las funciones importantes de PTEN en la tumorigénesis y la progresión tumoral del CaP. Chaux et al. [27] indicó que la pérdida de expresión de PTEN puede estar asociada con un mayor riesgo de recurrencia después de la prostatectomía para CaP clínicamente localizado; Choucair et al. [28] sugiere que los tumores PTEN suprimido expresan bajos niveles de receptores de andrógenos puede representar un subconjunto de peor pronóstico del CP se establece un reto para el manejo terapéutico; Antonarakis et al. [29] encontró que la pérdida de expresión de PTEN en muestras de CaP primarias pueden predecir la supervivencia libre de progresión con mayor precisión que los factores clínicos solamente en hombres con CaP de alto riesgo que reciben docetaxel adyuvante después de la prostatectomía. Con los resultados similares de los informes anteriores, tanto ELISA e inmunohistoquímica análisis en el estudio actual se muestra que el nivel de expresión de la proteína PTEN en los tejidos con CaP fue significativamente menor que en los tejidos de la próstata benignas adyacentes [ensayo ELISA: 60,96 ± 7,08 (ng /mg) vs. 89,28 ± 20,62 (ng /mg), P & lt; 0,001; análisis de inmunohistoquímica: 2,38 ± 0,37 vs. 3,92 ± 0,40, p = 0,01; Tabla 5, Figura 4A y B]. Además, los niveles de expresión de PTEN en los tejidos de CaP con el estadio patológico avanzado y metástasis positivos fueron significativamente más bajos que los que tienen las primeras etapas patológica (p = 0,041, Tabla 6) y metástasis negativas (P = 0,006, Tabla 6). Por otra parte, la tasa de supervivencia libre de recurrencia bioquímica de los pacientes con baja expresión de PTEN fueron significativamente más bajos que aquellos con alta expresión de PTEN (P = 0,016, Figura 5A). Por otra parte, los análisis multivariados mostraron que la baja regulación de PTEN (P = 0,03) era un predictor independiente de recurrencia bioquímica más corto libre de la supervivencia (Tabla 7).
A, tinción de PTEN débilmente positivo se encontró en el citoplasma tejidos de CaP; B, PTEN tinción fuertemente positiva se encontró en el citoplasma de las células luminales benignos; C, SFPQ tinción positiva débil se encuentra en el citoplasma de los tejidos ACC; D, SFPQ tinción fuertemente positiva se encuentra en el citoplasma de las células luminales benignos; E, HDAC1 tinción fuertemente positiva se encuentra en el citoplasma de los tejidos ACC; F, HDAC1 tinción positiva débil se encuentra en el citoplasma de las células luminales benignos; G, control negativo para el análisis de inmunohistoquímica; H, la tinción inmunohistoquímica decenas de PTEN, SFPQ y HDAC1 en el CaP y los tejidos adyacentes benignas de la próstata.
SFPQ.
(SFPQ factor de empalme prolina /ricos en glutamina, también conocido como PSF) funciona como un factor de empalme asociados a la proteína de unión del tracto-polypyrimidine que tiene dos dominios de doble arrollamiento [30]. Puede unirse al ADN y el ARN y es un factor esencial para el empalme de ARN. Xu et al. [31] demostraron que SFPQ puede inducir resistencia de las células HeLa a 2 ', 2' diflurodeoxycytidine, así como otros análogos de nucleósidos de pirimidina; Tanaka et al. [32] informó de un /PSF-TFE3 fusión de genes SFPQ en el tumor de células epitelioides perivasculares por primera vez. A lo mejor de nuestro conocimiento, la participación de SFPQ en el CaP no ha sido dilucidado. En el estudio actual, tanto ELISA e inmunohistoquímica análisis muestran que el nivel de expresión de la proteína en los tejidos SFPQ CaP fue significativamente menor que en los tejidos adyacentes benignas de la próstata [ensayo ELISA: 1,95 ± 2,06 (ng /mg) frente a 3,75 ± 2,18 (ng /mg), P = 0,02; análisis de inmunohistoquímica: 3,81 ± 0,54 vs. 5,01 ± 0,48, p = 0,02; Tabla 5, Figura 4C y D]. Además, la reducción de la expresión de la proteína SFPQ se asoció significativamente con el estadio clínico avanzado de tejidos de CaP (p = 0,007, Tabla 6). Sin embargo, nuestros datos no encuentra la importancia pronóstica de SFPQ en pacientes con CaP (Figura 5D~F).
HDAC1.
HDAC1 (histona deacetilasa 1) es un miembro de la clase I de desacetilasas de histonas que también incluye HDAC2, -3 y -8 [33]. Desempeña un papel importante en la senescencia celular, el envejecimiento del hígado, la mielinización, la neurogénesis adulta y la carcinogénesis [34]. HDAC1 interactúa con la proteína retinoblastoma supresor de tumores y este complejo es un elemento clave en el control de la proliferación celular y la diferenciación [35]. Junto con la proteína-2, p53 HDAC1 deacetylates asociados a metástasis y modula su efecto sobre el crecimiento celular y la apoptosis. En el CP, Patra et al. [36] y Halkidou et al. [37] detectó la expresión HDAC1 significativamente mayor en el cáncer de próstata que en líneas celulares de próstata benignos y los tejidos, lo que sugiere que HDAC1 puede estar asociado con la carcinogénesis del CaP. Recientemente, Lei et al. [38] demostraron que la pérdida de PTEN en el CaP puede causar la expresión de Nkx3.1 que modula negativamente la transcripción del receptor de andrógenos y en consecuencia los eventos de señalización asociadas al receptor de andrógenos reducida. También encontraron que Nkx3.1 puede participar del ciclo celular y la maquinaria de muerte celular a través de la asociación con HDAC1. De acuerdo con estos estudios anteriores, nuestros datos muestran la sobre regulación de las proteínas HDAC1 en los tejidos de CaP en comparación con tejidos de la próstata benignas adyacentes [ensayo de ELISA: 6,70 ± 5,02 (ng /mg) vs. 4,84 ± 3,68 (ng /mg), P = 0,03; análisis de inmunohistoquímica: 5,13 ± 0,56 vs. 3,44 ± 0,61, p = 0,01; Tabla 5, Figura 4E y F]. En cuanto a su importancia clínica, se encontró que la sobreexpresión de HDAC1 fue más frecuencia se presentaban en los tejidos de CaP con la enfermedad avanzada (p = 0,01, Tabla 6). Sin embargo, nuestros datos no encuentra la importancia pronóstica de HDAC1 en pacientes con CaP (Figura 5G~I).
Conclusión
El presente estudio desarrollado un nuevo clasificador de diagnóstico del CP que se basa en la integración las características topológicas de la red interacción proteína-proteína con perfiles de expresión diferencial de proteínas en condiciones de enfermedad. Esta integración sistemática nos ofrece dos ventajas principales: En primer lugar, nos permite utilizar la información suficiente proteína co-expresión proporcionado por los datos de la proteómica, la cual se cree que es más informativo que los cambios de expresión de proteínas individuales para la identificación de biomarcadores. En segundo lugar, el análisis de redes es una poderosa herramienta para comprender los mecanismos patológicos de la enfermedad. Mediante la integración de las características topológicas de la red biológica, perdió algo de información en el análisis de la expresión diferencial se añade a nuestro clasificador. Más interesante aún, mediante una validación experimental utilizando un gran número de muestras clínicas de tejidos de CaP, también identificó la proteína PTEN como un nuevo marcador pronóstico para la supervivencia libre de recurrencia bioquímica en pacientes con CaP.
Apoyo a la Información sobre Table S1.
expresados diferencialmente Lista proteína identificada por 2D-DIGE
doi:. 10.1371 /journal.pone.0063941.s001 gratis (DOC) sobre Table S2. proteínas
centro de la red de diferencial de proteínas expresadas en el CaP
doi:. 10.1371 /journal.pone.0063941.s002 gratis (DOCX)