Extracto
El análisis molecular de muestras de tejido del paciente es esencial para caracterizar el
in vivo
variabilidad en los cánceres humanos que no son accesibles en líneas celulares o modelos animales. Esto se aplica particularmente a los estudios de metabolismo de tumor. El reto es, sin embargo, la mezcla compleja de varios tipos de tejidos dentro de cada muestra, tales como el epitelio benigno, estroma y tejido de cáncer, que pueden introducir sesgos sistemáticos cuando cánceres se comparan con las muestras normales. En este estudio aplicamos una simple estrategia para eliminar estos sesgos utilizando selecciones de la muestra, donde el contenido medio de tejido estroma es equilibrada entre los grupos de la muestra. La estrategia se aplica a una cohorte de pacientes de cáncer de próstata en los datos de la espectroscopia por RM y la expresión génica se han recogido de e integrado en exactamente las mismas muestras de tejido. Revelamos
in vivo
cambios en las vías metabólicas cáncer relevantes que están ocultos contrario en los datos debido al tejido de confusión. En particular, la disminución de los niveles de putrescina están conectados a una mayor expresión de
SRM
, reducción de los niveles de citrato se atribuyen a la regulación positiva de genes que promueven la síntesis de ácidos grasos, y el aumento de los niveles de succinato coinciden con la expresión reducida de
SUCLA2
y
SDHD
. Además, la estrategia también pone de relieve importantes diferencias metabólicas entre el estroma, el epitelio y el cáncer de próstata. Estos resultados muestran que importante
in vivo
características metabólicas de cáncer pueden ser revelados a partir de los datos del paciente sólo si la composición del tejido heterogéneo está adecuadamente tenidos en cuenta en el análisis
Visto:. Tessem MB, Bertilsson H , Angelsen A, Bathen TF, Drabløs M, Rye MB (2016) Una composición del tejido equilibrado revela nuevo metabólicos y de expresión de genes marcadores en el cáncer de próstata. PLoS ONE 11 (4): e0153727. doi: 10.1371 /journal.pone.0153727
Editor: Craig N. Robson, Instituto de Investigación del Cáncer del Norte, Reino Unido
Recibido: 26 Enero de 2016; Aceptado: 1 Abril de 2016; Publicado: 21 Abril 2016
Derechos de Autor © 2016 Tessem 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:. Los datos de microarrays utilizado en este estudio se obtuvieron a partir de array Express, la adhesión e-MTAB-1041 y gene Expression Omnibus, la adhesión GSE8218. datos relevantes adicionales están dentro del apoyo de sus archivos de información en papel y
Financiación:. Este trabajo fue financiado por becas de investigación a MBR y MBT desde el Comité de Enlace entre la Autoridad Noruega Central Regional de Salud (RHA) y la Universidad Noruega de Ciencia y Tecnología (NTNU). 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 de este manuscrito tener los siguientes intereses en competencia: Tono Bathen es un editor académico para PLOS ONE. Esto no altera la adhesión de los autores a todas las políticas de PLoS ONE sobre los datos y compartir materiales.
Introducción
El cáncer es una enfermedad heterogénea, donde la comprensión de los mecanismos moleculares subyacentes característico para cada tipo individual podría ser importante para proporcionar una terapia personalizada y específica eficiente o elección del tratamiento. muestras de tejido humano generan una instantánea molecular de estados tumorales, que es esencial para la caracterización de
in vivo
heterogeneidad cáncer que se pierde en modelos animales y líneas celulares [1]. Esto se aplica a los estudios de metabolismo de tumor en particular [2]. Un factor común pero que complica cuando se analizan muestras de tejido humano es la mezcla heterogénea de diversas células y tipos de tejidos que puede confundir los resultados de análisis molecular. Este riesgo de confusión se aplica no sólo para el cáncer de próstata (CaP) de tejido, pero para la mayoría de tipos de cánceres de tejidos
Un modelo simplista divide el tejido de la próstata humano en tres componentes diferentes.; epitelio benigno, estroma y tejido de cáncer. Basándose en este modelo, un análisis molecular diferencial entre las muestras de cáncer y normales idealmente debería enfatizar las diferencias entre el epitelio benigno y el tejido CaP. Sin embargo, en tales estudios diferenciales, las muestras normales se componen de dos tipos de tejidos (epitelio benigno y estroma) mientras que las muestras de CaP consisten en tres tipos de tejidos (epitelio benigno, estroma y PCA), todos en diversas proporciones. Esto introduce un sesgo en la muestra sistemática de un mayor contenido de estroma en las muestras normales que confunde las diferencias moleculares entre el epitelio y el cáncer. Este problema se reconoce generalmente [3,4]. Sin embargo, evaluación exhaustiva de la composición de estos tres tipos de tejidos no se explica de forma rutinaria para durante muestra de la cosecha, preparación y análisis de muestras de tejido de CaP. Además, el entorno del tumor introduce cambios en el tejido estroma circundante, denominado cáncer stromogenic [5,6], lo que representa un componente de tejido cuarto en muestras de cáncer de próstata, pero no se consideró en este estudio.
estrategias presentadas anteriormente para manejar la heterogeneidad muestra de tejido han utilizado generalmente modelos computacionales para ajustar cada muestra para la influencia de diversos tipos de tejidos en el análisis diferencial de [7,8]. Tales estrategias de cálculo pueden o bien solicitar información previa sobre la composición del tejido [9-11], pre-definidos firmas de genes [12,13], o llegar a ser netamente de datos [14,15]. Los modelos computacionales suelen manejar la heterogeneidad del tejido al hacer el ajuste a los valores de la expresión original antes de análisis diferencial. Esto aumenta el riesgo de la introducción de un sesgo de modelo, especialmente cuando la señal de cada componente de tejido no es homogénea. Este es el caso de muestras de tejido de muchos tipos de cáncer, incluyendo CaP [16-19].
En este estudio aplicamos una alternativa y enfoque más simple para tener en cuenta el efecto de confusión de estroma al comparar las muestras con CaP muestra normal histología para el análisis diferencial. La estrategia es construir conjuntos de datos de cáncer y muestras normales en que el contenido promedio de estroma es equilibrada entre los dos conjuntos de datos. La intención es para atenuar la señal diferencial debido a diversas cantidades de estroma en el análisis, y enfatizar las verdaderas diferencias moleculares entre el cáncer y el tejido normal. A diferencia de la mayoría de los métodos de cálculo utilizados para los ajustes de la heterogeneidad del tejido, la estrategia no realiza correcciones a los valores de expresión moleculares originales. Sin embargo, se requiere la caracterización patológica de la composición del tejido (epitelio benigno, estroma y PCA) para todas las muestras.
En este estudio, los cortes de tejido de la próstata fresco congelado se recogieron después de la prostatectomía radical y cada muestra de núcleo de tejido se evaluó histológicamente para la composición del tejido antes del análisis [20]. El tejido se analizó por HR-MAS (alta resolución de ángulo mágico de giro) MRS (espectroscopia de resonancia magnética) que permite 23 metabolitos cuantificados, seguido por mediciones de la expresión génica mediante microarrays. HR-MAS es un método no destructivo, que permite el análisis de expresión de genes a realizarse en la misma muestra de tejido exacto [21]. Esta integración de genes y datos metabolito ofrece una oportunidad única para investigar las vías moleculares centrales en CaP.
Este estudio ilustra que las variaciones en la composición del tejido estromal puede ser un factor de confusión sistemática en el análisis molecular cuando se CaP y muestras de tejidos normales son comparado. Este sesgo se puede quitar mediante el equilibrio de la composición del estroma entre los conjuntos de la muestra. Sólo cuando estos sesgos de tejido se contabilizan, cambios diferenciales integrados en los genes y metabolitos en las rutas metabólicas centrales puede ser revelada de forma simultánea.
Métodos
Recogida de muestras, microarrays y HR-MAS análisis
Las muestras se obtuvieron usando un procedimiento de recolección estandarizado descrito previamente por Bertilsson
et al
. [20]. Este procedimiento incluye el corte y manipulación de cortes de tejido congelados retirados de la glándula de la próstata durante la prostatectomía. núcleos de muestra de tejido fueron cuidadosamente seleccionados de los sectores basados en la histopatología clínica. Además, la evaluación histopatológica de la cantidad de cáncer, estroma y el epitelio benigno se llevó a cabo sobre cada muestra antes de la HR-MAS y análisis de microarrays (S1) de archivos. protocolos y análisis de microarrays y HR-MAS se describen a fondo previamente en Bertilsson
et al
. y Giskeødegård
et al
., respectivamente [21,22]. El
completo conjunto de datos (95 muestras de CaP y 34 muestras normales) contenía las mediciones de expresión de microarrays de 16.381 genes, y las concentraciones de metabolitos HR MAS de 23 metabolitos diferentes mide en exactamente las mismas muestras de tejido. El uso de material de tejido humano fue aprobado por el Comité Regional de Medicina y Salud la aprobación ética de la investigación sin 4-2007-1890. Los formularios de consentimiento fueron obtenidos de todos los pacientes. Otros aspectos éticos en relación con las muestras específicas utilizadas en este estudio se han descrito en publicaciones anteriores [20-22]. El experimento de microarrays de genes se publica en Array Express con la adhesión E-MTAB-1041. las concentraciones de metabolitos medidos en cada muestra se da en S2 Archivo.
El control de la influencia de tejido estroma clasificando los
completos datos originales en
,
equilibrada
,
desequilibrada Opiniones y
no estratificada
conjuntos de datos
el
equilibrada
,
desequilibrada
y
no estratificadas
conjuntos de datos fueron creados mediante el siguiente procedimiento: el cáncer y las muestras normales fueron ordenados de forma independiente en función de su contenido histopatológicamente determinado de estroma. El
equilibrada
conjunto de datos fue creada mediante la división del cáncer ordenados y muestras normales en dos mitades, y luego seleccionando las 47 muestras de CaP con el mayor contenido de estroma (mitad superior) y las 17 muestras normales con el menor contenido de estroma ( la mitad inferior) a partir de las listas de muestras clasificadas. Este procedimiento minimiza la diferencia en el contenido estroma promedio entre PCa y muestras normales para la
equilibrada
conjunto de datos (Fig 1A). Del mismo modo, el
desequilibrada
conjunto de datos fue creada mediante la selección de las 48 muestras de CaP con el menor contenido de estroma y las 17 muestras normales con el mayor contenido de estroma. En el
desequilibrada
conjunto de datos, la diferencia en el contenido medio de estroma entre el cáncer y muestras normales se maximiza (Fig 1A). La separación de las muestras en
equilibrada
y
desequilibradas
conjuntos de datos se da en S1 Archivo. Para crear un
no estratificada
conjunto de datos con el mismo poder estadístico como el
equilibrada
y
desequilibradas
conjuntos de datos, 50 selecciones aleatorias de 47 y 17 muestras de cáncer normales fueron extraídos de la
conjunto de datos completo.
(a) Por la cancelación de los mismos tipos de tejidos de CaP y muestras normales, el
equilibrada
conjunto de datos se compara en promedio cáncer de 51% a 43% benigna epitelio y 8% estroma. Del mismo modo, la
desequilibrada
conjunto de datos compara el cáncer de 75% a 58% estroma y 17% epitelio benigno, mientras que el
completa
y
no estratificadas
conjuntos de datos compara el cáncer de 63% a 33% estroma y 30% epitelio benigno. El
equilibrada
,
desequilibrada
y
no estratificada
conjunto de datos tiene el mismo poder estadístico. Nuestra estrategia predice que los genes expresados diferencialmente identificados en el conjunto equilibrado conjunto de datos deben reflejar los cambios en el CP en lugar de las diferencias en la composición del tejido. (B) Histograma de las distribuciones porcentuales de tejido de cáncer, estroma y el epitelio benigno en el
equilibrada Opiniones y
desequilibradas
conjuntos de datos. (C) Porcentaje de DEGs compartidos entre el
equilibrada Opiniones y
desequilibradas
conjuntos de datos en comparación con el porcentaje medio de DEGs compartidos entre los 50 subconjuntos aleatorios en el
no estratificada
conjunto de datos. Los porcentajes de los genes compartidos se calculan utilizando un número creciente de los DEGs más significativos de cada conjunto de datos. Los números aleatorios se calcularon como el número medio de genes compartidos sobre todos los 1225 posibles comparaciones entre los 50 subconjuntos aleatorios. Para los 200 DEGs más significativos, el 20% se reparte entre el
equilibrada Opiniones y
desequilibradas
conjuntos de datos, y el 39% era compartida por los 2.000 DEGs más significativos. Los porcentajes correspondientes para el conjunto de datos confundido fueron del 65% y 73%, respectivamente. (D) sondas de microarrays con un p-valor cambiante en varios órdenes de magnitud entre el
equilibrada
y
desequilibrada
conjuntos de datos excede en gran medida los cambios p-valor esperado por casualidad en el
no estratificada
conjunto de datos. De todas las sondas 2830 mostraron un cambio múltiplo de p-valor de más de cuatro órdenes de magnitud, y 1460 cambiaron sus valores de p por más de seis órdenes de magnitud entre el
equilibrada
y
desequilibrada
conjuntos de datos en comparación con 42 y 1 sondas para la
no estratificada conjunto de datos, respectivamente.
genes expresados diferencialmente y metabolitos
log2 transforman
valores de expresión en bruto se filtraron, y cuantil normalizado utilizando el paquete limma R [23] tal como se describe en Bertilsson
et al
. [21]. Todas las operaciones se llevaron a cabo antes de probar las separaciones en
equilibrada
,
desequilibrada
y
no estratificadas
conjuntos de datos. los genes expresados diferencialmente se identificaron para el
completa,
no estratificada
,
equilibrada
y
desequilibradas
conjuntos de datos como se describe en Bertilsson
et al
. [21]. P-valores fueron corregidos para múltiples pruebas utilizando Benjamini-Hochberg falso descubrimiento [24]. Para el
no estratificada
conjunto de datos, se utilizó el p-valor promedio de los 50 conjuntos de datos. P-valores para los metabolitos expresados diferencialmente se calcularon por el
t
.
prueba de función en R. El
t
.
prueba
función da inicialmente una evaluación de si los dos grupos de la muestra muestran igualdad de la varianza, que se utiliza para decidir la prueba de significación óptima. El uso de la evaluación inicial de la igualdad de varianza, se utilizó el
t
.
función de prueba
con igual varianza si el valor p de la prueba inicial fue inferior a 0,05, y la prueba de varianza desigual de otro modo.
Validación de datos
Para validar la estrategia de equilibrio de los tejidos, un conjunto de datos independientes [11] fueron descargados de la Expresión génica Omnibus (GEO adhesión ID, GSE8218). Este conjunto de datos consistió en microarrays de expresión génica de 65 muestras de CaP y 71 muestras normales junto con la evaluación histopatológica de los cuatro componentes de tejido diferentes (
cáncer de próstata
,
estroma
,
epitelio de la HPB
y
atrófica glándula
). Para comparar la composición del tejido en el conjunto de validación con el conjunto de datos principal (el conjunto de datos utilizados en el presente estudio), los porcentajes de
epitelio de la HPB
y
glándula atrófica
fueron combinados en un único componente que corresponde a epitelio benigno en el conjunto de datos principal. balanceo del conjunto de datos y la identificación de genes expresados diferencialmente se realizaron de la misma manera que para los datos principales. Para comparar la similitud de los genes expresados diferencialmente resaltados en el
equilibrada
y
desequilibradas
conjuntos de datos entre la validación y los datos principales, hemos desarrollado un
Relación de Importancia (SR)
score calculado para cada gen: (1) para el
equilibrada
conjunto de datos y (2) para el
desequilibrada
conjunto de datos, donde
p
B Opiniones y
p
S ¿Cuáles son las p-valor en el
equilibrada Opiniones y
desequilibradas
conjuntos de datos, respectivamente. La puntuación se introduce para comparar los p-valores relativos para cada gen, y se calcula de forma independiente para la validación y los datos principales. Los genes se clasifican en orden ascendente basado en la puntuación de SR para el
equilibrada Opiniones y
desequilibradas
conjuntos de datos, tanto en la validación y los datos principales. Un alto número de genes compartidos entre los mejor clasificado de genes en las principales y validación de datos indican que las listas de comparación tienen alteraciones relativas similares en los valores de p entre el
equilibrada
y
desequilibrada
conjunto de datos.
resultados y Discusión
Equilibrar el contenido de tejido estroma, muestras de tejidos humanos CaP se comparan con muestras de tejido prostático normal,
las muestras de la original
completa
conjunto de datos se presentan como tres subconjuntos dispuesto de forma diferente,
equilibrada
,
estroma
y
no estratificada
, basado en la diferencia del contenido medio de estroma entre el CP y muestras histológicamente normales (Fig 1A, Métodos). El
equilibrada
conjunto de datos fue diseñado para tener un contenido promedio de estroma tan iguales como sea posible entre el CP y las muestras normales (37% vs 45%, respectivamente). Esto era hacer hincapié en las transformaciones moleculares entre el cáncer y el tejido normal, sin el efecto de confusión debido a las diferentes cantidades de estroma. Por el contrario, el
desequilibrada
conjunto de datos fue creada con una diferencia maximizada del contenido medio de estroma (14% vs 72% para el CP y las muestras normales, respectivamente) para enfatizar las variaciones moleculares observados cuando la cantidad de estroma no se contabiliza . Un
no estratificada conjunto de datos se ha creado con las mismas propiedades de los tejidos como el
completo conjunto de datos, pero con un número reducido de muestras para permitir la comparación directa de los valores de p con el
equilibrado
y
desequilibradas
conjuntos de datos. El
no estratificada
conjunto de datos tenía una diferencia intermedia del contenido medio de estroma (26% vs 59% para el CP y las muestras normales, respectivamente), que representa la composición de los tejidos en las muestras de una cohorte típica paciente. No hubo diferencia significativa en la puntuación de Gleason promedio entre las muestras de CaP en el
equilibrada
,
desequilibrada
y
no estratificadas
conjuntos de datos (7.17, 7.27 y 7.22, respectivamente). Para simplificar la interpretación de los resultados, se supone que las señales moleculares a partir de la misma cantidad del mismo tipo de tejido en el CaP y muestras normales se anulan entre sí en un análisis diferencial. Este análisis no tiene en cuenta los cambios entre estroma sana y cáncer stromogenic. Sin embargo, servirá como una buena aproximación para estudiar las señales de confusión de estroma debido a las diferentes composiciones de tejido promedio en el cáncer y muestras normales. Si eliminamos las contribuciones a partir de cantidades iguales de tejido, el análisis de la
completa y
no estratificadas
conjuntos de datos compara la señal molecular del tejido de cáncer de 63% en las muestras de CaP a 33% y el 30% estroma epitelio benigno en las muestras normales, lo que representa una confusión casi completa entre el estroma y el epitelio benigno. En esta configuración, es imposible concluir si los genes expresados diferencialmente observados (DEGs) y los metabolitos se deben a los cambios entre el CP y el tejido normal, o debido a las diferentes cantidades de estroma de CaP y grupos de muestras normales. Por el contrario, los DEGs observados y los metabolitos son directamente atribuibles a cambios moleculares entre el cáncer y el tejido normal de la
equilibrada
conjunto de datos, y el cáncer y el estroma de tejido en el
desequilibrada
conjunto de datos. Las señales diferenciales en estas dos comparaciones de conjuntos de datos permite iluminar los genes y metabolitos, así como las relaciones entre ellos, que están ocultos en contrario en el
completa y
no estratificadas
conjuntos de datos.
Dos criterios se utilizaron para dividir las muestras entre el
equilibrada
y
desequilibradas
conjuntos de datos: i) el porcentaje medio de estroma debe ser lo más iguales posible entre el cáncer y las muestras normales, y ii) cada una conjunto de datos debe incluir el mayor número posible de muestras para garantizar la máxima potencia estadística. Para mejorar el análisis aún más, tercera criterio puede ser introducido, lo que garantiza que las muestras individuales en cada conjunto de datos son homogéneos con respecto al porcentaje de estroma. Este criterio debería, en teoría, reducir el valor de la expresión varianza dentro de cada grupo para mejorar las estadísticas diferenciales. Debido al número limitado de muestras disponibles con la composición del tejido similares, se concluyó que una selección que incluye también el tercer criterio comprometería la potencia estadística del análisis. Sin embargo, los dos primeros criterios demostraron ser suficiente para poner de relieve importantes diferencias entre el
equilibrada
y
desequilibradas
conjuntos de datos.
Una característica importante de la
equilibrada
y los
desequilibradas
conjuntos de datos es que indirectamente también evalúan la diferencia entre el epitelio y el tejido benigno estroma. Los genes y metabolitos exhiben cambio diferencial sólo en el
desequilibrada
conjunto de datos, y no en el
equilibrada
conjunto de datos, no son marcadores de transformación CaP. Estos serán más bien ser marcadores de estroma que los cambios en el
completa y
no estratificadas
conjuntos de datos sólo se debe a las diferencias en la cantidad de tejido estroma. Además, los genes y los metabolitos que muestran cambios similares tanto en el
equilibrada
y el
desequilibrada
conjunto de datos son marcadores de CaP que no es afectada por la presencia de estroma. Por último, los genes y los metabolitos se presentan diferencial cambia solamente en el
equilibrado conjunto de datos
, pero no en el
desequilibrada
conjunto de datos, representan marcadores de CaP, que son confundidos por la presencia de estroma. Estas evaluaciones son importantes al separar los cambios observados directamente relacionados con la transformación de PCA de cambios que resultan solamente de cantidades parciales de tejido estroma. Tales interpretaciones se llevarán a cabo en el análisis posterior.
Balanced
y
desequilibradas
conjuntos de datos muestran diferentes patrones de expresión génica a nivel mundial
diferencias considerables en el gen se observaron patrones de expresión cuando se comparan DEGs entre el
equilibrada Opiniones y
desequilibradas
conjuntos de datos. Un porcentaje mucho menor de DEGs se comparte entre el
equilibrada
y el
desequilibradas
conjuntos de datos en comparación con el porcentaje de DEGs se espera que ocurra por casualidad (figura 1B), donde se estimó el porcentaje esperado como el número medio de los genes compartidos entre los 50 subconjuntos aleatorios en el
no estratificada conjunto de datos. El hecho de que el
equilibrada
y
desequilibradas
conjuntos de datos captar las diferencias biológicas significativas con pocas probabilidades de ser observado por casualidad fue confirmada por el elevado número de sondas de genes con un p-valor cambiante en varios órdenes de magnitud entre el
equilibrada
y los
desequilibradas
conjuntos de datos en comparación con el
no estratificada
conjunto de datos (figura 1C). Todos los tres conjuntos de datos visualizan espera y regulación a la baja de los siete genes bien validados en el CaP (Figura C en S3 Archivo). Para concluir, las diferencias observadas entre estos conjuntos de datos son atribuibles a diferencias en la cantidad de tejido estroma. La estrategia aplicada de equilibrio tejido es capaz de poner de relieve estas diferencias.
El
equilibrada
conjunto de datos pone de relieve metabolitos relacionados con CaP cambio
En el
equilibrada
conjunto de datos 17 de los 23 metabolitos medidos por HR-MAS se encontraron para mostrar cambios significativos en los niveles de concentración entre PCa y el tejido normal (Fig 2). Este es un número considerablemente mayor en comparación con los 8 metabolitos significativos identificados en el
no estratificada Opiniones y 13 identificados en el
completa
conjunto de datos. Esto indica un alto grado de confusión a partir del tejido del estroma en estos conjuntos de datos, que se aplica específicamente a las nueve metabolitos putrescina, espermina, glicina, glutamina, alanina, valina, succinato, isoleucina y citrato que fueron significativas en el
equilibrado
pero no el
no estratificada
conjunto de datos. Estos nueve metabolitos son por lo tanto los cambios que son característicos para CaP, pero que son difíciles de detectar debido a la confusión de cantidades desequilibradas de tejido estroma. La identificación de citrato sirve como una prueba de principio para la estrategia de análisis aplicada, debido a la ausencia de citrato en estroma y niveles reducidos observados en CaP tejido [22,25]. Además, los cambios en el succinato de metabolitos, valina y glicina no eran detectables en el
conjunto de datos completo, a pesar de la potencia estadística más alta en comparación con el
equilibrada
conjunto. No hay metabolitos eran específicos para el
desequilibrada
conjunto de datos, posiblemente con la excepción de la taurina con una significación estadística marginal (p = 0,053). No se observaron otros biomarcadores metabolito típica para el CP como la glucosa, lactato y los tres metabolitos que contengan colina [22,26] en todos los conjuntos de datos, lo que demuestra la estabilidad como biomarcadores, independientemente de la composición del tejido.
Positivo -log10 (p- valor) indican un incremento en la concentración y -log10 negativo (p-valor) que indican una menor concentración en el CaP. El
no estratificada
,
equilibrada
y
desequilibradas todos los conjuntos de datos tienen la misma potencia estadística.
Integración de metabolito y la expresión génica de datos identifica los cambios en los genes implicados en el metabolismo CaP
predecir que la realización de análisis de expresión diferencial en un conjunto de datos equilibrada por el contenido de tejido estroma entre el CP y muestras normales destaca genes y metabolitos directamente relevantes para los cambios de PCA. Además, los datos de genes y de metabolitos simultáneas medidos en exactamente las mismas muestras de facilitar la integración de estos datos sobre las vías metabólicas específicas. En este estudio nos centramos en las vías de la síntesis ciclo de Krebs, la síntesis de poliaminas y ácidos grasos, y en DEGs metabolitos relacionados con la putrescina, citrato y succinato, ya que estas vías se destacaron específicamente en el
equilibrada
conjunto de datos. La expresión diferencial se presenta en términos de los valores de p. Los cambios correspondientes con respecto a rango de genes y doble cambio se presentan en las figuras A y B en S3 S4 en Archivo y Archivo.
niveles reducidos de putrescina se relaciona con una mayor expresión de
SRM
en la vía poliamina .
aumento de la producción de poliaminas es importante para la progresión del cáncer mediante la promoción de crecimiento celular, la degradación de tejido circundante y la disminución de las funciones inmunes anti-tumorales [27]. En la vía poliamina (figura 3A),
ODC1
convierte la ornitina a putrescina, que se convierte después en la espermidina por SRM. La espermidina se convierte después en espermina por
SMS
, todo en una reacción hacia adelante.
SRM
y
¿Cuáles son SMS asistido por
AMD1 Hoteles en el proceso de conversión, mientras que
SAT1
y
SMOX ¿Cuáles son responsables de la sino posterior aguas abajo de la espermidina y la espermina [28]. Estudios previos han informado de que los genes en la vía poliamina están regulados por incremento en el cáncer [29,30]. A upregulation concordantes de genes de poliamina se incrementará el flujo de todas las poliaminas, pero no necesariamente cambiar los niveles relativos de los metabolitos individuales. En el
equilibrada
conjunto de datos, se observa una reducción del nivel significativo para el metabolito putrescina. Esta reducción coincide con una regulación positiva específica de la
SRM
gen (Figura 4A). Mecánica, la regulación positiva de
SRM
consumirá putrescina para la producción de espermidina y putrescina sin reemplazo de ornitihine por la regulación positiva de
ODC1
, la concentración de putrescina se debe reducir. Esto es exactamente lo que se observa a partir de las mediciones metabólicas MR. Regulación al alza de los MER y sin regulación al alza concordantes de otros genes en la vía poliamina se observa sólo en el
equilibrada
conjunto de datos, mientras que una regulación al alza general de los genes de poliaminas es una característica observada principalmente en el
desequilibrada
conjunto de datos. Aplicando la relación indirecta entre el
equilibrada
y
desequilibrada
conjunto de datos, esta regulación al alza en general son causados probablemente por las diferencias entre el epitelio y el estroma benigna, y la regulación al alza de los MER y el declive putrescina concordantes se debe a transformación CaP. Curiosamente,
SRM
Recientemente se ha sugerido como una diana terapéutica para la vía poliamina en un modelo de linfomas de células B [31]. Además, también se observa una disminución significativa en los niveles de espermina (p = 0,047), que se ajusta con una regulación positiva significativa de
SAT1
y
SMOX
, sin regulación positiva significativa de
SMS
. Sin embargo, esta relación es más sutil. Una diferencia significativa en las concentraciones de espermina se informó previamente para separar agresivo (grado de Gleason ≥7) a partir de los tipos más indolentes de tejido CaP (Gleason grado = 6) [22]. Sin embargo, en esta comparación la confusión de estroma es menos pronunciada ya que sólo las muestras de cáncer se comparan.
(A) vía poliamina. (B) ciclo del TCA, síntesis de ácidos grasos y el consumo de glutamina. Los genes regulados negativamente hacia arriba y en el
equilibrada
conjunto de datos se resaltan en rojo y azul, respectivamente. Gene nombres: ODC1: ornitina descarboxilasa 1, SRM: espermidina sintasa, SMS: espermina sintasa, AMD1: descarboxilasa adenosilmetionina 1, SAT 1: espermidina /espermina N1-acetil-1, Smox: espermina oxidasa, ACO1 /2: aconitasa 1/2, CS : citrato sintasa, ACLY: ATP citrato liasa, ACACA /B: acetil-CoA carboxilasa alfa /beta, FASN: la sintasa de ácidos grasos, SUCLA2: succinato-CoA ligasa ADP-formando subunidad beta, SUCLG1 /2: succinato-CoA ligasa subunidad beta , SDHA /B /C /D:. succinato deshidrogenasa complejo subunidad a /B /C /D
(a) Inicio:
SRM
y putrescina en la vía poliamina. Medio:
SUCLA2
y
SDHD
y succinato en el ciclo de Krebs. En pocas palabras: Citrato en la síntesis de ácidos grasos. Positivo -log10 (p-valor) indican la regulación positiva y negativa -log10 (p-valor) indican regulación a la baja. Los metabolitos que se muestran en el lado izquierdo son un subconjunto de los metabolitos que se muestran en la figura 2. (B) Validación de genes importantes en CaP en comparación con muestras normales con respecto a la vía de poliamina, succinato en la síntesis de ácido ciclo TCA y grasa en una independiente conjunto de datos. (C) Promedio de composiciones de tejido en el
equilibrada
,
desequilibrada
y
completas /no estratificada
conjuntos de datos a partir del estudio de validación. Histograma de la distribución de tejido se muestra en la figura D en S3 Archivo. (D) Número de genes compartidos entre los primeros genes N ordenados por la relación puntuación de importancia cuando se comparan diferentes conjuntos de datos. Los genes con cambios opuestos (3 en el
equilibrada Opiniones y 116 en los
desequilibradas
conjuntos de datos) se eliminaron del análisis. Los genes son compartidos número mucho mayor cuando
equilibrada
y
desequilibradas
conjuntos de datos se comparan entre sí, que cuando
equilibradas
se comparan con los
desequilibradas
conjuntos de datos. Esto indica que los estudios de validación y control visualizará un rango muy concordantes de genes tanto para el
equilibrada
y
desequilibrada
conjuntos de datos.
Reducción de los niveles de citrato se relaciona con una mayor la síntesis de ácidos grasos.
significativamente más altos niveles de citrato en muestras normales eran sólo es detectable en el
equilibrada
conjunto de datos. En el
completo conjunto de datos, donde se duplica la potencia estadística, los niveles de citrato no alcanzaron significación estadística entre el cáncer y las muestras normales. El citrato se convierten normalmente a isocitrato por
ACO1
y
ACO2
en el ciclo TCA (Fig 3B), que es el modo preferido de la producción de energía en la mayoría de las células.