Extracto
La identificación de las firmas de microARN para los diferentes tipos y subtipos de cáncer puede resultar en una mejor detección, caracterización y comprensión del cáncer y nos avanzar hacia estrategias de tratamiento más personalizados. Sin embargo, el uso de la expresión diferencial de microARN (tumor frente normal) para determinar estas firmas puede dar lugar a predicciones inexactas y baja interpretabilidad debido a la naturaleza ruidosa de datos de expresión de genes miARN. Se presenta un método para la selección de los microARN biológicamente activos utilizando los datos de expresión génica y red de interacción-microARN-a gen. Nuestro método se basa en una regresión lineal con una regularización red elástica. Nuestras simulaciones muestran que, con nuestro método, los miRNAs activos se pueden detectar con gran precisión y nuestro enfoque es robusto a altos niveles de ruido y de la información que falta. Por otra parte, nuestros resultados en conjuntos de datos reales para el glioblastoma y el cáncer de próstata son confirmados por las mediciones de expresión de microARN. Nuestro método conduce a la selección de microRNAs potencialmente funcionalmente importantes. Las asociaciones de algunos de nuestros miRNAs identificados con mecanismos del cáncer ya están confirmados en otros estudios (hipoxia relacionada HSA-mir-210 y relacionada con la apoptosis HSA-mir-296-5p). También hemos identificado miRNAs adicionales que no fueron estudiados previamente en el contexto de cáncer, pero se predice de forma coherente como principio activo por nuestro método y pueden justificar una mayor investigación. El código está disponible en Matlab y R y se puede descargar en http://www.cs.toronto.edu/goldenberg/Anna_Goldenberg/Current_Research.html
Visto:. Mezlini AM, Wang B, Deshwar A, Morris Q, Goldenberg a (2013) identificar el cáncer de miRNAs específicos funcionalmente relevantes de la Expresión génica y miRNA-a-gene redes utilizando regresión regularizada. PLoS ONE 8 (10): e73168. doi: 10.1371 /journal.pone.0073168
Editor: Xin-Yuan Guan, la Universidad de Hong Kong, China
Recibido: 28 Marzo, 2013; Aceptado: 18 Julio 2013; Publicado: 2 Octubre 2013
Derechos de Autor © 2013 Mezlini 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:. No hay corriente fuentes externas de financiación para este estudio
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
Como un factor importante altamente conservada de la regulación post-transcripcional , microRNAs se cree que tienen un impacto significativo sobre la expresión génica y por lo tanto en la mayoría de los mecanismos y funciones biológicas. El vínculo entre el cáncer de miRNAs y ha sido objeto de varios estudios y revisiones recientes [1] - [4]. La creencia de que el cambio en el perfil de miARN no es sólo una consecuencia transeúnte de cáncer, pero también puede tener un papel activo en él, se consolida por varias observaciones. En primer lugar, los datos de expresión de miARN muestra cambios coherentes y drásticos en los niveles de expresión entre los tejidos tumorales y sus homólogos sanos. En segundo lugar, se ha observado que muchos miRNAs se encuentran en el genoma en regiones que son propensos a CNVs /deleciones en el cáncer [5]. Por último y lo más importante, muchos miRNAs se han demostrado tener un efecto directo sobre los mecanismos relacionados con el cáncer, tales como la apoptosis [6], la proliferación [7], angiogénesis [8] y la metástasis [9].
Análisis diferencial de los perfiles de expresión de genes miARN en el cáncer vs tejido sano solo puede llevar a un gran número de falsos positivos debido a la naturaleza ruidoso de datos de expresión de genes miARN. Además, tenemos poco conocimiento de la cantidad de desviación en la expresión de los genes miARN particular puede inducir cambios funcionalmente relevantes en la expresión génica. Es posible que el perfil de expresión génica es muy sensible a incluso pequeños cambios en las cantidades algunos miRNAs 'mientras que los cambios drásticos en otros miRNAs no tienen un impacto significativo sobre el mismo.
Los métodos anteriores para la detección de miRNAs importantes en el cáncer hacen una serie de supuestos clave. Por ejemplo, RegulatorInference [10] es un método muy reciente que tiene como objetivo encontrar los miRNAs activos a través de un enfoque de regresión. Se supone implícitamente que todos los genes se ven afectados por las variaciones del número de copias de la misma manera lineal y que el efecto de un miARN en un gen diana es lineal en el número de sitios de unión. Además, RegulatorInference utiliza los datos de expresión de genes miARN para preseleccionar miRNAs potencialmente activos, aunque este paso es opcional. En [11], la expresión de genes, los genes miARN expresión y la red de interacción gen-gen se utilizan para construir una red de influencia miARN-diana compleja putativa con coeficientes de influencia miARN que se calcula en función de miRNA efecto directo /indirecto sobre los genes y los genes-genes anotados interacciones.
En este trabajo, presentamos un método para predecir miRNAs funcionalmente relevantes de los datos de expresión diferencial de genes utilizando información de la interacción de los genes miARN-genes y la expresión de ARNm solamente. Al contrario de los métodos anteriores, no utilizamos los datos de expresión de genes miARN en nuestras predicciones y no hacemos ninguna hipótesis sobre cómo los diferentes miRNAs, VNC o interacciones pueden influir en diferentes genes. La idea es seleccionar un conjunto de miRNAs responsable de la mayoría de los cambios observados en la expresión génica basada en el conocimiento previo de las interacciones de genes miARN-existentes sin suposiciones adicionales sobre los puntos fuertes de estas interacciones. Nuestro enfoque se basa en un modelo de regresión para la expresión diferencial de genes. Hemos añadido una regularización red elástica [12] para evitar el sobreajuste el alto nivel de ruido en los datos y seleccione un conjunto mínimo de miRNAs activos. Los datos de expresión diferencial miRNAs sólo se usa para fines de validación. En la medida de nuestro conocimiento, este es el primer acercamiento para determinar miRNAs activos en el cáncer de datos de expresión de genes solamente (sin datos miARN) y por lo tanto podemos evaluar nuestro desempeño utilizando los datos de expresión diferencial de los genes miARN de los mismos pacientes.
Nuestras simulaciones muestran que nuestro método es robusto a varios tipos de ruido y los datos que faltan y que es capaz de predecir los miRNAs pertinentes siempre que los cambios de expresión génica de entrada son, al menos, parcialmente debido a miRNAs. Utilizamos nuestros datos en 157 pacientes con glioblastoma y 111 pacientes con cáncer de próstata y predijo varios miRNAs efectos relevantes que fueron confirmados por las mediciones de expresión de los genes miARN en estos mismos pacientes
.
Nuestros resultados sobre datos reales miRNAs identificados cuyas funciones fueron validados previamente en cáncer, como miR-210 y miR-296-5p, junto con otros miRNAs potencialmente importantes: MIR-1, miR-154, miR-339-3p, miR-539, miR-561, miR-607 en el glioblastoma y MIR- 143 *, MIR-30c-2 *, MIR-330-3p, MIR-526b y MIR-939 en el cáncer de próstata.
Métodos
1 Los datos pre-procesamiento
Una gran parte de la variabilidad en el gen /mediciones de la expresión de genes miARN a través de diferentes muestras de tumor se debe a los diferentes niveles de contaminación con células sanas. Típicamente al de un tejido tumoral se compone de células sanas cuyo gen /señal de expresión de los genes miARN se perturbar la señal de cáncer en un grado diferente para las diferentes muestras (pacientes).
Utilizamos ISOPURE [13] para extraer el cáncer purificada la señal para todos los pacientes. Esto da una mayor coherencia entre los pacientes de cáncer y resultados más precisos para la predicción miRNA.
2 normalizado diferencial de la expresión de cálculo
Después de purificamos los datos tumorales, tomamos el registro de las mediciones de genes en pacientes y en los controles. Entonces, para cada paciente se calcula la expresión diferencial normalizado para un gen o un miARN de acuerdo con [14] :( 1) Cuando E e Y son, respectivamente, el original y la expresión génica normalizada para el paciente, n y m son, respectivamente, el número los controles sanos y pacientes con cáncer, y son la media y la varianza de expresión para ese gen en los controles sanos. El término penaliza a los genes que tienen una alta variación entre los pacientes de cáncer. La misma normalización se utiliza para los datos de miARN para obtener la expresión diferencial de los genes miARN para el tumor vs muestras sanas cuando utilizamos la expresión de los genes miARN para fines de validación.
3 Selección miRNAs activos
Determinamos la lista de activos miRNAs mediante la selección de miRNAs que habrían tenido que ser activos para observar el patrón de cambio de la expresión del ARNm resultante a través del genoma. Más específicamente, se modela el cambio de todo el genoma de los niveles de expresión de ARNm como una suma de influencias miARN desconocidos. Las influencias, tienen una contribución que no sea cero para todos los miRNAs que se dirigen a un determinado gen. Utilizamos la red-miARN-gen para que la información de destino de genes y la representamos como una matriz. Obtuvimos la red del Instituto Europeo de Bioinformática (ww.ebi.ac.uk/enright-srv/microcosm/cgi-bin/targets/v5/download. Pl) que proporciona un conjunto de genes diana para cada miARN (711 miRNAs, 16799 genes y 470.000 bordes). Si no hay ningún efecto discernible del cambio miARN expresión en el cambio de expresión de los blancos, la influencia se estima que es cero. Las influencias miARN se estiman en función de cada paciente. Si la influencia miRNA predicho no es cero y tiene el mismo signo a través de la mayoría de los pacientes, suponemos que el miARN dado está activo y puede ser un factor importante para una enfermedad dada. El diagrama de flujo para la aplicación de este método es capturado en la Figura 1 y la formulación es la siguiente: (2)
Podemos predecir los miRNAs activos para cada paciente individual, a continuación, se investiga la coherencia de los miRNAs activos a través de los pacientes.
matriz de interacciones de genes microRNA se define de la siguiente manera: (3)
los valores negativos en la matriz indican que los miRNAs por lo general regulan por disminución de la expresión génica. Dado que la información de la cantidad de un miARN particular, afecta a un gen dado no está disponible, los coeficientes de la solución representan la "influencia" de miRNAs en la expresión de genes perfil en lugar de miRNAs expresión diferencial (es decir, la cantidad de cambio en la expresión génica de miARN objetivos se pueden atribuir a que los genes miARN particular). indica dos cosas: 1) si miARN fue activa (); y 2) de qué manera influyó en la expresión, es decir, si los genes diana se expresan sobre-en el tejido canceroso en comparación con el tejido normal que indica que los niveles de miARN se agotaron () o bajo-expresaron que indica la sobre-expresión de lo dado miRNA () .
Si la influencia de un miARN activo es del mismo signo con la expresión diferencial de los genes miARN observada del paciente dado, se dice que la predicción miRNA es validado por las mediciones de miRNAs.
dado que queremos para evitar el sobreajuste y fomentar modelos con un pequeño número de miRNAs activos (modelos más simples con sólo unos pocos miRNAs activos son más fáciles de interpretar y son biológicamente más relevante), utilizamos una sanción de tipo red elástica. La función objetivo resultante de minimizar es: (4) donde y son los parámetros de red elástica, la elección de los parámetros se discute a continuación. pena de red elástica se elige aquí porque es capaz de evitar algunas de las limitaciones que podemos encontrar usando una penalización simple como en [10]. Por ejemplo, cuando tenemos variables altamente correlacionadas (miRNAs con una gran cantidad de objetivos en común) una sanción tenderá a seleccionar una variable al azar y hacer caso omiso de los otros, mientras que la red elástica seleccionará todas las variables relevantes.
4 Elección de los parámetros (validación cruzada)
los parámetros de la red elástica definir la escasez de la solución: el número de miRNAs que se prevé que se conduce de forma activa los genes de expresión diferencial. Para determinar, se utilizó el marco de validación cruzada propuesto en [12] (Aplicación está disponible en el paquete glmnet R). Resultados aceptables se obtienen con correspondiente al error de predicción mínimo utilizando 10 veces la validación cruzada. La elección de la más alta corresponde a un error de predicción de 1 error estándar más el error de predicción mínima puede conducir a resultados más precisos en las simulaciones con los niveles más bajos de ruido. Sin embargo, a menudo se da soluciones excesivamente escaso cuando el error de predicción tiene una alta varianza y, por tanto, que utilizan la convención de error de predicción mínima en esos casos. En nuestros resultados, nos fijamos el mismo para todos los pacientes a ser el valor medio seleccionado en todos los pacientes. Para la elección de que se repite todo el experimento (simulación y los datos reales) con diferentes valores (0,1, 0,25, 0,5) y no hay mayor diferencia se observó para los miRNAs predicho finales, por lo que ponemos nuestro a 0,25 para todos los experimentos.
resultados
1 simulaciones y robustez al ruido
En primer lugar, hemos probado la capacidad de nuestro método para seleccionar el subconjunto correcto de la expresión de genes miARN-conducción entre el conjunto de todos los miRNAs, y la capacidad para determinar las influencias correctos para los miRNAs seleccionados (signo de en (2)). Para ello, se seleccionaron al azar 30 miRNAs que los miRNAs activos que impulsan los cambios de expresión génica y asignamos grandes valores medios de expresión positiva o negativa a ellos (valor absoluto selecciona de manera uniforme desde y firmar obtiene mediante lanzamiento de una moneda imparcial). Se asignó cero los valores medios de todos los otros miRNAs que no son simulados como activa. A continuación, simulamos 100 pacientes con miARN perfiles de expresión diferencial centrados alrededor de los valores medios (con distribución gaussiana dado media y desviación estándar 0,5). Como resultado, se obtiene para cada paciente será consistentemente expresa de forma diferente un conjunto de mediciones de la expresión diferencial de genes miARN en el que los 30 miRNAs simularon tan activo y todos los demás miRNAs se representa un ruido de fondo. Por último, para todos los pacientes que se multiplican las miARN simulados medidas de la expresión diferencial de la red de interacción de los genes miARN-gen (matriz en la Ecuación 2) para obtener simulados diferencial de genes medidas de la expresión (Este paso se hará referencia más adelante como el paso de simulación expresión diferencial de genes). La red que se utiliza aquí es el mismo que el mencionado en la sección 2.3 y producido por el Instituto Europeo de Bioinformática capturar las interacciones entre 711 y 16799 genes miARN, la mediana miARN que tienen alrededor de 650 genes diana potenciales.
El objetivo de esta experimento es para probar si el problema puede ser resuelto a pesar del hecho de que los miRNAs a menudo tienen cientos de superposición de objetivos potenciales y que múltiples miRNAs pueden tener efectos opuestos en los niveles de expresión génica.
Nos encontramos mil simulaciones que generan datos como descrito arriba. Se encontró que en los casos, hemos sido capaces de identificar exactamente el subconjunto seleccionado al azar de miRNAs que impulsan los cambios en la expresión de genes y predecir correctamente todos los signos de influencia. En la práctica, esto significa que nuestro método funciona correctamente para cualquier muestra de datos reales donde la expresión diferencial de miRNAs 'es responsable de una proporción relativamente alta de la expresión diferencial de ARNm. Esto también significa que la consistencia en el que grupos de genes son más /menos expresado es una señal lo suficientemente fuerte como para detectar miRNAs activos a pesar de que diferentes miRNAs pueden tener efectos opuestos sobre los genes diana comunes.
A continuación se prueba la robustez de nuestros métodos a los diferentes tipos de ruido. Se examinó el efecto de los cuatro tipos de ruido que podría hacer que este problema más difícil de resolver:
Nos representaron el ruido estructural (falsas interacciones negativas) en la red de miRNA-gen añadiendo bordes aleatorios previos al diferencial de genes de simulación de expresión y luego usar la red miARN-gen original para las predicciones, dando como resultado algunas de las informaciones influencia miARN utilizado para generar los datos que faltaba en la etapa de predicción.
Nos representaron bordes incorrectos (interacciones falsos positivos) en el red miARN-gen mediante la eliminación de bordes aleatorios previos al diferencial de genes de simulación de expresión. La red de miARN-gen original todavía se utiliza en las predicciones.
Hemos simulado el efecto de no observadas interacciones gen-gen en la expresión de genes (usamos la red de interacción proteína-proteína).
aumentar los niveles de ruido en los datos de expresión (mediante la adición de ruido gaussiano con 0-media y la varianza proporcional a los niveles de expresión) para dar cuenta de otros mecanismos que alteran la expresión de genes en el cáncer, tales como variaciones del número de copia.
la figura 2 muestra el efecto de modelado de información faltante /incorrecta en la red miARN-gen. Nos damos cuenta de que el método es capaz de detectar aproximadamente el subconjunto correcto de miRNAs incluso cuando suponemos de las interacciones miARN-genes anotados equivocados (quito de las aristas en el grafo de la red durante el paso de simulación expresión de genes) o cuando suponemos que el anotaciones contienen sólo la mitad de las interacciones de genes miARN reales (añadimos bordes durante la etapa de simulación de la expresión génica). Hay evidencia de que el método es más robusto a la falta de información (bordes falsos negativos) que a la información incorrecta (bordes falsos positivos), que significa que es preferible utilizar redes conservadoras en este contexto. La figura 3, muestra la robustez del método a altos niveles de ruido en la expresión génica. El ruido de la expresión génica está parametrizada por la variable de control de la fuerza del ruido: para cada gen, la varianza de la última tipo de ruido se multiplica por el nivel medio de expresión (da un tipo varianza Poisson). Finalmente, el ruido interacción gen-gen es controlada por la variable de difusión de la siguiente manera: (5)
(A) Sensibilidad y (B) la precisión del método en la predicción de los miRNAs de expresión de genes de conducción cuando la variación las proporciones de los bordes incorrectos y los bordes que faltan en la red de interacciones miARN-Gen (eliminar bordes /insertar nuevos bordes). Todos los miARN También se prevé que tenga la dirección correcta de influencia (supresor de efecto vs oncogén).
(A) Sensibilidad y (B) la precisión del método en la predicción de los miRNAs de expresión génica-conducir cuando variando el nivel de ruido de genes interacciones (a través del parámetro de difusión) y la intensidad del ruido en el nivel de expresión diferencial de genes (a través de la variable). Todos los miRNAs predicho tienen los signos correctos de influencia.
¿Dónde está el vector de expresión diferencial de genes, es la matriz de interacción directa gen-gen y es la matriz de segundo orden con las interacciones gen-gen (vecinos de segundo orden en el gen-gen interacciones representación de red). Esto significa una expresión gen afecta a un cierto grado de la expresión de genes que interactúan (vecinos directos) y en un grado más pequeño de los genes que interactúan con los vecinos directos (segundo orden vecinos). La red de interacción gen-gen que usamos aquí es un subconjunto de la red humana combinada descargado desde el sitio web Biogrid. Captura de información para los 16.799 genes que están presentes en nuestra red de miARN-gen y contiene 85,590 bordes. La Figura 3 muestra que la capacidad de nuestro método para recuperar los verdaderos miRNAs es alta, incluso en presencia de otras influencias, tales como afecta de genes que interactúan, que nuestro modelo no tiene en cuenta. Nuestros resultados de la simulación indican que nuestro método es robusto a diferentes tipos de ruido.
2 Análisis de los datos sobre el cáncer
criterios
2.1 Evaluación.
El uso de este método, se predijo la funcionalmente miRNAs relevantes y su influencia en la expresión de genes a partir de los datos de expresión génica diferencial para multiforme de glioblastoma y de próstata. Desde nuestras predicciones están en función de cada paciente, seleccionamos los miRNAs que se predijeron activa () con la misma dirección de la influencia en más de los pacientes. Estos miRNAs son más probable que refleje un mecanismo biológico común real para el cáncer, ya que se predijeron consistentemente como activo por nuestro método en un gran número de pacientes independientes. A continuación nos fijamos en las mediciones de expresión de miRNAs relativos, por los mismos pacientes. Si las expresiones diferenciales de los miRNAs activos "tienen los mismos signos que sus influencias predichos en más de los pacientes, que considerarlos validados por mediciones miARN.
En los datos de expresión diferencial de genes miARN, algunos miRNAs son coherentemente sobre o bajo-expresó en todos los pacientes y algunos no lo son. Estimamos que el significado de nuestra miARN activa establecer calculando el valor de p:. La probabilidad de tener como buenos o mejores que los resultados de la validación de este método si las predicciones miRNAs fueron al azar
calculamos que el p-valor por primera la selección de un subconjunto aleatorio de miRNAs partir de los datos, con el tamaño ajustado igual al número de miRNAs predijo tan activo por nuestro método. A continuación, se asigna al azar la dirección de la influencia (signos) de estos miRNAs seleccionados. Por último, se estima la proporción de estas predicciones aleatorias que son validados por mediciones miARN utilizando los datos de miARN correspondientes a los mismos pacientes estudiados (un miARN se valida si es coherente sobreexpresado /bajo-expresó cuando su señal de impacto es, respectivamente, positivo /negativo). Repetimos este experimento 10.000 veces. El valor p es la proporción de experimentos aleatorios con un mayor índice de validación de la predicción de nuestro método. A lo suficientemente pequeño como p-valor indica que los miRNAs seleccionados por nuestro método no fueron al azar y que probablemente es una importancia funcional en relación con el cáncer indicada por la coherencia en la expresión de los genes miARN /génica a través de los pacientes.
2,2 Glioblastoma .
los datos de expresión génica glioblastoma fue producido por el Instituto Broad utilizando el HT_HG-U133A Affymetrix diseño experimental. Contiene 157 casos de tumores y 10 controles. Estos datos, junto con la expresión de los genes miARN que utilizamos para la validación están disponibles en el sitio web TCGA.
Después de la purificación de los datos de expresión de genes (véase la sección 2.1) y su transformación a la expresión diferencial normalizado (véase la sección 2.2), que predijo 11 miRNAs activos en más de los pacientes. De estos 11 miRNAs predicciones, 7 fueron validados por la expresión de los genes miARN disponibles (verificado en más de los casos) y otros 2 fueron verificadas en más de los casos. Estos resultados corresponden a un valor de p de 0,0005 (véase la Sección 3.2.1 para más detalles). Figura 4 muestra los miRNAs coherente predichos a través de los pacientes. Entre los miRNAs que se predijeron y confirmados, encontramos miR-210, miR-339-3p, miR-561, miR-1, MIR-154, miR-539, miR-607.
El rosa está para sobre-expresado miRNAs y el azul es para el bajo-expresó. Cada columna representa un paciente y cada fila un miARN.
miR-210 es inducible por hipoxia y fue previamente identificado como un marcador independiente para varios tipos de cáncer (de mama [15], páncreas [16], la cabeza y el cuello [17]). También se cita como un regulador de la expresión génica Normóxico que está implicado en la iniciación del tumor [18]. Nosotros predijimos que tan activo y confirmó su actividad sobre-expresión a partir de datos observados en el glioblastoma.
También predijimos y confirmó la expresión excesiva de miR-339-3p, y la sub-expresión de miR-1, mir-154, miR-539, miR-561 y miR-607. En la actualidad no existe un conocimiento sobre el papel funcional de estos miRNAs en el cáncer. Se requieren más experimentos de validación para una mejor comprensión de la función de estos genes miARN en glioblastoma. MIR-548b-5p, MIR-548C-3p, MIR-548C-5p fueron también predijo en casi todos los pacientes a pesar de que sus conjuntos de genes diana eran muy diferentes, pero que sólo se validaron en, respectivamente, de los casos.
cáncer
2.3 próstata.
los datos de cáncer de próstata fue producido por el Memorial Sloan-Kettering Cancer Center (MSKCC) y está disponible en GEO bajo el número de GSE21032. Los datos contiene información sobre 111 pacientes y 28 controles para los que están disponibles tanto los datos de expresión de genes miARN y
.
Después de procesamiento previo de los datos de expresión génica para obtener la expresión diferencial normalizado purificado y usando nuestro método para predecir miRNAs conjuntos de activos para todos los pacientes, se seleccionaron 10 miRNAs: 7 de estos miRNAs se validaron utilizando los datos de expresión de miRNA observados en más de pacientes, lo que confirma la dirección de la influencia de los genes miARN. Otra miARN: MIR-574-5p fue validado en de los pacientes. Estos resultados corresponden a un valor de p estadísticamente significativa de.
Entre los miRNAs que fueron predichas y confirmado, miR-210 se sobre-expresó de manera similar a nuestros hallazgos en los datos de glioblastoma, y mir-296-5p ( sobreexpresado) fue previamente asociado con la apoptosis de las células del cáncer de próstata andrógeno-independiente [19] mir-143 * fue predicho y confirmado por los datos observados como sub-expresado en todos los pacientes, pero no se ha mencionado anteriormente como un marcador de cáncer en la literatura . Del mismo modo MIR-30c-2 *, MIR-526b, MIR-330-3p y MIR-939 (todo el predicho y confirmado como sobre-expresado) se mencionaron de forma esporádica como miRNAs expresados diferencialmente en la literatura cáncer, pero sin evidencia experimental sólida para caracterizar su papel exacto en el cáncer todavía.
Finalmente, miR-569 y miR-607 se predijo en la mayoría de ambos cáncer de próstata y pacientes con glioblastoma, pero sólo fueron validados en el glioblastoma, ya que no se midieron en datos sobre el cáncer de próstata. Del mismo modo, MIR-574-5p se predijo en ambos conjuntos de datos, pero sus medidas no estaban disponibles para los pacientes con glioblastoma, por lo tanto, sólo se confirmó en el cáncer de próstata.
El resumen general de nuestros resultados con las tasas más altas de validación en el cáncer de próstata y el glioblastoma se describen en la Figura 4.
Discusión
en este trabajo presentamos el primer método que permite predecir miRNAs activas en el cáncer a partir de los datos de los genes miARN-gen regulador de red y de expresión de ARNm sin depender de la miARN expresión en sí. Utilizamos marco de regresión-net-regularizado elástica para hacer esas predicciones robusta. Puesto que los datos de expresión de ARNm es a menudo fácilmente disponibles, nuestro método se puede utilizar para guiar el análisis de miRNAs dando prioridad a ellos para futuros experimentos. Hemos validado nuestro método utilizando tanto datos reales, junto con las mediciones de expresión de los genes miARN simulación y para confirmar nuestros hallazgos. Nuestras simulaciones han indicado que nuestro método identifica robustamente miRNAs activos y la dirección de su influencia (supresores o oncogenes) en los patrones de expresión génica global. Nuestros resultados sobre datos reales indican miRNAs potencialmente importantes en el glioblastoma y cáncer de próstata, algunos de los cuales ya fueron validados en estudios anteriores (La hipoxia relacionada mir-210 y la apoptosis de las células del cáncer de próstata relacionados MIR-296-5p) y otros para los cuales la exacta papel en el cáncer que queda por determinar.
las futuras mejoras de la aplicación de este método están estrechamente vinculados a un mejor modelado del ruido en los datos. Por ejemplo, teniendo en cuenta los cambios de expresión que son inducidos por las variaciones del cariotipo o de copia variaciones en el número de cáncer podrían ayudar a aislar el efecto de miRNAs funcionalmente relevantes, especialmente si el impacto de estas variaciones en la expresión génica se entiende y se modela en el futuro con exactitud. Mejores resultados también pueden lograrse si se dispone de un modelo sólido de las interacciones entre genes que pueden alterar la expresión independiente de los miRNAs.