Extracto
Antecedentes
En el carcinoma hepatocelular (HCC) genes predictivos de la supervivencia se han encontrado en ambos tejidos adyacentes normales (AN) y el tumor (TU). Las relaciones entre estos dos conjuntos de genes predictivos y el proceso general de la tumorigénesis y la progresión de la enfermedad sigue siendo poco clara.
Metodología /Principales conclusiones
Aquí hemos investigado HCC tumorigénesis mediante la comparación de la expresión génica, copia de ADN la variación del número y la supervivencia utilizando ~ 250 muestras AN y TU que representan, respectivamente, el estado de pre-cáncer, y el resultado de la tumorigénesis. Los genes que participan en la tumorigénesis se definieron mediante un procedimiento de meta-análisis de correlación gen-gen que comparó un frente tejidos TU. No se han encontrado genes que predicen la supervivencia en un (genes de supervivencia AN) para ser enriquecido en el diferencial gen-gen conjunto de genes de correlación que indica que participan directamente en el proceso de tumorigénesis. Además los genes AN-supervivencia no eran en su mayoría predictivo después de la tumorigénesis en el tejido TU y esta transición se asoció con y en gran medida podrían explicarse por el efecto de la variación del número de copias de ADN somático (sCNV) en cis y en trans. Los datos eran consistentes con la variación de los genes AN-supervivencia pueda pasos limitantes de la velocidad en la tumorigénesis y esto fue confirmado mediante un tratamiento que promueve la tumorigénesis HCC que alteró de manera selectiva genes AN-supervivencia y genes diferencialmente correlacionados entre AN y TU.
Conclusiones /Importancia
Esto sugiere que el proceso de la evolución del tumor implica etapas limitantes de la velocidad relacionados con el fondo de la cual el tumor se desarrolló cuando éstas eran con frecuencia predictivo de la evolución clínica. Adicionalmente tratamientos que alteran la probabilidad de que se produzca la tumorigénesis puede actuar mediante la alteración de genes AN-supervivencia, lo que sugiere que el proceso puede ser manipulada. Además sCNV explica una fracción sustancial de la expresión específica del tumor y por lo tanto puede ser un controlador causal de la evolución del tumor en el CHC y tal vez muchos tipos de tumores sólidos
Visto:. Lamb JR, Zhang C, Xie T, K Wang, Zhang B, Hao K, et al. (2011) Los genes predictivos en el tejido normal adyacente son preferentemente alterado por sCNV durante la tumorigénesis en el cáncer de hígado y mayo de limitación de velocidad. PLoS ONE 6 (7): e20090. doi: 10.1371 /journal.pone.0020090
Editor: Xin Wei Wang, del Instituto Nacional del Cáncer, Estados Unidos de América
Recibido: 31 Agosto, 2010; Aceptado: April 25, 2011; Publicado: 5 Julio 2011
Derechos de Autor © 2011 Cordero 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 enteramente financiado por Merck & amp; Co y su subsidiaria de propiedad total de Rosetta Inpharmatics, Inc. Muchos de los autores fueron o son empleados de Merck. El manuscrito fue revisado y aprobado por Merck para su liberación en el dominio público sin alteración. Aparte de esto Rosetta Inpharmatics y Merck tenían ningún papel en el diseño del estudio, la recogida de datos y análisis, o la preparación del manuscrito
Conflicto de intereses:. JRL, CZ, TX, KW, BZ, KH, EC, IC, JM, MF, CS, II, ZZ, JB, RS, DG, MC, JD, CM, VE, JZ, MM, HD y ES fueron todos los empleados de Merck en el lugar de Rosetta; MS, UP, DB, AL, JW, CB-D, SF y PS eran empleados de Merck en otros sitios; RP, CY, NL y JML eran empleados de la Universidad de Hong Kong. Aparte de la financiación de este estudio y empleo de los autores, como se describe más arriba, no hay otros intereses financieros o de otro tipo que compiten para ser declarados. Las afiliaciones anteriores no alteran la adherencia de los autores a todas las políticas de PLoS ONE en los datos y materiales de uso compartido.
Introducción
Una característica universal de las células cancerosas es la inestabilidad genómica [1], [2 ], [3], [4], [5], que se piensa que es necesario para generar suficiente variabilidad de la que se seleccionan los cambios ventajosas para el crecimiento del tumor y la supervivencia [6]. Siguiendo este paradigma, ahora se entiende que la inestabilidad genómica puede surgir de defectos en la síntesis de ADN y la reparación, la segregación de cromosomas, puestos de control, la pérdida de telómeros y otros procesos biológicos que resultan en mutaciones puntuales, copiar la variación del número y la ganancia /pérdida de las funciones biológicas [2 ], [3], [4], [7], [8], [9], [10]. El carcinoma hepatocelular (CHC) es el segundo cáncer más frecuente de las poblaciones de Asia y la tercera causa principal de muerte por cáncer en el mundo. Actualmente, la única opción de tratamiento eficaz es la cirugía [11]. CHC surge comúnmente en pacientes con hepatitis viral y /o cirrosis, donde la inflamación extensa expone a estímulos mitógenos hepatocitos [11]. La fase de pre-neoplásica se caracteriza por una serie de cambios, incluyendo la aparición de acortamiento de los telómeros y la aparición de alteraciones genómicas [12]. Los cambios estructurales en el genoma se acumulan progresivamente durante la transición a la neoplasia y desde la primera etapa a finales de HCC [11]. alteraciones genómicas en el CHC son heterogéneos en que se han reportado muchos loci que ser alterado, pero generalmente a una baja prevalencia [12]. Esto conduce a la hipótesis de que existen perturbaciones alternativos que promuevan la tumorigénesis en HCC [11], [12].
genómica integradores análisis se ha aplicado con éxito a muchas enfermedades no cancerosas [13], [14] y ha descrito las redes de variación genética mediante pruebas de todas las asociaciones posibles a través de diversas poblaciones segregantes la enfermedad de interés. Este trabajo ha establecido que los genes son generalmente parte de redes coherentes, y que las asociaciones más importantes de genes a la enfermedad a menudo se producen en el contexto de la red de sub-regiones en las que muchos o todos los miembros de estas sub-redes están asociados entre sí y con rasgos de la enfermedad [13], [15], [16]. Tales sub-redes más se han asociado con la variación del ADN y validado como causalmente conducir resultado de la enfermedad [13].
Aquí hemos examinado la estructura de red de genes usando una colección de ~ 250 tumor emparejado (TU) y adyacente normal ( AN) muestras retirados de los pacientes con CHC durante la resección quirúrgica y han evaluado si estas redes están asociados con la variación del ADN y la enfermedad en la cohorte de HCC. El enfoque era, en esencia, para descubrir las interacciones dentro y entre los tipos de datos medidos en esta población (ADN, la expresión, la supervivencia) en los tejidos AN y TU de una manera un final abierto, amplio y completamente controladas por datos. Las interacciones característicos de los tumores (TU) se compararon con el tejido normal (AN) para revelar cambios específicos tumorales. A continuación se presentan los resultados de ese análisis global y demostrar que sCNV altera fuertemente la expresión de un gran número de genes, así como la relación de estos genes a la supervivencia ya sea en una o TU tejido, y que la tumorigénesis en gran medida implica la interrupción de las funciones normales y la la activación de un conjunto más pequeño de funciones que pueden ser críticos para la progresión de la enfermedad. Los datos sugieren que los genes que predicen la supervivencia en un tejido puede ser del tipo de pasos limitantes para la tumorigénesis. Consistente con esta hipótesis un tratamiento que induce HCC tumorigénesis en ratones, la sobreexpresión del oncogén MET, fue encontrado para alterar selectivamente la expresión de los genes que predicen la supervivencia en un tejido de seres humanos.
Resultados
Caracterizar las redes de genes en el tumor de hígado humano y los tejidos normales adyacentes que compilan una cohorte específica de tejido compuesto por tumor en el hígado (TU) y los tejidos normales adyacentes (AN) a partir de 272 sujetos asiáticos (incluyendo 151 pares de muestras de TU y AN, que complementa el cuadro S1 [17]) sometidos a resección quirúrgica para el tratamiento del CHC. Se aisló el ARN de todas las muestras TU y An y perfilado en una costumbre Affymetrix microarray compuesta de sondas de oligonucleótidos dirigidas a las transcripciones que representan 37,585 genes conocidos y predichos, incluyendo secuencias de ARN no codificantes de alta confianza. ADN fue aislado de todos los tejidos AN y TU y genotipo en la matriz de determinación del genotipo Illumina 650Y SNP. el número de copias de aberración marcadores (marcadores) sCNV A continuación, se imputaron a 32.711 lugares en el genoma de este panel SNP de alta densidad (Métodos).
Gene redes de tumor en el hígado y muestras normales adyacentes
Dado los cambios genómicos a gran escala generalmente conocidos que se producen en muestras de tumores, nuestra observación de diferencias de expresión a gran escala entre las muestras AN y TU en la cohorte de HCC no fue sorprendente, con 28233 (& gt; 75%) de los 37,585 genes representados en el microarrays utilizado en este estudio detectó expresa como diferencialmente (p & lt; 0,05, 0,07 FDR, ver Tabla S2), coherente con los informes anteriores [18]. El principal problema a continuación, en la interpretación de los cambios de estado moleculares entre AN y TU es distinguir entre aquellos cambios que son relevantes para la progresión del tumor de esos cambios que son simplemente sigue con los cambios genómicos pero no relevantes para la biología del tumor. Por lo tanto, hemos tratado de caracterizar el impacto de estos cambios a gran escala tuvieron sobre la estructura de la conectividad de las redes de genes específicos de tejido, proporcionando un camino para identificar aquellos cambios que conducen a cambios en las redes moleculares que definen los procesos biológicos llevados a cabo por el tejido.
para caracterizar los cambios entre las redes AN y TU hemos utilizado un procedimiento de meta-análisis [19], [20] para comprobar si la magnitud de la asociación entre cualquier par dado de genes en un tejido fue significativamente diferente de la asociación observada para el mismo par en el segundo tejido (Métodos). diferencias de correlación significativos indican la presencia de diferencias de conectividad entre las redes AN y TU (Figura 1). En una de Bonferroni ajustado, conectividad diferencial p = 7e-11 (& lt; & lt; 1% de la familia en cuanto al índice de error), que identifica 1,156,638 pares diferencialmente correlacionados (sólo 2 habría sido esperado por azar), o aproximadamente el 12% del 9.976.814 pares de genes correlacionados que se encuentran en cualquiera de los tejidos AN o TU. También estima empíricamente la conectividad diferencial nula distribución y observó que no existen pares diferencialmente conectadas con p & lt; 7e-11 (Figura 1), lo que sugiere que este grado de conectividad diferencial es altamente significativa
Una muestra es el número de la forma diferencial. genes correlacionados descubrieron usando un procedimiento de meta-análisis (Métodos) entre los tejidos AN y TU. Para la comparación el mismo análisis se llevó a cabo tanto en los datos reales y en una permutación de las asignaciones de AN y TU. El panel superior muestra el número de pares de genes diferencial (eje Y) para los datos reales (AN vs TU, en azul) en comparación con la permutación (rojo) como una función del valor p (mostrado como log10 negativos [P] , en el eje X). También se muestra el número de genes diferencialmente conectadas (panel central) y las tasas de falso descubrimiento (panel inferior). B Para establecer que los pares de genes diferencialmente correlacionados resultado de la diferencia entre la AN y el tejido TU y no por ejemplo, las diferencias entre los individuos que se ejecutó el mismo análisis utilizando un AN vs comparación con AN vs TU utilizando el mismo número de muestras (Métodos). El panel superior muestra el número de pares de genes diferencial (eje Y) tanto para la AN vs TU (azul) y AN vs AN (rojo) como una función del valor p (que se muestra como log10 negativos [P], en el X- eje). También se muestra el número de genes diferencialmente conectadas (panel central) y las tasas de falso descubrimiento (panel inferior).
Para aumentar la confianza de que los pares de genes identificados como diferencialmente en correlación entre las redes AN y TU refleja biológicamente relevante cambios en los estados de red relacionados con la tumorigénesis y la progresión tumoral, que limita la atención a esos pares de genes diferencialmente correlacionados que eran altamente improbable que haya ocurrido por azar (p & lt; 1e-19, con un cambio medio en Spearman coeficiente de correlación entre los tejidos del 0,73; sin pares de genes observados en los datos permutados, FDR & lt; 1e-6, véase la Figura 1). En este estrictas de corte, se identificaron 49.300 pares de genes que cubren 8.736 genes cuya relación difiere significativamente entre el TU y AN tejidos. De los 49.300 pares diferencialmente conectadas identificados, 42,179 (86%) fueron fuertemente correlacionada en los tejidos AN, pero significativamente menos correlacionados en los tejidos TU, mientras que sólo 7.121 pares (14%) tuvieron correlaciones más fuertes en la TU frente a muestras AN, lo que indica que los cambios en la red que se producen en el tumor eran más propensos a destruir en lugar de crear fuertes asociaciones entre los rasgos de expresión.
para distinguir entre los tipos de genes asociados a las conexiones diferenciales que definimos el aumento de la conectividad (GDC) los genes como los de el que más de 90% de sus interacciones diferenciales refleja correlaciones que fueron más fuertes en comparación con TU AN. De manera similar, se definió la pérdida de genes de conectividad (LOC) como aquellos en los que más de 90% de sus interacciones diferenciales refleja correlaciones que eran más débiles en comparación con un TU (Tabla S2). Aunque estos son arbitrarias cortes de las que sirven para poner de relieve la distribución relativa de la ganancia y la pérdida de conectividad asociada con la tumorigénesis, dado mayor que 80% de los genes diferencialmente conectadas caer en una de las dos categorías. Bajo esta clasificación había 6.053 genes LOC y sólo 1.020 genes GOC. IR análisis de enriquecimiento después de la corrección de Bonferroni para el número de categorías reveló que los genes GOC fueron enriquecidos en ciclo celular (3,93 veces enriquecido, p = 1.6e-20) y los procesos relacionados (por ejemplo, la segregación cromosómica, la replicación del ADN, y la organización del husillo) , mientras que los genes LOC se enriquecieron principalmente para los procesos metabólicos (1,11 veces enriquecido, p = 1.4e-20), especialmente los asociados con las mitocondrias (1,56 veces enriquecido, p = 1.5E-20). Estos resultados sugieren que el proceso de la tumorigénesis es en gran medida uno de interrupción de las redes normales (LOC), y en menor grado uno de creación de nuevas redes (GOC). Consistente con esto, los eventos LOC se enriquecieron para genes de función hepática normales, en tanto que los eventos GOC se enriquecieron de los genes implicados en el crecimiento canceroso de la célula. eventos GOC, aunque de menor número, pueden representar funciones específicas de tumor requeridas para la progresión de la enfermedad y como tal puede ser una interesante fuente de objetivos para el CHC. Para ilustrar la naturaleza de las conexiones diferenciales los 5 mejores genes y los genes a los que estaban conectadas diferencialmente se muestran en la Figura 2. Ejemplos de pares de genes individuales que estaban conectados diferencialmente en TU o un tejidos se muestran en la Figura 3, incluyendo el inhibidor de la transición G1 a la fase S (CDKN2C con pérdida de conectividad) y la replicación del ADN factor de licencias (CDT1 que muestra el aumento de la conectividad).
se muestran los 5 primeros genes diferencialmente conectados y sus socios diferencialmente conectadas. Cada gen está representado por un óvalo azul y el top 5 se indican con las cajas. Para cada uno de los 5 mejores genes También se indica el número de correlaciones diferenciales entre una y TU en total (DiffConn) y los números de ganancia (GDC) y la pérdida (LOC) de correlación en cada caso. Las líneas que conectan los genes indica que ese par se correlacionó diferencialmente entre AN y TU, donde se indican tanto LOC (líneas azules) y del Gobierno de China (líneas rojas). se muestran las conexiones diferenciales entre los 5 mejores genes y cualquier otro gen, así como correlaciones diferenciales entre los genes diferencialmente conectadas a la parte superior 5. Se encontraron los 5 primeros genes que se correlacionaron diferencialmente a un conjunto altamente superposición de socios. Se muestra en la tabla de inserción (arriba a la derecha) es el valor exacto de p Prueba de pescadores de solapamiento entre las parejas de genes diferencialmente correlacionados para cada uno de los 5 mejores genes (abajo a la izquierda de la mesa). También se muestra (superior derecha) es el enriquecimiento de plegado para la relación superposiciones de lo que se esperaría por casualidad. Como se muestra una compleja red de correlaciones diferenciales que resultan de la tumorigénesis se revela
Para ilustrar tanto la pérdida y ganancia de correlación de dos genes del ciclo celular fueron elegidos que tienen muchas conexiones diferenciales:. CDKN2C el inhibidor de la quinasa dependiente de ciclina ( A, 149 pérdidas y ganancias 11 de conectividad) y la concesión de licencias de la cromatina y la replicación del ADN del factor CDT1 (B, 0 y 38 pérdidas de ganancias conectividad). Los valores de intensidad de la expresión de CDNK2C (eje X) y DCN (eje Y) se muestran (A) en la AN (azul, cc 0,548, p = 2e-20) y los tejidos TU (rojo, cc -0,358, p = 7,14 e-10). Se muestran los valores de intensidad para CDT1 (eje X) y MCM3 (eje Y) (B) en la AN (azul, cc-0,153, p = 0,0166) y los tejidos TU (rojo, cc 0,673, p = 3.05e-38 ). Se muestra en C es el grado de distribución de los 8.736 genes diferencialmente conectados como se describe en el texto. El número de conexiones diferenciales para cada gen (log10, eje X) se comparó con el número de (log10, eje Y). Como se muestra la distribución era libre de escala, lo que indica que los genes identificados tienden a unir preferentemente a un pequeño número de genes de cubo en cualquier tumor o tejidos normales adyacentes, pero no en ambos.
Para evaluar si las correlaciones diferenciales se distribuyeron al azar entre las correlaciones gen-gen significativos o si había alguna estructura nivel más alto, se analizó la distribución del número de correlaciones diferenciales para cada gen. Se observó que mientras que la mayoría de los genes participaron en un pequeño número de correlaciones diferenciales, hubo un subconjunto de genes que participó en muchas correlaciones diferenciales. De hecho, las correlaciones diferenciales siguieron de cerca una distribución de ley de potencias que era bastante diferente de lo que se esperaría por azar (ver Figura 3). Esto indica que ciertos genes representan nodos concentradores de la matriz de forma diferencial conectado que surgió de la tumorigénesis y como tal puede ser de particular importancia.
sCNV explica una gran parte de la variación de la expresión TU
Dado el gran cambios de escala en la expresión y la correlación de las estructuras surgieron durante el proceso de tumorigénesis, hemos tratado de identificar los factores causales de estos cambios. número de copias variación somática es una característica común de muchos tipos de tumores sólidos y se ha asociado con la agresividad de la enfermedad. Para el CHC, en particular sCNV se ha observado en las primeras etapas de la enfermedad y el aumento de la prevalencia con la progresión de la enfermedad [11]. Por lo tanto, se evaluó la prevalencia de sCNV en HCC y en qué medida se asocia con la variación genética en el tejido TU.
variación del ADN se evaluó en las muestras AN y TU utilizando microarrays de alta densidad SNP Illumina. sCNV se estimaron utilizando alisó LogR relación de los marcadores adyacentes a 32.711 loci espaciados uniformemente a través del genoma (Métodos). En la Universidad Técnica de muestras de pruebas de amplificación frecuente o eliminación que implica grandes regiones genómicas se observó (Figura 4). Por el contrario se observaron muy pocos de esos eventos en las muestras de AN con este análisis (se encontró que 4 muestras AN tener evidencia limitada de la variación del número de copias). sCNV variación se comparó a la variación de genes en ambas muestras AN y TU.
Se muestra un mapa de calor de aberraciones número de copias (sCNV) para muestras derivadas de tumor (eje Y) agrupados por K significa en 10 grupos, frente las posiciones lineales a través de cromosoma 1 (eje X). sCNV se estimó como se describe en los métodos y se indica como un continuo de color de rojo (amplificación) a negro (sin modificar) a verde (supresión). A escala de los datos sCNV se indica en el lado derecho de la mapa de calor (relación LogR 1--1). Como puede verse en la mayoría de las aberraciones apareció asociar a partes cromosómicas grandes en la escala de los brazos cromosómicos enteros.
De acuerdo con estudios anteriores de otros tipos de cáncer e híbridos de radiación [4], [21], [22], [23], fuertes correlaciones positivas entre los genes y marcadores sCNV fueron identificados en los casos en que los genes correspondientes se superponen o se encontraban cerca del marcador de sCNV siendo probado, se hace referencia aquí como asociaciones que actúan en cis (Figura 5 y la Tabla S2). La explicación más probable para esta observación en el tejido TU es que sCNV inducir cambios proporcionales en genes que estaban proximal al sitio de que sCNV. Por el contrario no hubo asociaciones que actúan en cis entre los marcadores y genes de la CNV AN AN más allá de lo que cabría esperar por azar, lo que indica que los cis-correlaciones entre sCNV y expresión eran tumoral específica. Dada esta correlaciones para copiar la variación del número solamente se investigaron usando tejido TU.
Distribución de correlaciones (ejes X) entre los genes (y-ejes) y el marcador sCNV más cercano (en cis) en TU (A) y AN (B) tejidos. La distribución de los datos reales (líneas continuas azules) se comparó con la permutación del gen marcador de conexión (líneas verdes discontinuas). No hay asociaciones significativas se observaron en un nivel superior a lo que se esperaría por casualidad. En TU había un sesgo pronunciado a correlaciones positivas. C. Distribución de las correlaciones entre todos los genes (eje Y) y todos los marcadores sCNV, que se muestran de forma lineal por ubicación cromosoma a través del genoma (eje X). límites de cromosomas se indican por las líneas verticales de color verde y se numeran. El uso de una correlación de corte de & gt; 0,3 (p & lt; 4.7E-4, FDR & lt; 0,02), el recuento de todos los genes (no se incluyen los genes cis, verde), los genes trans correlacionados positivamente (rojo), o una correlación negativa trans genes (azul) está indicado para cada marcador (trans aquí se definió como genes y marcadores sCNV que caen en los cromosomas separados). Varios puntos de acceso eran evidentes en el que muchos genes estaban asociados con sCNV en un locus particular, especialmente para las regiones en los cromosomas 1, 2, 6, 7, 12, 14 y 20 (véase el texto para una discusión adicional). D. Los genes asociados a puntos de acceso sCNV en HCC y líneas celulares se superponen de manera significativa. marcadores de punto de acceso sCNV fueron seleccionados mediante la identificación de regiones asociadas con & gt; 500 genes (coeficiente de correlación de Pearson & gt; 0,3) y luego seleccionando el marcador solo tapa por cromosoma. Los genes asociados a cada marcador de punto de acceso se compararon (círculos azules, tamaño equivalente al número de genes) y solapamientos significativos (Fishers Exact de prueba P & lt; 1e-6) se muestran como bordes de conexión pares de nodos. Un análisis similar se realizó en una colección de líneas celulares de cáncer (LCC, círculos verdes). En este caso se midieron un menor número de genes totales (23.404 vs 37.585), por lo que una fracción equivalente del total de genes (& gt; 370) se requirió significativamente asociados con un marcador sCNV. El espesor de los bordes que conectan los nodos representa el enriquecimiento de la superposición de genes en comparación con la esperada por casualidad (solapamiento observado dividido por esperado; enriquecimiento & lt; 5 veces - línea delgada, & gt; 5 - líneas gruesas). Como se muestra los genes asociados con puntos de acceso fueron compartidos dentro de conjuntos de datos. Por ejemplo, los genes en HCC vinculados a los puntos de acceso de los cromosomas 2, 6, 12, 14 y 20 se solapan de manera significativa entre sí. Hotspot coincidencias entre la LLC y el CHC involucra a las mismas regiones genómicas se destacan en rojo (los cromosomas 1, 14 y 20).
De forma más general, pruebas de asociación entre todos los genes marcadores TU y TU sCNV revelaron muchos altamente significativa asociaciones, a que se refiere aquí como asociaciones que actúan en trans (ver Figura 5C). Se encontraron varios loci genómicos que se asocia con muchos más genes de lo que se esperaría por azar, se hace referencia aquí como punto de acceso sCNV loci (ver Figura 5C). Se identificaron 7 hotspot sCNV loci en los cromosomas 7 diferentes que fueron cada uno asociado con & gt; 500 genes trans (correlación & gt; 0,3; FDR y lt; 0,001). Los genes asociados a estos puntos calientes eran altamente superposición, lo que sugiere que sCNV en múltiples loci coordinadamente impulsan a las redes de genes (Figura 5D y Tabla S3). Para evaluar si estos loci hotspot eran específicos de HCC, se realizó un análisis de asociación similar entre los marcadores y genes sCNV en una colección de ~130 líneas celulares de cáncer (LCC) de varios tipos de tejidos [24] (Métodos). Tres de los loci 7 punto de acceso identificado en los datos de HCC se superponen puntos de acceso sCNV en los datos de la CCL. En los tres casos estaban involucrados los mismos lugares del genoma. Estos datos sugieren que los puntos calientes sCNV no son exclusivos de HCC, pero de hecho pueden ocurrir en muchos tipos de tumores y pueden implicar pares similares de loci genómico y genes, tal vez de conducir los procesos biológicos básicos esenciales para la formación de tumores y la progresión. En consonancia con esto, recientemente se ha informado de que la estructura de sCNV frecuencia se comparte a través de múltiples tipos de tumores [25]. Esto podría sugerir que los cis y trans correlaciones reportadas aquí en HCC y células en cultivo pueden ser relevantes para los tipos de muchos tumores con estructura sCNV compartida.
Para establecer el porcentaje de variación del gen TU explica por cualquier combinación de marcadores sCNV , se construyeron modelos genéticos utilizando un procedimiento de regresión paso a paso para cada gen (Métodos y ver Tabla S2). Como control nos encontramos con el mismo análisis utilizando los datos permutados en el que se asignaron al azar la conexión entre los genes y marcadores sCNV. Utilizando el estricto corte de correlación absoluta & gt; 0,3 (FDR & lt; 0,001), la cantidad de varianza explicada por sCNV fue tan alta como 80%. Sorprendentemente, mayor que 40% de los genes representados en los microarrays utilizados en este estudio (15.993 de 37.585) se asociaron significativamente con marcadores sCNV, donde la varianza media entre estos genes se explica por los marcadores sCNV era 21,8%. Para 3031 de los genes (8,1% de los genes representados en el microarray) mayor que 30% de su varianza se explica por marcadores sCNV (Tabla 1 y amp; 2). Además, mientras que las asociaciones que actúan en cis explican la mayor parte de las asociaciones sCNV, el 6,6% de los genes (n = 2.490) había varianza explicada por los marcadores sCNV que eran distintas de las EC, y un subconjunto de genes (7,8%, n = 2.974) fueron encontrado que tienen la varianza explicada por más de uno y hasta cinco sCNV marcadores en diferentes cromosomas. Como se muestra arriba (véase la figura 5) la mayoría de los genes trans se asocian con un número limitado de puntos de acceso que sugieren que la variación en estos número limitado de loci estaba causando una proporción significativa de la variación genética TU. Estos efectos genéticos sobre la expresión génica del tumor son órdenes de magnitud mayores que los efectos inducidos por las variaciones del ADN de la línea germinal.
genes diferencialmente correlacionados preferentemente asocian con marcadores sCNV en TU
Para explorar si sCNV conducía cambios coherentes en redes que a su vez indujo cambios fenotípicos en el tumor, la prueba de relaciones entre los marcadores y genes diferencialmente sCNV correlacionados entre los tejidos AN y TU. Los genes diferencialmente correlacionadas fueron significativamente enriquecido para los genes asociados con marcadores sCNV en cis (2,36 veces enriquecido; p & lt; 1e-300), así como por la cantidad de varianza explicada (2,12 veces enriquecido, p & lt; 1e-300) y para el número de marcadores (1,89 veces enriquecido, p & lt; 1e-300) en el modelo de regresión. Este enriquecimiento celebrada los genes GOC (cis 1.49 veces enriquecido, p = 1.03e-11, la varianza explicada en el modelo de regresión de 1,55 veces enriquecida, p = 3.48e-25, número de marcadores 1,38 veces enriquecido, p = 1.04e-18), así como genes LOC (cis 2,17 veces enriquecido, p & lt; 1e-300, varianza explicada en el modelo de regresión 1,91 veces enriquecido, p = 1.1E-321, el número de marcadores de 1,81 veces enriquecido, p = 2.5e-287). La aparición de correlaciones diferenciales en el CHC, por tanto, parecía explicarse en gran medida por el efecto de sCNV en el tejido TU.
Predicción de la supervivencia en los tejidos AN y TU
A continuación se caracteriza la relevancia de la masiva cambios en las redes de genes a la evolución clínica de la enfermedad mediante la comparación de los cambios en la red para el subconjunto de genes que predicen la supervivencia. Los genes que predicen la supervivencia fueron identificadas en una y TU tejidos utilizando un modelo de regresión de Cox (métodos, véase la Tabla S2). Aproximadamente tres veces como se encontraron muchos genes de pronóstico en la AN (p & lt; 0,0112, n = 5.387; FDR y lt; 0,1) frente a TU (p & lt; 0,002, n = 1.836; FDR y lt; 0,1). Aunque los genes predictivos en la AN y TU se superponen más de lo que cabría esperar por azar (1,52 veces enriquecimiento, p = 6.8e-19, lo que representa un 7,4% y 21,8%, respectivamente, de los genes predictivos AN y TU), hubo muchos casos de genes altamente predictivos en un tejido, pero no en la otra. Por ejemplo, de los 5.387 genes predictivos en la AN, 4.987 (92,6%) no fueron predictivos de TU, y de los 1.836 genes predictivos TU, 1.436 (78,2%) no fueron predictivos en la AN, utilizando los criterios anteriores de corte (ver la Figura 6A). En ambos casos, nuestro poder estadístico fue del 45% para detectar genes predictivos en un tejido que fueron identificados como predictivo en el otro tejido (Métodos), que indica que el solapamiento mínimo no era una consecuencia de la baja potencia estadística.
. Se muestra la importancia de la asociación (como negativos log10 del valor p de regresión de Cox) se encuentran entre los 37,585 genes en la AN (eje X) y TU (eje Y) y la supervivencia. Los genes que se encuentran asociados significativamente con la supervivencia (FDR & lt; 0,1, Métodos) se indican en la AN (puntos verdes), TU (puntos rojos) o ambos AN y TU (puntos de color púrpura). Como se describe en el texto más genes predictivos en un tejido no fueron predictivos en la otra. B. Se muestra una representación de las transformaciones de red asociados con HCC tumorigénesis (transición de un estado pre-tumor, caja superior, con el estado del tumor, cuadro inferior), donde los genes predictivos en AN (verde) pierden gran parte de su asociación con la supervivencia en TU después de haber pertenecido a sCNV no predictiva. En contraste genes predictivos de la supervivencia en TU (rojo) no son en gran medida predictiva en la AN, y fueron preferentemente asociado con marcadores sCNV que también son predictivos. No se muestran los genes predictivos, tanto en AN y TU, y los genes no predictiva, ya sea en el tejido. C. muestra esquemáticamente es la hipótesis del "efecto de campo", como propuso [26] (cuadro superior), donde los genes normales adyacentes predicen la supervivencia del paciente, ya que reflejan un medio (de efecto de campo) en el que los tumores futuros son más o menos probable que surjan . En este modelo los tumores actuales no tienen un gran impacto en los resultados futuros mientras que los tumores hacen. Se propone una modificación de esta hipótesis aquí (cuadro inferior), donde los genes normales adyacentes representan un estado que afecta directamente a la probabilidad de que los tumores existentes derivadas y progresando. En esta hipótesis supervivencia modificado o muerte está mediada por los tumores actuales. Véase el texto para una discusión adicional
Los genes predictivos del resultado en la AN y TU fueron enriquecidos por las correlaciones diferenciales y la asociación de marcadores sCNV
Uso de los genes AN predictivos de la supervivencia (en adelante, genes AN-supervivencia), casi la mitad (2,646 de 5,387, 49%) se encontraron para ser correlacionados de forma diferencial en la transición a tumor, que es 2,11 veces mayor que lo que se esperaría por azar (p & lt; 1e-300). Los genes AN-supervivencia también eran más propensos a estar correlacionada con sCNV en cis (1,36 veces el enriquecimiento, p = 1.38e-47), y tener una mayor proporción de su varianza explicada por sCNV (enriquecimiento de 1,32 veces, p = 3.94e-50) y por un mayor número de marcadores sCNV (enriquecimiento 1,33 veces, p = 1.09e-53) en el modelo de regresión.