Abstract
Aminoacyl-tRNA syntetaser (ARSs) og ARS-samspill multifunksjonelle proteiner (AIMPs) utviser bemerkelsesverdig funksjonell allsidighet utover sine katalytiske aktiviteter i protein syntese. Deres ikke-kanoniske funksjoner er patologisk knyttet til kreft. Her beskrev vi vår integrerende genom-wide analyse av ARSs vise kreftrelatert virksomhet i glioblastoma multiforme (GBM), den mest aggressive ondartet primær hjernesvulst. Vi valgte først 23 ARS /AIMPs (sammen referert til som ARSN), 124 kreftassosierte druggable målgener (DTGs) og 404 protein-protein interactors (PPI) av ARSs hjelp NCI kreft genet indeksen. 254 GBM Affymetrix microarray data i Kreft Genome Atlas (TCGA) ble brukt til å identifisere sonde sett som uttrykk ble sterkest korrelert med overlevelse (Kaplan-Meier plott versus overlevelse ganger, log-rank t-test 0,05). Analysen identifiserte 122 probe setter som overlevelses signaturer, inkludert 5 av ARSN (VARS, QARS, biler, NARS, Fars), og 115 av DTGs og PPIs (PARD3, RXRB, ATP5C1, HSP90AA1, CD44, URINRØRETS, TRAF2, KRT10, MED12 , etc). Av notatet, ble 61 overlevelsesrelaterte prober forskjellig uttrykt i tre forskjellige prognose undergrupper i GBM pasienter og viste sammenheng med etablerte prognose markører som alder og fenotypiske molekylære signaturer. CARS og FARS viste også signifikant høyere tilknytning til ulike molekylære nettverk i GBM pasienter. Til sammen våre funn viser bevis for en ARSN biologi-dominant bidrag i biologi GBM
Citation. Kim YW, Kwon C, Liu JL, Kim SH, Kim S (2012) Cancer Association Study of Aminoacyl -tRNA syntetase signale Network med glioblastom. PLoS ONE 7 (8): e40960. doi: 10,1371 /journal.pone.0040960
Redaktør: Natarajan Kannan, University of Georgia, USA
mottatt: 9 mars 2012; Godkjent: 15 juni 2012; Publisert: 31 august 2012
Copyright: © Kim et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Dette arbeidet ble støttet av Global Frontier prosjektstøtte (NRF-M1AXA002-2010-0029785) av National Research Foundation finansiert av departementet for utdanning, vitenskap og teknologi i Korea. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Pattedyr aminoacyl-tRNA-syntetaser (ARSs) og ARS-vekselmultifunksjonelle proteiner (AIMPs) utføre det første trinn av proteinsyntese ved å katalysere ligering av aminosyrer til deres beslektede tRNA. Imidlertid kan de også inneholde andre domener som ikke er relatert til katalytiske aktiviteter for å danne forskjellige komplekser med hverandre eller med andre cellulære regulatoriske faktorer. Denne strukturelle kompleksitet synes å være knyttet til en funksjonell allsidighet, og deres utvidede funksjoner har blitt implisert i en rekke humane sykdommer, inkludert kreft [1]. Flere ARSs har blitt vist å være unormalt opp- eller ned-reguleres i hepatomer, tykktarmskreft, lymfekreft, prostata adenokarsinom, brystkreft, sarcom, kolorektal adenokarsinom og hypofyse adenom [2] – [5]. I tillegg har funksjonelle regulering av cellevekst, differensiering, RNA-spleising, cytokin-aktivitet, og angiogenese ved ARSs i forskjellige sykdomstilstander som for eksempel brystkreft, tykktarmskreft, prostatakreft, og nyrecellecancer blitt undersøkt [6] – [10 ]. Overekspresjon av MRS ble også rapportert i maligne fiber histiocytomas, sarkomer, maligne gliomer og glioblastomas [1]. Disse svulster har forsterkning av kromosom 12q13 locus, hvor genet for MRS overlapper med genet for CHOP, som virker som en inhibitor av C /EBP12. Denne forsterkning resulterer sannsynligvis i overekspresjon av MRS og CHOP, noe som kan fremme et gunstig miljø for tumorprogresjon [11]. Men til tross for at ARSs har vært knyttet til kreft hos mennesker, er deres biologiske betydningen fortsatt ikke helt forstått.
Her beskrev vi vår integrerende genom-wide analyse av ARSs vise kreft-assosiert regulatoriske aktiviteter med vekt på glioblastom multi (GBM) [12] med NCI kreft genet indeks (CGI) [13] og databasen Cancer Genome Atlas (TCGA) [14]. Først valgte vi 23 ARS /AIMPs (ARSN), 124 kreft-assosiert druggable target geneset (DTG) og 404 protein-protein interactors (PPI) av ARSs. Deretter tildeles vi hver av de geneset til flere prognostiske molekylære signaturer av GBM (GEO tiltredelse # GSE4271) inkludert proneural (PN), proliferative (formeringen) og mesenchymale (Mes) [15] og identifiserte overlevelsesrelaterte gener som er forskjellig uttrykt blant prøvene i hver subtype sammenlignet med andre subtyper. Vi viste flere kandidater som er mer sannsynlig å samhandle med aminoacyl-tRNA syntetase og deres ulike engasjement i hver enkelt subtype. Dermed antyder vår studie potensielt bidrag fra ARSs med sine PPI gensettene på fenotype av GBM.
Resultater
ARSN Viser Potensielt Association med kreft gjennom Interaksjoner med DTGs
Å undersøke potensialet sammenslutning av ARS familie med kreft på et systemnivå, sammenlignet vi uttrykket profiler av gener som koder for 20 menneske cytoplasma ARSs og AIMP1-3 (AIMPs) med de av kjente DTGs hentet fra det amerikanske National Cancer Institute kreft genet index (CGI). Detaljert analyse prosedyrer er skissert i figur 1. Vi valgte 124 DTGs som kan samhandle med 23 ARS /AIMPs og 404 gener som protein-protein interactors av ARSs. For sammenligning har vi også valgt 1874 ikke-kreft-assosiert gener (nonCAGs) (hver geneset er beskrevet i tabell S1). I det første eksempel fra CGI ble genesets brukes til å vise kreftassosiert regulatoriske aktiviteter med Cytoscape. Vi kategorisert dataene til ti kreft grupper (hjerne, tykktarm, nyre, livmorhals, hematopoetiske og lymfoide, lever, prostata, lunge, bryst og mage kreft).
Ved hjelp av kreft-assosiert interaksjoner mellom ARSs og AIMPs, og tre genesets, som forventet, et stort antall av linjen basert på noden av ARSN-DTGs indikerer høyere assosiasjon mellom ARSN og DTGs enn ARSN-PPIer (figurer S1, S2, S3, S4). En kreft-foreningen kartet ble også etablert for å vise hvor mye ARSs og AIMPs kan være annerledes interaksjon til ti ulike kreftformer (Tall S5, S6, S7, S8, S9, S10, S11, S12, S13, S14). Fire store kreftsett som er koblet til komponenter av kreft krets interaksjonen nettverk er vist i figur 2. kreft noden størrelse angir antall interaksjoner med den brune noden genet. Blant komponentene ARSN ble relativt høyere kreftrelatert nettverk vist av GARS, MARS, WARS, Rars, biler, AIMP1 (SCYE1) og AIMP3 (EEF1E1) (grønne noder). Også AIMP1, MARS, og Rars har relativt høyere tilknytning til kreft, indikerer deres potensielle betydning i kreft biologi og behov patologiske mekanistiske studier.
3501 gener ble valgt ved manuell utvelgelse, klinisk undersøkelse og årsakssammenheng kreft. Ved hjelp av 11 offentlige databasen viser kuratert interaksjoner av humane proteiner (HPRD, BioGRID, KEGG, Reactome, BIND, MINT, intakt, InnateDB, dukkert, STRING, og PharmDB), vi videre valgt 124 DTGs og 404 gener som PPIs av ARSs. Ved hjelp av en kreft-assosiert interaksjoner analyse, ble en kreft-foreningen kartet etablert for å vise hvor mye ARSs og AIMPs kan være annerledes interaksjon til ti ulike kreftformer. Hver node brun indikerer hvert gen av respektive kreft og hver node størrelse angir graden av kreft-avhengige ko-assosiasjon av et gen. Linjen angir co-sammenheng mellom ti kreft og sju ARSN. Kreften node størrelse angir antall interaksjoner med den brune node-genet. Syv komponenter av ARSN (grønne noder) viser relativt høyere kreft-assosiert nettverk.
Korrelasjonskart Signaturer Definer ARSN Subklasser av Glioblastoma
For kreft-assosiert systematiske analyser av ARSs og AIMPs, vi anvendt genesets til 254 GBM Affymetrix U133plus2 microarray datasettet i TCGA. I dette datasettet, identifiserte vi 846 som følge probe sett inkludert 168 DTGs og 678 PPIs som kan kommuniserer direkte med ARSs og AIMP1-3. Til sammenligning har vi også valgt 978 probe sett blant 1874 nonCAGs (hver probeset er beskrevet i tabell S2). For å forstå ARSN interaksjoner med hver DTGs /PPIs /nonCAGs og visualisere forholdet mellom de genesets, ble en sammenheng kart laget. Først ble DTGs probeset gruppert på grunnlag av Pearson korrelasjonskoeffisienter som er relatert deres ekspresjonsmønster over 254 GBM vev til uttrykk mønstre av ARSN over samme vev settet, som vist i figur 3a. Vi deretter gruppert PPIer og nonCAGs på grunnlag av disse korrelasjonskoeffisienter. I denne analysen, en rød farge indikerer at to gener har en tendens til å være opp eller ned-reguleres sammen (positivt); en blå farge angir en motsatt tendens (negativt). Den gruppert kart over geneset-geneset korrelasjon viste en relativt positiv eller negativ korrelasjon mellom to gensettene. For de tre interaksjonssettene i hvilken korrelasjonskoeffisienten regel i mer enn 0,4 er utført betydelig, undersøkte vi frekvens på mer enn 0,4 for å fastslå om noen apparatet hadde forholdsvis høye frekvenser av signifikant korrelasjon. Frekvenshistogrammene er vist i figur S15. For ARSN-DTG set, korrelasjonskoeffisienten mer enn 0,4 hadde en relativt høy frekvens på 0,35% mot 0,51% for den ARSN-PPI. For ARSN-nonCAG set, ble en forholdsvis lav frekvens på 0,09% er vist. Også forskjellene i medianverdier mellom settene er statistisk signifikant (P 0,001, enveis ANOVA).
(a) Vi identifiserte 846 resulterer probe sett inkludert 168 DTGs og 678 PPIs som kan direkte samhandle med ARSN bruker 254 GBM Affymetrix U133plus2 microarray datasettet i TCGA. For sammenligning har vi også valgt 978 probe sett blant 1874 nonCAGs. For å forstå ARSN-DTGs /PPIer /nonCAGs interaksjoner og visualisere forholdet mellom genesets, ble en korrelasjon kart gjort på grunnlag av deres korrelasjons nivåer med hvert sett. Sondesett er presentert i matriseformat, hvor p representerer individuelle gener av DTGs, PPIer, og nonCAGs, henholdsvis, og kolonnene representerer hvert gen av ARSN. Hver celle i matrisen representerer korrelasjonen nivå av et gen i en ARSN. Rød farge angir at genet har en tendens til å være opp eller ned-reguleres sammen; Blå farge indikerer det motsatte tendensen (Jo mørkere, jo sterkere assosiasjon mellom to gener). (B) Hierarkisk clustering analyse viste at ARSN ble delt av tre grupper med 31 DTGs (FDR 0,005). 31 DTGs ble generert på en overvåket hierarkisk clustering analyse. (C) Hierarkisk clustering av ARSN basert på de 16 DTGs basert på ikke-lineær sammenheng mellom to genuttrykk sett. 16 DTGs var korrelert med tre undergrupper av ARSN.
For å forstå molekylære interaksjoner av hver geneset, vi utførte tilsyn hierarkisk clustering analyser ved hjelp av kartet, som viser at tre klynger føre til en lav falsk funnrate ( FDR 0,005), synes dermed å gi betydelige interaktive særegenheter hver klynge (figur 3b). ARSN ble delt av tre grupper. Den første ARSN gruppen ser ut til å være nært knyttet til DTGs. Vi identifiserte at flere ARSN som WARS, Rars, og AIMP1 viste en svært signifikant assosiasjon med 31 DTG gener (Tabell S3) (positiv sammenheng med 21 DTGs og negativ assosiasjon med 10 DTGs), noe som tyder på deres potensielle bidrag til GBM biologi. Den andre undergruppen omfatter 11 ARSN (elektronisk pasientjournal, Vars, NARS, LARS, Fars, Kars, yars, Mars, AIMP3, og AIMP2) og viste reverseres biologiske funksjoner med 31 DTGs sammenlignet med den første gruppen. Men den tredje gruppen med 9. ARSN (Aars, DARS, SARS, GARS, IRR, TARS, QARS, hars, og CARS) viste relativt lave korrelasjonskoeffisienter. Nåværende microarray data clustering metoder er begrenset til lineær sammenheng mellom individ genekspresjon verdier og fenotype. For å forstå ikke-lineære sammenhenger mellom genuttrykk og fenotype som kanskje ikke er lineære foreninger, brukte vi en kvantitativ (numerisk) egenskap analyse der vi kunne gjøre relasjoner basert på ikke-lineær sammenheng mellom to genuttrykk sett. Denne metoden er et nyttig verktøy for å avdekke genet klasser korrelerte med en kvantitativ egenskap og å utforske mønstre av gen-klasse forening. I denne analysen ble 16 DTGs (tabell S4) korrelert med tre undergrupper av ARSN (figur 3c, P 0,05). Resultatene av to forening metoder viste samme antall klynge med lignende trender i foreninger. 9 DTGs (UBE2I, KRAS, MARCKS, NFKB1, NR3C1, TP53, VKORC1, YY1, og HLA-B) ble overlappet for lineære og ikke-lineære foreninger. På den annen side ble 4 gener (NF1, CYP1A2, TGFB2, og CTGF) ikke gjenkjent som differentially samhandlet med ARSN av den lineære foreningen metoden. Men vi kan ikke vise om ikke-lineære profiler reflektere den generelle utviklingen av foreninger, blir så videre studier trengs. En komparativ analyse av sammenhengen mønsteret mellom PPIs og den enkelte ARSN ble vist i figur S16 og S17. I dette tilfellet ble ARSN deles av to grupper, som viser en meget positiv og negativ assosiasjon med 119 PPI gener. Men det viste lav falsk funnrate (FDR 0,014, ser dermed ut til å gi svake interaktive særegen av PPI i forhold til DTGs Den ikke-lineære foreningen Analysen viste også to grupper av ARSN å ha en svært signifikant assosiasjon med 117 PPI gener Tatt sammen.. disse resultatene indikerte at ARSNs foreslå mulige mekanismer og prosesser som er involvert i DTGs regulering.
ARSN Expression og korrelasjon med overlevelse hos pasienter med GBM
For å identifisere genutrykksmønster som klassifiserer GBM svulster i ARSN biologi dominerende grupper, brukte vi 846 probe sett som beskrevet tidligere Vi først identifisert probe sett som uttrykk sterkest korrelert med overlevelse. (Kaplan-Meier plott versus overlevelse ganger, log-rank t-test 0,05) Denne analysen identifisert som. 122 resulterende probe sett med ARSN (VARS, QARS, BILER, NARS, FARS), DTGs (PDE4A, NF1, NBN, CETP, SMAD3, HIST3H2A, TFRC, PTPRC, MTAP, etc), og PPIs (PARD3, RXRB, ATP5C1, HSP90AA1, CD44, URINRØRETS, TRAF2, KRT10, MED12, etc) som ble korrelert med overlevelse hos pasienter med GBM (tabell S5). Effekten av flere gener uttrykk på overlevelse ble vist i figurene S18, S19, S20. Deretter utførte vi en overvåket gruppering med de 122 probesets og GBM prøver (GEO tiltredelse # GSE4271) som viser kjente glioblastom undertyper som Proneural (PN, med en median overlevelse av PN underklasse er 174,5 uker), Proliferative (formeringen, 60,5 uker) og Mesenchymale (Mes; 65,0 uker) [15]. Som vist i figur 4a, denne analysen viste at 61 sondesett hos 122-probe-sett ble uttrykt forskjellig i de tre adskilte subgrupper basert på den statistiske cut-off (P = 0,01), inkludert biler og Fars, og 59 probe-sett (Tabell S6 ). Ved hjelp av 61 probeset som en signatur, PN subtype viste et dominerende trekk uttrykk mønster av gensettene sammenlignet med formeringen og Mes undergrupper, noe som tyder konsekvent prediksjon mønstre av en 61 sonde satt uttrykk signatur. For å avgjøre om CARS og FARS bidra til forskjeller i biologiske karakteristikker av GBM svulster, undersøkte vi uttrykk for to ARSs. Som vist i figur 4b, ble CARS overuttrykt i formeringen og Mes subtyper, mens FARS ble overuttrykt i PN-subtypen. Kaplan-Meier plott og log-rank overlevelse analyser viste at median total overlevelse på under-uttrykt CARS gruppen var lengre (66,9 uker) enn over-uttrykt gruppe (51,4 uker). Også median total overlevelse på over-uttrykt FARS gruppen var lengre (59,2 uker) enn for under uttrykt gruppe (50,0 uker).
(a) Vi identifiserte probe sett som uttrykk sterkest korrelert med overlevelse (Kaplan-Meier plott versus overlevelse ganger, log-rank t-test 0,05). Denne analysen avdekket at 122 resulterer probe sett med ARSN, DTGs, og PPIs som ble korrelert med overlevelse hos pasienter med GBM. Deretter utførte vi en overvåket gruppering med probesets og GBM subtyper som proneural (PN), proliferative (formeringen) og mesenchymale (Mes). Denne analysen viste at 61 probeset som signatur gener ble uttrykt forskjellig i de tre atskilte undergrupper. De 61 probe sett er presentert i matrisen format, der radene representerer enkeltgener og kolonner representerer hvert vev. Hver celle i matrisen representerer uttrykket nivå av et gen i et individ vev. Røde og grønne celler preget av høye og lave nivåer, henholdsvis. (B) Tumor undergrupper er preget av biler og FARS. Strekene viser middelverdier. CARS er beriket i Mes og formeringen undergrupper, mens FARS i PN undergruppe. Hver Kaplan-Meier plott av total overlevelse i 130 GBM pasienter gruppert på grunnlag av uttrykk av biler og FARS. Forskjellen mellom to gruppene var signifikant når p-verdien var mindre enn 0,05. (C) Hierarkisk clustering av GSE4290 datasett av 81 GBM prøver fra pasienter med GBM og 23 ikke-tumorvev basert på de 61 probe sett. Hvert gen med et uttrykk status ble vist i Tilleggs figur S21-S23. Ni prober ble betydelig overuttrykt i de ikke-tumorprøver, med 2 prober ikke viser i denne analysen.
Hvis du vil søke uttrykket av de 61 probe setter i normale hjernen vev, vi vurdert sonde sett « uttrykk signaturer med andre uavhengig offentlig GBM genuttrykk datasett (f.eks GSE4290 settet) [16]. I GSE4290 datasettet, var forskjellig mellom et sett av ikke-svulster og GBM svulster (Figur 4C) uttrykket nivåer av de 61 probe sett. CARS ble overexpressed i GBM svulster, mens FARS ikke var signifikant overexpressed i enten vev. Av interesse, i GSE4290 datasett for astrocytomas (II og III) og Oligodendrogliomer (II og III), ble ingen korrelasjoner identifisert med de 61 probe sett (Tall S21, S22, S23), noe som tyder på at 61 sonde satt signaturen var spesifikk for GBM.
CARS og FARS Korrelasjoner med ulike Molekylære Networks hos pasienter med GBM
for å undersøke om det er noen forskjell i interaksjons nettverk av biler og FARS i de tre undertyper, valgte vi 48 gener (Tabell S7) som kommuniserer direkte med biler og FARS ved hjelp av våre tidligere publiserte data [1]. Deretter utførte vi en overvåket gruppering med 48 gener og GBM prøver (GEO tiltredelse # GSE4271). Som vist i figur 5a, denne analysen viste at 24 sonder (16 gener) blant 48 gener ble uttrykt forskjellig i de tre diskrete undergruppene (P = 0,001). I figur 5b, flere interactors som PACSIN2 og SMAD9, var overuttrykt PN subtype, mens HNRNPR og GMPS ble overexpressed i formeringen subtype. Ved hjelp av 16 gener som en molekylær interaksjon signatur av biler og FARS, PN subtype viste en annen funksjon i uttrykk mønster av hver Interactor forhold til formeringen og Mes undergrupper, noe som tyder ulike samhandlingsmønstre i de to ARSs i hver subtype. For å oppdage forskjellene i de funksjonelle profiler, vi plassert differensielt uttrykte gener i sammenheng med nåværende interactome kunnskap, ved hjelp av verktøyene oppfinnsomhet Pathways Analysis (
P
for alle 0,05), som viser at RNA metabolisme (FARSB , SMAD9, FARS2, MAPK3, HNRNPR, og Rars) var signifikant relatert med PN og formeringen subtyper. Betydelig oppregulert molekylære funksjoner for PN subtype var reseptor signalise protein aktivitet og protein fosforylering pathway (SMAD9, MAPK3, og MAP3K5). Denne analysen viste at de molekylære interaksjons forskjeller biler og FARS i hver subtype kan være assosiert med forskjeller i kliniske utfall av GBM pasienter. Til sammen denne studien identifisert et svært sammenvevd nett av avvik, herunder 61 probe sett (59 PPIs og to ARSs) med nedregulert biler og oppregulert FARS, som foreslo at forskjellen av sammenhengene kan ha viktige roller i langsiktig overlevelse av pasienter i GBM. Dermed tyder våre resultater potensielt bidrag fra ARSs med deres samspill gensettene på fenotype av GBM.
Diskusjoner
Nyere bevis tyder på at aminoacyl-tRNA syntetaser (ARSs) utviser bemerkelsesverdig funksjonell allsidighet og deres ikke-kanoniske funksjoner er patologisk knyttet til kreft. Denne studien viser at vår integrerende genom-wide analyse av ARSs viser kreft-assosiert aktiviteter i GBM og etablerer 61 probe setter som overlevelse signaturer som er forskjellig uttrykt i de tre ulike prognose undergrupper hos pasienter med GBM. Interaksjons nettverk av biler og FARS avsløre de molekylære interaksjons forskjeller av biler og FARS i hver subtype, noe som tyder på mulige forskjeller i kliniske utfall av GBM. Dette arbeidet antyder høyere tilknytning til ulike molekylære nettverk av en ARSs i biologi GBM, og kan gi viktige biologiske mekanismene bak forskjellen på undergrupper.
ARSs og AIMPs har blitt utforsket som terapeutiske mål mot kreft av nettverk kartlegging kriterier og kjente robuste protein-protein interaksjon faktorer for de fleste av disse genesets, men disse har blitt neglisjert på grunn av mangel på korrelasjoner av genotype-fenotype i visse kliniske situasjoner [1]. Den utbredt aksept som ikke-konvensjonelle funksjoner av ARSs er validert har ansporet interesse for å undersøke årsaken til at det er mange sykdommer forbundet med ARSN [17], [18]. Mens tallrike genetiske endringer har blitt beskrevet i ARSN [18], [19], slike markører har vist seg å være av ikke-essensiell med veiledning sykdoms komplikasjoner. Interessant nok har siste uttrykket profilering studier viste at regulerings molekylære nettverk kan være viktige faktorer for å kontrollere tumorgenese [1], [10], [20]. I denne studien har vi identifisert potensielle molekylære interaksjoner nettverk forbundet med svulst kompleksitet samt sykdomsklasser i GBM signalveier.
ARSN Viser Cancer-forbundet Interactions
Vi sammenlignet uttrykk profiler av gener som koder for den 23 ARSN med DTGs hentet fra NCI kreft genet indeks (CGI) og etablert en kreft-foreningen kart som viser hvor mye ARSs og AIMPs kan være annerledes interaksjon til ti ulike kreftformer. Den sterke sammenhengen mellom ARSN og de ti kreftformer er i tråd med våre tidligere funn [1]. I vår forrige analyse viste 23 ARSN uttrykk profiler som er lik de CAGs i ti ulike krefttyper og som klart skiller seg fra mønsteret av nonCAGs (kombinert
P
0,0001). ARSN viste en høy grad av assosiasjon i de fleste av de testede kreftformer, bortsett fra bukspyttkjertel, prostata, lever og mage kreft, som var i overensstemmelse med våre resultater. Grunner for sammenslutning av ARSN med noen krefttyper (for eksempel lymfomer, bryst), men ikke andre (f.eks, bukspyttkjertel, prostata) bør videre studert. Blant komponentene ARSN, i våre to resultatene, både GARS og AIMP1 viste relativt høyere kreft-assosiert nettverk, indikerer deres potensielle betydning i kreft biologi. Mens det har vært fremgang i å forstå rollen som AIMP1 i kreft [21], [22], har GARS funksjoner i kreft biologi ikke er definert. Flere tidligere studier har rapportert GRS-assosierte fenotyper som 11 forskjellige mutante alleler for GRS i den menneskelige befolkningen forårsaket CMT (Charcot-Marie-Tooth) nevronale sykdom [19] og GRS oppregulering i autoimmune pasienter [23] og mangler i GARS er årsaken av distal spinal muskelatrofi nevropati type 5 [24]. I samsvar med veletablerte korrelasjoner av GRS til flere sykdommer, vi har allerede funnet ut at GRS proteiner eller fragmenter ha aktivitet for å indusere apoptose av kreftceller spesielt. I vår forrige undersøkelse, ble de GRS proteiner utskilt fra makrofagene knyttet til kreftceller og involvert i konkrete kreft aktiviteter gjennom caspase 3-aktivering og MAPK inaktivering [25], [26]. Mens dagens analyse benytter i stor skala analyse, disse molekylene er representative for en spesiell interesse for nye markører knyttet til kreftbehandling.
(a) Vi identifiserte probe sett som uttrykk sterkest korrelert med biler og FARS i hvert subtype. Denne analysen er identifisert som 88 resulterer sonde sett av de 48 gener. Deretter utførte vi en overvåket gruppering med probesets og GBM subtyper som proneural (PN), proliferative (formeringen) og mesenchymale (Mes). Denne analysen viste at 24 probeset som signatur gener ble uttrykt forskjellig i de tre diskrete undergruppene (P = 0,001). De 24 probe sett er presentert i matrisen format, der radene representerer enkeltgener og kolonner representerer hvert vev. Hver celle i matrisen representerer uttrykket nivå av et gen i et individ vev. Røde og grønne celler preget av høye og lave nivåer, henholdsvis. (B) Tumor undergrupper er preget av interactors av biler og FARS. Strekene viser middelverdier.
Funn av ARSN biologi-assosiert Pasient Undergruppe i Glioblastoma
For GBM-assosierte systematiske analyser av ARSs og AIMPs, vi utførte ARSN-DTGs /PPIs /nonCAGs samhandling analyser og visualisert forholdet ved hjelp av flere korrelasjons kart, som viser en signifikant positiv eller negativ korrelasjon mellom ARSN og to andre gensettene. Pearson korrelasjonskoeffisient er en av de mest praktiske tiltak for å evaluere genekspresjon likheter. I vårt datasett (254 GBM Affymetrix U133plus2 microarray datasettet), brukte vi nok antall datasett fordi et mindre utvalg nummer en tendens til å produsere større amplitude av korrelasjonsverdier mellom to gener [27]. Også vi ikke integrere annet datasett med offentlig database fordi valg av Genechip normalisering metoden sterkt påvirket resultatene for koekspresjon data. Vi brukte Pearson korrelasjonskoeffisient seg å sammenligne hver datasett og viste forskjellene mellom datasettene statistisk signifikant (p 0,001, enveis ANOVA). WARS, Rars, og AIMP1 i den første gruppen viste svært knyttet korrelasjon med 31 DTGs. Mens de fleste ARSN medlemmer i den andre gruppen viste svake korrelasjoner ble MARS i den tredje gruppen preget av markant negativ korrelasjon med DTGs. To svært tilknyttede grupper viste aktivering av ANSN og DTGs genuttrykk, en indikasjon på proteinsyntese og celleproliferasjon, henholdsvis. Tidligere undersøkelser har antydet at overekspresjon av MRS i gliomer og glioblastomer [11], men har ikke vist årsaken til kreft. Av notatet, er WRS- og MRS-guidede grupper preget av en annen signaturanalyse som har vært forbundet med mønstre av gen-klasse foreningen typer. I denne analysen, ble gener kjøre glioblastom som KRAS, NF1, MARCKS, TGFb2, TP53, og NFKB1 differensielt korrelert med tre klasser av ARSN viser meget lignende grupper til ovennevnte [28] – [33]. Resultatene indikerte at ARSNs foreslå mulige mekanismer og prosesser som er involvert i kreft-assosiert regulering av GBM biologi [34].
Flere klinisk informasjon som tumorstadium og klasse er kraftige prediktorer for utfall hos pasienter med kreft [35 ], [36]. Selv om disse faktorene ikke forutsi overlevelse eller respons på behandling hos pasienter med avansert sykdom [36], analyser DNA microarray har identifisert gener som uttrykk nivåer korrelert med overlevelse i kreft [37]. Flere genuttrykkstudier har identifisert prognostiske gensettene ved hjelp av en statistisk cut-off alene, men disse genene er ikke validert for mer nøyaktig diagnose og prognose. For å identifisere klinisk relevante genuttrykk profiler korrelerte med langsiktige overlevelse og ARSN biologi-dominant undergrupper i GBM svulster, vi først identifisert probe sett som uttrykk sterkest korrelert med overlevelse, viser 122 resulterer probe sett hos pasienter med GBM. Ved hjelp av kjente glioblastom undertyper som PN, formeringen og Mes [15], fant vi at en klynge av 61 signatur gener ble uttrykt forskjellig i de tre atskilte undergrupper. PN subtype viste et dominerende trekk uttrykk mønster av de 61 gensettene, mens formeringen subtype synes ligner Mes subtype. Formeringen og Mes subtyper kan synes å variere med bare omfanget av uttrykket av disse 61 underskrifter i forhold til PN subtype og ikke diametralt motsatt regulerte forhold til 35 signatur gener som rapportert tidligere [15]. Men de 61 probe sett var signifikant korrelert med overlevelse blant de 846 sonde sett som direkte kan samhandle med ARSN, og uttrykt forskjellig i de tre atskilte undergrupper basert på statistisk cut-off (P = 0,01). Denne studien antyder dermed at de molekylære interaksjons forskjeller i ARSN i hver subtype kan være assosiert med forskjeller i kliniske utfall av GBM pasienter. Også, kan et høyt sammenhengende nettverk av de 61 probe sett korrelerer med de etablerte bedre overlevelses markører for PN som en yngre alder og klasse III-aktig histologi [15]. Av notatet, vises uttrykk for CARS og FARS å være unike for svulster i PN subtype. Vi brukte interaksjons nettverk av biler og FARS å utforske de molekylære interaksjons forskjeller biler og FARS i hver subtype, noe som tyder på mulige forskjeller i kliniske utfall av GBM pasienter. Vår protein interaksjon nettverksbasert tilnærming er å utforske sammenhengende proteiner ansvarlig for spesifikke cellulære funksjoner [38]. Ved hjelp av PPI-nettverk, kan de identifiserte sykdomsrelaterte gener være funksjonelt relatert og avslører viktige biologiske mekanismene bak forskjellen på subtyper [39], [40].
signifikant sammenheng mellom biler og FARS, og PN signatur støtter vår klassifisering, knytte eksistensen av en ARSN biologi-dominant gruppen, som ikke er beskrevet i andre studier. Således kan de 61 genet signaturer korrelerer med de etablerte overlevelses markører for PN [41], men i denne studien vi ikke kunne vise en klar hypotese for å forklare forholdet to dårlig prognose undergrupper med signaturene. Dermed videre studier og reproduserbare resultater er nødvendig for å vurdere en ARSN biologi-dominant undergruppe i biologi GBM.
