Abstract
Angiogenese har vist seg å være assosiert med prostatakreft utvikling. Flertallet av prostatakreft studiene fokuserte på individuelle enkeltnukleotidpolymorfi (SNPs) mens SNP-SNP interaksjoner er foreslått å ha en stor innvirkning på avduke den underliggende mekanismen av kompleks sykdom. Ved hjelp av 1,151 pasienter med prostatakreft i Kreft genetiske markører av følsomhet (CGEMS) datasett, ble 2,651 SNPs i angiogenese gener assosiert med prostatakreft aggressivitet evaluert. SNP-SNP interaksjoner ble hovedsakelig vurdert ved hjelp av to-trinns Tilfeldige Skoger pluss Multivariate Adaptive Regression Splines (TRM) tilnærming i CGEMS gruppen, og ble deretter re-evaluert i Moffitt gruppen med 1.040 pasienter. For de identifiserte genet parene ble kryss-evaluering for å evaluere SNP interaksjoner i begge studiegrupper. Fem SNP-SNP interaksjoner i tre genpar (
MMP16 + ROBO1
,
MMP16 + CSF1
, og
MMP16 + EGFR
) ble identifisert til å være assosiert med aggressiv prostatakreft i begge gruppene . Tre par SNPs (rs1477908 + rs1387665, rs1467251 + rs7625555, og rs1824717 + rs7625555) var i
MMP16 Kjøpe og
ROBO1
, ett par (rs2176771 + rs333970) i
MMP16 Hotell og
CSF1
, og ett par (rs1401862 + rs6964705) i
MMP16 Hotell og
EGFR
. Resultatene tyder på at
MMP16
kan spille en viktig rolle i prostatakreft aggressivitet. Ved å integrere våre nye funn og tilgjengelig biomedisinsk litteratur, ble en hypotetisk gen samhandling nettverk foreslått. Dette nettverket viser at våre identifiserte SNP-SNP interaksjoner er biologisk relevant og viser at EGFR kan være knutepunkt for interaksjoner. Funnene gir verdifull informasjon for å identifisere genotype kombinasjoner i fare for å utvikle aggressiv prostatakreft og bedre forståelse av den genetiske etiologien av angiogenese assosiert med prostatakreft aggressivitet
Citation. Lin HY, Amankwah EK, Tseng TS, Qu X Chen DT, Park JY (2013) SNP-SNP Interaksjon Network i angiogenese gener assosiert med prostatakreft Aggressivitet. PLoS ONE 8 (4): e59688. doi: 10,1371 /journal.pone.0059688
Redaktør: Xiaoning Qian, University of South Florida, USA
mottatt: 27 august 2012; Godkjent: 17 februar 2013; Publisert: 03.04.2013
Copyright: © 2013 Lin 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:. Denne studien ble støttet av American Cancer Society (IRG-93-092-14, PI: WJP /Hyl); og National Cancer Institute (R01CA128813, PI: JYP). EKA er støttet av en kreftforebygging fellesskap fra National Cancer Institute (R25T CA147832). 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
prostatakreft står for 29% av kreftforekomst og 9% av kreftdødsfall og det er den vanligste kreftformen og den nest største årsaken til kreftdød i amerikanske menn i 2012 [1]. Prostatakreft har et betydelig klinisk heterogenitet. Leger har derfor ofte problemer med å skille mellom pasienter som utvikler lat og aggressive svulster på tidspunktet for en prostata kreft diagnose [2]. For pasienter med prostatakreft med lav risiko, er konservativ ledelse og behandling anbefales fordi en lat kurs over en lengre periode kan observeres. Flere funksjoner (for eksempel prostata spesifikt antigen, klinisk stadium og svulst klasse) har blitt brukt til å klassifisere høyrisikopasienter som trenger umiddelbar behandling og den lave risikopasienter som trenger konservativ behandling. Når du bruker eksisterende funksjoner, ca 20% av disse lav risiko prostatakreftpasienter døde på grunn av konservativ behandling [3]. Det er derfor et stort behov for identifisering av biomarkører for å forbedre nøyaktigheten forutsigelse av prostatakreft aggressivitet.
Angiogenese er en biologisk prosess som involverer divisjonen og migrering av endotelceller, noe som resulterer i mikrovaskulaturen formasjon [4], [5]. Dannelsen av blodkar er viktig for organutvikling i løpet av embryogenesen, og fortsetter å bidra til organveksten etter fødselen. I løpet av voksenlivet, de fleste blodkar forbli stillestående og angiogenese er begrenset til sykkel eggstokk og i placenta under graviditet, [4], [5], [6]. Ikke desto mindre, endotelceller opprettholder deres evne til å dele seg raskt inn i blodkar som reaksjon på fysiologiske stimuli, så som hypoksi, og angiogenese reaktiveres i løpet av sårheling og reparere [4], [5], [7]. Fremgangsmåten i postnatal angiogenese reguleres av en kontinuerlig samspill (som etablerer en balanse) av stimulatorer slik som vaskulær endotelial vekstfaktor (VEGF), basisk fibroblast vekstfaktor (bFGF), epidermal vekstfaktor (EGF), interleukiner (ILS), transformerende vekstfaktor beta (TGF-β), tumornekrosefaktor alfa (TNF-α), blodplateavledet vekstfaktor (PDGF), og matriks-metalloproteinaser (MMP) og hemmere som endostatin, platefaktor-4, tumastin, trombospondin-1, plasminogenaktivator-inhibitor-1 og angiostatin [4], [5], [6], [7], [8]. Men i mange lidelser inkludert prostata cancer, er balansen mellom stimulatorer og inhibitorer på skrå for å favorisere stimulatorer, noe som resulterer i en «angiogene bryter» [9], [10]. Den såkalte «angiogene bryter» kan være resultatet av endringer i ekspresjonsnivåer av gener i angiogenese pathway.
enkeltnukleotidpolymorfi (SNP) i angiogenese-gener kan endre genekspresjon og påvirke prosessen av angiogenese i prostata kreft og hemmet tumorvekst i dyremodeller [11], [12]. Faktisk har flere SNPs i angiogenese gener som påvirker genekspresjon blitt identifisert. Disse variantene kan potensielt bidra til interindividuell variasjon i risiko og progresjon av prostatakreft [13]. Videre er angiogenese vist seg å være assosiert med Gleason score, tumorstadium, progresjon, metastase og overlevelse hos prostata kreftpasienter [14], [15].
Selv om antallet undersøkelser for å vurdere rollen til SNP i angiogenese gener er begrenset, flere av de studier støtter sammenhengen mellom angiogenese og prostatakreft aggressivitet. Så langt har resultatene fra flere kandidat-gen og genom-wide krets (GWA) studier antyder at SNP’er i angiogenese veien kan være viktig i prostata cancer progresjon og aggressivitet. I kandidat genet studier,
VEGF
-1154A og -634C alleler var assosiert med økt risiko for høyere svulst grad [16]. Jacobs
et al
. (2008) evaluerte 58 SNPs i ni angiogenese gener og funnet ut at tre korrelerte SNPs (rs1477017, rs17301608, og rs11639960) i
MMP2
var assosiert med overordnet og avansert prostatakreft [17]. I tillegg menn med
IL-10
819 TT genotype tendens til å ha en høyere risiko for å utvikle en høy grad av prostatakreft [18]. I en GWA studie, Thomas
et al.
Observert at en nonsynonymous SNP (rs4072111) som endrer en serin til prolin i
IL-16
var signifikant assosiert med økt risiko for aggressiv kreft [ ,,,0],19]. En annen GWA studie observert signifikant sammenheng mellom aggressiv prostatakreft og tre intergeniske SNPs (rs11199874, rs10749408 og rs10788165) som spenner over en 590 kb region på kromosom 10q26 som omfatter
FGFR2
, en angiogenese genet [20]. Penney observert assosiasjoner med dødelighet for SNPs i
IL-18 plakater (rs360729, og rs243908) og
IL-11 plakater (rs12709950) i sin scenen en scan, men ingen ble gjenskapt i fase to skanne [21].
for å grundig evaluere genetiske variasjoner i angiogenese gener assosiert med prostatakreft aggressivitet, effekter av både individuelle SNPs og SNP-SNP interaksjoner ble undersøkt. De fleste av dagens studier er fokusert på å vurdere individuelle SNP effekter; Imidlertid kan en-til-en forbindelser ikke være tilstrekkelig til å forklare kompleksiteten av sykdommen kausalitet. Det har nylig blitt etablert som gene-genet /SNP-SNP interaksjoner kan ha en høyere effekt på avdukingen kausalitet av komplekse sykdommer [22], [23], [24], [25]. Pure SNP-SNP interaksjoner, dvs. de som har liten eller ingen signifikante individuelle SNP effekter, ble rapportert i flere sykdommer, så som brystkreft [26], [27], prostatakreft [28], og reumatoid artritt [29].
For å overvinne utfordringene i høy-dimensjonale data, søkte vi SNP-SNP samhandling ved hjelp av TRM tilnærming, en to-trinns Tilfeldige Skoger pluss Multivariate Adaptive Regression Splines (MARS). Konvensjonelle studier bruker en additiv modell for SNPs, og søk etter parvise SNP samhandling ved hjelp av logistisk regresjon. Denne tilnærmingen er ikke tilstrekkelig, fordi en additiv modell antagelse ikke kan være gyldige. Det har vist seg at den genetiske modellen utvalget har en stor innvirkning på deteksjon kraften i foreninger [28]. I noen studier er rene SNP interaksjoner oversett fordi bare SNPs med betydelig eller marginal viktigste effekten blir tatt hensyn til. For å bedre prediksjonsevne av kompleks sykdom, identifisere aktuelle genetiske modeller (som dominant og recessiv) og vurderer gen-gen-interaksjoner i assosiasjonsstudier er foreslått [30]. Dette TRM tilnærming, som tar ulike arve modeller og interaksjoner hensyn til i både screening og samhandling mønster søker trinn, har vist seg å være kraftig i å oppdage SNP interaksjoner i en storstilt genetisk variasjon studie [31].
materialer og metoder
To grupper ble brukt i denne studien. Den CGEMS gruppe ble brukt som den primære datasettet for å identifisere SNP-SNP interaksjoner forbundet med prostatakreft aggressivitet. De betydelige resultater identifisert i CGEMS dataene ble deretter re-evaluert ved hjelp av Moffitt data. Alle enkeltpersoner i vår analyse var menn av europeisk avstamning, fordi data var tilgjengelige på menn av europeisk avstamning i CGEMS datasett. Bare én felles demografisk variabel, alder påmelding, var tilgjengelig i de to studiegrupper. Imidlertid, på grunn av studiedesign forskjell, variablene alder ved innmelding i de to studiegruppene er ikke sammenlignbare. For pasienter med prostatakreft, dato for påmelding var før prostatakreft diagnose i CGEMS studien (a nested case-control studie innen en prospektiv kohortstudie), men det var etter kreftdiagnose i Moffitt kohort (en sak bare studere) . Dermed ble våre analyser basert på ujusterte resultater.
CGEMS Befolkning
Det var 1,151 prostatakreftpasienter (659 aggressiv og 492 ikke-aggressive pasienter) i CGEMS prostatakreft genome-wide datasett . Deltakerne ble valgt ut fra prostata, lunge, kolon og ovariesyndrom (PLCO) Cancer Screening Trial innmelding mellom 1993 og 2003 [32]. Det var 12%, 55% og 33% av pasientene i aldersgruppen 60, 60-69 og = 70 år gammel, henholdsvis ved innmelding av PLCO kohortstudie. Hele data inneholdt ca 550 000 SNPs genotypet med Illumina HumanHap300 og Illumina HumanHap250. Pasienter med Gleason score ≥ 7 eller ≥stage III ble ansett for å ha aggressiv prostatakreft. Vi identifiserte gener som koder for proteiner involvert i eller relatert til angiogenese gjennom å søke publisert litteratur (PubMed) og offentlig sti database (Cancer Genome Anatomy Project, Kyoto Encyclopedia of Gene og genomer og Gene ontologi). Totalt 2.653 SNPs i 161 angiogenese gener ble undersøkt. Hardy-Weinberg likevekt ble undersøkt i kontrollgruppen (n = 1101), som ikke ble inkludert i denne studien. Etter unntatt to SNPs uten å følge Hardy-Weinberg likevekt (p-verdi 10
-4), totalt 2,651 SNPs ble brukt for videre analyser. Koblingsulikevekt blant alle tester SNPs ble undersøkt basert på r
2 bruker Haploview Tagger [33]. Etter å ha valgt en SNP i hvert par med sterke koblingsulikevekt av r
2 . 0.8, ble totalt 2,177 SNPs inkludert for samhandling analyserer
Moffitt Befolkning
Moffitt gruppen ble brukt i kryss-evaluering av SNPs i angiogenese gener assosiert med prostatakreft aggressivitet. Den Moffitt befolkningen besto av en historisk kohort av 1040 prostatektomi tilfeller behandles ved Moffitt Cancer Center fra 1986 til 2003. Vi identifiserte 437 aggressive tilfeller og 603 ikke-aggressive tilfeller basert på de samme prostatakreft aggressivitet kriteriene som brukes i CGEMS gruppen. Det var 49%, 42% og 8% av pasientene i aldersgruppen 60, 60-69 og = 70 år gammel, henholdsvis ved innmelding av Moffitt studien. Det var 681 angiogenese SNPs genotyping hjelp av Illumina Golden ™ analysen (Illumina, San Diego, California). Studien protokollen ble godkjent av Institutional Review Board ved University of South Florida (Tampa, Florida).
Analyse av individuelle SNP Effects
I CGEMS gruppe, tre arve modeller (dominerende, recessive og additiv modell) ble vurdert ved hjelp av logistiske regresjonsmodeller, og den beste modellen ble valgt basert på minimums p-verdi for hver SNP. False funnrate (FDR) q-verdi [34] ble beregnet for justering for multiple sammenligninger. De betydelige SNPs med en p-verdi mindre enn 0,05 i CGEMS ble deretter revurderes i Moffitt gruppen. For konsistens, ble den samme genetiske modellen med minimal p-verdi i CGEMS gruppe anvendt i Moffitt gruppe for hver SNP. De viktigste effektene av SNPs involvert i signifikante interaksjoner ble også vurdert.
Cross-evaluering av SNP-SNP Interactions
For å utforske SNP-SNP interaksjoner, den TRM, to-trinns Tilfeldige Skoger pluss MARS, ble brukt [31]. I den første fasen av TRM tilnærming, ble de beste kandidat SNPs valgt basert på å minimere out-of-bag (OOB) klassifisering feilrate bruker uskalert permutasjon nøyaktighet betydning indeksen i Random Forests. Kandidat SNPs valgt i den første fasen ble utforsket opp til toveis interaksjoner forbundet med prostatakreft aggressivitet hjelp MARS. I den første fasen, vi brukte standard på 5.000 trær for å bygge den første skog og 2000 trær for alle andre skoger bruker varSelRF R pakken. Antallet tilfeldig valgte prediktorene ble satt til 47, kvadratroten av antallet av prediktorene. Blant alle utstyrt skoger, var det siste settet med variabler valgt basert på den minste antall variabler som feilraten er mindre enn en standard feil av minste OOB feilrate. I MARS, ble den maksimale basisfunksjonene 30 brukes til å utforske SNP-SNP samhandlingsmønstre blant de beste kandidat SNPs. Ten-fold kryssvalidering ble brukt til å velge graden av frihet belastes per basis funksjon.
Fordi Tilfeldige Skog ikke tillater for manglende verdier ble sporadisk mangler genotypede data tilregnet hjelp tilregner versjon 2.0 med HapMap3 CEU + TSI data som referansegruppen. Blant 2,177 SNPs for samhandling søk, det manglende datahastigheten var lav: median mangler rente var 2,6% og maksimum 5,6%. For å bevare alle SNPs i analysene, analyser vår samhandling var basert på den kombinerte datasettet består av de opprinnelige genotypede data og beregnede data. De individuelle SNP effektene ble evaluert ved å bruke de opprinnelige dataene.
TRM tilnærming gir ikke variable betydning ved hjelp av p-verdier, slik at bootstrap metoden ble brukt for å velge faktorer i den endelige modellen og redusere falske positive funn. Bootstrap frekvensene av en null-modell, ingen sammenheng mellom den simulerte utfall og testing SNP, ble anvendt for innstilling av cut-point av varierende utvalg i TRM. I denne null-modellen, vi uavhengig genererte en binær utfallet variabel med 659 pasienter i en gruppe og 492 pasienter i den andre gruppen, som var i overensstemmelse med aggressivitet status i CGEMS datasettet. Vi fikk 500 bootstrap prøver ved prøvetaking med erstatning fra null modell. For hver identifiserte faktor (enkelte effekter eller interaksjoner), ble de falske positive frekvenser basert på 500 bootstrap prøver beregnes. Den 95% persentil av bootstrap frekvenser i de falske positive faktorene var 4,2%. For konservative formål, holdt vi bare de med en bootstrap frekvens større enn 5%. For enkel tolkning, ble de identifiserte faktorene som inngår i multivariabel logistisk regresjon for å få odds ratio og deres 95% konfidensintervall.
flytskjema over tverr evaluering for å avdekke SNP-SNP interaksjoner er vist i figur 1 . i trinn 1, de SNP-SNP interaksjoner identifisert i CGEMS gruppen, behandles som et treningssett, ble revurderes i Moffitt gruppen. Blant de CGEMS identifiserte genet parene (gen-gen interaksjoner), var vi også interessert i å utforske hvorvidt andre SNP-SNP interaksjoner kunne påvises i den uavhengige Moffitt gruppen. I trinn to, vi ytterligere søkte alle mulige toveis SNP-SNP interaksjoner av de identifiserte genet parene (som
MMP16
+
ROBO1
) i Moffitt gruppen. I trinn tre, de identifiserte SNP interaksjoner fra trinn 2 ble revurdert i CGEMS gruppen. De beste «samhandlingsmønstre» (for eksempel dominant-dominerende modellen) ble oppdaget separat i begge grupper bruker MARS. I tillegg har vi sjekket om de identifiserte samhandlingsmodeller var bedre enn modellene med sine viktigste effektene bare ved hjelp av en trinnvis logistiske regresjoner. Dataanalyser ble utført ved anvendelse av SAS 9,3. TRM ble utført ved hjelp MARS 2,0 (Salford Systems, San Diego, USA), og R pakke med randomForest og varSelRF.
I trinn 1, SNP-SNP interaksjoner identifisert i CGEMS gruppen ble revurderes i Moffitt gruppe. I trinn 2, ble alle mulige to-veis SNP-SNP interaksjoner av de identifiserte genet parene evaluert i Moffitt gruppe. I trinn tre, de identifiserte SNP interaksjoner fra trinn 2 ble revurdert i CGEMS gruppen.
Resultater
I Cancer genetiske markører av følsomhet (CGEMS) gruppe, vi evaluert den viktigste effekten av 2,651 angiogenese SNPs assosiert med prostatakreft aggressivitet status (ja /nei) ved hjelp av logistiske regresjonsmodeller. Det var 279 SNPs i 75 gener med en rå p-verdi mindre enn 0,05. Blant disse SNPs, den største FDR q-verdien var 0,053. Dette indikerer at mindre enn 15 falske positive funn var forventet blant de øverste valgte SNPs. Disse betydelige SNPs ble deretter vurdert i Moffitt gruppen. Blant disse 279 SNPs, 160 SNPs var tilgjengelig i Moffitt data. Fire SNPs i tre gener (
COL4A3
,
PDGFD Hotell og
ELK3
) var assosiert med prostatakreft aggressivitet i både CGEMS og Moffitt grupper med en p-verdi mindre enn 0,05. To SNPs (rs10498214 og rs6436661) i
COL4A3
var signifikant assosiert med prostatakreft aggressivitet. De med CC genotype sammenlignet med CT og TT genotype i rs10498214 tendens til å ha en høyere risiko for aggressiv prostatakreft (odds ratio (OR) = 1,63 og p-verdi = 0,028 for CGEMS, OR = 1,53 og p-verdi = 0,047 for Moffitt). CC og CT genotype av rs6436661 i
COL4A3
var negativt assosiert med prostatakreft aggressivitet (OR = 0,74, p-verdi = 0,040 for CGEMS ELLER = 0,71, p-verdi = 0,034 for Moffitt). Menn med CC genotypen i rs488753 (
PDGFD
) var mer sannsynlig å utvikle aggressiv prostatakreft enn de med CT og TT genotype (OR = 1,47, p-verdi = 0,035 for CGEMS ELLER = 1,45, p verdi = 0,031 for Moffitt). CC og CT genotype av rs2268509 i
ELK3
var positivt assosiert med prostatakreft aggressivitet (OR = 1,29, p-verdi = 0,047 for CGEMS ELLER = 1,57, p-verdi = 0,002 for Moffitt)
de SNP interaksjoner i angiogenese gener ble undersøkt ved hjelp av TRM tilnærming i CGEMS gruppen. I alt 14 forhold ble valgt ved hjelp av TRM tilnærming (figur 2). To viktigste effektene av rs3093040 (i
CSF1
) og rs1477908 (i
MMP16
) ble valgt, og 12 to-veis SNP-SNP interaksjoner ble identifisert. For å velge faktorer i den endelige modellen og intern validering, ble bootstrap metoden anvendt. Ved hjelp av en bootstrap frekvens på 5% som en cut-punkt, ble de beste syv faktorene valgt: to hovedeffekter og fem samspill SNP par. De to viktigste effektene var kjerne faktorer i disse SNP par. Blant de fem samspill SNP par, ble rs1477908 involvert i to SNP par og rs3093040 ble inkludert i de tre andre SNP par. De fem genet par av de identifiserte SNP-SNP interaksjoner ble
MMP16 + ROBO1, MMP16 + CSF1, CSF1 + FBLN5, CSF1 + HSPG2
, og
MMP16 + EGFR, etter som i en stigende rekkefølge basert på bootstrap frekvenser . Som vist i tabell 1, har vi tatt med disse viktige faktorer i en multivariabel logistisk modell, og alle faktorer var svært signifikant (p-verdi Område: 0,015 til 0,0001). Resultatene forble lik etter justering alder (resultater ikke vist).
For å redusere falske positive funn ble bootstrap metoden brukes for å velge faktorer i den endelige modellen. Vi fikk 500 bootstrap prøver ved prøvetaking med erstatning fra null modell. For hver identifisert faktor, ble de falske positive frekvenser basert på 500 bootstrap prøvene beregnes. Faktorene med bootstrap frekvens større enn 5% ble inkludert i multivariat modell (tabell 1).
Selv om disse fem SNP-SNP interaksjoner var signifikant i den multivariabel modell, vi evaluert videre hvorvidt disse SNP parene var uavhengige prediktorer for prostatakreft aggressivitet. De fem samspill SNP parene ble montert individuelt i en logistisk regresjonsmodell. I hver to-veis interaksjon i tabell 2, ble referansegruppen betegnet som OR = 1. Vi definert med de OR 1 som risikogruppe og de med eller mindre enn 1 som den beskyttende gruppe. For enkel sammenligning av SNP samhandlingsmønstre mellom de to studiegruppene, ble mønstrene presenteres ved hjelp av 3 × 3 bord i supplement (Tabeller S1, S2, S3). Disse fem SNP parene var signifikant assosiert med prostatakreft aggressivitet i CGEMS gruppen. Spesielt de to øverste SNP-SNP interaksjoner var rs1477908 (
MMP16
) + rs1387665 (
ROBO1
) og rs6994019 (
MMP16
) + rs3093040 (
CSF1
). Prostatakreftpasienter med AA + AG /GG genotype kombinasjon av SNP par rs1477908 og rs1387665 var mer sannsynlig å utvikle aggressiv prostatakreft (OR = 1.83, p-verdi = 0,0002) enn de med genotype kombinasjon av AA + AA. Pasienter med GG /GA genotype i rs3093040 var mer sannsynlig å ha en aggressiv prostatakreft enn de med AA genotype, men denne effekten ble betydelig endret av rs6994019. Blant de med GG /GA genotype i rs3093040, menn med GG genotype av rs6994019 var mer sannsynlig å utvikle aggressiv prostatakreft (OR = 2.22, p-verdi = 1,7 * 10
-5) enn de med AA genotype av rs3093040; Likevel, dette positiv sammenheng var ikke signifikant for de med GT /TT genotype av rs6994019 (OR = 1.36, p-verdi = 0,096).
Disse 5 viktige SNP-SNP interaksjoner ble videre undersøkt ved hjelp av den Moffitt gruppen (trinn 1 i figur 1). Bare en SNP-SNP samspillet rs1477908 (
MMP16
) og rs1387665 (
ROBO1
) var tilgjengelig i Moffitt gruppen. Som vist i tabell 2, ble det observert at høyrisikogruppen for utvikling av aggressiv prostatakreft var de med AA og GG genotype i paret av rs1477908 og rs1387665 (OR = 1,39 og p-verdi = 0,065) i Moffitt gruppe. De høye risikogruppene som er valgt i både gruppe er lik: AA + GG og AA + AG /GG av rs1477908 og rs1387665 i Moffitt og CGEMS grupper, henholdsvis
I tillegg til CGEMS identifisert SNP-SNP interaksjoner, vi undersøkt om andre. SNP interaksjoner i de identifiserte genet parene i Moffitt gruppen var signifikant assosiert med prostatakreft aggressivitet. To-veis SNP-SNP interaksjoner av de fem identifiserte genet parene (
MMP16 + ROBO1, MMP16 + EGFR, MMP16 + CSF1, CSF1 + FBLN5, og CSF1 + HSPG2
) ble søkt (trinn 2, figur 1). Som vist i tabell 2, ble ytterligere åtte SNP-SNP-interaksjoner påvises i Moffitt gruppe. To interaksjoner var i genet par MMP16 + ROBO1, tre var i MMP16 + EGFR, en var i
MMP16
+
CSF1 Hotell og to var i CSF1 + HSPG2. Blant disse åtte identifiserte SNP-SNP interaksjoner, seks var tilgjengelig i CGEMS; følgelig, de ble deretter undersøkt på nytt (figur 1, trinn 3).
Tre gen-parene ble observert å ha minst én SNP-SNP interaksjon med en tilsvarende interaksjon mønster i de to studiegruppene. Den tilsvarende interaksjon mønsteret ble definert som de identifiserte genotypen kombinasjoner i de to studiegruppene, som er overlappet og med samme retning i form av en prostatakreft aggressivitet risiko. Tre (rs1477908 + rs1387665, rs1467251 + rs7625555, og rs1824717 + rs7625555) var i genet par
MMP16 Hotell og
ROBO1
. Samspillet mellom rs1401862 og rs6964705 var i
MMP16 Hotell og
EGFR
, og en annen SNP par rs2176771 og rs333970 var i
MMP16 Hotell og
CSF1
. Med unntak av SNP par rs1477908 og rs1387665, ytterligere to SNP par (rs1467251 + rs7625555 og rs1824717 + rs7625555) i genet par
MMP16 Hotell og
ROBO1
var assosiert med prostatakreft aggressivitet. I Moffitt gruppen, prostata kreftpasienter med AA + GG /GA genotype i SNP par rs1467251 og rs7625555 hadde en lavere sjanse for å utvikle aggressiv prostatakreft enn andre genotype kombinasjoner i samme SNP par (OR = 0,29, p-verdi = 0,024). I CGEMS gruppen, lav risikogruppe var de med GA /AA + GG /GA genotype i samme SNP par (OR = 0,59, p-verdi = 0,002). Som for interaksjonen av rs1824717 og rs7625555, høyrisikogruppen for aggressiv prostatakreft i CGEMS gruppen var en kombinasjon av AA og AA genotype av denne SNP paret (OR = 1,91, p-verdi = 0,009), og høyrisikogruppen i Moffitt settet var kombinasjonen av AA /AG og GA /AA genotype (OR = 1.59, p-verdi = 0,008). Med
MMP16 Hotell og
EGFR
, menn med genotypen kombinasjon av GA /AA og AA i en SNP par rs1401862 og rs6964705 tendens til å være mindre sannsynlig (OR = 0,58, p-verdi = 0,011) ha aggressiv prostatakreft enn andre genotype kombinasjoner av SNP par i CGEMS gruppen. Vi har også observert signifikant interaksjon mønster av denne SNP paret i Moffitt gruppen.
Hovedeffektene av SNP er involvert i signifikant interaksjon er vist i tabell 3. Disse hoved effektene kan ikke replikeres i løpet av de to studiegruppene . Blant de 16 SNPs involvert i SNP-SNP interaksjoner forbundet med prostatakreft aggressivitet i CGEMS gruppen, 13 SNPs hadde en p-verdi mindre enn 0,05 i de univariate analysene. Blant de 16 SNPs i Moffitt gruppen, bare rs17172446 hadde en p-verdi mindre enn 0,05. Vi bekreftet også at samhandlingsmodeller som er oppført i tabell 2 var bedre enn hoved-effekt kun modeller (resultater ikke vist).
Diskusjon
Våre funn identifisert fem SNP-SNP interaksjoner i angiogenese gener assosiert med prostatakreft aggressivitet i CGEMS gruppen bruker romanen TRM tilnærming. Av fem vesentlige SNP-SNP interaksjoner (p-verdi = 2 x 10
-5 til 6 x 10
-4) med en middels til stor effektstørrelse var vellykket detektert selv med en forholdsvis liten prøvestørrelse på ca. 1000 . De odds ratio av disse SNP interaksjoner ble kategorisert fra et medium (OR≥1.5) til stor effektstørrelse (OR≥2) [35]. Den kliniske effekten av SNP-SNP-interaksjoner kan være større enn den for de enkelte SNP’er identifisert i GWA studier. Prediksjon kraft kreftrisiko for SNPs identifisert i GWA studier er begrenset med median per-allelet OR på 1,22 basert på en fersk gjennomgang [30].
Våre identifiserte genet-genet interaksjoner kan være biologisk relevant baserte på nettverksanalyse. Interaksjoner av de fem genpar (MMP16 + ROBO1, MMP16 + CSF1, MMP16 + EGFR, CSF1 + FBLN5, og CSF1 + HSPG2) ble demonstrert ved hjelp av kryss-evaluering i CGEMS og Moffitt grupper. Spesielt, de tidligere tre genet parene hadde minst én SNP-SNP interaksjon med en tilsvarende interaksjon mønster i de to studiegruppene. Blant de identifiserte genet parene,
MMP16 Hotell og
CSF1
var involvert i flere samvirkende genpar, ble dermed et nettverk forening forstått. For å kontrollere for biologisk relevans av foreningene og utforske den underliggende funksjonell mekanisme av våre identifiserte genet-genet interaksjoner, ble en hypotetisk genetiske regulatoriske nettverk (figur 3) foreslått. Denne genetisk interaksjon Nettverket ble generert basert på publiserte protein-protein interaksjoner i
Homo Sapience
bruker MetaCore databasen fra GeneGo Inc. sammenhengene biokjemisk prosess nettverk av de identifiserte genene viste at de seks proteinene ble involvert direkte eller indirekte i
EGFR
signalveien. Det foreslås at disse genene kan være co-regulert av flere transkripsjonsfaktorer sammen, for eksempel E2F1, STAT1, ESR1, SP1, og AP-1, og en reseptor (integrin). Den mest fremtredende protein i nettverket var EGFR, som samhandlet med de resterende fem proteiner som var involvert i angiogenese
aFive samspill genpar.
MMP16 + ROBO1, MMP16 + CSF1, CSF1 + FBLN5, CSF1 + HSPG2
, og
MMP16 + EGFR.
b noder representerer proteiner, og linjene mellom nodene indikerer interaksjoner mellom proteiner. Grønne og røde linjer representerer de positive og negative effekter, henholdsvis. Proteiner av identifiserte gener er merket med en sirkel rundt nodene.
epidermal vekstfaktor reseptor (EGFR) er en kritisk protein i spredning av epitelceller og er involvert i onkogenese. EGFR binder epidermal vekstfaktor (EGF), og har blitt vist å spille en viktig rolle i regulering av prostata cellevekst og funksjon [36], [37], [38]. Våre resultater ble også støttet av en fersk integrerende microarray studien. Wang
et al.
Utført en meta-analyse av 10 prostata kreft microarray expression datasett for å identifisere de vanlige signaturer på begge gense og sti nivåer forbundet med prostata kreftrisiko, og EGFR veien ble funnet i ni datasett ,»Wang
et al.
performed a meta-analysis of 10 prostate cancer microarray expression datasets to identify the common signatures at both the gene and pathway levels associated with prostate cancer risk, and the EGFR pathway was found in nine datasets ,,,0
