Abstract
Formål
Denne studien tar sikte på å utforske genekspresjonssignaturer og serum biomarkører å forutsi iboende chemoresistance i ovarialcancer (EOC).
Pasienter og metoder
Gene expression profilering data av 322 høyverdig EOC tilfeller mellom 2009 og 2010 i kreft~~POS=TRUNC Genome Atlas-prosjektet ( TCGA) ble brukt til å utvikle og validere genekspresjonssignaturer som kunne diskriminere ulike reaksjoner på førstelinje platina /paclitaxel-baserte behandlinger. Et gen regulering nettverket ble deretter bygget for å ytterligere identifisere hub gener ansvarlig for differensial genuttrykk mellom komplett respons (CR) gruppe og progressiv sykdom (PD) gruppe. Videre, for å finne mer robuste serum biomarkører for klinisk anvendelse, integrerte vi våre gen signaturer og gen signaturer rapportert tidligere for å identifisere sekresjonsprotein-koding gener ved å søke på DAVID database. Til slutt ble genet-interaksjon nettverk konstruert ved å søke Comparative toksikogenomikk Database (CTD) og litteratur.
Resultater
En 349-genet prediktiv modell og en 18-genet modell uavhengig av nøkkel kliniske funksjoner med høy nøyaktighet ble utviklet for prediksjon av chemoresistance i EOC. Blant dem ble ti viktig knutepunkt gener og seks signalbaner identifisert til å ha viktige implikasjoner i kjemoterapeutisk respons. Videre ble ti potensielle serum biomarkører identifisert for å forutsi chemoresistance i EOC. Til slutt foreslo vi noen medikamenter for individualisert behandling.
Konklusjon
Vi har utviklet prediktive modeller og serum biomarkører for platina /paclitaxel respons og etablerte den nye tilnærmingen til å oppdage potensielle serum biomarkører fra genuttrykk profiler. De potensielle medikamenter som mål hub gener er også foreslått
Citation. Han Y, Huang H, Xiao Z, Zhang W, Cao Y, Qu L, et al. (2012) Integrert analyse av genuttrykk profiler Associated med Response av Platinum /paclitaxel-basert behandling i ovarialcancer. PLoS ONE 7 (12): e52745. doi: 10,1371 /journal.pone.0052745
Redaktør: Sandra Orsulic, Cedars-Sinai Medical Center, USA
mottatt: 12. september 2012; Godkjent: 21 november 2012; Publisert: 27.12.2012
Copyright: © 2012 Han 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 finansiert av National 973 Program of China (2009CB521805). 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
ovarialcancer, som står for over 90% av alle eggstokkreft, forekommer hyppigst i sjette og syvende tiår med postmenopausale kvinner, og er en ledende årsak til kreft dødsfall blant kvinner i utviklede land [1]. I USA var det om lag 21 990 nye tilfeller av eggstokkreft diagnostisert og 15,460 dødsfall i 2011 [2]. Primær cytoreduserende kirurgi etterfulgt av postoperativ kjemoterapi anses standard vare for avansert eggstokkreft [3]. Førstelinje kjemoterapi med platina og paclitaxel agenter er i stand til å oppnå en komplett respons (CR) i ca 70% av pasienter med avansert sykdom [4]. Men, om lag 30% av pasientene ikke svare på disse stoffene og selv de pasientene som i utgangspunktet responderer på første linje kjemoterapi ofte tilbakefall og til slutt bli resistent mot disse agentene.
Hvordan forutsi kjemoterapeutisk motstand og enda viktigere, hvordan for å reversere resistens er klinisk utfordret. En av metodene er å identifisere prediktive biomarkører spesielt de biomarkører som kan være også terapeutiske mål. Genekspresjon profilering teknologi ble brukt for å identifisere chemoresistance relaterte biomarkører [5] – [13]. Men til dags dato, ingen genekspresjon signatur har vist seg å være tilstrekkelig effektiv til å forutsi chemoresistance i klinisk praksis, som i stor grad skyldes upassende prøve inkludering og /eller liten utvalgsstørrelsen som brukes i studiene.
Å adresse denne utfordringen, vi kritisk valgt og vurdert 322 serøs eggstokkreft pasienter kun med CR eller progressiv sykdom (PD) til platina /paclitaxel-basert terapi fra kreft~~POS=TRUNC Genome Atlas (TCGA) prosjekt for å identifisere genekspresjonssignaturer forbundet med chemoresistance. Ved å bruke overvåket hovedkomponenter metode, en 349-genet prediktiv modell og en 18-gen de-korrelert modell uavhengig av pasientens alder, stadium, debulking status- eller tumorstadier ble utviklet for chemoresistance prediksjon. Videre, for å identifisere serum kjemoterapeutiske biomarkører for mer praktisk klinisk anvendelse, vi kombinert vår 322-genekspresjon profil og fire tidligere funn som ble valgt på grunnlag av de strenge kriteriene for genekspresjon profil av ovarialcancer, validering, passende prøvestørrelsen og behandlingsrespons prediksjon av første linje kjemoterapi. Vi fant ti serum biomarkører som har prediktiv verdi for primær respons til førstelinje kjemoterapi. Til slutt ble flere medikamenter som kan målrette hub gener i våre modeller foreslått. Våre resultater gir en plattform for valg av de mest egnede medikamenter for et bedre behandlingsresultat for pasienter som er resistente mot platina /paclitaxel kjemoterapi.
Pasienter og metoder
Etikk erklæringen
Vi står fritt til å bruke eggstokkreft data i TCGA ved å møte sin frihet til-publisere kriterier: En markør papir er lagt ut på at tumortype. Den forskningsetiske komité for Peking University Cancer Hospital Institute fravikes kravet om etisk godkjenning av denne analysen fordi registeret er et avidentifisert database. Skriftlig samtykke ble innhentet fra alle levende pasienter.
Pasienter og vevsprøver
Totalt 322 pasienter med høy grad av serøs eggstokkreft ble nøye utvalgt fra TCGA database (National Cancer Institute. Kreften genom atlas data portal. https://tcga-data.nci.nih.gov/tcga/findArchives.htm. Nås 1 september 2011). Detaljert informasjon om de utvalgte pasienter som alder ved diagnose, tumor stadium, klasse og debulking status er oppført i tabell 1. Alle eggstokkreft prøver «informasjon og kliniske definisjoner ble tidligere beskrevet [14]. Alle utvalgte pasienter fikk en første-linje platina /paclitaxel-basert behandling, bortsett fra at fire pasientenes behandlingsregime var ukjent. De 322 prøvene ble tilfeldig delt inn i trening (n = 200) og testsett (n = 122). I treningssett, 177 av 200 pasienter viste CR og 23 av 200 pasienter viste PD til primære platina /paclitaxel-basert behandling etter operasjonen. I testsett, 110 av 122 pasienter hadde CR og 12 av 122 pasienter hadde PD til platina /paclitaxel-basert behandling.
Valg av Relaterte studier publisert tidligere
For å finne tidligere studier nært knyttet til vår studie, vi søkte online databaser fra 2005~2011 med strenge kriterier: samme kreft subtype, validering, passende utvalgsstørrelsen og behandlingsrespons prediksjon av første linje kjemoterapi. Fire studier ble identifisert [6], [8], [10], [11] og deres detaljert informasjon ble oppført i tabell 2. For validering av våre signatur gener, 3 datasett [15] – [17] fra NCBI GEO database [18] ble lastet ned. Disse 3 datasett er alle genuttrykk profiler av kjemoresistent eggstokkreft cellelinjer «A2780 fast» og foreldrecellelinje «A2870», som ble uavhengig generert av 3 forskjellige grupper. Det er 5, 3 og 6 replikater i datasett henholdsvis GSE15372, GSE28646, og GSE33482. Gener som er nært knyttet til platina /paclitaxel behandlingsrespons er også søkt på CTD-databasen.
Gene Expression Profilering Analyse
Gene expression profilering data (nivå 3) på 322 serøs eggstokkreft kreftprøver ble innhentet fra TCGA portal~~POS=HEADCOMP. Profileringen av alle prøvene ble utført på Human U133A Gene Chip (Affymetrix, Santa Clara, CA).
Bioinformatikk og statistisk analyse
overvåket viktigste komponentene metoden ble benyttet for å generere en generell prediktiv genet modell og et gen modell som er uavhengig av viktige kliniske funksjoner, inkludert alder, stadium, debulking status og klasse (de-korrelerte modell). Analysen ovenfor ble utført ved bruk av superpc pakke [19] i R 2.14.0 (R Foundation for Statistiske Computing [https://www.r-project.org/]). De differensielt uttrykte gener i tre GEO datasettet ble også beregnet i R. Vi brukte Chea for transkripsjonsfaktoranalyse [20], DAVID og Clone /Gene ID Converter for genet merknaden [21], [22], og samles til sti berikelse analyse [ ,,,0],23]. GNCpro (https://gncpro.sabiosciences.com/gncpro/gncpro.php), C3NET pakke [24] i R 2.14.0, Mimi plugin [25], og GeneMANIA [26] plugin i Cytoscape [27] ble ansatt for å utforske og tomten gen-gen interaksjon nettverk og transkripsjonsfaktor nettverk samt topp ti gener samhandling nettverk og gen-interaksjon nettverk.
Standard statistiske tester ble brukt for å analysere kliniske og genuttrykk profilering data, inkludert den χ
2 test, fisher eksakte test og uavhengige utvalg
t
-test. Signifikans ble definert som en
p
verdi på mindre enn 0,05. Benjamini-Hochberg multippel testing korreksjon ble brukt til å estimere den falske funnrate i veien analyse [28]. Mottaker som opererer karakteristikk (ROC) kurve, og arealet under kurven (AUC) ble anvendt for signatur forutsigbarhet evaluering. Analyser var hovedsakelig utført ved hjelp av R og SPSS versjon 18 (SPSS Inc, Chicago, Illinois).
Resultater
Utvikling av prediktive modeller forbundet med kjemoterapeutiske Response
For å identifisere et gen uttrykk signatur som spår respons på kjemoterapi og dermed bidra til å bestemme den mest passende diett for personlig behandling, ble en 349-genet prediktiv modell og en 18-gen de-korrelert modell utviklet fra treningssettet ved hjelp superpc pakke i Bioconductor (fig. 1) . Spesielt første vi beregnet den univariate regresjon poengsum for hver funksjon (12042 gener) i forhold til pasientens behandlingsresultat (CR eller PD). Deretter utførte vi en 10 fold kryssvalidering for å finne ut den beste terskel og for å danne en redusert datamatrise som består av bare de trekk som har poengsum overskrider en terskel (i vårt tilfelle, er den beste terskel 1,26). Deretter utførte vi prinsipal komponent analyse for å finne ut den mest betydelige genet sett for forutsigelse av behandlingsrespons. Det viser seg at første hovedkomponent som inneholder 349 funksjoner er den beste (
p
= 0,025). For å holde den sterkeste makten i prediksjon av respons, gjorde vi ikke gjøre krymping. Til slutt ble den mest signifikante prinsipal komponent i en regresjonsmodell som brukes til å forutsi behandlingsresultatet. Tilsvarende, i tilfelle av å utvikle de-korrelert modell, første vi montert en lineær modell til viktige kliniske funksjoner (alder, scener, debulking status og klasse) som konkurrerende prediktorer, og da vi erstattet disse funksjonene ved rest fra dette passer. I superpc modellen byggeprosessen, er disse «de-korrelerte «funksjoner brukes til å eksplisitt lete etter prediktorer som er uavhengige av viktige kliniske funksjoner. Vi valgte terskelen 1,85 og den første hovedkomponent inneholder 18 funksjoner med p = 0,001. Siden 18-gen-modellen er en liten gen sett, kan vi ikke gjøre krymping heller.
322 høyverdig serøs eggstokkreft tilfeller ble tilfeldig delt i treningssettet (200 prøver) og testing sett (122 prøver). Treningssettet ble anvendt for å danne den prediktive modellen og de-korrelert modell som er uavhengig av viktige kliniske egenskaper. Da disse to modellene ble validert ved hjelp av testing settet. Neste vi brukte 3 datasett fra GEO database for å validere signaturen gener i våre funn. Å utforske potensielle biomarkører i serum, kombinert vi signatur gener i disse to modellene med gener som tidligere rapportert i fire tidligere studier og spørres disse genene i DAVID database. Sytti-sju gener som koder for sekretoriske proteiner ble identifisert (tabell S3). Forutsigbarhet av disse genene for kjemoterapeutiske respons ble deretter testet individuelt ved hjelp av data fra alle 322 prøver. Til slutt, vi utførte en funksjonsanalyse på disse signatur gener og antydet noen medisiner som kan målrette hub gener i våre funn.
Som vist i fig. 2, 349-genet signatur hadde en AUC = 0,826 (
p
0,001) i treningssettet (Fig 2A.) Og AUC = 0,702 (
p
= 0,022) i testing sett (fig. 2B). Den 18-genet de-korrelert signatur hadde en AUC = 0,775 (
p
0,001) i treningssettet (Fig. 2C) og AUC = 0,614 (
p
= 0,197) i testsett (fig. 2D). I 349-genet modell, ble 30 mest vektet gener oppført i tabell 3 (Vi bestemte de 30 beste genene ved rangering av viktig-score på hvert gen på Fig. S6, som ble beregnet for hvert gen lik sin sammenheng med tilsyn hovedkomponent prediktor. Se tabell S1 for alle gener «informasjon i denne modellen) og 18 gener i 18-genet de-korrelert modellen ble oppført i tabell 4 (viktig-score på hvert gen er oppført i fig. S7).
(A) ROC kurven av 349-genet prediktiv modell i treningssett (200 prøver, AUC = 0,826,
p
0,001 (B) ROC kurven av 349-genet prediktiv modell i. testing sett (122 prøver, AUC = 0,702;
p
= 0,022) (C) ROC kurve av 18-genet de-korrelert prediktiv modell i treningssettet (200 prøver, AUC = 0,775;.
p
. 0,001 (D) ROC kurve av 18-genet de-korrelert prediktiv modell i testsettet (122 prøver, AUC = 0,614;
p
= 0,197).
Basert på disse resultatene, den 349-genet modellen hadde høy sensitivitet og spesifisitet i både treningssettet og testsett. Den 18-genet de-korrelert modellen hadde god sensitivitet og spesifisitet i treningssettet, men relativt lav sensitivitet og spesifisitet i testing settet.
Funksjonsanalyse av signaturen gener fra de to prediktive modeller
for å forstå de biologiske roller signatur gener fra 349-genet prediktiv modell og den 18-genet de-korrelert modell involvert i chemoresistance utførte vi tre typer analyser. Først gjennomførte vi et gen-gen interaksjon nettverksanalyse for å identifisere hub gener i 349-genet modell ved hjelp Mimi plugin i Cytoscape (Fig. 3). Ved å definere hub gener som gener som samhandler med minst tre andre gener, ble ti hub gener identifisert (tabell 5), hvorav UBE2I (Ubiquitin-konjugering enzym e2i) [29], [30], CASP3 (Caspase 3, apoptose- relatert cystein peptidase) [31] og MAPK3 (mitogenaktivert proteinkinase 3) [32], [33] er nært forbundet med platina /paclitaxel-baserte kjemoterapeutiske respons.
Gener som samvirker med minst tre annen gener ble valgt, blant annet UBE2I, CASP3 og MAPK3 er viktige molekyler som er involvert i eggstokkreft progresjon eller chemoresistance. Detaljert informasjon om disse ti hub genene er oppført i Tabell 4.
Med tanke på at de fleste endringer i genuttrykk reguleres av oppstrøms regulatorisk transkripsjonsfaktorer og /eller signale gener, vi deretter søkte på Chea for transkripsjonsfaktorer som kan regulere 349 gener. Tjueni transkripsjonsfaktorer med statistisk signifikans (
p
0,01) ble funnet (tabell S2). Basert på ulike interaksjonstyper, bygget vi en interaksjon nettverk av disse transkripsjonsfaktorer (Fig. S5) .og utført en vei berikelse analyse ved hjelp av disse faktorene. Vi fant at seks trasé var mest relatert til åtte av de 29 transkripsjonsfaktorer, inkludert MAPK signalveien (
p
= 0,0007), TGF-beta signalveien (
p
= 0,001), celle syklus (
p
= 0,001), Wnt signalveien (
p
= 0,003), brennvidde heft (
p
= 0,007), og celleproliferasjon (
p
= 0,02). Disse banene kan spille viktige roller i chemoresistance i eggstokkreft. Detaljert informasjon av transkripsjonsfaktorer er oppført i Tabell 6 og Tabell S2.
Genet-genet interaksjon nettverk av 18-genet modellen ble bygget av C3NET i Bioconductor (Fig. S6a), der 17 gener har fysiske samhandling med andre gener. For å få et mer fullstendig bilde av de 18 gener og deres samspill naboer, bygget vi et nettverk ved hjelp av GNCpro (Fig. S6B), hvor 11 av 18 gener har interaksjoner med andre gener og PAPPA, TNFSF11, og ESR2 er viktig knutepunkt gener i 18-genet modell. Som vist på fig. S6B, TNFSF11 opp-regulerer kritiske transkripsjonsfaktorer som juni, SRC og akt1, har ESR2 fysiske interaksjoner med SP1, akt1 og SRC, og PAPPA modifiserer IGFBP4 [34] -. [40]
På jakt etter Potential Serum biomarkører for kjemoterapeutiske Response
Siden serum biomarkør er mest praktisk oppdaget i klinikker, søkte vi å sette opp en ny måte å identifisere potensielle serum biomarkører for kjemoterapeutisk respons fra genuttrykk profiler ved å målrette gener som koder for sekretoriske proteiner. Vi integrerte gener i 349-genet modell og 18-genet modell og de gener fra de fire tidligere studier og søkte gener som koder for de sekretoriske proteiner i DAVID database (fig. 1). Som et resultat ble 77 gener identifisert for å kode de sekretoriske proteiner som kan bli utskilt i serum (tabell S3). Vi testet de prediktive verdiene av disse genene individuelt for kjemoterapeutisk svar bruker 322 genuttrykk profilering data og beregnet AUC-verdien av disse genene (tabell S4). De ti gener med høyest AUC-verdier (tabell 7) ble funnet å ha evnen til å diskriminere CR gruppe fra PD-gruppen (
p
0,05), hvorav AFM er blitt rapportert å være en uavhengig serum biomarkør av CA125 for prediksjon av kreft progresjon eggstokkreft ved komparativ proteomikk analyse [41], [42].
Funksjonell analyse av mulige Serum Terapeutiske Biomarkører
for ytterligere å undersøke roller de ti serum biomarkører i kjemoterapeutisk respons, bygget vi et gen /protein interaksjon nettverk ved hjelp GNCpro. Som vist på fig. 4A, IL1RL1, PRG4, AFM, GIP og COMP syntes å være kritiske hub gener, siden de kan samhandle med gener som er kjent for å være involvert i chemoresistance. For eksempel synes AFM å samhandle indirekte med MUC1, ESR1, og BRCA1 som er kjent for å bidra til motstand mot platina /paclitaxel basert behandling (Fig. 4B).
(A) Hub gener og nabo gener av topp ti sekresjonsprotein-koding gener. (B) AFM ble eksemplifisert å vise potensielle mekanismer for de ti sekresjonsprotein-koding gener sannsynligvis involverer i chemoresistance.
Ytterligere validering av gener i vår signatur, hub gener og potensielle serum biomarkører
Vi ytterligere validert gener i våre signatur, hub gener og potensielle serum biomarkører i 3 flere måter. Først bruker vi 3 forskjellige datasett (GSE15372, GSE28646 og GSE33482) fra NCBI GEO database for å validere våre data. Disse 3 datasett er alle genuttrykk profiler av kjemoresistent eggstokkreft cellelinjer «A2780 fast» og foreldrecellelinje «A2870», som ble generert av 3 forskjellige grupper. Det er 5, 3 og 6 replikater i datasett GSE15372, GSE28646 og GSE33482 hhv. Differensielt uttrykte gener i disse tre datasett ble beregnet og vist i tabell S8. Vi bruker Venn-diagram for å vise overlappingen mellom våre signatur gener og de differensielt uttrykte gener (fig. 5). 133 gener av 349-genet modell, 9 gener av 18-genet modell, 7 av 13 hub gener og 5 av 10 mulige serum biomarkører er overlappet med forskjellig uttrykt gener fra de 3 datasett (fig. 5A, 5B, 5C og 5D, henholdsvis).
Venn-diagram viser hvor mye gener i 349-genet modell (A), er 18-genet modell (B), hub gener (C), og de 10 beste serum biomarkører (D) overlappet med 3 eksterne datasett GSE15372, GSE28646 og GSE33482.
Samtidig søkte vi CTD database for gener som kunne assosiert med følsomhet for platina /paclitaxel-baserte legemidler (tabell S5), deretter overlappingen mellom vår signatur gener og søkte resultater ble også presentert (fig. S4C). 30 av 349-genet modell, tre av 18-genet modell og 4 av 13 hub gener er overlappet med søkt resultater.
I tillegg presenterte vi overlapping mellom våre signatur gener og disse signatur gener fra 4 litteratur ( fig. S3 og S4B). 16 gener av 349-genet modell, 0 gener av 18-genet modell, en av 13 hub gener, og to av ti mulige serum biomarkører er overlappet med genet underskrifter fra 4 tidligere kunngjøringer (Tabell S9). Men som vi ser av figur S4D, signatur gener fra litteraturer i tabell 2 også vist liten overlapp mellom dem. Dette kan skyldes deres relativt lite utvalg, annen standard av utvalgs, eller ulike metoder for å utvikle prediktive modeller.
Bygging av Gene-interaksjon nettverk og gene targeting narkotika forslag
Siden vi allerede fått nøkkel transkripsjonsfaktorer og hub gener, kan vi ønsker å vite hvilke stoffer kunne målrette disse genene for å snu motstanden mot platina /paclitaxel-basert behandling. Ved å søke på CTD og NCBI Pubmed Database, ble flere legemidler og spesifikke hemmere funnet å samhandle med våre viktigste transkripsjonsfaktorer og hub gener. Ved å kombinere disse resultatene, vi bygger en nøkkel transkripsjonsfaktor-interaksjon nettverk (Fig. S7) og en hub gen-kjemisk interaksjon nettverk (Fig. 6), som ikke bare viser oss hvilke kjemikalier kan hemme disse viktige transkripsjonsfaktorer og hub gener , men også fortelle oss hvordan disse genene kan øke eller redusere mottakelighet av cellegifter. For eksempel kan ESR2 øke pasientens mottagelighet for cisplatin, etoposid og Raloxifen, mens Gefitinib kan øke ekspresjonen av ESR2. MAPK3 kan redusere pasientens mottakelighet for doxorubicin, dacarbazine og Østrogener, mens Gefitinib og Cisplatin kan redusere uttrykket av MAPK3, som foreslo Gefitinib kan være et godt stoff for platina /paclitaxel-resistente pasienter.
hub gen- interaksjon nettverk viser oss hvordan disse genene og legemidler kan samhandle med hverandre. For eksempel kan ESR2 øke pasientens mottakelighet for Cisplatin, Etoposide og Raloxifene, mens Gefitinib kan øke uttrykket av ESR2.
Diskusjoner
Prediksjon av kjemoterapeutiske svar er alltid en utfordrende klinisk oppgave. Mange forsøk har vært gjennomført for å finne genekspresjonssignaturer å diskriminere ulike reaksjoner ved bruk av high-throughput teknologi. Imidlertid er ingen av disse genene signaturer formelt brukt i klinikker. Mulige årsaker kan være mangler kritisk utvalgs eller liten utvalgsstørrelse. Vår studie og 4 tidligere publikasjoner vises i tabell 2 er alle forsøkte å finne ut gen signaturer for å forutsi platinabasert behandling utfallet av serøs eggstokkreft. Og det er flere gener som overlappet mellom våre signatur gener og disse signatur gener fra tidligere publikasjoner. Det er imidlertid flere forskjeller mellom våre og de 4 publikasjoner. .. De statistiske metoder for å utvikle modellene vi bruker (Dressman et al hagle stokastisk søke [10], Ju et al velge manuelt topp differensielt uttrykte gener [11], Helleman et al BRB . SAM [8], og Jazaeri m.fl. . BRB [6]), utvalgsstørrelse, og utvalget standard er ikke det samme. Vår modell størrelse (349-genet signatur) er mer hensiktsmessig i forhold til Dressmann et al. (1704 sonder som representerer 1388 gener). Selv om Ju et al., Helleman et al. og Jazaeri et al har mindre modell størrelse (100, 68, og 85 henholdsvis), de enten hadde lite treningssett eller bare brukt topp differensielt uttrykte gener som prediktorer.
I konklusjonen, våre signaturer er romanen i forhold til 4 tidligere kunngjøringer (tabell 2) i 4 deler: 1) Vi har en større utvalgsstørrelse (322 mot 119, 96, 45 og 13), som er mer convincible i å utvikle prediktive modeller. 2) Vi har et bedre utvalg utvalg (bare ved hjelp av CR og PD prøver og med hovedfokus på platina /paclitaxel motstand). 3) For å finne ut hvilke gener som er virkelig relatert til behandlingsresultatene og for å utelukke muligheten favorisering av de viktige kliniske funksjoner, har vi utviklet en de-korrelert modell som var romanen. 4) Vi ansatt overvåket komponentanalyse for å utvikle 349-genet signatur og 18-genet signatur, som er forskjellig fra den som bare bruker høyeste differensielt uttrykte gener (Ju et al.).
For ytterligere å belyse biologiske bidrag disse signatur gener til behandlingsresultatene, bygde vi de regulatoriske nettverk til å identifisere kritiske hub gener og signalveier forskjellig stede i CR og PD-grupper. Blant de ti navet genene som er identifisert i den 349-genet modellen, er UBE2I korrelert med histologiske subtyper av EOC [43], er CASP3 den viktigste markør for apoptose [44], og MAPK3 spiller en avgjørende rolle i progresjon EOC. De andre gener (SMARCE1, DISC1, CENTD2, RHOT1, ARHGAP6, ARHGEF9 og ARHGEF11) er også involvert i kreft progresjon eller chemoresistance [45] – [49]
Siden genuttrykk profiler er støyende, og det er vanskelig. å finne de fleste store veier ved å gjøre veien berikelse direkte, setter vi opp en ny strategi for å løse dette problemet. Vår strategi er basert på to aspekter: 1) de fleste genuttrykk endringer er regulert av transkripsjonsfaktorer og 2) virkningen av transkripsjonsfaktorer er relativt mindre støyende. Ved denne tilnærmingen, har vi funnet at genene i 349-genet modellen er regulert av 29 transkripsjonsfaktorer som er beriket i de seks kritiske stier, inkludert MAPK, TGF beta, Wnt, cellesyklus, Focal heft, og celleproliferasjonsprosesser signalveier. Foreningen av disse banene med responsen på kjemoterapi eller kreft progresjon har blitt rapportert i tidligere studier [50] – [58]. Navet gener, transkripsjonsfaktorer og kritiske signalveier vi identifiserte kan være potensielle mål for drug design etter ytterligere validering.
En viktig funksjon i en ideell biomarkør er lett å oppdage. Vi utviklet derfor en ny tilnærming til skjermen kjemoterapeutiske biomarkører som kan påvises i serum. Vi har funnet ti gener som koder for sekretoriske proteiner som har evnen til å skille fra CR PD og således kunne være potensielle biomarkører serum for å forutsi responsen til den platina /paclitaxel-basert behandling i EOC. AFM identifisert i studien ble rapportert å være en selvstendig diagnostisk markør for CA125 [42], som delvis støtter vår strategi og funn. Siden CA125 er den konvensjonelle biomarkør for eggstokkreft progresjon og kjemoterapeutisk respons, kan tillegg av AFM til CA125 dermed forbedre den prognostiske makt i EOC.
Byggingen av gene-interaksjon nettverk ga oss flere tips om hvordan du kan velge riktig legemidler for individualisert behandling. Som vist i resultatdelen, kan Gefitinib være et passende medikament for behandling av platina /paclitaxel-resistente pasienter ved å redusere ekspresjon av MAPK3 og øke ekspresjonen av ESR2.
Selv om våre funn er oppmuntrende, er det fremdeles noen spørsmål ubesvart. For eksempel er eksperimentelle valideringer fortsatt behov for å utforske de spesifikke roller i disse hub gener, transkripsjonsfaktorer og signalveier i chemoresistance bruker eggstokkreft cellelinjer og dyr. I tillegg må vi ytterligere teste disse serum biomarkører ved hjelp serumprøver i ovarier kreftpasienter.
Summarisk, har vi utviklet to prediktive modeller som gir innsikt i de molekylære mekanismene for chemoresistance. Basert på modellene, bygde vi en oppstrøms regulatoriske nettverk der flere kritiske transkripsjonsfaktorer og signalveier kan spille viktige roller i chemoresistance i EOC. Videre ved å integrere med publiserte funn, har vi funnet ti potensielle serum biomarkører som kan brukes i klinisk praksis. I tillegg ble genet-interaksjon nettverk bygget, som ikke bare viser oss hvilke legemidler som kan hemme disse nøkkeltranskripsjonsfaktorer og hub gener, men også fortelle oss hvordan disse genene kan øke eller redusere mottakelighet av cellegifter. Dette er en god begynnelse for oss å velge de mest egnede medikamenter for et bedre behandlingsresultat for pasienter som er resistente mot platina /paclitaxel kjemoterapi.
Hjelpemiddel Informasjon
Tabell S1.
Gene over 349-genet signatur.
doi: 10,1371 /journal.pone.0052745.s001 plakater (XLSX)
Tabell S2.
Potensielle Transkripsjon faktorer som regulerer gener i 349-genet signatur.
doi: 10,1371 /journal.pone.0052745.s002 plakater (XLSX)
tabell S3.
77 gener som koder for sekretoriske proteiner relatert med platina /paclitaxel-basert behandling (integrert våre resultater med 4 tidligere studier).
doi: 10,1371 /journal.pone.0052745.s003 plakater (XLSX)
Tabell S4. og areal under kurven av gener som koder for sekretoriske proteiner.
doi: 10,1371 /journal.pone.0052745.s004 plakater (XLSX)
Tabell S5.
Gener samhandle med platina eller paclitaxel søkte fra CTD database.
doi: 10,1371 /journal.pone.0052745.s005 plakater (XLSX)
Tabell S6.
Viktig-score til 349 gener i prediktiv regresjonsmodell.
doi: 10,1371 /journal.pone.0052745.s006 plakater (XLSX)
Tabell S7.
Viktig-score til 18 gener i de-korrelert modell.
doi: 10,1371 /journal.pone.0052745.s007 plakater (XLSX)
Tabell S8.
differensielt uttrykte gener i GSE15372 GSE33482 GSE28646.
doi: 10,1371 /journal.pone.0052745.s008 plakater (XLSX)
Tabell S9.
Signatur gener fra 4 tidligere publikasjoner som ble oppført i tabell 2.
doi: 10,1371 /journal.pone.0052745.s009 plakater (XLSX)
Figur S1.
Heat kart av 349-genet signatur mot 322 pasienter. Dette diagrammet viser varmen kartet av 349-genet signatur mot 322 pasienter, der rader representerer ulike gener i 349- gen signatur og kolonner representerer ulike pasienter. Den blå linjen over kartet varmen representerer CR og grønne linjen representerer PD
doi:. 10,1371 /journal.pone.0052745.s010 plakater (TIFF)
Figur S2.
Heat kartet over 18-genet signatur mot 322 pasienter.
