Abstract
Molekylær analyse av pasient vevsprøver er avgjørende for å karakterisere
in vivo
variabilitet i menneskelige kreft som ikke er tilgjengelige i cellelinjer eller dyremodeller. Dette gjelder særlig for studier av tumor metabolisme. Utfordringen er imidlertid kompleks blanding av forskjellige vevstyper i hver prøve, slik som benign epitel, stroma og cancer vev, noe som kan innføre systematiske skjevheter når kreft er sammenlignet med normale prøver. I denne studien bruker vi en enkel strategi for å fjerne slike skjevheter ved hjelp av utvalgene hvor det gjennomsnittlige innholdet av stroma vev er balansert mellom de utvalgsgrupper. Strategien er brukt på en prostata kreft pasient kohort hvor data fra MR-spektroskopi og genekspresjon har blitt samlet inn fra og integrert på nøyaktig samme vevsprøver. Vi avslører
in vivo
endringer i kreftrelevante metabolske veier som ellers skjult i dataene på grunn av vev forvirrende. Spesielt reduserte nivåer av putrescin er forbundet med økt ekspresjon av
SRM
, reduserte nivåer av citrat er knyttet til oppregulering av gener som fremmer syntesen av fettsyrer og øket succinat nivåer sammenfaller med redusert ekspresjon av
SUCLA2
og
SDHD
. I tillegg strategien fremhever også viktige metabolske forskjeller mellom stroma, epitel og prostatakreft. Disse resultatene viser at viktig
in vivo
metabolske funksjoner for kreft kan bli avslørt av pasientdata bare hvis den heterogene vevssammensetning er riktig redegjort for i analysen
Citation. Tessem MB, Bertilsson H , Angelsen A, Bathen TF, Drabløs F, Rye MB (2016) En balansert vevssammenheng avslører nye Metabolske og genuttrykk Markører i prostatakreft. PLoS ONE 11 (4): e0153727. doi: 10,1371 /journal.pone.0153727
Redaktør: Craig N. Robson, Nord Institute for Cancer Research, STORBRITANNIA
mottatt: 26 januar 2016; Godkjent: 01.04.2016; Publisert: 21 april 2016
Copyright: © 2016 Tessem 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
Data Tilgjengelighet:. Mikromatrise data brukt i denne studien ble hentet fra Array Express, tiltredelse E-mtab-1041 og Gene Expression Omnibus, tiltredelse GSE8218. Andre relevante data er i avisen og dens saksdokumenter filer
Finansiering:. Dette arbeidet ble finansiert av forskningsmidler til MBR og MBT fra Kontaktutvalget mellom Helse Midt-Norge (RHF) og norske universitet of Science and Technology (NTNU). Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:. Forfatterne av dette manuskriptet har den følgende konkurrerende interesser: Tone Bathen er et akademisk Editor for PLoS ONE. Dette endrer ikke forfatternes tilslutning til alle PLoS ONE politikk på deling av data og materialer.
Innledning
Kreft er en heterogen sykdom der forståelse av underliggende molekylære mekanismer karakteristisk for hver enkelt type kan være viktig for å tilveiebringe effektiv personlig og målrettet terapi eller valg av behandling. Menneske vevsprøver generere et molekylært øyeblikksbilde av tumortilstander som er avgjørende for karakterisering av
in vivo
kreft heterogenitet som er tapt i dyremodeller og cellelinjer [1]. Dette gjelder for studier av metabolisme tumor spesielt [2]. En vanlig, men kompliserende faktor ved analyse av menneskelige vevsprøver er heterogen blanding av ulike celler og vevstyper som kan skamme resultater fra molekylær analyse. Denne risikoen for forvirrende gjelder ikke bare for prostatakreft (PCA) vev, men for de fleste kreftformer vevstyper
A forenklede modellen skiller den humane prostatavevet i tre forskjellige komponenter.; godartet epitel, stroma og kreft vev. Basert på denne modell, bør en differensial molekylær analyse mellom kreft og normale prøver ideelt understreker forskjellen mellom den godartede epitel og PCA vev. I slike differensial studier, blir normale prøver sammensatt av to vevstyper (benign epitel og stroma) mens PCA prøvene bestå av tre vevstyper (benign epitel, stromaceller og PCA), alle i forskjellige mengdeforhold. Dette introduserer en systematisk prøve skjevhet av økt stroma-innhold i de normale prøver som tilintetgjør de molekylære forskjellene mellom epitel og kreft. Dette problemet er generelt anerkjent [3,4]. Imidlertid er grundig vurdering av sammensetningen av disse tre vevstyper ikke rutinemessig utgjorde under prøve høsting, fremstilling og analyse av PCA vevsprøver. I tillegg introduserer endringer i omkringliggende stroma vev svulsten miljø, betegnes stromogenic kreft [5,6], som representerer en fjerde vev komponent i prostata kreft prøver, men ble ikke vurdert i denne studien.
Tidligere presenteres strategier for å håndtere prøven vev heterogenitet er vanligvis brukt beregningsmodeller for å justere hver prøve for påvirkning av forskjellige vevstyper i differensialanalyse [7,8]. Slike regnestrategier kan enten kreve forutgående informasjon om vevssammenheng [9-11], forhåndsdefinerte gen signaturer [12,13], eller være rent datadrevet [14,15]. Beregningsmodeller vanligvis håndtere vev heterogenitet ved å gjøre endringer i opprinnelige uttrykket verdiene før differensiell analyse. Dette øker risikoen for å innføre en modell skjevhet, spesielt når signalet fra hvert vev komponent er ikke homogent. Dette er tilfellet for vevsprøver fra mange kreftformer, inkludert PCa [16-19].
I denne studien bruker vi en alternativ og enklere tilnærming til å gjøre rede for konfunderende effekt av stroma når man sammenligner PCA prøver med normal prøve histologi for differensiell analyse. Strategien er å bygge datasett for kreft og normale prøver der det gjennomsnittlige innholdet av stroma er balansert mellom de to datasettene. Hensikten er å dempe den differensielle signalet på grunn av ulike mengder av stroma i analysen, og understreker de virkelige molekyl forskjellene mellom kreft og normalt vev. I motsetning til de fleste beregningsmetodene for vev heterogenitet justeringer, ikke strategien ikke utføre korreksjoner til de opprinnelige molekylære uttrykk verdier. Imidlertid er patologisk karakterisering av vevet materiale (godartet epitel, stroma og PCA) for alle prøver som kreves.
I denne studien ble friskt frosset prostata vevssnitt oppsamlet etter radikal prostatektomi, og hvert vev kjerneprøven ble bedømt for histopathologically vev blandingen før analyse [20]. Vevet ble deretter analysert ved HR-MAS (høy oppløsning magisk vinkel spinning) MRS (magnetisk resonans spektroskopi) slik at 23 kvantifiserte metabolitter, etterfulgt av genuttrykk målinger av microarray. HR-MAS er en ikke-destruktiv metode, som tillater genekspresjon analyse som skal utføres på nøyaktig samme vevsprøve [21]. Denne integreringen av genet og metabolitt data tilbyr en unik mulighet til å undersøke sentrale molekylære stier ved PCA.
Denne studien illustrerer at variasjoner i stromal vev sammensetning kan være en systematisk problemfaktor i molekylær analyse når PCa og prøvene normale vev er sammenlignet. Denne forspenningen kan fjernes ved å balansere den stromal sammensetningen mellom prøvesettene. Bare når slike vev skjevheter er regnskapsført, integrerte differensial endringer i gener og metabolitter i sentrale metabolske veier kan samtidig avslørt.
Metoder
Prøvetaking, microarray og HR-MAS analyse
Prøver ble innhentet ved hjelp av en standardisert høsting prosedyre tidligere beskrevet av Bertilsson
et al
. [20]. Denne prosedyren omfatter skjæring og håndtering av frosne vevssnitt fjernet fra prostatakjertelen under prostatektomi. Vevsprøve kjerner ble nøye utvalgt fra sektorene basert på klinisk histopatologi. I tillegg ble histopatologisk vurdering av mengden av kreft, stroma og godartet epitel utført på hver prøve før den HR-MAS og mikromatrise analyser (S1 fil). Microarray og HR-MAS protokoller og analyse er grundig beskrevet tidligere i Bertilsson
et al
. og Giskeødegård
et al
. henholdsvis [21,22].
komplett
datasett (95 PCA prøver og 34 normale prøver) inneholdt microarray expression målinger for 16,381 gener, og HR MAS metabolittkonsentrasjoner for 23 forskjellige metabolitter målt på nøyaktig samme vevsprøver. Bruken av menneskelig vev materiale ble godkjent av Regional komité for medisinsk og helsefaglig forskningsetikk godkjenning nr 4-2007-1890. Samtykkeerklæringer ble innhentet fra alle pasienter. Andre etiske aspekter vedrørende konkrete eksempler brukt i denne studien har blitt beskrevet i tidligere publikasjoner [20-22]. Den microarray-genet eksperimentet er publisert i Array Express med tiltredelse E-mtab-1041. Metabolittkonsentrasjoner målt på hver prøvene er gitt i S2 File.
Kontrollere påvirkning av stroma vev ved å sortere de opprinnelige
komplett
data inn,
balanserte
,
ubalansert Hotell og
stratifisert
datasett
balanserte
,
ubalansert Hotell og
stratifisert
datasett ble opprettet av følgende fremgangsmåte: kreft og normale prøver ble sortert uavhengig av hverandre i henhold til deres histopathologically bestemt innhold av stroma.
balanserte
datasettet ble opprettet ved å dele sortert kreft og normale prøver i to halvdeler, og deretter velge de 47 PCA prøvene med høyest stroma innhold (øvre halvdel) og de 17 normale prøver med lavest stroma innhold ( nedre halvdel) fra de sorterte eksempellistene. Denne prosedyren reduserer forskjellen i gjennomsnittlig stroma innhold mellom PCa og normale prøver for
balanserte
datasettet (fig 1A). Likeledes er
ubalansert
datasettet ble opprettet ved å velge de 48 PCA prøvene med lavest stroma innhold og de 17 normale prøver med høyest stroma innhold. I
ubalansert
datasettet, er forskjellen i gjennomsnittlig stroma innhold mellom kreft og normale prøver maksimert (fig 1A). Utskillelsen av prøvene til
balanserte Hotell og
ubalanserte
datasett er gitt i S1 fil. For å opprette en
stratifisert
datasett med samme statistiske styrken som
balanserte Hotell og
ubalanserte
datasett, 50 tilfeldige utvalg av 47 kreft og 17 normale prøver ble trukket fra
komplett
datasett.
(A) ved å kansellere ut samme type vev ved PCA og normale prøver,
balanserte
datasett sammen i gjennomsnitt 51% kreft til 43% godartet epitel og 8% stroma. Likeledes er
ubalansert
datasett sammen 75% kreft til 58% stroma og 17% godartet epitel, mens
komplett Hotell og
stratifisert
datasett sammen 63% kreft til 33% stroma og 30% godartet epitel.
balanserte
,
ubalansert Hotell og
stratifisert
datasett har samme statistisk styrke. Vår strategi spår at differensielt uttrykte gener identifisert i den balanserte datasettet sett bør gjenspeile endringer i PCa snarere enn forskjeller i vev sammensetning. (B) Histogram av vev prosentfordelinger for kreft, stroma og godartet epitel i
balanserte Hotell og
ubalanserte
datasett. (C) Prosent av degs delt mellom
balanserte Hotell og
ubalanserte
datasett i forhold til den gjennomsnittlige andelen degs deles mellom de 50 tilfeldige undergrupper i
stratifisert
datasett. Prosenter av felles gener er beregnet ved hjelp av et økende antall av de mest betydelige degs i hvert datasett. De tilfeldige tall ble beregnet som gjennomsnittlig antall gener som deles via alle 1225 mulige sammenligninger mellom 50 tilfeldige undergrupper. For de 200 mest betydningsfulle degs, ble 20% deles mellom
balanserte Hotell og
ubalanserte
datasett, og 39% ble delt for de 2000 mest betydningsfulle degs. Tilsvarende andeler for den fordømte datasettet var henholdsvis 65% og 73%. (D) Microarray prober med en p-verdi endrer seg i ulike størrelsesordener mellom
balanserte Hotell og
ubalansert
datasett stiger sterkt p-verdiendringer forventes ved en tilfeldighet i
stratifisert
datasett. Av alle sonder, 2830 viste en p-verdi ganger endring på mer enn fire størrelsesordener, og 1460 endret sine p-verdier med mer enn seks størrelsesordener mellom
balanserte Hotell og
ubalansert
datasett sammenlignet med 42 og henholdsvis 1 prober for
stratifisert
datasett.
Forskjellig uttrykte gener og metabolitter
Rå uttrykk verdier ble filtrert, log2 forvandlet og quantile normalisert bruker limma R pakken [23] som beskrevet i Bertilsson
et al
. [21]. Alle operasjoner ble utført før prøve separasjoner i
balanserte
,
ubalansert Hotell og
stratifisert
datasett. Differensielt uttrykte gener ble identifisert for
komplett
,
stratifisert
,
balanserte Hotell og
ubalanserte
datasett som beskrevet i Bertilsson
et al
. [21]. P-verdiene ble korrigert for multippel testing med Benjamini-Hochberg falske funnraten [24]. For
stratifisert
datasettet, ble gjennomsnittlig p-verdi over 50 datasett som brukes. P-verdier for forskjellig uttrykt metabolitter ble beregnet av
t
.
test
funksjon i R.
t
.
test
funksjon i utgangspunktet gir en vurdering av om de to prøvegrupper vise lik varians, som brukes til å bestemme den optimale betydning test. Ved hjelp av den innledende variansen likestilling vurdering, brukte vi
t
.
test
funksjon med lik varians dersom p-verdien av den opprinnelige testen var under 0,05, og testen for ulik varians ellers.
Validering data
for å validere strategien vev balansering, ble et uavhengig datasett [11] ned fra Gene Expression Omnibus (tiltredelse GEO ID, GSE8218). Dette datasettet besto av microarray genuttrykk fra 65 PCA prøver og 71 normale prøver sammen med histopatologiske evaluering av fire forskjellige vev komponenter (
prostatakreft
,
stroma
,
epitel fra BPH
og
atrofisk kjertel
). Å sammenligne vevssammensetning i valideringssettet med hoveddatasettet (datasettet brukt i denne studien), prosenter av
epitel fra BPH Hotell og
atrofisk kjertel
ble slått sammen til en enkelt komponent som tilsvarer godartet epitelet i hoveddatasettet. Datasett balansering og identifisering av differensielt uttrykte gener ble utført på samme måte som for hoveddata. Å sammenligne likheten av forskjellig uttrykt gener uthevet i
balanserte Hotell og
ubalanserte
datasett mellom validering og viktigste data, har vi utviklet en
Betydningen Ratio (SR)
scorer beregnes for hvert gen: (1) for
balanserte
datasett og (2) for
ubalansert
datasettet, hvor
p
B
og
p
S
er p-verdien i
balanserte Hotell og
ubalanserte
datasett, henholdsvis. Stillingen er innført for å sammenligne de relative p-verdier for hvert gen, og beregnes uavhengig for validering og hoved data. Gener er rangert i stigende rekkefølge basert på SR poengsum for
balanserte Hotell og
ubalanserte
datasett i både validering og viktigste data. Et høyt antall felles gener blant de topprangerte gener i de viktigste og validering data tyder på at de sammenlignede listene har lignende relative endringer i p-verdier mellom
balanserte Hotell og
ubalansert
datasett.
diskusjon
Balansering innholdet i stroma vev når menneskelig PCA vevsprøver er sammenlignet med prøver fra normal prostatavevet
prøver fra den opprinnelige
komplett
datasettet er presentert som tre forskjellig arrangert undergrupper,
balanserte
,
stroma Hotell og
stratifisert
, basert på forskjellen i gjennomsnittlig stroma innhold mellom PCa og histopathologically normale prøver (fig 1A, Methods).
balanserte
datasett er designet for å ha en gjennomsnittlig stroma innhold så lik som mulig mellom PCa og normale prøver (37% vs 45% henholdsvis). Dette var for å understreke de molekylære transformasjoner mellom kreft og normalt vev, uten konfunderende effekt på grunn av ulike mengder stroma. I kontrast til
ubalansert
datasett ble opprettet med en maksimert forskjell i gjennomsnittlig stroma innhold (14% vs. 72% for henholdsvis PCa og normale prøver) for å understreke de molekylære variasjoner observert når mengden av stroma ikke er regnskapsført . En
stratifisert
datasett ble skapt med samme vev egenskaper som
komplett
datasett, men med et redusert antall prøver for å tillate direkte sammenligning av p-verdier med
balansert
og
ubalanserte
datasett.
stratifisert
datasett hadde en mellom forskjell i gjennomsnittlig stroma innhold (26% vs. 59% for henholdsvis PCa og normale prøver), som representerer vevssammensetning i prøver fra en typisk pasient kohort. Det var ingen signifikant forskjell i gjennomsnittlig Gleason score mellom PCA prøvene i
balanserte
,
ubalansert Hotell og
stratifisert
datasett (henholdsvis 7,17, 7,27 og 7,22). For å forenkle tolkningen av resultatene, antar vi at molekylære signaler fra like mengder av samme vevstype ved PCA og normale prøver avbryte hverandre i en differensiell analyse. Denne analysen tar ikke hensyn til endringer mellom sunn stroma og stromogenic kreft. Imidlertid vil det tjene som en god tilnærmelse for å studere forvirrende signaler fra stroma på grunn av forskjellige midlere vev sammensetninger i kreft og normale prøver. Hvis vi fjerner bidragene fra like mengder vev, analyse av
komplett Hotell og
stratifisert
datasett sammenligne den molekylære signalet fra 63% kreftvev i PCA prøvene til 33% stroma og 30% godartet epitel i normale prøver, noe som representerer en nesten komplett confounding mellom stroma og godartet epitel. I denne innstillingen er det umulig å konkludere med hvorvidt de observerte differensielt uttrykte gener (degs) og metabolitter skyldes endringer mellom PCa og normalt vev, eller på grunn av ulike mengder av stroma ved PCA og normale prøvegrupper. I motsetning til de observerte degs og metabolitter er direkte knyttet til molekylære endringer mellom kreft og normalt vev for
balanserte
datasettet, og kreft og stroma vev i
ubalansert
datasett. Den differensielle signalene i disse to datasett sammenligninger dermed markere gener og metabolitter, samt relasjonene mellom dem, som ellers skjult i
komplett Hotell og
stratifisert
datasett.
To kriterier ble brukt til å dele prøvene mellom
balanserte Hotell og
ubalanserte
datasett: i) den gjennomsnittlige andelen av stroma bør være så lik som mulig mellom kreft og normale prøver, og ii) hver datasett bør omfatte så mange eksempler som mulig for å sikre maksimal statistisk styrke. For å forbedre analysen enda mer, kan en tredje kriterium skal innføres, noe som sikrer at de enkelte prøver i hvert datasett er homogent med hensyn til prosentandelen av stroma. Dette kriterium skal i teorien redusere ekspresjonen verdien varians i hver gruppe for å forbedre differensial statistikk. På grunn av det begrensede antallet tilgjengelige prøver med lignende vev sammensetning, ble det konkludert at et utvalg også med det tredje kriterium ville kompromittere den statistiske kraften av analysen. Likevel, de to første kriteriene viste seg å være tilstrekkelig til å markere viktige forskjeller mellom
balanserte Hotell og
ubalanserte
datasett.
En viktig funksjon i
balanserte
og
ubalanserte
datasett er at de indirekte også vurdere forskjellen mellom godartet epitel og stroma vev. Gener og metabolitter viser differensial endring bare i
ubalansert
datasettet, og ikke i
balanserte
datasettet, er ikke markører for PCa transformasjon. Disse vil heller være markører for stroma at endringer i
komplett Hotell og
stratifisert
datasett bare på grunn av forskjeller i mengden av stroma vev. Videre gener og metabolitter som viser tilsvarende endringer i både
balanserte Hotell og
ubalansert
datasettet er markører for PCa som er upåvirket av tilstedeværelsen av stroma. Til slutt, gener og metabolitter viser differensial endres bare i
balanserte
datasettet, men ikke i
ubalansert
datasett, representerer markører for PCa som er forvirret av tilstedeværelsen av stroma. Disse vurderingene er viktige separasjons observerte endringer direkte knyttet til PCa transformasjon fra endringer som følge bare fra partisk mengder stroma vev. Slike tolkninger vil bli utført i den påfølgende analysen.
Balansert Kjøpe og
ubalanserte
datasett viser ulike mønstre av genekspresjon på globalt nivå
betydelige forskjeller i genuttrykksmønster ble observert når man sammenligner degs mellom
balanserte Hotell og
ubalanserte
datasett. En langt lavere andel av degs ble delt mellom
balanserte Hotell og
ubalanserte
datasett i forhold til andelen av degs forventes å skje ved en tilfeldighet (fig 1B), hvor den forventede prosent ble anslått som gjennomsnittlig antall delte gener mellom 50 tilfeldige undergrupper i
stratifisert
datasett. Det faktum at
balanserte Hotell og
ubalanserte
datasett fange betydelige biologiske forskjeller som ikke kan påregnes å bli observert ved en tilfeldighet ble bekreftet av det høye antallet gener med en p-verdi endring av flere bestillinger av størrelsesorden mellom
balanserte Hotell og
ubalanserte
datasett i forhold til
stratifisert
datasettet (fig 1c). Alle tre datasett vises ventes opp og nedregulering av sju godt validerte gener ved PCA (Figur C i S3-fil). For å konkludere, de observerte forskjellene mellom disse datasettene skyldes forskjeller i mengden av stroma vev. Den påførte strategi vev balansering er i stand til å markere disse forskjellene.
balanserte
datasett streker metabolitter knyttet til PCa endring
I
balanserte
datasett 17 av de 23 metabolitter målt ved HR-MAS ble funnet å vise betydelige endringer i konsentrasjonsnivåer mellom PCa og normalt vev (figur 2). Dette er en betydelig høyere tall i forhold til de 8 vesentlige metabolitter er identifisert i
stratifisert Hotell og 13 identifisert i
komplett
datasett. Dette indikerer en høy grad av konfunderende fra stroma vev i disse datasettene, som spesifikt gjelder for de ni metabolitter putrescin, spermin, glysin, glutamin, alanin, valin, succinate, isoleucin og citrate som var betydelig i
balansert
men ikke
stratifisert
datasett. Disse ni metabolittene er således endringer som er karakteristiske for PCa, men er vanskelig å oppdage på grunn av forvirrer fra ubalanserte mengder av stroma vev. Identifiseringen av sitrat tjener som et bevis-for-prinsipp for den anvendte analysestrategi, på grunn av fravær av citrat i stroma og reduserte nivåer observert i PCa vev [22,25]. I tillegg endringer i metabolitter succinate, valin og glycin var ikke detekterbare i
komplett
datasettet, til tross for høyere statistisk styrke i forhold til
balansert
sett. Ingen metabolitter var spesifikke for
ubalansert
datasett, muligens med unntak av taurin med border signifikans (p = 0,053). Andre typiske metabolitt biomarkører for PCa som glukose, laktat og de tre kolin holdige metabolitter [22,26] ble observert i alle datasett, og dermed viser stabilitet som biomarkører uavhengig av vev sammensetning.
Positiv -log10 (p- verdi) indikerer økt konsentrasjon og negative -log10 (p-verdi) indikerer redusert konsentrasjon ved PCA.
stratifisert
,
balanserte Hotell og
ubalanserte
datasett alle har samme statistisk styrke.
Integrering av metabolitten og genuttrykk data peikt endringer i gener involvert i PCa metabolisme
Vi spår at differanse uttrykk analyse i et datasett balansert for innholdet i stroma vev mellom PCa og normale prøver fremhever gener og metabolitter direkte relevante for PCA endringer. Videre samtidige gen- og metabolitt data målt på nøyaktig samme prøvene lette integreringen av disse data på spesifikke stoffskifte. I denne studien har vi fokusert på veier av TCA syklus, polyaminsyntesen og fettsyrer, og på degs knyttet til metabolitter putrescin, citrat og succinate, som disse banene ble spesielt fremhevet i
balanserte
datasett. Differential uttrykk er presentert i form av p-verdier. Tilsvarende endringer med hensyn til genet rang og brett endring er presentert i figur A og B i S3 File og i S4 fil.
Redusert putrescin nivåer knyttet til økt uttrykk av
SRM
i polyamine veien .
Økt produksjon av polyaminer er viktig for kreft progresjon ved å fremme cellevekst, nedverdigende omkringliggende vev og avtagende anti-tumor immunfunksjoner [27]. I polyaminet reaksjonsveien (figur 3A),
ODC1
konverterer ornitin til putreskin, som videre omdannes til spermidin av SRM. Spermidine blir så omdannet til Spermine av
SMS
, alt i en fremskutt reaksjon.
SRM Hotell og
SMS
blir assistert av
AMD1
i konverteringsprosessen, mens
SAT1 Hotell og
SMOX
er ansvarlig for videre nedstrøms skjebne av spermidin og spermin [28]. Tidligere studier har rapportert at gener i polyamine veien er oppregulert i kreft [29,30]. En overensstemmende oppreguleringen av polyamin-gener vil øke fluksen av alle polyaminer, men ikke nødvendigvis til å endre de relative nivåer av de enkelte metabolitter. I
balanserte
datasett ser vi et betydelig nivå reduksjon for metabolitten putrescin. Denne reduksjonen sammenfaller med en spesifikk oppregulering av
SRM
genet (fig 4A). Mekanistisk kan oppregulering av
SRM
forbruke putrescin for produksjon av spermidin, og uten putrescin erstatning fra ornitihine ved oppregulering av
ODC1
, konsentrasjonen av putrescin bør reduseres. Dette er nøyaktig hva som er observert fra MR metabolske målinger. Oppregulering av SRM uten konkordant oppregulering av andre gener i polyamine veien er kun observert i
balanserte
datasett, mens en generell oppregulering av polyamin gener er en funksjon observert meste i
ubalansert
datasett. Anvendelse av indirekte sammenheng mellom
balanserte Hotell og
ubalansert
datasett, denne generelle oppregulering er mest sannsynlig forårsaket av forskjeller mellom godartet epitel og stroma, og oppregulering av SRM og konkordant putrescin Nedgangen skyldes PCa transformasjon. Interessant,
SRM
er nylig blitt foreslått som et medikament mål for polyaminet banen i en modell av B-cellelymfomer [31]. I tillegg er en betydelig reduksjon i nivåene spermin (p = 0,047) også observert, som passer sammen med en betydelig oppregulering av
SAT1
og
SMOX
, uten betydelig oppregulering av
SMS
. Imidlertid er dette forhold mer subtil. En vesentlig forskjell i spermin konsentrasjoner ble tidligere rapportert å skille aggressiv (Gleason grad ≥7) fra mer lat typer PCa vev (Gleason grad = 6) [22]. Men i denne sammenligning forvirrende av stroma er mindre uttalt ettersom kun kreftprøvene sammenlignes.
(A) Polyamin svei. (B) TCA syklus, syntesen av fettsyrer og glutamin forbruk. Genene opp- og nedregulert i
balanserte
datasettet er uthevet i rødt og blått henholdsvis. Gene navn: ODC1: ornitindekarboksylase 1, SRM: spermidin syntase, SMS: Spermine syntase, AMD1: adenosylmethionine decarboxylase 1, SAT1: spermidin /Spermine N1-acetyltransferase 1, SMOX: Spermine oxidase, ACO1 /2: aconitasen 1/2, CS : citratsyntaseaktivitet, ACLY: ATP citrate lyase, ACACA /B: acetyl-CoA karboksylase alfa /beta, FASN: fettsyre syntase, SUCLA2: succinate-CoA ligase ADP dannende beta subenhet, SUCLG1 /2: succinate-CoA ligase beta subenhet , SDHA /B /C /D:. succinatdehydrogenase kompleks subenhet A /B /C /D
(A) Top:
SRM Hotell og putrescin i polyamin veien. Midten:
SUCLA2 Hotell og
SDHD Hotell og succinate i TCA syklus. Bunn: Citrate i syntesen av fettsyrer. Positiv -log10 (p-verdi) indikerer oppregulering og negative -log10 (p-verdi) indikerer downregulation. Metabolittene som vises på venstre side er et delsett av metabolittene som er vist på figur 2 (B) Validering av vesentlige gener i PCa sammenlignet med normale prøver med hensyn til polyaminet veien, succinat i den TCA-syklusen og fettsyresyntese i en uavhengig datasett. (C) Gjennomsnittlig vev komposisjoner i
balanserte
,
ubalansert Hotell og
komplett /stratifisert
datasett fra valideringsstudien. Histogram av vev fordelinger er vist i figur D i S3 fil. (D) Antall felles gener blant de N første gener sortert etter den betydningen forholdet poengsum når ulike datasettene er sammenlignet. Gener med motsatte endringer (3 i
balanserte Hotell og 116 i
ubalansert
datasett) ble fjernet fra analysen. Tall delte gener er mye høyere når
balanserte Hotell og
ubalanserte
datasett sammenlignes seg imellom, enn når
balanserte
er sammenlignet med
ubalanserte
datasett. Dette indikerer at validerings og kontrollstudier viser en svært konkordant rangering av gener for både
balanserte Hotell og
ubalansert
datasett.
Redusert citrate nivåer knyttet til økt fettsyrer.
betydelig høyere nivåer av citrate i normale prøver var bare påvises i
balanserte
datasett. I
komplett
datasettet, hvor statistisk styrke er doblet, gjorde citrate nivåer ikke statistisk signifikans mellom kreft og normale prøver. Citrat er normalt omdannes til isocitrat ved
ACO1
og
ACO2
i den TCA-syklusen (figur 3B), som er den foretrukne modus for energiproduksjon i de fleste celler.
