Abstract
Bakgrunn
Så langt har etterforskerne funnet mange tumorsuppressorgener (TSGs) og onkogener (OCGs) som kontrollerer celleproliferasjon og apoptose i kreftutvikling. Videre kan TSGs og OCGs fungere som modulatorer av transkripsjonsfaktorer (TFS) til å påvirke genregulering. En omfattende undersøkelse av TSGs, OCGs, TFS, og deres felles mål gener på nettverksnivå kan gi en dypere forståelse av post-translasjonell modulering av TSGs og OCGs til TF genregulering.
metodikk /hovedfunnene
i denne studien har vi utviklet en ny beregnings rammeverk for å identifisere målgener av TSGs og OCGs bruker TFS som broer gjennom integrering av protein-protein interaksjoner og genuttrykk data. Vi brukte denne rørledningen til eggstokkreft og bygget en tre-lags regulatoriske nettverk. I nettverket, ble det øverste laget består av modulatorer (TSGs og OCGs), det midterste laget inkluderte TFS, og bunnlaget inneholdt målgener. Basert på regulatoriske forhold i nettverket, vi samlet TSG og OCG profiler og utført clustering analyser. Interessant, fant vi TSGs og OCGs dannet to forskjellige grener. Genene i TSG grenen ble betydelig anriket på DNA skade og reparasjon, regulerer makromolekyl metabolisme, cellesyklus og apoptose, mens genene i OCG grenen ble betydelig anriket på ErbB signalveien. Bemerkelsesverdig, deres spesifikke mål viste en omvendt funksjonell berikelse i form av apoptose og ErbB signalveien: målet gener reguleres av OCGs bare ble beriket i anti-apoptose og målgener regulert av TSGs bare ble beriket i ErbB signalveien
Konklusjon /Betydning
Denne studien gir den første omfattende undersøkelse av samspillet mellom TSGs og OCGs i et regulatorisk nettverk modulert av TFS. Vår applikasjon i eggstokkreft avslørte forskjellige regulatoriske mønstre av TSGs og OCGs, noe som tyder på et konkurransereguleringsmekanisme som virker på apoptose og ErbB signalveien gjennom deres spesifikke målgener
Citation. Zhao M, Sun J, Zhao Z ( 2012) distinkte og Konkurransedyktige Regulatory Mønstre av tumorsuppressorgener og Onkogener i eggstokkreft. PLoS ONE 7 (8): e44175. doi: 10,1371 /journal.pone.0044175
Redaktør: Szabolcs Semsey, Niels Bohr-instituttet, Danmark
mottatt: 28. mai 2012; Godkjent: 30 juli 2012; Publisert: 30 august 2012
Copyright: © Zhao 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 delvis støttet med tilskudd fra National Institutes of Health (R01LM011177 og VICC Cancer Center Core-stipend P30CA68485). Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet. Ingen ekstra ekstern finansiering ble mottatt for denne studien
Konkurrerende interesser:. Forfatterne har lest journalen politikk og har følgende konflikter: Co-forfatter Zhongming Zhao er en PLoS ONE Editorial styremedlem. Dette endrer ikke forfatternes tilslutning til alle PLoS ONE politikk på deling av data og materialer. Annet enn ovenfor, har forfatterne erklært at ingen konkurrerende interesser eksisterer.
Innledning
Kreft er preget av ukontrollert cellevekst, som er forårsaket av akkumulert genomiske mutasjoner i gener som normalt spiller viktige roller i å kontrollere celleproliferasjon og apoptose [1]. To store grupper av proteinkodende gener påvirker kreftcellevekst i motsatte måter. Den første gruppen av gener som koder for tumor-suppressorer, hvis tap av funksjon bidrar til utvikling av kreft [2]. Den andre gruppen av gener som er onkogener, hvis forsterkning av funksjon kan forårsake utvikling av kreft [3]. Heretter forkortet vi disse to typer gener som TSGs og OCGs. Mange TSGs er «vokteren av cellen» på grunn av sine kritiske roller i cellesyklus sjekkpunkter og indusere apoptose [2], [4]. For eksempel, de velkjente TSGs
RB Hotell og
TP53
regnes som anti-onkogener grunn av deres effekt på aksjoner mot kjente onkogener i cellevekst [5]. I en normal celle, er OCGs lokalisert på kromosomer som proto-onkogener. Når aktiveres av punktmutasjoner eller andre mekanismer som genamplifisering, kan proto-onkogener bli omdannet til OCGs å stimulere cellevekst og fremme celle overlevelse ved å forstyrre apoptose [3].
I de siste tiårene, en betydelig antall TSGs og OCGs ble karakterisert i henhold til deres funksjoner i celleproliferasjon og apoptose [2], [3], [4]. Men til de underliggende molekylære mekanismene for disse TSGs og OCGs regulere biologiske prosesser på transkripsjonsnivå er fortsatt ikke klart, spesielt på systemer og cellulære nivåer. Det er vel kjent at DNA-bindende transkripsjonsfaktorer (TFS) spiller viktige roller i et gens transkripsjonsregulering [6]. TF aktiviteter er i hovedsak regulert av andre molekyler ved post-translasjonell nivå [7]. Tidligere studier har vist at TSGs, for eksempel
RB1 Hotell og
KL
kan påvirke aktiviteten til TFS eller vekstfaktorer som deres posttranslasjonelle modulatorer [8], [9]. I kreft tumorigenesis, gjør flertallet av TSGs og OCGs ikke tilhører den kategorien av TFS; således kan de ikke direkte regulerer genekspresjon. Derfor moduler TFS på post-translasjonell nivå kan gi en mekanisme for TSGs og OCGs å regulere genuttrykket indirekte.
Eggstokkreft (forkortet til OVC i denne studien) er den femte største årsaken til kreft-relaterte dødelighet med en forekomst på 1,4% til 2,5% i amerikanske kvinner [10]. Jakten på overbevisende kandidatgener i det siste tiåret, selv om langt fra komplett eller avgjørende, har gitt grunnlag for systematiske analyser av deres genetiske bidrag til OVC [11]. I tillegg har genom-skala teknologier genererte enorme mengder genuttrykk profilering og andre genetiske og genomiske data fra hundrevis av OVC prøver [12], [13], [14], [15]. Disse genetiske og high-throughput genomiske data har gitt oss en mulighet til å identifisere en kritisk regulatoriske nettverk som er avgjørende for utvikling av kreft [16], [17]. Videre carcinogenesen av eggstokk involverer mange spesifikke etiologiske faktorer som hormoner og eggløsning [18], som bringer inn spørsmålet hvordan gennettverk integrerer signaler til å reagere på hormon stimuli. Vår hypotese her var at en systematisk integrering av TFS og deres potensielle modulatorer (TSGs og OCGs) gir en effektiv måte å oppdage en gennettverk i OVC. Dette forskrifts nettverk kan gi romanen reguleringsmodellen av TSGs, OCGs og TFS på genuttrykk i kritiske tumorigenesis prosesser som cellesyklusen og hormon stimulans.
Her presenterer vi en beregnings tilnærming til å konstruere et hierarkisk regulatoriske nettverk fra protein-protein interaksjoner (PPI) og genuttrykk data ved hjelp TFS som broer å knytte viktige modulatorer (TSGs og OCGs) til sine potensielle målgener. Vi har anvendt denne metode for å konstruere en tre-lags regulatoriske nettverk i OVC, hvori topplaget er inkludert 29 TSGs og 13 OCGs, det midterste laget inkluderte 15 TFS, og det nederste laget inkluderte 65 felles målgener. Ytterligere regulatoriske profil clustering analyser fordelt TSGs og OCGs i to forskjellige grener. De TSGs var hovedsakelig involvert i DNA-skade og reparasjon, cellesyklus, og apoptose, mens OCGs ble hovedsakelig gruppert sammen i ErbB signale transduksjon og respons på hormon stimuli. I tillegg ble OCG-spesifikke målgener beriket i negative apoptose regulatorer, mens TSG-spesifikke målgener ble beriket i ErbB signalveier. Resultatene viste en distinkt funksjon mønster av TSGs og OCGs, ikke bare av sine egne motsatte funksjoner i kreftutvikling, men også av det motsatte beriket funksjoner av deres spesifikke målgener. Vi har, for første gang, rapporterte en konkurransedyktig regulering mønster av TSGs og deres mål undersøkt i forhold til OCGs og deres mål; i denne rapporterte funn, har vi funnet TSGs, OCGS, sammen med sine respektive mål, har tendens til å reagere i opposisjon på apoptose og ErbB-signalveien. Videre undersøkelser av dette funnet er berettiget.
Materialer og metoder
Gene Innsamling og Curation av TSGs, OCGs og TFS i OVC
Å omfattende samle OVC-relaterte gener, vi analysert og kuratert fjorten datakilder, blant annet kreft mutasjon database Katalog av somatiske mutasjoner i Cancer (COSMIC, versjon 55) [19], omim (OMIM, oktober 2011) [20], Genetic Association database (GAD , oktober 2011) [21], databasen av Functional Census of human Cancer Gene (F-folketellingen, oktober 2011) [22], den elektroniske drage database for utforskning av Ovarian Cancer Genes (DDOC, oktober 2011) [23 ], en omfattende ekspert gjennomgang på OVC-relaterte gener fra Nature kreft [11], litteraturen database Generif [24], som er publisert på genomassosiasjonsstudier [25], [26], [27], og seks kandidat genet lister produsert av store genomiske plattformer på OVC fra Kreft Genome Atlas (TCGA) [12]. Detaljene for gen samling på hver datakilde er beskrevet i tekst S1, og noen tilnærminger av genet innsamling og merknader ble også gjennomført med suksess i andre sykdommer for kandidat genet prioritering [28], [29], [30]. Til slutt ble 1257 ikke-redundante OVC relaterte gener kuratert for oppfølging analyse (tabell S1).
Vi kuratert manuelt TSGs og OCGs fra klassiske anmeldelser på OVC og generell kreft [2], [4], [ ,,,0],11], [31] og ekstrahert kjente menneskelige TFS fra TRANSFAC profesjonell database (Slipp 2011,4) [32]. Blant 1257 OVC gener, ble 100 unike regulatorer tildelt, herunder 35 TSGs, 15 OCGs, og 50 TF gener.
Nettverk Topologiske Analyser og Utvinning et delnettverk Sentrert av TSGs, OCGs og TFS fra Menneskelig interactome
Vi har lastet ned urettet humant protein-protein interaksjon (PPI) data fra protein Interaction Network Analysis (PINA) plattform (juni 2011) [33]. I PINA, data inkludert selv interaksjoner, spådde interaksjoner av beregningsmetoder, og interaksjoner mellom humane proteiner og proteiner fra andre arter. I vår pipeline, vi bare utnyttet de ikke-redundante menneskelige PPIs med eksperimentelle støtter etter at vi fjernet spådd PPI og selv interaksjoner, samt PPIs involverer proteiner fra andre arter. Denne prosessen genereres et menneske PPI nettverk med 11,654 noder (proteiner) og 72,630 linker (PPI).
For å konstruere et delnettverk sentrert av TSGs, OCGs og TFS og ha oversikt for de topologiske nettverksegenskapene til disse OVC gener vi først kartlagt alle relaterte gener til den menneskelige PPI nettverk. Til sammenligning har vi samlet fem gen lister til å utføre nettverks topologiske analyser. Det første datasettet inkludert 467 kjente kreftgener fra listen Sanger Cancer Gene Census [34], hvorav 378 gener ble kartlagt for menneske PPI nettverk. Deretter delte vi våre innsamlede 1257 OVC gener inn i fire grupper: kjente TSGs, kjent OCGs, TFS og de resterende felles OVC gener. I alt ble 33 TSGs, 14 OCGs, 50 TF gener, og 905 vanlige OVC gener kartlagt til PPI nettverk. Deretter beregnet vi tre grunnleggende topologiske tiltak for de fem genet lister. Disse tiltakene omfattet grad, betweenness sentralitet, og nærhet sentralitet bruke programvaren Cytoscape [35]. Graden måler forbindelsene for hvert protein i den humane PPI nettverk [36]. Den betweenness sentralitet representerer hvor ofte et protein finner på alle korteste stier mellom to andre proteiner [36]. Nærhet sentralitet, også kalt korteste-vei avstand, indikerer den korteste trinnene for en node å nå en annen [36]. Å sammenligne disse topologiske egenskaper blant de fem genet listene, utførte vi to-tailed Kolmogorov-Smirnov tester (KS tester) implementert i R pakken 2.13.2 [37].
For å vurdere betydningen av nettverks egenskaper hver OVC TSG, OCG og TF i den menneskelige PPI nettverk, søkte vi en empirisk re-sampling tilnærming. Her tar vi TSG genet liste som et eksempel. Først, for de 33 TSGs er tilordnet den menneskelige PPI-nettverket, vi tilfeldig valgt 33 noder fra en hvilken som helst av de 1257 OVC genene i humane PPI-nettverket og beregnes de tre topologiske egenskaper (grad, betweenness og nærhet). Vi gjentok dette randomisering prosess 10.000 ganger. Neste, vi telles antall tilfeldige utvalgte nodesett (N) som gjennomsnitt grad, betweenness eller nærhet var høyere enn den observerte gjennomsnittlige grad betweenness og nærhet, henholdsvis. Til slutt, vi beregnet deres empiriske
P-
verdi ved hjelp av N /10 000 for de tre typer topologiske egenskaper, henholdsvis. Vi søkte lignende tilnærminger til 14 OCGs, 50 TFS og 97 regulatoriske gener (33 TSGs, 14 OCGs og 50 TF gener). Den oppsummert
P-
verdier ble oppført i tabell S6.
Bortsett fra disse topologiske analyser, hentet vi 2024 direkte interactors av de 97 regulatoriske gener (33 TSGs, 14 OCGs og 50 TF gener) fra menneske PPI nettverk for å danne et delnettverk som består av 2121 gener for videre analyse.
Bygging av en hierarkisk Regulatory Network Basert på genekspresjon Profiler fra TCGA
Nylig TCGA etterforskere undersøkt genuttrykk fra 489 høyverdig serøs OVC prøver ved hjelp av tre genuttrykk microarray plattformer (Affymetrix Exon 1,0 matrise, Agilent 244 K hele genomet uttrykk array, og Affymetrix HT-HG-U133A utvalg) [12]. Deretter normalisert de estimerte og uttrykket for hver prøve og gen på hver plattform for seg. Etter å trekke gjennomsnittsverdien over prøver for det samme genet, delte de uttrykket verdien ved standardavvik over prøvene og fått relativt genuttrykk score. Til slutt ble de relative uttrykk data fra tre plattformer integrert i en enkelt, enhetlig datasett av 11,864 gener ved hjelp av en faktoranalyse modell uten batch effekter [12], [38]. De endelige genuttrykk av data lastet ned fra TCGA nettsiden er formatert som en matrise, som er en rad for hvert gen og en kolonne for hver av prøvene (https://tcga-data.nci.nih.gov/docs/publications/ov_2011 /).
Blant de 2121 gener i subnettet sentrert av OVC TSGs, OVC OCGs og OVC TFS, 352 gener (29 TSGs, 13 OCGs, 36 TF gener, og 274 samvirkende gener) overlappes 11864 genet uttrykk profiler fra TCGA. Deretter benyttet vi programvaren Mindy (Modulator slutning av Network Dynamics) å forutse den regulatoriske forhold mellom TSGs, OCGs og TFS. Mindy ble brukt til å identifisere modulatorer av TFS med uttrykk profiler på post-translasjonell nivå basert på betinget gjensidig informasjon [39]. Mindy krever fire innganger, inkludert en genekspresjon matrise, en TF av interesse, en liste over potensielle modulator gener, og en liste over potensielle TF mål. Derfor ble et uttrykk matrise med 352 gener i hver rad og 489 OVC prøver i hver kolonne samlet som første inngang for programvaren Mindy. TFS av interesse var de 36 TF genene fra vår hentet subnettet. De potensielle modulatorer inneholdt 29 TSGs og 13 OCGs. De resterende 274 samspill gener i vår subnettet ble ansett som potensielle TF mål.
For å redusere falske positiver av TF-target relasjoner inferred av Mindy, vi videre spådd TF-målet parene ved hjelp av MATCH ™ med en kjerne score på 1,00 og en matrise poengsum på 0,95 [32], [40]. Ta eksempelet med TF HMGA2: Mindy spådd 29 TSGs og 13 OCGs å regulere 106 og 79 mål gener via moduler HMGA2 hhv. Vi videre spådd 82 mål gener fra 1257 OVC relaterte gener ved hjelp av MATCH ™. Etter å sammenligne 82 spådd målgener for HMGA2, bare 18 og 13 unike gener ble co-regulert av de 29 TSGs og 13 OCGs hhv. Til slutt, de overlapp TF-målet forskrifter dannet utgangs nettverk som inneholder 29 TSGs, 13 OCGs, 15 TF gener og 65 felles mål gener. I den regulatoriske nettverk, ble 3 TSGs, 3 OCGs og 4 TF gener også utledes som målgener for andre TFS. Derfor ble 112 unike gener integreres inn i nettverket. I tillegg de 4 kjente TF gener
FOXM1
,
MSX1
,
PPARG Hotell og
STAT5A
, ble tildelt som målgener i nettverket vårt, som de ikke regulere noen gener i dette regulatoriske nettverk. Den endelige nettverk visualisering av 112 gener ble utført ved hjelp av Cytoscape programvare [35].
Bygg og Clustering av TF og målet genet Profiler av TSGs og OCGs
For å analysere nedstrøms målgener av TSGs og OCGs, bygget vi et mål profil for hver TSG eller OCG ved å undersøke målgener som er til stede eller fraværende som er knyttet til vår hierarkisk regulatoriske nettverk. For en gitt TSG eller OCG, hvis det er et regulerende forhold mellom TSG /OCG og en mål-genet, den tilordnede verdien for målgenet av TSG /OCG ville være en; ellers ville det bli tildelt en verdi på null. Således, for en gitt TSG /OCG, omfatter en target-profil en streng med 65 oppføringer med 0 eller 1. Den samme prosedyre ble brukt for å konstruere et TF profil for hver TSG eller OCG med 15 registreringer med 0 og 1. For å undersøke den regulatoriske mønstre av TSGs og OCGs, hierarkiske klase analyser ble utført på både målgenet profil og TF profil ved hjelp av R-pakken 2.13.2 [37].
Konstruere Regulatoriske subnett på apoptose, cellesyklus, hormonstimulering og Reproduksjon
for å få en videre forståelse av spesifikke funksjonelle moduler i vår regulatoriske nettverk, vi fokusert på fire biologiske prosesser, som inkluderte apoptose, cellesyklus, hormonrespons og reproduksjon, siden de har blitt rapportert å spille viktige roller i OVC og ble også beriket i vår regulatoriske nettverk [41], [42], [43]. Vi samlet fire funksjonelle sikt lister på apoptose, cellesyklus, hormonrespons og reproduksjon ved hjelp av Gene ontologi (GO), Kyoto Encyclopedia of gener og genomer (KEGG) og SwissProt kommentar vilkår fra DAVID nettbasert verktøy [44]. Til slutt, basert på kuratert funksjonelle termer, samlet vi 51 (apoptose), 47 (cellesyklus), 21 (hormon respons), og 16 (reproduksjon) OVC gener i vår hierarkisk regulatoriske nettverk.
For de ovennevnte fire sett med innsamlede gener, de fleste av dem kan tilordnes til de øverste og nederste lagene i vår hierarkisk regulatoriske nettverk. Hvis du vil trekke subnettet for hver prosess, vi først kartlagt de innsamlede gener til det nederste laget, da fant TFS (midterste laget) som er knyttet til disse målgener, og til slutt rekruttert de prosessrelaterte TSGs og OCGs (øverste lag) med linker til disse TFS. Utnytte denne prosessen, fikk vi fire subnett.
statistiske tester beriket Funksjonelle GO Vilkår og biologiske mekanismer
For å vurdere funksjon av de interessante gensettene, vi gjennomførte funksjonelle berikelse tester ved hjelp av elektroniske verktøy DAVID [44]. Vi valgte de GO termer eller veier med en justert
P
-verdi mindre enn 0,05 som beregnes ved den hypergeometriske test etterfulgt av Benjamini-Hochberg metoden [45], som ble implementert i DAVID verktøyet.
for å vurdere funksjonell betydning av de 112 genene i vår endelige subnett, vi tilfeldig valgt 112 gener fra 1257 OVC gener og sammenligne deres korrigert
P-
verdifordeling. Totalt utførte vi den randomisering ti ganger og kommentert hvert gen liste med David. Basert på Benjamini-Hochberg justert
P-
verdi, sammenlignet vi
P-
verdifordeling for våre 112 gener og ti tilfeldig valgte gen lister (figur S6).
Resultater
oversikt over Computational Pipeline å konstruere en hierarkisk Regulatory Network
Som vist i figur 1, vår rørledning startet med en samling av kandidatgener, TSGs, OCGs, og TFS for en viss kreft, slik som ovariekreft. Deretter hentet vi et delnettverk sentrert med disse kjente TSGs, OCGs, TFS, og deres direkte interactors fra den menneskelige PPI nettverk. Deretter ble genuttrykk profiler for de som er involvert i subnettet gener matet inn Mindy å antyde TSGs og OCGs som posttranslasjonelle modulatorer av TFS. Utgangen av Mindy var en regulatorisk nettverk som omfattet det øverste laget med modulatorer (TSGs og OCGs), det midterste laget med TFS, og det nederste laget med felles mål gener av de to øverste lagene. For ytterligere å redusere falske positiver av TF-target relasjoner utledet fra Mindy, krevde vi at de antatte TF-målet parene ble også bekreftet av TF-målet prediksjon verktøyet MATCH ™. Det endelige resultatet av denne rørledningen var en combinatory regulatoriske nettverk av TSGs, OCGs, deres moduler TFS, og regulerer målgener. Vi brukte denne beregnings rørledningen til våre kuraterte 1257 OVC kandidat gener, og endelig bygget en tre-lags regulatoriske nettverk som inkluderte 29 TSGs, 13 OCGs, 15 TF gener, og 65 felles målgener.
Denne figuren viser TSG og OCG regulatoriske nettverk konstruksjon og identifisering av kritiske nedstrøms trasé modulert av TSGs og OCGs. Vår rørledning omfatter fire hovedtrinn. 1) Samle eggstokkreft (OVC) -relaterte gener, tumor suppressors (TSGs), onkogener (OCGs), og transkripsjonsfaktorer (TFS) fra offentlige databaser og litteratur. 2) Trekke subnett sentrert på OVC TSGs, OCGs og TFS fra protein-protein interaksjon (PPI) data. 3) Integrering genom-skala ekspresjonsdata å konstruere en hierarkisk regulatoriske nettverk med OVC-relaterte TSGs, OCGs, TFS og målgener. 4) Analysere nedstrøms trasé og subnett med regulerte gener for å undersøke samspillet mellom TSGs og OCGs i bestemte biologiske prosesser. Modulator Inference av Network Dynamics (Mindy) er et verktøy som brukes til identifisering av posttranslasjonelle modulatorer av TFS basert på uttrykk profiler. Protein Interaction Network Analysis (PINA) er en plattform for protein interaksjon nettverk konstruksjon.
TSGs, OCGs og TFS i OVC Show Høy Tilkobling, Betweenness og nærhet Sentralitet i Human PPI Network
Basert på sammenligning av de tre topologiske egenskaper (grad, betweenness sentralitetsnivåer, og nærhet sentralitetsnivåer) for fem kreftrelaterte gener lister, fikk vi de første innsikt i arkitektur OVC-relaterte gener i menneske PPIs (se Materialer og Metoder) . Figur S1 viser graden fordeling av de fem datasettene og alle proteiner i menneske PPI-nettverket. Den gjennomsnittlige grad av de 97 gener (OVC TSGs, OCGs og TFS) var 56,12, som var signifikant høyere enn den til genene fra kreft-genet tellings (35,33, Kolmogorov-Smirnov test (KS-test),
P
verdi = 3,36 × 10
-2) eller at av 905 OVC felles gener (21,83, KS test
P
verdi = 7,12 × 10
-8). For å vurdere betydningen av de beregnede topologiske egenskaper, søkte vi en empirisk re-sampling metode for å beregne empiriske
P-
verdier for hver egenskaper (Tabell S6). Bortsett fra
P-
verdien av betweenness sentralitet fra Tenerife (0,08), alle de resterende
P-
verdiene var mindre enn 0,01. Disse empiriske
P
-verdier antydet at de observerte nettverksfunksjoner ble neppe generert ved en tilfeldighet. Ytterligere KS tester viste at betweenness og nærhet centralities av de 97 genene var betydelig høyere enn de genene fra Kreft Gene tellingen og 905 OVC felles gener (
P
-verdier 0,05, Tabell S2). Vår sammenligning mellom 97 gener (OVC TSGs, OCGs, og TFS) og andre kreftgener underforstått at disse 97 genene hadde høyere lokale tilkoblinger og kortere stier til andre proteiner. Gitt deres høye grad, betweenness og nærhet centralities, kanskje et delnettverk med sine direkte interactors være nok til å karakterisere de regulatoriske egenskaper av de 97 genene.
En OVC spesifikke Regulatory Gene Network modulert av TSGs og OCGs
fra de 97 genene, integrert vi PPIs, genuttrykk profiler, og TF-target prediksjon data fra programvare Mindy og MATCH ™ (se Materialer og metoder). En siste tre-lags regulatoriske nettverk ble bygget som inkluderte 112 unike gener (29 TSGs, 13 OCGs, 15 TF gener og 65 felles mål gener) og 353 linker (Figur 2A og Tabell S3). Funksjonelle berikelse analyser viste at 112 gener ble beriket i en rekke funksjonelle kategorier relatert til kreftutvikling (tabell S4). De mest beriket funksjonelle kategoriene var knyttet til OVC progresjon, for eksempel «regulering av apoptose» (justert
P
verdi = 4,84 × 10
-24), «regulering av cellesyklus» (justert
P
verdi = 8,10 × 10
-20), «som svar på hormon stimulus» (justert
P
verdi = 5,31 × 10
-10), og «flercellet organisme reproduksjon «(justert
P
verdi = 1,06 × 10
-4). For å evaluere de funksjonelle analyseresultatene av 112 gener, vi tilfeldig valgt ti genet lister med 112 gener fra 1257 OVC gener. Som vist i fig S6 har de fleste av korrigerte
P-
verdier fra løsningsmessig merket for våre 112 gener var mindre enn 0,01, som er tydelig forskjellig fra de ti tilfeldig utvalgte genet lister (Kolmogorov-Smirnov test,
P-
verdier 0,05). Disse høyanriket karsinogenisitetsstudier relaterte funksjoner demonstrert at våre regulatoriske nettverk var nært knyttet til OVC utvikling og kan være nyttig for å identifisere kjerne cancerogenesis moduler.
(A) Integrerte hierarkisk nettverk av kreft i eggstokkene (OVC) knyttet tumorsuppressorgener (TSGs), onkogener (OCGs), og transkripsjonsfaktorer (TFS). Nodene i røde (sirkel) representere OVC-relaterte TSGs, noder i gult (trekant) representerer OVC-relaterte OCGs, noder i grønt (oktogonen) representerer OVC-relaterte TFS og noder i blått (vee) representerer målgener. Lenkene i oransje representerer regelverket fra TSGs eller OCGs til deres moduler TFS. De grønne pilen representerer regelverket fra TFS til sine mål gener. (B) Plot av i-grad og ut-graden av de 15 TFS i tre-lags regulatoriske nettverk. I grader er definert som antall noder som straks kobler til og regulere noden av interesse, og ut-graden er definert som antall noder som straks kobler til og er regulert av noden er av interesse. (C) En subnettet med tre feedback loops sentrert ved ETS1. Fargen og formen skjema av noder og lenker er de samme som i (A).
Som vist i figur 2B, TFS «in-grader fra TSGs og OCGs hadde en høy korrelasjon med deres ut-grader til sine mål gener (Pearsons korrelasjonskoeffisient = 0,74,
P
verdi = 1,60 × 10
-3). Her, i-graden er definert som antall TSG /OCG noder som straks kobler til og regulere TF node, og ut-graden er definert som antall målgen noder som straks kobler til og er regulert av TF node. For eksempel, i-graders og ut-graden av TF ETS1 var henholdsvis 34 og 14,; det vil si, det ble modulert av de 23 TSGs og 11 OCGs mens det regulert 14 nedstrøms målgener. I tillegg ble de 14 målgener av ETS1 beriket i «tyrosin protein kinase» basert på GO annotering (justert
P
-verdier = 2,15 × 10
-3). Totalt sett, våre resultater tyder på at TFS med flere innganger i vår regulatoriske nettverk kan regulere flere målgener.
I dette nettverket ble alle regulatoriske signaler fra TSGs og OCGs gått til det midterste laget (befolket av TFS) og deretter overført til det nederste laget med målgener. Men 10 av de 65 målgener tilhører også TSGs, OCGs eller TF gener i nettverket vårt. De 10 gener med flere roller dannet seks reguleringssløyfer mellom TFS og TSGs /OCGs. Sløyfene var E2F3 ↔ CHEK2, ETS1 ↔ EGFR, ETS1 ↔ erbB2, ETS1 ↔ SPARC, HMGA2 ↔ MYC, og HNF1B ↔ MYC (tabell S5). For eksempel ETS1 dannet tre feedbacksløyfer med gener som koder for EGFR, ErbB2, og SPARC. Blant de tre gener, EGFR og ErbB2 hører til den epidermale vekstfaktor-reseptor (EGFR) familie (figur 2C). Vi videre rekruttert direkte interactors av ETS1 knyttet til de tre feedbacksløyfer for å danne et delnettverk. Det var totalt 17 gener i subnettet spesifikke for ETS1, som ble beriket med GO biologiske prosesser begrepene «regulering av celleproliferasjon» (justert
P
verdi = 1,94 × 10
-8) og «regulering av cellesyklus» (justert
P
verdi = 9,77 × 10
-6). Disse analysene viser at ETS1 kan spille viktige roller i cellevekst gjennom interaksjon med EGFR familien, som er konsistent med resultatene fra tidligere studier av humane kreftceller [46].
TSGs og OCGs var involvert i annen biologiske prosesser i OVC
for ytterligere å identifisere de spesifikke biologiske prosesser der TSGs og OCGs delta utførte vi funksjonelle berikelse analyser for TSGs og OCGs uavhengig. Resultatene indikerte at TSGs og OCGs var involvert i forskjellige biologiske prosesser under carcinogenesis av OVC (tabell 1). De 29 TSGs ble hovedsakelig involvert i cellesyklus, DNA-skade respons, positiv regulering av apoptose, og negativt regulerer makromolekyl metabolske prosessen, mens 13 OCGs var hovedsakelig involvert i signalveier som ErbB og svar på hormon stimulans, og motsatt TSG resultater, negativ regulering av apoptose. Blant de 112 genene i nettverket vårt, ble 46 gener kartlagt til KEGG «bane i kreft» (13 TSGs, 9 OCGs, 8 TF gener og 16 mål gener) (Figur S3). Kartet viser de fleste av TSGs og OCGs regulert viktige karsinogenisitetsstudier prosesser. Flertallet av TSGs omgitt prosesser som cellesyklus, DNA-reparasjon og apoptose; OCGs tendens til å samhandle med signalinngang, mens TF gener og målgener ofte spredt over kartet for å koble TSGs og OCGs.
Tidligere studier har vist at TSGs er involvert i tumordannelse fordi deres produkter er vanligvis involvert i cellesyklus sjekkpunkt, apoptose, eller reparasjon av skadet DNA [2], og OCGs kode kromatin remodelers, vekstfaktorer og reseptorer, signal transdusere og apoptose regulatorer [3]. Våre resultater av funksjonelle analyser av OVC TSGs og OCGs var i samsvar med deres felles roller i tumorigenesis. Det er verdt å merke seg at våre analyser indikerte at OCGs hatt viktige roller i prosessen «respons hormon signaler», som er viktig å akselerere celledeling under OVC utvikling, inkludert gonadotropiner, østrogener, androgener, progesteron og insulin [18].
