Abstract
Metabolisme uttrykker fenotypen av levende celler og forstå det er avgjørende for ulike applikasjoner i bioteknologi og helse. Med den økende tilgjengeligheten av metabolomic, proteomikk og, i større grad, transcriptomic data, klarlegging av spesifikke metabolske egenskaper i ulike scenarier og celletyper er et sentralt tema i systembiologi. Til tross for potensialet av det elementære fluks modus (EFM) konsept for dette formål, har dens bruk vært begrenset hittil, hovedsakelig fordi deres beregning har vært lite hensiktsmessig for genom-skala metabolske nettverk. I en fersk arbeid, bestemt vi en undergruppe av EFMs i menneskets metabolisme og foreslått en ny protokoll for å integrere genuttrykk data, småblødninger nøkkel «karakteristiske EFMs «i ulike scenarier. Vår tilnærming var vellykket anvendt for å identifisere metabolske forskjeller mellom flere menneskelige friskt vev. I denne artikkelen har vi evaluert resultatene av vår tilnærming i klinisk interessant situasjon. Spesielt har vi identifisert viktige EFMs og metabolitter i adenokarsinom og plateepitelkreft subtyper av ikke-småcellet lungekreft. Resultatene er i samsvar med tidligere kjennskap til disse store subtyper av lungekreft i den medisinske litteratur. Derfor utgjør dette arbeidet utgangspunktet for å etablere en ny metode som kan føre til å skille viktige metabolske prosesser mellom ulike kliniske utfall
Citation. Rezola A, Pey J, Rubio A, Planes FJ (2014)
i Silico
Prediksjon av Nøkkelstoffskifte forskjellene mellom to ikke-småcellet lungekreft Subtyper. PLoS ONE 9 (8): e103998. doi: 10,1371 /journal.pone.0103998
Redaktør: Pankaj K. Singh, University of Nebraska Medical Center, USA
mottatt: 6 februar 2014; Godkjent: 09.07.2014; Publisert: 05.08.2014
Copyright: © 2014 Rezola 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:. Funds var mottatt fra Asociación de Amigos de la Universidad de Navarra til Alberto Rezola og fra den baskiske regjeringen til Jon Pey. 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
Lungekreft er den vanligste kreftformen i verden både når det gjelder tilfeller og dødsfall og dens høyeste forekomst tilhører Europa og Nord-Amerika [1]. Med bruk av -omics data, har mye arbeid blitt gjort for å identifisere mutasjoner og onkogener i ulike lungekreft subtyper, med formål å utvikle mer effektive behandlinger. Imidlertid er prognosen fortsatt dårlig og videre forskning er nødvendig for å belyse nye biomarkører og behandlinger som forbedrer kliniske resultater [2].
I denne sammenheng, studiet av metabolske prosesser i kreft er for tiden et hett tema, som vi har en økende bevis for sin re-programmering. Bortsett fra glukosemetabolisme, den såkalte Warburg-effekten, har endringer blitt rapportert i syntese av nukleotider, aminosyrer og lipider [3], så vel som relevante mutasjoner i metabolske gener og ansamlinger av viktige metabolitter [4]. Som kreftceller utviser høy genetisk mangfold, identifisering av relevante metabolske veier i ulike kreft sub-typer er et viktig forskningsområde.
High-throughput -omics teknologi har ført til en ny situasjon hvor en mer fullstendig analyse av metabolisme er mulig. Et stort fremskritt var gjenoppbyggingen av det humane genom-skala metabolske nettverk [5], [6], som tillater forskere å analysere human metabolisme i ulike scenarier på en enestående grad av kompleksitet, ved hjelp av teoretiske metoder og -omics data [7], [8]. I denne retningen, har ulike nettverksbaserte metabolismen konsepter er innført i de siste årene [9]. De har vist at cellenes stoffskifte innebærer en mer kompleks og variert sti struktur enn de som presenteres i kanoniske kart. Spesielt er et lovende konsept som av Elementary Flux Modes (EFMs), som tillater oss å dekomponere en metabolsk nettverk i sine enkleste former for atferd [10]. Imidlertid er integrering av -omics data med EFMs for å analysere human metabolisme vært begrenset, på grunn av det faktum at beregningen av EFMs er vanskelig i genom-skalanett. Dette problemet har nylig blitt tatt opp i [11], hvor en ny protokoll for å integrere genekspresjon data og EFMs er foreslått. Denne tilnærmingen ble vellykket anvendt for å identifisere metabolske forskjeller mellom flere sunne vev.
Basert på [11], vårt mål er å identifisere viktige metabolske veier og metabolitter i to store undergrupper av ikke-småcellet lungekreft (NSCLC ): adenokarsinom og plateepitelkreft. Spesielt ønsker vi å undersøke om konkrete forskjellene mellom disse subtypene kan bli funnet kombinere EFMs og genuttrykk data. Ifølge tidligere kjennskap til disse store undergrupper av lungekreft i den medisinske litteraturen, våre resultater ordentlig skille viktige metabolske prosesser mellom de ulike kliniske utfall analyseres.
Materialer og Metoder
Elementary Flux Moduser (EFMs ) konsept
for å illustrere begrepet EFMs, vi brukte figur 1, som representerer en forenklet metabolske system som involverer glykolyse og TCA
Forkortelser:. Ac, acetat; AcCoA, acetyl-CoA; Cit, Citrate; D-Lac, laktat; D-Glc, glukose; OAA, oksaloacetat, Pyr, pyruvat, CO2, Karbondioksid.
En EFM er teknisk sett en minimal undergruppe av enzymer i stand til å utføre i vedvarende steady-state. Steady-state innebærer at metabolitter innenfor grensene av systemet, f.eks
pyruvat product: (Pyr), må være i støkiometrisk balanse, det vil si strømmer i må være lik til å strømme ut. Denne tilstanden krever definisjon av metabolitter i stand til å bli byttet utenfor systemet, nemlig her innganger er
glukose plakater (D-Glc) og
acetat plakater (Ac), mens utgangene
laktat product: (D-Lac) og
karbondioksid plakater (CO2). I tillegg, «minimal» betyr at fjerning av et enzym som fører til skoleveien avbrudd. I vårt eksempel i figur 1, har vi 3 EFMs. EFM1 representerer anaerob glykolyse; EFM2 aerob glykolyse via TCA syklus; EFM3 TCA syklus matet av acetat. Det er lett å sjekke at de oppfyller vilkårene som er nevnt ovenfor. For flere tekniske detaljer, se [10].
Merk at EFMs er minimale moduser av atferd og kombinasjoner er også mulig. Men i ulike scenarier noen av dem kan ha forrang over de andre. For eksempel kreftceller produserer energi primært via anaerob glykolyse (EFM1) selv når tilstrekkelig
oksygen
er tilgjengelig (Warburg effekt). Merk at EFMs vanligvis har forskjellige innganger (substrater) og utganger (utskilles metabolitter). I denne artikkelen tar vi sikte på å utnytte denne ideen for å skille ulike kliniske scenarier basert på genuttrykk data.
Menneskelig EFMs innsamling og lungekreft data
Her brukte vi en undergruppe av 5875 EFMs tidligere fastsatte i [11] fra Recon en menneskelig metabolske nettverk [5], som inneholder 2469 biokjemiske reaksjoner og 1587 metabolitter. Denne undergruppe av EFMs innebærer en variert liste over metabolske veier potensielt aktive i forskjellige humane fysiologiske betingelser (se [11] for mer detaljert informasjon om dette settet med EFMs).
På den annen side, genekspresjon data ble ekstrahert fra Gene Expression database Omnibus (GEO) [12]. I særdeleshet, vurderte vi 58 humane NSCLC-tumor vevsprøver fra [13], og 6 prøver normalt lungevev (CN) fra [14]. 40 NSCLC kreft vevsprøver ble tatt fra pasienter klinisk diagnostisert som adenokarsinom (AD), mens de øvrige 18 svulst vevsprøver fra pasienter med plateepitelkreft (SQ). Alle disse prøvene ble hybridisert i Affymetrix rekke HGU 133 pluss, som inneholder 54.675 prober for 20.283 gener. Vi beskriver under ulike metoder som anvendes for å analysere disse dataene.
Differensial uttrykk analyse
Vi bestemt hvilke gener var over-uttrykt, uendret eller under uttrykt i AD med hensyn til SQ (upAD) og vice versa (upSQ). Legg merke til at over-uttrykte gener i AD er down-uttrykt i SQ, og vice versa, som kan observeres i den første kolonnen i tabell 1. I tillegg genuttrykk data fra friskt vev ikke kan sammenlignes direkte med data fra kreft vev som de hører til en annen datakilde. Dette utgjør ikke et problem, som vi er fokusert på å belyse forskjeller mellom AD og SQ.
For denne oppgaven benyttet vi limma pakken i R statistisk programvare [15], det vil si flere lineære regresjoner og empiriske Bayes statistikk som bestemmer sannsynligheten for et gen ikke blir uttrykt forskjellig mellom begge forhold (
p
-verdi). Deretter ble falske funnrate (FDR) teknikken brukes til å korrigere effekten av flere hypoteser testing, trans forrige
p
-verdier inn
q
-verdier [16]. Vi vurderte forskjellig uttrykt gener de med en
q
-verdi lavere enn 5%. Legg merke til at denne terskelen er vilkårlig, imidlertid, jo mindre terskel, desto større konfidensnivået. Fastsetting av opp- og ned-regulert gener er grei basert på lineære regresjonskoeffisientene.
Absolute uttrykk analyse
Vi definerer absolutte uttrykk analyse som klassifisering av gener som er tilstede eller fraværende i en bestemt biologisk prøve. Her er vi spesielt klassifisert gener i tre stater: highly-, normally- og ydmyk-uttrykk. Dette diskrete klassifisering av gener ble gjort for hver gruppe: AD, SQ og CN. Legg merke til at denne analysen ble utført for hver gruppe separat og ingen sammenligning mellom gruppene ble gjort, er altså absolutt ekspresjon av gener som en funksjonell egenskap for hver gruppe.
For dette formålet vi først klassifisert gener i hver prøve som aktive eller inaktive basert på Gene Expression Barcode modell [17]. Deretter, for å oppnå den ønskede tre-nivå klassifisering, vi definert et gen som sterkt (ringe) uttrykt hvis alle prober inneholdende et slikt gen er aktiv (inaktiv) i hele settet av prøver, og moderat uttrykt på annen måte. En mindre strenge terskel (for eksempel 95% av sondene i stedet 100%) kan velges, men tilliten nivået av genet høy-og uttrykk vil bli redusert
Data transformasjon. Fra gener til reaksjoner
Differensial og absolutt genuttrykk fører til en oppregulert /høyt uttrykt, uendret /normalt uttrykt og nedregulert /ydmyk-uttrykk genet klassifisering.
for å kartlegge dette genet uttrykket klassifisering inn i settet av metabolske reaksjoner som inngår i settet av EFMs valgt, brukte vi de boolske lover, også kjent som Gene Protein-reaksjon (GPR) regler, rapportert i [5], som tidligere er gjort i [11], [ ,,,0],18]. Merk her at Recon en menneskelig metabolske nettverk rekonstruksjon annotates 1496 gener som 1451 er funnet i HGU 133 pluss array.
Basert på disse GPR regler og genuttrykket kategorisering, får vi en tre nivå metabolske reaksjon klassifisering, dvs. oppregulert /høyt uttrykt, uendret /normalt uttrykt og nedregulert /ydmyk-uttrykt reaksjoner.
Karakteristisk og differensial EFMs
Vi kartlagt reaksjonene inndeling i settet av 5876 EFMs i hvert scenario: AD, SQ, CN, upAD og upSQ. For AD, SQ og CN scenarier, bestemt vi en undergruppe av karakteristiske EFMs med tilnærmingen presenteres i [11]. Vi definerer karakteristiske EFMs som de som er betydelig anriket med høyt uttrykte reaksjoner og som omfatter et lite antall ringe uttrykt reaksjoner. Denne definisjonen fokuserer på absolutte uttrykk data (se forrige «Absolute uttrykk analyse» ledd).
Dette konseptet kan utvides for differensial uttrykk data, i vårt tilfelle med de gensettene innhentet for upAD og upSQ scenarier. Spesielt definerer vi differensial EFMs som de som er betydelig anriket med over-uttrykte reaksjoner og som omfatter et lite antall av under uttrykt reaksjoner. Merk at bruk av differensial uttrykk involverer flere teoretiske problemstillinger, f.eks gener konsekvent høyt uttrykte kan ha en liten fold endring.
Som en kombinasjon av differensial EFMs med karakteristisk EFMs er en mer nøyaktig tilnærming, i denne artikkelen vi innførte begrepet «fremtredende» EFMs for de EFMs som er karakteristiske og differensial på samme tid, dvs. de er betydelig både i absolutte og differensialanalyser.
Resultater og diskusjon
Om lag 70% av diagnostisert lungekreft er ikke småcellet lungekreft (NSCLC) og tilhører to viktigste undertyper, spesielt AD og SQ. Målet med dette arbeidet er å belyse spesifikke metabolske egenskaper og forskjeller mellom AD og SQ lunge kreft. For å nå dette målet, er metodikken som er presentert ovenfor brukes.
Tabell 1 oppsummerer resultatene for den absolutte og forskjells uttrykk analyse utført. Interessant, i tabell 1, fant vi at antall ringe uttrykte gener og reaksjoner i CN er vesentlig høyere enn i to kreft scenarier. Dette kan tyde på at omprogrammering av kreft stoffskiftet øker systemisk robusthet, sannsynligvis aktivere forstummet trasé som garanterer og optimalisere spredning. Merk imidlertid at, i mye mindre grad, er antallet høyt uttrykte reaksjoner høyere i CN. Disse innsikt kan tyde på at metabolismen i CN er mer spesifikk enn i kreft og viser mindre variasjon på tvers av sampler i det aktive sett av enzymer. Den samme konklusjon er oppnådd med moderat uttrykte gener. På den annen side, hvis vi fokusere på differensialanalyse, har vi funnet, som forventet, ved konstruksjon, som opp-regulerte gener i upAD er nedregulert i upSQ, og vice versa, f.eks undergruppe av 1725 oppregulert gener i AD (en i upAD) matcher undergruppe av nedregulert gener i SQ (-1 i upSQ). Men gjør det samme ikke skje på reaksjonene nivå på grunn av GPR regler, som illustrerer den regulatoriske kompleksiteten i stoffskiftet.
Vi valgte som forskjells og karakteristiske EFMs for hvert scenario de med en FDR lavere enn 20%. Det totale antall statistisk signifikante EFMs kan finnes i tabell 1. I særdeleshet har vi funnet en betydelig antall karakteristiske EFMs i hver tilstand og, som diskutert i [11], deres antall var ikke nødvendigvis er proporsjonal med antallet av highly- og ydmyk-uttrykk (opp- og ned-regulert) reaksjoner. Derfor er det ikke overraskende at flere karakteristiske EFMs er funnet i SQ enn i AD, fordi antall karakteristiske og differensial EFMs avhenger av tilkoblings av highly- og ydmyk-uttrykt (opp- og ned-regulert) reaksjoner i vår sett EFMs [11]. For å visualisere og tolke differensial og karakteristisk EFMs, vi kartlagt dem inn i Venn-diagrammer er vist i figur 2.
Figur 2. En viser antall karakteristiske EFMs som overlapper hverandre i CN, SQ og AD . Som delvis forventet, kan det observeres at den metabolske aktiviteten i kreftvev (AD og SQ) er mer like enn i friskt vev (CN). Spesielt er en felles undergruppe av 109 karakteristisk EFMs funnet for AD og SQ. Blant disse er 56 ikke er involvert i CN, noe som kan representere en kjerne metabolsk nettverk av lungekreft metabolisme. De andre 53 EFMs er felles for våre tre scenarier, avsløre likheter mellom kreft og friskt vev.
For å oppdage mer spesifikke trasé og metabolitter i AD og SQ, vi sammenlignet karakteristiske og differensial EFMs av SQ og AD, som vist i fig 2.S og 2.c, respektivt. Som nevnt ovenfor, kan vi betrakte som SQ fremtredende disse EFMs karakteristiske i SQ og oppregulert i SQ; analogt, AD fremtredende EFMs er karakteristisk i AD og oppregulert i AD. Vi identifiserte 46 SQ fremtredende EFMs og 13 AD fremtredende EFMs, dvs. karakteristiske EFMs som er samtidig differensial EFMs. Imidlertid fra disse EFMs, 20 SQ fremtredende EFMs og 13 AD fremtredende EFMs ble funnet å være karakteristisk i begge cancervev. Dette innebærer at selv om å være til stede i begge vev, er deres aktivitet høyere i SQ og AD, henholdsvis. I tillegg oppdaget vi en klar falsk positiv i SQ differensial EFMs, dvs. en EFM forskjellig uttrykt i SQ som bare er karakteristisk i år, og to falske positiver i AD differensial EFMs.
AD og SQ fremtredende input /output metabolitter
resultatene ovenfor viser at vår tilnærming er i stand til å skille fremtredende EFMs i AD og SQ lunge kreft. For å oversette denne informasjonen til mer praktisk innsikt, fokuserte vi på inn- og utgangs metabolitter involvert i disse 46 SQ og 13 AD fremtredende EFMs hhv. For illustrasjon, vurdere figur 3, som viser en SQ fremtredende EFM forbruker
glyserol plakater (glyc) og
L-alanine plakater (ala-L), inngangs metabolitter, og produsere
L- serin product: (ser-L) og
L-laktat plakater (lac-L), utgang metabolitter.
ellipser representere metabolitter og piler representerer reaksjoner. Hvite og svarte prikker innenfor pilene representerer reversible og irreversible reaksjoner, henholdsvis. Hver metabolitt er avbildet med dens tilsvarende kammer er vist i parentes: [e], ekstracellulære, og [c], cytosol. Grå og hvit ellipser representerer eksterne og interne metabolitter, henholdsvis. Nomenklatur for metabolitter og reaksjoner ble tatt fra [5], og det er inkludert i File S1.
Som disse EFMs ble oppnådd fra en human genom-skala metabolske nettverk, disse input og output metabolitter hovedsakelig tilsvare underlag (opptak) og utskilles produkter i lungekreft, og derfor kunne måles i bio-væske og bli sett som biomarkører. Derfor kan denne tilnærmingen utfylle metabolomic studier.
Vi her analysert input /output metabolitter involvert i AD og SQ fremtredende EFMs. Spesielt identifiserte vi input /output metabolitter til stede i 46 SQ og upSQ EFMs, men ikke i upAD og hvis mulig (ikke i) AD og CN. Disse metabolittene er betegnet SQ fremtredende. Vi hypoteser for SQ prominente metabolitter et høyere opptak (innganger) og sekresjon (utganger) fluks enn i AD, og derfor kan de brukes til å skille SQ og AD. Det samme kan gjøres for 13 AD og upAD EFMs. Det ble imidlertid ikke resultater av interesse funnet i dette tilfellet.
Tabell 2 viser en oversikt over de mest relevante SQ fremtredende opptak og utskillelse metabolitter innhentet. Fullstendig informasjon kan bli funnet i File S1. Basert på litteratur, diskuterer vi under tidligere arbeider som til rollen av disse metabolittene.
En høyere intracellulære overflod
Methylglyoxal
i SQ i sammenligning med AD har tidligere blitt rapportert i [19 ], som utgjør en klar suksess for vår tilnærming. I tillegg er en høy ekspresjon av
deaminoneuraminic aci
d i begge SQ og AD vev ble funnet i [20]. Men, spådde vår tilnærming en mer relevant rolle i SQ, som krever ytterligere forskning for å få den godkjent. Merk også at både
Methylglyoxal Hotell og
deaminoneuraminic ACI
d er vanligvis innlemmet i ulike proteiner og deres tilstedeværelse i ulike biofluids har ikke blitt utforsket.
Gitt resultatene presentert i [ ,,,0],19], kan en stille spørsmål ved årsaken til hvorfor
deaminoneuraminic syre
er ikke involvert i den delen av karakteristiske EFMs i AD. Det må bemerkes at vår kilde til bevis er genuttrykk data. I SQ fant vi et regulært uttrykk mønster for gener involvert i EFMs produserer
deaminoneuraminic syre
, men ikke i år. Dette utelukker ikke betydningen av
deaminoneuraminic syre
i AD, som post-transcriptional endringer kan forekomme.
Med hensyn til
tetrahydro Hotell og
heptaglutamyl folat
en annen ytelse av
folat
metabolisme i AD og SQ har nylig blitt belyst [21]. I dette arbeidet, er det rapportert at
gamma-glutamyltransferase hydrolase
enzym som fjerner polyglutamat kjeder fra polyglutamylated folat, tilrettelegging flukt av folat fra inne i cellene, er høyere i SQ enn AD. Dette er spesielt i tråd med vår hypotese.
I [22], fant de en høyere, men ikke-signifikant grad av
L-fenylalanin
,
glutamat Hotell og
glyserol
i serum fra AD pasienter. Dette er i consonance med våre resultater, noe som tyder på en stor cellulært opptak av disse metabolittene i SQ. For andre aminosyrer som vises i vår sett EFMs (
L-alanine
,
glutamin Hotell og
L-serin
), som ikke er vist i tabell 2, sammenligningen mellom AD og SQ er ikke tilgjengelig i [22]. Men, fant de en betydelig endring av serumnivåer mellom lungekreft og friske pasienter.
For resten av metabolittene, er videre forskning er nødvendig for å validere sin funksjon i AD og SQ. Men bortsett fra
D-mannose
, vi kunne finne klar assosiasjon av disse metabolittene med kreft. For eksempel, i [23], et høyere utslipp av
aceton
ble funnet i pust av lungekreftpasienter enn hos friske frivillige. I tillegg er en lavere grad av
acetoacetat
ble funnet i ondartet pleural effusjon [24]. På den annen side, akkumulering av
a-N-Fenylacetyl-L-glutamin
har tidligere vært en teori som en biomarkør for urinblæren kreft [25], og derfor utgjør det et attraktivt hypotese å bli utforsket.
Merk her at, som vist i figur 1, kan EFMs kombinere ulike kanoniske metabolske veier og stykker av dem. I vårt sett av 46 SQ fremtredende EFMs, de hyppigste kanoniske trasé er nedbrytningen av
glyserol Hotell og
D-mannose
, samt biosyntesen av
serin Hotell og
glutamin
.
Gitt resultatene er gitt i tabell 2, er det klart at EFMs er mer informativ enn kanoniske trasé, som listen over potensielle metabolitter er bredere når EFMs er direkte avhørt. Dette viser potensialet i vår tilnærming med respekt metoder basert på kanoniske veier.
Konklusjoner
Begrepet Elementary Flux Modus er ikke ny i Systems Biology [10]. Imidlertid har deres beregning ikke vært mulig i genom-skalanett inntil nylig, noe som har begrenset deres bruk for å analysere -omics data. Med bruk av optimaliseringsbaserte teknikker [26] – [29], ytelsen til algoritmer for å beregne EFMs i genom-skala metabolske nettverk er raskt bedres. Disse fremskritt har tillatt oss å fastslå en betydelig sett av EFMs i forskjellige organismer, slik som vist i [11] for human metabolisme. Basert på dem og -omics data, vil et mer nøyaktig bilde av metabolske prosesser fås i ulike scenarier.
I denne artikkelen har vi identifisert viktige EFMs både AD og SQ NSCLC basert på genuttrykk data, finne en forskjellige metabolske signatur. For å nå dette målet, vi brukte og utvidet tilnærming presentert i [11], med et gen klassifikasjon basert på i) absolutt og ii) differensial uttrykk analyse, som er komplementære og tillater oss å ha mer nøyaktige resultater.
det har vært mye debatt i litteraturen om sammenhengen mellom mRNA og proteinnivåer, samt metabolske flukser. I hvilken grad transcriptomic data korrelerer med proteomikk og fluxomic data er fortsatt et åpent spørsmål [30]. Imidlertid har ulike siste artiklene vist relevansen av genuttrykk data for å forutsi metabolske fenotyper, f.eks [7], [31], som viser verdien av tilnærmingene som den som er presentert her. Merk også at vår tilnærming er generell og kan brukes til proteomikk og metabolomic datasett, vinne ettertranskripsjons endringer.
Vår tilnærming ble brukt til å identifisere inngangs- og utgangs metabolitter med en annen aktivitet i AD og SQ NSCLC. Vi fant en rekke av disse metabolittene, finne en god avtale med tidligere rapportert litteratur. Vår tilnærming, basert på EFMs og genuttrykk data, åpne nye veier for å studere nye biomarkører (metabolitter) karakteriserer forskjellige kliniske resultater. Legg merke til at mengden av genuttrykk av data i forskjellige cancercellelinjer og pasienter er massiv [12]. Ved hjelp av disse dataene i sammenheng med den tilnærmingen presenteres her kan veilede metabolomic eksperimenter og biomarkører i plasma /urinprøver, særlig gitt vanskelighetene med å tolke metabolomics spektra i ikke-målrettede tilnærminger.
Hjelpemiddel Informasjon
Fil S1.
Inneholder fire excel regneark definerer i) navn og forkortelser av reaksjonene og metabolitter involvert i brukt menneskelige metabolske nettverk rekonstruksjon [5], ii) detaljer om EFMs valgt som karakteristisk /differensial fra en generell sett samlet i [11] , iii) aktivitet av EFMs utvalgte som karakteristisk /differensial~~POS=TRUNC i ulike lungekreft scenarier, og iv) en forlengelse av tabell 2, inkludert alle detaljer om SQ og AD spesifikt opptak og utskilles metabolitter
doi:. 10,1371 /journal.pone. 0103998.s001 product: (XLSX)
takk
forfatterne ønsker takke Prof. Rubén Pío for gode innspill i den biologiske diskusjon av resultatene.
