Abstract
Aim
Tidlig diagnose av prostatakreft (PCA), som er et klinisk heterogen-multifokal sykdom, er viktig for å forbedre den prognosen for pasienter. Men publisert PCA diagnostiske markører dele litt overlapping og er dårlig validert ved hjelp av uavhengige data. Derfor har vi her utviklet en integrerende proteomikk og samhandling nettverksbasert klassifiserer ved å kombinere differensial protein uttrykk med topologiske egenskaper på menneske protein interaksjonsnettverk for å styrke evnen til PCa diagnose.
Metoder og resultater
etter to-dimensjonal fluorescens forskjell gelelektroforese (2D-DIGE) kombinert med MS bruker PCa og tilstøtende godartet vev av prostata, ble totalt 60 proteiner med differensial uttrykk i PCA vev identifisert som søker markører. Deretter ble deres nettverk analysert ved GeneGO Meta-Core-programvare og tre hub proteiner (PTEN, SFPQ og HDAC1) ble valgt. Etter det ble en PCa diagnostisk klassifikator konstruert ved støttevektormaskin (SVM) modellering basert på den microarray genekspresjon data av genene som koder for proteinene som er nevnt ovenfor navet. Valideringer av diagnostiske resultater viste at dette klassifiserer hadde prediktiv nøyaktighet høy (85.96~90.18%) og arealet under ROC kurven (tilnærmet 1,0). Videre ble den kliniske betydningen av PTEN, SFPQ og HDAC1 proteiner ved PCA validert av både ELISA og immunhistokjemi analyser. Mer interessant, ble PTEN protein identifisert som en selvstendig prognostisk markør for biokjemisk tilbakefall overlevelse i PCA pasienter i henhold til multivariat analyse av Cox regresjon.
Konklusjoner
Våre data indikerte at integrerende proteomikk og interaksjon nettverksbaserte klassifiserings som kombinerer differensial proteinekspresjon og topologiske trekk ved humant protein interaksjon nettverket kan være et kraftig verktøy for diagnostisering av PCa. Vi identifiserte også PTEN protein som en roman prognostisk markør for biokjemisk tilbakefall overlevelse i PCA pasienter
Citation. Jiang F-n, Han H-c, Zhang Y-q, Yang D-L, Huang J-H, Zhu Y-x, et al. (2013) en integrerende proteomikk og Interaksjon nettverksbasert Klassifiserings for prostatakreft Diagnose. PLoS ONE 8 (5): e63941. doi: 10,1371 /journal.pone.0063941
Redaktør: Natasha Kyprianou, University of Kentucky College of Medicine, USA
mottatt: 27 januar 2013; Godkjent: 09.04.2013; Publisert: May 30, 2013
Copyright: © 2013 Zhong 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 finansiert av National Natural Science Foundation of China (81200550), kinesisk National Key Program grunnforskning (2010CB912700, 2011CB910601), National S T Major Project (2008ZX10002-016, 2009ZX09301-002), National store vitenskapelige og tekniske spesialprosjekt (2011ZX09307-304), Vitenskap og teknologi Prosjekt i Guangdong-provinsen (2010B060500003), Guangzhou Science and Technology Key Project (2010Y1-C041). Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Prostatakreft (PCA), en klinisk heterogen-multifokal sykdom, er den vanligste kreftformen hos menn og den nest største årsaken til mannlig kreftrelaterte dødsfall [1]. Den forekomst og dødelighet av denne årsak i Kina ser ut til å være raskt økende, og det kliniske utfallet av PCA pasienter er vanskelig å forutsi. Anslagsvis 20% av PCA pasienter lider av tilbakevendende sykdom etter radikal prostatektomi eller strålebehandling [2]. Den 5-årige kreftspesifikk overlevelse er nær 80% hos menn med lokalisert PCa men er bare 34% hos menn med fjernmetastaser [3]. Prostataspesifikt antigen (PSA) screening har vært mye brukt for tidlig påvisning av klinisk lokalisert PCa. Men til dags dato er det ingen pålitelige prediktorer for PCa atferd og aggressiv progresjon. I lys av betydningen av tidlig diagnose til anvendelsen av helbredende behandlinger som er det eneste håp for å øke forventet levealder for PCA pasienter, det er et presserende behov for å utvikle effektive systemer som kan spå forekomsten av denne svulst.
Molecular profilering av human cancer har vist seg å være en ny tilnærming for å undersøke denne fasetterte sykdomsprosessen. Blant en rekke høy gjennomstrømning tilnærmingsmåter for molekylær profilering, er proteom analyse den mest basert på fremgangsmåter ved bruk av differensiell ekspresjon på to-dimensjonal polyakrylamid gelelektroforese (2D-PAGE) geler eller, mer nylig, todimensjonal kromatografi etterfulgt av massespektrometri protein identifikasjon [4 ]. Det er ansett som et kraftig verktøy for global evaluering av proteinekspresjon, og har blitt mye brukt i analysen av sykdommer, særlig i kreftforskning. To-dimensjonal gelelektroforese forskjell (2D-DIGE) teknologi, ved anvendelse av en blandet prøve intern standard, er nå anerkjent som en nøyaktig metode for å bestemme og kvantifisere humane proteiner, redusere inter-gel variabilitet og forenkle gelanalyse [5]. Flere grupper inkludert vår egen har innført denne høy gjennomstrømning metode for å evaluere den globale ekspresjon av proteiner i flere humane kreftformer, inkludert hepatocellulært karsinom (HCC) [6], kolorektal kreft [7], øsofageal karsinomer [8], brystkreft [ ,,,0],9], eggstokk-kreft [10], blærekreft, [11], PCa [12], [13] og kreft i bukspyttkjertelen [14]. Imidlertid har det vært et stort antall kandidatproteinene identifisert ved hjelp av høy gjennomstrømning plattformer, og det er mangel på overensstemmelse mellom ulike deteksjonssystemer på grunn av heterogeniteten til pasienten kullene og forskjellen i plattformer. Derfor er det nødvendig å identifisere en pålitelig og konsekvent prediktor som er robust nok til å overvinne variabilities indusert av ulike plattformer eller ulike pasient kohorter.
Vår studie gruppe har nylig utviklet en systembiologi basert klassifikator for tidlig diagnose av HCC ved å kombinere differensial genekspresjon og topologiske karakteristika for human-protein interaksjon nettverk, og også vist at dette sorter kan effektivt forbedre den diagnostiske ytelsen for HCC pasienter [15]. På bakgrunn av dette, i denne studien, ønsker vi å utvikle en integrerende proteomikk og samhandling nettverksbaserte Klassifiserings hjelp av forskjellig uttrykt proteiner oppdaget av 2D-DIGE i vår tidligere studie [12], for å styrke evnen til PCa diagnose. Vi utfører ytterligere eksperimentell validering av den kliniske betydningen av kandidat PCA markører av Enzyme-linked immunosorbent assay (ELISA) og immunhistokjemi analyser.
Materialer og metoder
Pasient og Prøver Collection
studien ble godkjent av forskningsetiske komité for Guangzhou First Municipal Folkets sykehus, Guangzhou Medical College, Guangzhou, PRChina. Skriftlig informert samtykke ble oppnådd fra alle pasientene. Alle prøvene ble håndtert og anonymisert i henhold til de etiske og juridiske standarder.
For 2D-DIGE analyse, fire friske PCA vev og paret 4 tilstøtende godartet vev av prostata hentet fra 4 PCA pasienter som gjennomgikk transurethral reseksjon av prostata eller radikal prostatektomi ble gitt av Guangzhou First Municipal Folkets sykehus, Guangzhou, Kina. Ingen av pasientene rekruttert i denne studien hadde adjuvant eller neoadjuvant hormonelle eller strålebehandling før operasjonen. De clinicopathological data av tumorprøver er oppsummert i tabell 1.
For protein validering av ELISA og immunhistokjemi analyser 22 tilfeller av prostata kreftvev og 21 tilfeller av tilstøtende godartede vev ble oppnådd fra pasienter med PCa som ble operert ved Guangzhou First Municipal Folkets sykehus og Guangdong Provincial Folkets sykehus, Guangzhou, Kina. Menneskelig PCa vev microarray (TMA) bestående 112 PCA vev fra kaukasiske og afrikansk-amerikanske PCA pasienter (aldring 46-87 år, gjennomsnittlig ± SD = 58 ± 7.36 år, TNM staging fra I til III) ble med detaljert klinisk informasjon kjøpt fra Jieqing selskap (Guangzhou, Kina) .De clinicopathological data for disse pasientene er oppsummert i tabell 2.
Identifikasjon av differensial uttrykk profilen til proteiner ved PCA
differensial~~POS=TRUNC uttrykk profilen til proteiner i PCA vev sammenlignet med tilstøtende godartet vev av prostata ble identifisert av 2D-DIGE henhold til protokoller av vår tidligere studie [12].
Nettverk analyse
Nettverk analyse ble utført for å velge essensielle proteiner i sykdom nettverk som bestanddelene av PCa sortereren i henhold til protokoller av våre tidligere studie [15]. Nettverket representasjon ble generert ved hjelp GeneGO Meta-Core-programvare (Encinitas, California). Programvaren sammenkoblet alle kandidatgener ifølge publiserte litteraturbasert merknader. Bare direkte forbindelser mellom de identifiserte gener ble vurdert. Knutepunkter ble definert som de med mer enn tretti tilkoblinger og .. 50% av kantene skjult i nettverket
Integrative proteomikk og samhandling nettverksbasert PCa klassifikator bygging
datasett
for å demonstrere denne romanen klassifikator, tre offentlig tilgjengelige datasett av genuttrykk profiler fra Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/, Utgivelsesdato: 01/04/2012, inkludert 29123-serien, 9,933 plattformer og 719,101 prøvene) ble brukt i denne studien, inkludert Tomlins_prostate [16] (GEO tiltredelse nummer~~POS=HEADCOMP: GSE6099, 51 PCA prøver og 23 ikke-tumor prostata prøver), Wallace_prostate [17] (GEO sjonsnummer: GSE6956, 75 PCA prøver og 14 ikke-tumor prostata prøver) og Taylor_prostate [18] (GEO tiltredelse nummer~~POS=HEADCOMP: GSE21034, 150 PCA prøver og 29 ikke-tumor prostata prøver) datasett. Disse datasettene ble tilfeldig delt inn i opplæring og test datasett for 100 ganger.
Support vektor maskin klassifikator.
Support vektor maskin (SVM) [19], noe som kan ta opp generelle tilfellet av ikke-lineær og ikke-separable klassifisering effektivt, ble brukt til å konstruere våre Integrative proteomikk og samhandling nettverksbasert PCa klassifikator. Målet med en SVM er å finne et hyperplan som maksimerer bredden av marginen mellom klassene og samtidig minimaliserer de empiriske feil [20]. Her har vi valgt radial basis funksjonen (RBF) som følgende formel [21]: Deretter ble opplæringen datasettet som brukes for å legge inn SVM modellen for derved å beregne terskelverdien for poengsum ved å velge verdien av cutoff på hvilken Areal under Receiver Drifts Karakteristisk (ROC) Curve () var den største. Til slutt bestemmer SVM klassifikator. Hvis, kan prøven bli spådd som PCA vev
Ytelse evaluering
Den generelle ytelsen til PCa klassifikator ble vurdert av to forskjellige tilnærminger: 5 ganger kryss- validering test og uavhengige datasett test. Den samlede forutsigbar nøyaktighet () og ble anvendt for å måle den forutsigelse av resultatene vår metode. ROC Curve kan vise effekten av en test ved å presentere både sensitivitet og spesifisitet for ulike cutoff poeng [22]. Sensitivitet og spesifisitet kan måle evnen til en test for å identifisere sanne positive og falske seg i en dataset.where,,, henholdsvis refererer til antallet av sanne positive, sanne negative, falske positive og falske negative resultat komponentene i en test, mens refererer til det totale antall forutsagte prøver.
ROC-kurver er plottet og glattet ved SPSS programvare med følsomhet på aksen og 1-spesifisitet på aksen.
i 5-fold kryss -validation test, datasettet ble tilfeldig delt inn i 5 sett, hvorav fire ble brukt til å trene parameterne for den prediktive algoritme. Den prediktive Nøyaktigheten av algoritmen ble deretter evaluert ved de gjenværende settet, og denne prosedyren ble gjentatt fem ganger før sensitivitet og spesifisitet mot forskjellige parametere over fem testdatasett er beregnet for ROC-kurven.
Protein Validering av enzym- bundet immunosorbent assay
ELISA-analysen ble utført for å påvise ekspresjonsnivåene av potensiell kandidat markører, som ble identifisert som essensielle proteiner av både 2D-DIGE og nettverk analyser i henhold til vår tidligere studie [12].
Protein Validering av immunhistokjemi analyse
immunhistokjemi analyse ble utført for å bestemme uttrykk mønstre og subcellulære lokaliseringer av potensielle kandidatmarkører i PCA vev i henhold til vår tidligere studie [23].
Statistisk analyse
SPSS13.0 programvare for Windows (SPSS Inc, USA) ble brukt for statistisk analyse. Kontinuerlige variabler ble uttrykt som
. Gruppe sammenligninger av kategoriske variabler ble undersøkt ved hjelp av χ
2 test eller lineær ved lineær sammenheng. Sammenligninger av gjennomsnittlig betyr ble utført med den uavhengige prøver t-test eller en-veis analyse av varians.
p
verdier på mindre enn 0,05 ble ansett for å være statistisk signifikant.
Diskusjon
Identifikasjon av kandidat PCA markører for nettverksanalyse
Resultater og følge til vår tidligere studie [12], et totalt 60 differensielt uttrykte proteiner, inkludert 37 som ble oppregulert og 23 som ble nedregulert i PCA vev, ble anvendt for nettverksanalyse (den detaljerte informasjonen om dette proteinet listen er vist i).
Identifikasjon av nettverk hub proteiner for PCa klassifikator
for å opprette nettverket, proteiner (noder) og publisert litteratur-baserte tilkoblinger (kanter) ble plottet ved hjelp GeneGo-MetaCore. Nettverksstrukturen er i overensstemmelse med en skala fritt nettverk og representerer interaksjoner mellom individuelle mål. Som mål med høy grad av tilkobling er ansett for å være de viktigste komponentene i et nettverk [24], undersøkte vi nav med mer enn 30 forbindelser og mindre enn 50% av kantene skjult innenfor nettverket. For nettverket av differensial uttrykte gener i PCA vev (Figur 1a), ble 13-huber valgt å konstruere deres interaksjon nettverk (figur 1B): DDX5, ERG, HDAC1, HSP27, NDPK_A, NDPK_B, PEA3, SFPQ (PSF), PTEN, PUR-alfa, TAF1, TAF15, og hnRNP_L (detaljert informasjon om disse knutepunkt proteinene er vist i tabell S2). Som vist i figur 1B, for å tre hub proteiner (PTEN, HDAC1 og SFPQ) som ble interaksjon med hverandre tett ble valgt konstruere vår PCa klassifisereren.
Hub-basert nettverk riss av 13 differensielt uttrykte gener navet (B ). GeneGO MetaCore ble anvendt for å danne et nettverk av direkte forbindelse mellom gener valgt for analyse. Røde, grønne og grå piler indikerer negative, positive, og uspesifiserte effekter, henholdsvis. Huber ble identifisert til å ha mer enn tretti tilkoblinger og mindre enn 50% av kantene skjult i nettverket.
Ytelse evaluering av PCa klassifikator
PCa klassifiserer konstruksjonen.
på grunnlag av genekspresjon nivåene av tre knutepunkter som er nevnt ovenfor, ble PCA klassifikator konstruert ved å bruke SVM modell. Treningen datasettet ble brukt til å trene de parameterne for PCa klassifikator og de uavhengige datasett ble brukt for å evaluere resultatene av denne klassifikator.
Uavhengig validering.
De uavhengige microarray gene expression datasett ble brukt til å teste vår PCa klassifikator. Tomlins_prostate [16] (GEO tiltredelse Nummer: GSE6099, 51 PCA prøver og 23 ikke-tumor prostata prøver), Wallace_prostate [17] (GEO tiltredelse Nummer: GSE6956, 75 PCA prøver og 14 ikke-tumor prostata prøver) og Taylor_prostate [ ,,,0],18] (GEO tiltredelse nummer~~POS=HEADCOMP: GSE21034, 150 PCA prøver og 29 ikke-tumor prostata prøver) datasett ble tilfeldig delt inn i opplæring og test datasett, og denne prosedyren ble gjentatt 100 ganger. Vekten av hub gener og poengsum terskel i PCA klassifikator ble trent av treningen datasett. Den prediktive nøyaktighet og AUC-verdien av algoritmen ble deretter evaluert ved testdatasettene, og denne prosedyren ble gjentatt 100 ganger. Til slutt ble nøyaktighet og AUC-verdier for ulike tester summert for å beregne gjennomsnitt og standardavvik.
Den samlede prediktiv nøyaktighet og AUC-verdiene for de ulike PCA classifiers på Tomlins_prostate, Wallace_prostate og Taylor_prostate test datasett ble beregnet. Som vist i tabell 3, nøyaktighets verdiene av denne PCa klassifisereren på forskjellige uavhengige testdatasett var 85.88~92.71%, og AUC-verdiene var 0.89~0.93. AUC-verdien er en indikator for effektiviteten av vurderingssystem. En ideell test med perfekt diskriminering (100% følsomhet og 100% spesifisitet) har en AUC på 1,0, mens en ikke-informative forutsigelse har området 0,5, noe som indikerer at det kan oppnås ved ren gjetning. Jo nærmere 1,0 AUC for en test er, jo høyere det samlede effekten av testen vil være [22]. Vi fant ut at dette PCa sorter hadde et område tilnærmet 1,0, noe som tyder på at det hadde en relativt høy evne til å identifisere de sanne PCA vev mot de ulike uavhengige test datasett.
Vi valgte 3 huber (PTEN, HDAC1 og SFPQ) fra 13 nav i nettverket som del av vår PCa klassifikator, fordi de ble samhandlet med hverandre tett. For å bekrefte rasjonalitet av dette valget, sammenlignet vi resultatene av PCa klassifikator med 13 huber og som av PCa sorter med 3 huber. Som resultatene vist i figur 2, den prediktive nøyaktighet og AUC-verdier av sorteringsapparatet med 3 nav var både høyere enn de av sortereren med 13 nav. Men forskjellene hadde ingen statistisk signifikans (alle P 0,05)., Noe som indikerer at det kan være fornuftig å velge navene med direkte samhandling som del av vår PCa klassifikator
prediktiv nøyaktighet og AUC av sorter med 3 huber var både høyere enn de av sorter med 13 huber. Men forskjellene hadde ingen statistisk signifikans (alle P 0,05).
Fem-fold kryssvalidering
Vi har også brukt 5-fold kryssvalidering protokollen for å evaluere. utførelsen av denne PCa klassifikator. Som AUC er en indikator på diskriminerende makt for klassifikator, ble det brukt her for å evaluere den prediktive effekten av denne PCa klassifikator. Som vist i tabell 4, nøyaktighets verdiene av denne PCa klassifisereren i alle de fem testene var 86.32~92.88%, og AUC-verdiene var 0.89~0.93, noe som tyder på at den har en stor pålitelighet og effektivitet til å identifisere den virkelige PCA vev mot annen test . datasett
klinisk betydning av PTEN, HDAC1 og SFPQ hub proteiner ved PCA
Nextly undersøkte vi de sammenslutninger av tre hub proteiner: PTEN, HDAC1 og SFPQ, med clinicopathological egenskaper og prognosen for pasienter med PCa. De 2D-Dige Resultatene av disse navene ble vist i figur 3.
En paret t-test ble brukt på alle fire parene som bruker DeCyder BVA programvare.
PTEN.
PTEN (fosfatase og tensin homolog på kromosom 10), lokalisert på 10q23.3, er en av de mest vanlige tumorsuppressorgener i humane cancere [25]. Det fungerer som en negativ regulator av PI3K /AKT sti [26]. Samler studier viste de viktige rollene PTEN i tumorigenesis og tumorprogresjon PCa. Chaux et al. [27] indikerte at tap av PTEN ekspresjon kan være assosiert med øket risiko for tilbakefall etter prostatektomi for klinisk lokalisert PCa; Choucair et al. [28] foreslått at PTEN slettet svulster som uttrykker lave nivåer av androgen reseptoren kan representere en verre prognostisk undergruppe av PCa etablere en utfordring for terapeutisk ledelse; Antonarakis et al. [29] fant at tap av PTEN uttrykk i primær PCA Prøver kan forutsi progresjonsfri overlevelse mer nøyaktig enn kliniske faktorer alene hos menn med høy risiko PCa som får adjuvant docetaxel etter prostatektomi. Med de tilsvarende resultater fra tidligere rapporter, både ELISA og immunhistokjemi analyser i denne studien viser at ekspresjonsnivået av PTEN protein i PCA vev var signifikant lavere enn i tilstøtende godartet prostatavevet [ELISA-assay: 60,96 ± 7,08 (ng /mg) vs 89,28 ± 20,62 (ng /mg), P 0,001; immunhistokjemi analyse: 2,38 ± 0,37 vs. 3,92 ± 0,40, P = 0,01; Tabell 5, figur 4A og B]. I tillegg er uttrykket nivåer av PTEN i PCA-vev med fremskredet stadium patologisk og positiv metastasering var signifikant lavere enn de med tidlig stadium patologisk (p = 0,041, tabell 6) og negativ metastase (p = 0,006, tabell 6). Videre er den biokjemiske gjentakelse-overlevelse av pasienter med lav PTEN ekspresjon var signifikant lavere enn de med høy PTEN uttrykket (P = 0,016, figur 5A). Videre multivariate analyser at nedregulering av PTEN (P = 0,03) var et uavhengig prediktor for kortere biokjemiske gjentakelse fri-overlevelse (tabell 7).
A, PTEN svakt positiv farging ble funnet i cytoplasma av PCA vev; B, PTEN sterkt positiv farging ble funnet i cytoplasma av benigne luminal celler; C, SFPQ svakt positiv farging ble funnet i cytoplasma i PCA vev; D, SFPQ sterkt positiv farging ble funnet i cytoplasma av benigne luminal celler; E, HDAC1 sterkt positiv farging ble funnet i cytoplasma i PCA vev; F, HDAC1 svakt positiv farging ble funnet i cytoplasma av benigne luminal celler; G, Negativ kontroll for immunhistokjemi analyse; H, immunhistokjemisk farging score til PTEN, SFPQ og HDAC1 ved PCA og tilstøtende godartet prostata vev.
SFPQ.
SFPQ ( skjøting faktor prolin /glutamin-rike, også kjent som PSF) fungerer som en polypyrimidine veis-bindende protein-assosierte spleising faktor som har to kveil-spole domener [30]. Det kan binde DNA og RNA, og er en vesentlig faktor for RNA-spleising. Xu et al. [31] har vist at SFPQ kan indusere resistens av HeLa-celler til 2 «, 2»-diflurodeoxycytidine samt andre pyrimidin-nukleosid-analoger; Tanaka et al. [32] rapporterte en SFPQ /PSF-TFE3 genfusjon i perivaskulær epithelioid celle tumor for første gang. Så langt vi kjenner til, har involvering av SFPQ ved PCA ikke klarlagt. I denne studien, analyser både ELISA og immunohistokjemi vist at ekspresjonsnivået av SFPQ protein i PCA vev var signifikant lavere enn i tilstøtende godartet prostatavevet [ELISA-assay: 1,95 ± 2,06 (ng /mg) sammenlignet med 3,75 ± 2,18 (ng /mg), p = 0,02; immunhistokjemi analyse: 3,81 ± 0,54 vs. 5,01 ± 0,48, P = 0,02; Tabell 5, figur 4C og D]. I tillegg ble redusert ekspresjon av proteinet SFPQ signifikant assosiert med avansert klinisk stadium av PCA vev (p = 0,007, tabell 6). Imidlertid gjorde våre data ikke finner den prognostiske betydningen av SFPQ i PCA pasienter (Figur 5D~F).
HDAC1.
HDAC1 (Histone deacetylase 1) er et medlem av klassen jeg av histone deacetylases som også inkluderer HDAC2, -3 og -8 [33]. Det spiller en viktig rolle i cellulær senescens, aldring av leveren, myelinisering, voksen nevrogenesen og karsinogenese [34]. HDAC1 samhandler med retinoblastom tumor-suppressor protein og dette komplekset er et sentralt element i kontrollen av celleproliferasjon og differensiering [35]. Sammen med metastase-assosierte protein-2, HDAC1 deacetylates p53 og modulerer dens virkning på cellevekst og apoptose. I PCA Patra et al. [36] og Halkidou et al. [37] detektert betydelig høyere HDAC1 ekspresjon i prostata cancer enn i godartet prostata cellelinjer og vev, noe som tyder på at HDAC1 kan være forbundet med den kreftutvikling av PCa. Nylig Lei et al. [38] viste at PTEN tap ved PCA kan føre til redusert uttrykk for NKX3.1 som negativt modulerer androgen reseptor transkripsjon og dermed androgen reseptor-assosiert signal hendelser. De fant også at NKX3.1 kan engasjere cellesyklus og celledød maskiner via tilknytning HDAC1. I samsvar med disse tidligere studiene våre data er vist opp-regulering av HDAC1 protein i PCA vev sammenlignet med tilstøtende benign prostatavevet [ELISA-analyse: 6,70 ± 5,02 (ng /mg) sammenlignet med 4,84 ± 3,68 (ng /mg), P = 0,03; immunhistokjemi analyse: 5,13 ± 0,56 vs. 3,44 ± 0,61, P = 0,01; Tabell 5, figur 4E og F]. Angående til klinisk betydning, fant vi at overekspresjon av HDAC1 var oftere skjedde i PCA vev med avansert klinisk stadium (P = 0,01, tabell 6). Imidlertid gjorde våre data ikke finner den prognostiske betydningen av HDAC1 i PCA pasienter (Figur 5G~I).
Konklusjon
Den aktuelle studien utviklet en ny klassifikator av PCa diagnose som er basert på å integrere de topologiske funksjonene til protein-protein interaksjon nettverk med differensial protein uttrykk profiler i henhold til sykdomstilstander. Denne systematiske integrering gir oss to hovedfordeler: For det første gjør oss i stand til å tilstrekkelig utnytte protein co-uttrykk opplysninger gitt av proteomikk-data, som antas å være mer informativ enn uttrykk endringer av enkelte proteiner for biomarkør identifikasjon. For det andre er nettverksanalyse et kraftig verktøy for å forstå sykdomsmekanismer for sykdom. Ved å integrere topologiske funksjonene i biologisk nettverk, litt informasjon tapt i dette uttrykket analyse er lagt til vår klassifikator. Mer interessant, ved eksperimentell validering ved hjelp av et stort antall kliniske vevsprøver PCA, vi også identifisert PTEN protein som en roman prognostisk markør for biokjemisk tilbakefall overlevelse i PCA pasienter.
Hjelpemiddel Informasjon
Tabell S1.
forskjellig uttrykt Protein List identifisert av 2D-DIGE
doi:. 10,1371 /journal.pone.0063941.s001 plakater (DOC)
Tabell S2.
Hub proteiner av nettverket av differensial uttrykt proteiner ved PCA
doi:. 10,1371 /journal.pone.0063941.s002 plakater (docx)
