Abstract
Nyere studier har avdekket at en liten ikke-kodende RNA, mikroRNA (miRNA) ned -regulates sine mRNA mål. Denne virkning er ansett som en viktig rolle i forskjellige biologiske prosesser. Mange studier har vært viet til å forutsi miRNA-målet interaksjoner. Disse studiene tyder på at interaksjonene kan bare være funksjonell i enkelte vev, som avhenger av egenskapene til en miRNA. Ingen systematiske metoder har blitt etablert i litteraturen for å undersøke sammenhengen mellom miRNA-målet interaksjoner og vev spesifisitet gjennom microarray data. I denne studien foreslår en metode for å undersøke miRNA-target interaksjonsstøttede vev, som er basert på eksperimentelt validerte miRNA-målet interaksjoner. Vevsspesifisiteten resultatene etter vår metode er i samsvar med de eksperimentelle resultatene i litteraturen.
Tilgjengelighet og implementering
Våre analyseresultater er tilgjengelig på https://tsmti.mbc.nctu.edu . .tw /og https://www.stat.nctu.edu.tw/hwang/tsmti.html
Citation: Hsieh WJ, Lin FM, Huang HD, Wang H (2014) Gransker mikroRNA-Target interaksjons~~POS=TRUNC-støttede Vev i human Cancer Vev basert på miRNA og Target Gene Expression profilering. PLoS ONE 9 (4): e95697. doi: 10,1371 /journal.pone.0095697
Redaktør: Yan Xu, The Perinatal Institute, Cincinnati Children Hospital Medical Center og University of Cincinnati, USA
mottatt: 15 november 2013 ; Godkjent: 28 mars 2014; Publisert: 22 april 2014
Copyright: © 2014 Hsieh 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:. Forfatterne ønsker å takke National Science Council of republikken Kina for økonomisk støtte denne forskning under kontrakt nr NSC 98-2311-B-009-004-My3, NSC 99-2627-B-009-003, NSC 101-2311 -B-009-003-My3, NSC 100-2627-B-009-002, NSC 101-2118-M-009-006-MY2, NSC 101-2811-M-009-064 og NSC 102-2911-I -009 til 101. Dette arbeidet ble støttet delvis av UST-UCSD International Center of Excellence in Advanced Bio-engineering sponset av Taiwan National Science Council I-ris Program under Grant Nummer: NSC 101-2911-I-009-101, og Veteraner Somatiske sykehus og University System of Taiwan (VGHUST) Joint Research Program under Grant Nummer: VGHUST101-G5-1-1 og VGHUST103-G5-1-2. Dette arbeidet ble også delvis støttet av MOE ATU og Nasjonalt Senter for teoretisk Sciences. 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
mikroRNA er en kort ikke-kodende RNA som er tilnærmet 22 nt, som undertrykker genekspresjon via translasjonell undertrykkelse eller mRNA degradering ved binding til 3′-utranslaterte regioner (3’UTR). Oppdagelsen av den første miRNA fra Caenorhabditis elegans i 1993 inspirert en rekke miRNA studier [1]. I dag har ca 21 264 mirnas blitt oppdaget i mange arter.
For å studere regulering mellom mirnas og gener, er miRNA målwebområder vanligvis spådd av miRNA mål prediksjon verktøy. Mange beregnings mål prediksjon verktøy, for eksempel Miranda [2], TargetScanS [3] – [5] og RNAhybrid [6], har blitt utviklet. I tillegg har flere statistiske metoder også blitt brukt til å bygge et nettverk av assosiasjoner mellom miRNAs og deres mål mRNA [7] – [10]. Vanligvis miRNA mål prediksjon verktøy forutsi mange potensielle målse. For å redusere antall falske positive målse, spådde miRNA målwebområder bør bekreftes ved eksperimenter. Vanligvis kan miRNA-målet interaksjoner (MTIs) bekreftes av reporter analyser, Western blot, microarray eksperimenter, pSILAC eller QRT-PCR. Videre har mange databaser, for eksempel miRTarBase [11], TarBase [12], miRecords [13] og miR2Disease [14], er blitt utviklet for å lagre eksperimentelt bekreftet MTIs. Spesielt har den (versjon 2.1) database miRTarBase samlet ca 3500 manuelt kuratert eksperimentelt validert MTIs, inkludert 657 mirnas og 2,297 målgener blant 17 arter fra 985 forskningsartikler [11]. Den TarBase 5.0 database har lagret om lag 514 MTIs som ble hentet fra 203 papirer [12]. Den miRecord database, som inneholder 1,529 eksperimentelle vekselvirkninger, er sammensatt av eksperimentelt validerte mirnas og forutsagte MTIs [13]. Den miR2Disease database er beregnet på lagring av eksperimentelt bekreftet MTIs som er deregulert i forskjellige humane sykdommer [14]. Blant disse databasene, gir miRTarBase mer oppdatert MTIs enn de andre databasene.
Viktigere mirnas har blitt observert å være vev-spesifikk i mange studier. For eksempel kan MIR-122 bare detekteres i levervev og ikke påvises i alle andre vev [15]; uttrykket av MIR-122 i leverkreft er relativt lavere enn den i sunn leveren [16]; MIR-1 og MIR-143 er fortrinnsvis uttrykt i hjerte og tykktarm vev, henholdsvis [15], [17]; MIR-126 er en endothelial spesifikk miRNA som regulerer vaskulær integritet og angiogenese [18]; MIR-195 og MIR-200c er spesielt uttrykt i lunge vev [19]. I tillegg er noen mirnas er biomarkører for påvisning av kreft, for eksempel MIR-221, -100, -125b og -21 i bukspyttkjertelkreft [20].
Selv om mange forskere har antydet at mange mirnas har vev-spesifikk uttrykk [15] – [20], er det etablert noen systematiske metoder i litteraturen for å undersøke den svært negative korrelasjoner mellom en miRNA og dets mål gener i en gruppe med spesifikke vev gjennom microarray data. Analysere sammenhengen av uttrykk mellom miRNAs og mRNA er en av metodene som har blitt brukt for å øke tilliten til spådd miRNA målwebområder [21] – [28]. I denne studien har vi utviklet en statistisk metode for å bestemme mikroRNA-target interaksjonsstøttede vev (MTI-støttet vev) basert på eksperimentelt validerte miRNA-målet interaksjoner. De MTI-støttede vev av en miRNA er en gruppe av vev som denne miRNA og sine mål uttrykker i disse vevene.
De store Målet med denne studien er å undersøke MTI-støttede vev som er basert på eksperimentelt validerte miRNA-målet interaksjoner i miRTarBase database. På https://tsmti.mbc.nctu.edu.tw vi kort beskrive hvordan den foreslåtte metoden er brukt for å identifisere MTI-støttede vev. De store analyseresultater og materialene i denne avhandlingen presenteres på denne nettsiden.
Materialer og metoder
I sitt syn på den foreslåtte prosedyren er kort vist i figur 1. Vi bruker datasett [29 ] for å illustrere våre metoder. Dette datasettet omfatter mirnas uttrykk profiler og mRNA uttrykk profiler for 89 prøver av 11 organer fra tumor eller normale vev. Prøvene med 11 organer er sammenfattet i tabell 1, omfattende 68 tumorvev og 21 normale vev. De mRNA uttrykk profiler som ble publisert i 2005 består av to microarray plattformer, GPL80 og GPL98, som representerer 16,063 gener over 89 vev [29]. Fordi delvis mRNA uttrykk nivåer mangler, er bare 12 766 av disse genene som brukes i våre studier. De miRNA uttrykket profiler (GSE2564) er sammensatt av uttrykket data for 288 mirnas over 249 vev [29]. Etter eliminere dupliserte og overflødige data, bruker vi bare data for 163 miRNA over 89 vev. Med dataene for en miRNA, ønsker vi å undersøke MTI-støttede vev for å fastslå om miRNA er funksjonell over disse vev basert på eksperimentelt validert MTIs. Som nevnt i innledningen, er det miRTarBase databasen mer informative enn andre databaser. Vi bruker den miRTarBase versjon 2.1 database [11] for å oppnå eksperimentelt validert MTIs, som kan nås på «https://mirtarbase.mbc.nctu.edu.tw/cache/download /2.1/miRTarBase_MTI.xls». Ifølge mirnas som ble registrert i GSE2564, velger vi 743 eksperimentelt validert MTIs og analysere sammenhenger mellom miRNA og mRNA uttrykk profiler på tvers av ulike vev sett.
Eksperimentelt validert MTIs deler de samme miRNA ble valgt fra miRTarBase database . Korrelasjonene av MTIs tvers av en kombinasjon av vev, som ble valgt av vår metode, er sterkt negative.
Før analysere uttrykket data, må vi først normalisere miRNA og mRNA uttrykk data på tvers av 89 vev. Dataene pre-prosesseringsmetode er gitt i tilleggsdata. Noen data pre-prosesserings Resultatene er presentert i figurene S1 og S2 i File S1. Etter at data pre-prosessering, toppen 23 mirnas med et destinasjonsnummer som er større enn eller lik 10, og med et antall vev med ekspresjonsnivåer som var større enn 7,25 blir valgt og er oppført i tabell 2. Uttrykket nivå 7,25 er det cutoff punktet som ble brukt i Huang
et al.
(2007) [7]. I tabell 2, fire mirnas, HSA-MIR-122, HSA-MIR-124, HSA-MIR-155 og HSA-MIR-133a, blir ignorert fordi det ikke er nok eksempler for disse mirnas som kan benyttes for analysen. Derfor analyserer vi 19 mirnas i denne studien.
Før innføre metoden beskriver vi først motivasjonen for å foreslå metoden. Tidligere studier har vist at mirnas ned-regulere sine mål [16], [30], noe som resulterer i en negativ korrelasjon av microarray uttrykk mellom en miRNA og dets mål interaksjoner. Men avslører Figur S1 i File S1 at de absolutte verdier av de fleste sammenhenger i mirnas og sine mål samhandling på tvers av alle 89 vev er ikke vesentlig stor. Vi har derfor konkludere med at nedregulering av en miRNA oppstår i noen vev.
For en miRNA, må vi først finne de assosierte interaksjoner gjennom microarray datasettet og miRTarBase database og deretter beregne korrelasjoner mellom mirnas og sine mål. Dermed er en miRNA forbundet med en korrelasjon sett, som omfatter sammenhenger mellom denne miRNA og sine mål. Fordi det er mer enn ett mål samhandling som er knyttet til en miRNA, er vårt mål å integrere flere korrelasjonskoeffisienter mellom denne miRNA og deres mål å finne MTI-støttede vev. Derfor, for å bestemme MTI-støttede vev av denne miRNA, vi foreslår å bruke et kriterium som er basert på de to faktorene i sammenheng setter: (i) gjennomsnittlig korrelasjonskoeffisient og (ii) andelen av negative korrelasjonskoeffisienter. På grunn av nedregulering av miRNA til målet sitt samspill, for et sett med ekte MTI-støttede vev av en miRNA, forventer vi at uttrykket data mellom denne miRNA og dets mål interaksjoner vil være svært negativt korrelert. Derfor forventer vi at de sanne MTI-støttede vev bør tilfredsstille en hypotese om at den gjennomsnittlige korrelasjonskoeffisienter er sterkt negativ, og at andelen negative korrelasjonskoeffisienter er stor.
For å beskrive den foreslåtte metoden, må vi først introdusere noen notasjoner. Vi betegner de 89 vev som, og de 19 mirnas som. Uttrykket verdien av en miRNA og en mRNA over de 89 vev betegnes som og. La betegne målet interaksjon (mRNA) tall som svarer til denne miRNA fra miRTarBase databasen.
La,, være et sett med vev av de 89 vev, der er størrelsen på prøvesett A. korrelasjonskoeffisient av miRNA
m Hotell og mRNA
y
over et prøvesett
en
er definert aswhere og betegne midlene og
y
tvers av vev i settet, henholdsvis.
la betegne korrelasjonskoeffisientene av denne miRNA og dets mål samhandling på tvers av vev i settet, og la betegne gjennomsnittet av disse korrelasjonskoeffisientene over vev settet. I tillegg la være antall negative verdien av korrelasjonskoeffisienter. Deretter definerer vi den negative korrelasjonskoeffisienten andel som.
For miRNA, er målet med denne studien er å finne en vev satt slik at er sterkt negativ. I tillegg, fordi det er korrelasjonskoeffisienter for dette mRNA, må vi kreve at andelen av negative korrelasjonskoeffisienter blant disse korrelasjonskoeffisienter er større enn en terskelverdi. Det vil si, vi har tenkt å finne en vev satt slik at er liten. Derfor foreslår vi å bruke tapsfunksjonen. (1) for å velge en vev sett, slik at minimum av tapsfunksjonen skjer på, hvor
en
er en konstant mellom 0 og 1, det vil si,
(2) i tapsfunksjonen (1),
en
brukes til å justere vektene til og. For å finne tilfredsstiller betingelsen (2), er det vanskelig å direkte beregne verdien for alle sett av. For et sett med elementer, er det kombinasjoner. Fordi rekkevidde av verdien er fra 2 til 89, er det totalt ofpossible valg av et sett. Beregningen kompleksiteten er for høy for å oppnå sann. Fordi den totale mulige kombinasjoner er for stor, kan vi litt slappe av betingelsen (2) for å være (3) hvor S er et sett av
O
, som er begrenset til å ha elementer i stedet for elementer, hvor. I den følgende analyse blir valgt til å være. For å velge en tilstrekkelig verdi, har vi testet mange forskjellige verdier, og fant at den valgte vev ved bruk er nesten det samme med de utvalgte vev for anvendelse i mange tilfeller. Dermed har vi adoptert i denne analysen.
Når prøvetaking vev sett, en heuristisk metode eller et brute-force metoden kan bli vedtatt. Hvis svært trygg MTI-støttede vev for en miRNA er tilgjengelig fra litteraturen eller andre ressurser, foreslår vi direkte valg av vev sett inkludert disse vev i gjennomføringen av algoritmen, som kan beskjære søket plass. Ellers er brute-force prøvetaking foreslått å unngå å få ikke objektive resultater. Siden den foreslåtte prøvetaking størrelse er, er det ikke veldig tidkrevende i gjennomføringen av algoritmen når vi bruker brute-force utvalgsmetode.
Trinnene for å finne den under forutsetning (3) er presentert i følgende algoritme . Før forrige algoritmen, må vi spesifisere konstant i stand (1).
For å evaluere resultatene av vår foreslåtte algoritmen, har vi adoptert en permutasjon test og en gruppering analyse [31] for å vise overlegenhet av den foreslåtte algoritme. Begge metodene er beskrevet i tilleggsdata. Noen sammenligning Resultatene er presentert i Figur S3 i File S1 og tabell S1 i File S1. Resultatene av de to metodene opprettholde vår foreslåtte algoritmen som en effektiv metode for å velge gyldige MTI-støttede vev av en miRNA
2.1 Algoritmer
Algoritme for vev prediksjon:.. Korrelasjon tapsfunksjon algoritme
Anta at en miRNA
m
har MTIs
Trinn 1:. tilfeldig velge et sett
O
med vev
Trinn 2:. Beregn sammenhengene mellom denne miRNA og mRNA tvers av vev i
O
. Deretter beregner gjennomsnittet av disse sammenhengene, og andelen av negative korrelasjoner, etter
Trinn 3:. Bruk verdiene og å beregne (1)
Trinn 4:. Gjenta trinn 1-3 ganger. Vi får verdier
Trinn 5:. Finn ut minimumsverdien av verdiene, sier. Liste vevet sett, sier tilsvarer denne verdien, er at
Step6. Gjenta trinn 1-5 for annet å få forskjellige verdier. Finn minimum verdien av disse s, si. Deretter vevet sett tilsvarer denne verdien er den MTI-støttede vev er angitt.
I tillegg til bare å vurdere korrelasjoner av uttrykkene mellom mirnas og mRNA-er, DNA-kopi-antall og promoteren metylering på mRNA-gen locus på mRNA uttrykk kan påvirke miRNA-mRNA uttrykk forening. Vi har gitt R-koder som inkluderer andre faktorer i tapsfunksjonen. Leserne kan få tilgang til R-koder på https://tsmti.mbc.nctu.edu.tw/lossfunction2.txt.
Fordi algoritmen er basert på tapsfunksjonen (1) for å evaluere ytelsen til korrelasjon, vi kalte denne algoritmen sammenhengen tapsfunksjonen algoritme. Trinnene i vår algoritme er beskrevet i flytskjemaet i figur 2.
Praktisk talt, for en miRNA og sine mål, er vi ikke sikker på hvor mange vev bør velges. Først begynner vi ved å velge 3 vev fra alle vev, men ikke velger en vev fordi sammenhengen mellom en miRNA og sine mål over en vev ikke kan beregnes. For å finne den optimale vev rekke ulike miRNAs, velger vi vevet tall fra 3 til 15.
I Figur 3 illustrerer vi tapet av funksjonsverdier med i hvert miRNA og sine mål over 5 vev, 8 vev og 11 vev og 15 vev, henholdsvis. Fra beregningsresultatene, finner vi at tapsfunksjonen verdi på mer enn 15 vev er større enn tapet funksjonsverdien over mindre enn 15 vev. Derfor trenger vi ikke vurdere saken med vev tall som er større enn 15, og bare valgte 3 til 15 vev tall for å finne den optimale vev nummeret. Resultatene tyder på at den optimale vev tall som er avledet av algoritmen avhenger av mirnas.
Dette notatet presenterer i hovedsak resultatene når. Vi har brukt andre verdier slik som i tapsfunksjonen for å velge vev. Resultatene for er lik de for. Fordi brukes til å justere vekten mellom middelverdien av korrelasjonene og andelen av positive korrelasjoner 1-, og vi er mer bekymring andelen av positive korrelasjoner, vi legge mer vekt på de andre sikt. I denne studien resultatene ved bruk fører til gode resultater. Derfor er en foreslått verdi i å bruke denne algoritmen. For andre virkelige anvendelser av denne algoritmen, kan leserne bruke treningsdata for å få en passende verdi.
I tillegg, for å gjøre en mer objektiv analyse i valg av MTI-støttede vev, i stedet for å velge en vev satt blant vev sett for å 15 som minimaliserer tapsfunksjonen (1), foreslo vi en fremgangsmåte for å rangere vev ved de følgende to trinn. Det første trinnet er å finne de 13 vev settene som minimerer tapsfunksjonen tilsvarende til 15, henholdsvis. Det andre trinnet er å rangere vev dukket opp i disse 13 vev sett i henhold til deres forekomst tall blant de 13 vev sett. Vevet med den mest forekomstfrekvens er rangert først og så videre. Rangeringen Resultatene er presentert i tabell 3, som kan gi informasjon om betydningen av MTI-støttede vev.
Resultater
Ved hjelp av algoritmen, får vi MTI-støttede vev for 19 mirnas som er oppført i tabell 2. i det følgende bruker vi HSA-MIR-17 som et eksempel for å beskrive analyseresultatet. Figur 4 presenterer tomter for tetthetsfunksjonen for korrelasjon og heatmap av HSA-MIR-17. Figur 4 (a) viser tettheten plotting av korrelasjoner (heltrukket linje) av alle 743 eksperimentelt bekreftet MTIs på tvers av alle 89 vev og tettheten plott av korrelasjoner (stiplet linje) mellom HSA-MIR-17 og dets mål på tvers av toppen 6 MTI- støttede vev. Den heltrukne linjen er symmetrisk og sentralisert til null; imidlertid, er den stiplede linje rett-skjev. Angivelig, viser høyre skjev tetthet tomt på sammenhengene mellom HSA-MIR-17 og dets mål på tvers av de beste 6 MTI-støttede vev som de fleste sammenhenger er negative, noe som er i samsvar med degradering atferd mellom en miRNA og sine mål. I kontrast til det faktum at korrelasjonen av alle 743 eksperimentelt validert MTIs tvers av alle 89 vev er nær null indikerer at nedregulering av hvordan et miRNA med sine mål vises bare på tvers av MTI-støttede vev.
a . Sammenligning av korrelasjon tettheter for alle 743 eksperimentelt validert MTIs (heltrukket linje) og HSA-MIR-17 med 24 mål på tvers av de topp 6 MTI-støttede vev (stiplet linje). b. Uttrykket profiler av HSA-MIR-17 og 24 mål på tvers av de beste 6 MTI-støttede vev. Sammenhenger mellom uttrykket profilen til HSA-MIR-17 og profiler av målgener ble kommentert ved siden av genet symbol. Grønn representert lav uttrykk og rød representert høyt uttrykk i tilsvarende gener og vev.
Figur 4 (b) er et eksempel som viser at uttrykket profiler av de fleste HSA-MIR-17 målgener er negativt korrelert med uttrykket profilen til HSA-MIR-17. I figur 4 (b), er uttrykk profiler av HSA-MIR-17 og 24 mål gener på tvers av de topp 6 MTI-støttede vev presentert. Korrelasjonen mellom ekspresjonsprofiler av HSA-MIR-17, og hver målgenet annoteres ved siden av genet symbol i figur 4 (b). De fleste av ekspresjonsprofiler av HSA-MIR-17 målgener er negativt korrelert med ekspresjonsprofilen av HSA-MIR-17. Uttrykket profiler av HSA-MIR-17 target genet TGFBR2 er positivt korrelert med miRNA uttrykket profilen. Selv om det har blitt eksperimentelt bekreftet at disse målgener kunne bli inhibert av HSA-MIR-17, er TGFBR2 ikke. Årsaken til den positive sammenhengen mellom HSA-MIR-17 og disse genene kan være at disse genene er regulert av andre sterkere regulatoriske forhold. For å støtte vår mistanke, vi revurdere studiene av HSA-MIR-17 forskrift om TGFBR2, som viser at TGFBR2 uttrykket ikke kunne påvises på grunn av mikro-ustabilitet og mutasjoner [32] -. [34]
i tillegg korrelasjon tetthet tomter de andre 18 mirnas og deres mål (på https://tsmti.mbc.nctu.edu.tw) avsløre lignende resultater til det av HSA-MIR-17. For eksempel, søker den foreslåtte algoritmen ut fem øverste spesifikke vev for HSA-MIR-21, som har den største mål nummer (43 mål) blant de mirnas som er vurdert i denne studien. I tillegg har vi også finne de beste 8 MTI-støttede vev for HSA-la-7a og sine mål. Begge tomter de korrelasjonen tetthet på tvers av MTI-støttede vev er høyre skjevt og er større enn de tomter på tvers av alle 89 vev. I tillegg til resultatene de korrelasjon tetthet, ser vi at det valgte vevet tallet avhenger av miRNA. I Methods seksjon, viser vi at det optimale antall vev, som er utledet av algoritmen, er avhengig av mirnas. På grunn av begrenset plass, vi sørger kun utdypning på eksempelet MIR-17 i detaljer. For andre mirnas, beregner vi gjennomsnittlig korrelasjon mellom en miRNA og sine mål på tvers av alle 89 vev og gjennomsnittlig korrelasjon mellom en miRNA og sine mål på tvers av utvalgte MTI-støttede vev. Deretter bruker vi verdien av den andre gjennomsnittlig korrelasjon minus den første gjennomsnittlig korrelasjon som en beregning for å kvantifisere kvalitetsforbedring. Resultatene er presentert i tabell 2. Verdiene er området fra -0,32 til -0,68. Verdien for MIR-17 er -0,536. Det viser at gjennomsnittlig korrelasjon mellom en miRNA og sine mål på tvers av utvalgte MTI-støttede vev er sterkere negativ korrelert enn den gjennomsnittlige korrelasjonen mellom en miRNA og sine mål på tvers av alle 89 vev.
Fordi de øverste 6 MTI-støttet vev som har blitt valgt for HSA-MIR-17 inkluderer tumorvev, som kan spørres med ekstreme uttrykk nivåer, utvider vi topp 6 MTI-støttede vev til andre vev med samme organ som topp 6 MTI-støttede vev. Toppen 6 MTI-støttede vev for HSA-MIR-17 inkluderer tumorvev og normalt vev. Tumorvev er sammensatt av prostata, bryst og livmor vev. Normale vev er sammensatt av bryst og livmor vev. Antallet vev er utvidet til 24, fordi det totale antall tumor prostata vev, tumor /normale bryst vev og tumor /normal livmor vev er 24. Her har vi igjen undersøke uttrykket nivåer av 24 vev av HSA-mir-17. Bare 19 uttrykk nivåer er større enn 7,25. En vev elimineres hvis miRNA ekspresjonsnivå som samsvarer med vev er mindre enn 7,25, som er den cutoff punktet som ble brukt i Huang et al. [7]. Figur 5 viser korrelasjonen tetthet tomten (grønn stiplet linje) for den utvidede resultater. Sammenligning av figur 4 (a) med figur 5, legger vi en grønn stiplet linje i figur 5, som er korrelasjonen tettheten handlingen av HSA-MIR-17 og dets mål på tvers av de 19 utvidede vev. Den grønne stiplede linjen er alltid mellom den svarte heltrukne linjen og den røde stiplede linjen. Resultatet tydelig viser at analysen som er basert på 6 MTI-støttede vev fører til best resultat, etterfulgt av den utvidede vev, som er bedre enn analysen som er basert på 89 vev.
Sammenligning av korrelasjon tettheter for alle 743 eksperimentelt validert MTIs tvers av alle 89 vev (svart heltrukket linje), HSA-MIR-17 med 24 mål på tvers av de topp 6 MTI-støttede vev (rød stiplet linje), HSA-MIR-17 med 24 mål over 19 utvidet vev (grønn stiplet linje) og HSA-MIR-17 med 95 spådd mål over toppen 6 MTI-støttede vev (blå stiplet linje).
Videre har vi også undersøke målet forutsigelse som er basert på de valgte vev. Ved å søke etter den konserverte 8MER og 7mer nettsteder som samsvarer med frø regionen hver miRNA fra TargetScanS prediksjon verktøy [3] – [5], har vi 95 spådd målene for HSA-MIR-17 fra vår datasettet, som er basert på top 6 MTI-støttede vev. Den blå stiplet linje i figur 5, er korrelasjonen tettheten av HSA-MIR-17 og 95 forutsagte mål tvers over toppen 6 MTI-støttede vev. Selv om en liten del av korrelasjoner er positive korrelasjoner, de fleste av de korrelasjoner er mer negativ enn den på tvers av alle 89 vev. Likevel korrelasjonen tetthet av HSA-MIR-17 og 95 spådd mål over toppen 6 MTI-støttede vev (blå stiplet linje) ikke har en bedre ytelse enn det som oppnås ved bruk av 24 eksperimentelt validert MTIs over toppen 6 MTI-støttede vev (rød stiplet linje) og som oppnås ved bruk av 24 eksperimentelt validert MTIs over 19 utvidede vev (grønn stiplet linje). Vedta 95 spådd målene for HSA-MIR-17 over de beste 6 MTI-støttede vev kan fortsatt forbedre de sammenhenger som ikke er nær null. Ved den utvidede saken og spådd tilfellet er det konkludert med at den foreslåtte algoritmen er pålitelig for å velge MTI-støttede vev.
Diskusjoner
Vår tilnærming er fokusert på å oppdage MTI-støttede vev for en miRNA basert på eksperimentelt validerte mål gener. Men finner vi noen mRNA ikke nedregulert ved deres eksperimentelt validert miRNA. Flere mulige årsaker er beskrevet. For det første kan mRNA ekspresjon reguleres ved flere faktorer, inkludert DNA-kopitall, transkripsjonsregulering og post-transkripsjonell regulering. Siden vår tilnærming velger en gruppe av forskjellige vev, kan miRNA undertrykkelse evne være mindre enn andre reguleringsmekanismer i en del av utvalgte vev. For det andre, noen mirnas ikke bare ned-regulere sine mål gener, men også up-regulere sine mål gener [35]. miRTarBase inkluderer ikke noen informasjon om en miRNA opp-regulerer eller nedregulerer sin målgener. Det er antatt at miRNA i miRTarBase kan bare ned -regulate sine mål gener. Likevel har mange mirnas blitt rapportert at mirnas kan opp-regulere sine mål gener [35] – [38]. For eksempel registrering av MIRT004506 i miRTarBase er at MIR-466l up-regulerer IL-10 via binding AU rike regionen i 3’UTR [36]. Derfor er noen oppregulering fenomener oppdaget fra plotter korrelasjon tetthet på tvers av MTI-støttede vev.
Fra plotter korrelasjon tetthet på tvers av MTI-støttede vev i tabell 2, finner vi at flere eksperimentelt validert MTIs er positivt korrelert med miRNA uttrykket profiler. Først blir MIR-145 positivt korrelert til målgenet IRS1 med en korrelasjon på 0,55. En tidligere rapport viser at MIR-145 kan ned-regulere proteinnivået IRS1 men kan ikke ned-regulere mRNA av IRS1 [39]. Derfor er negativ korrelasjon mellom MIR-145 og IRS1 ikke observert. Videre er det noen cellelinjer, slik som BCT-20, ikke uttrykke IRS1. Således kan den nedregulering av IRS1 ved MIR-145 ikke observeres [40]. Den andre ikke-negativt korrelert MTI er MIR-1 og SERP1. Studien, som gjør undersøke samspillet mellom MIR-1 og SERP1, viser at nedregulering av SERP1 av MIR-en er ikke signifikant [41]. Den miRTarBase database kan spille mange eksperimentelt validert MTIs hvis målet gener er signifikant nedregulert av de tilsvarende miRNAs. Det er vanskelig å fastslå årsaken til noen positivt korrelert eksperimentelt validert MTIs, som eksperimentelt validert MTI mellom MIR-1 og FOXP1. Mer avanserte eksperimenter er pålagt å utforske disse MTIs.
Figur 6 (a) er en utvidet illustrasjon i figur 4. Vi samler uttrykk profiler, som er samplet fra de samme organene som er oppført i figur 4. Vi observerer flere motsetningsfylte sammenhenger i eksperimentelt validert MTIs. For det første er sammenhengen mellom uttrykk for CDKN1A og HSA-MIR-17 0,23, og korrelasjonen mellom uttrykket av RUNX1 og HSA-MIR-17 er 0,04. Tidligere studier har vist at CDKN1A og RUNX1 er regulert av flere mirnas [42], [43]. På grunn av vår tilnærming, som bare observerer en miRNA og dets tilhørende målgener, uttrykk for CDKN1A og RUNX1 kunne ikke bare negativt korrelert til uttrykk av HSA-MIR-17. To motsetningsfylte studier viser at HSA-MIR-17 kan eller ikke kan hemme oversettelse av PTEN. Olive et al. (2009) konkluderte med at PTEN kunne bli undertrykt ved MIR-19, men ikke av HSA-MIR-17, B-celle lymfom [44]. Eksperimentet som ble rapportert av Trompeter et al. (2007) viser at PTEN er betydelig undertrykt av HSA-MIR-17 i HEK293T celler og nyreceller [45]. NCOA3 (AIB1) er ikke korrelert med uttrykk for HSA-MIR-17. Uttrykket korrelasjoner er negative i brystvev og er i overensstemmelse med studien som viste at NCOA3 er nedregulert av HSA-MIR-17 [46]. Imidlertid er disse interaksjoner ikke negativt korrelert med resten av vevet. Dette fenomenet indikerer at en miRNA-target interaksjon er MTI-støttet vev-spesifikke og avslører at vår tilnærming kan inkludere vev som eksperimentelt validert MTIs ikke er funksjonell. Fordi frø regionen MIR-17, MIR-106a og MIR-20a er identiske, kan uttrykket korrelasjonen av HSA-MIR-17 og dets målgener bli påvirket av andre miRNAs. Dermed kan vår tilnærming bestemme hvilke mål gener er dominant regulert av HSA-MIR-17 og finner de ikke-MTI-støttede vev.
a. Uttrykket profiler av HSA-MIR-17 og 24 mål over 19 utvidet vev. Sammenhenger mellom uttrykk profiler av HSA-MIR-17 og målgener ble kommentert ved siden av genet symboler. b. Figur S1. en. b. Figur S2. Figur S3.
