Αφηρημένο

Τα microRNAs (miRNAs) διαδραματίζουν καθοριστικό ρόλο στη διατήρηση της κυτταρικής ομοιόστασης με τη ρύθμιση της έκφρασης των γονιδίων στόχων τους. Ως εκ τούτου, η απορύθμιση της έκφρασης των miRNAs έχει συχνά συνδεθεί με τον καρκίνο. Με ραγδαία συσσώρευση μοριακών δεδομένων που συνδέονται με την έκβαση του ασθενούς, η ανάγκη για την ταυτοποίηση ισχυρών πολυ-μική μοριακών δεικτών είναι κρίσιμη για την παροχή κλινικών επιπτώσεων. Ενώ οι προηγούμενες εργαλείων βιοπληροφορικής αναπτύχθηκαν για τον εντοπισμό πιθανών βιοδείκτες στον καρκίνο, οι μέθοδοι αυτές δεν επιτρέπουν την ταχεία κατάταξη των ογκογονιδίων έναντι καταστολείς όγκων λαμβάνοντας υπόψη εύρωστη διαφορική έκφραση, αποκοπές, ρ-τιμές και μη κανονικότητα των δεδομένων. Εδώ, προτείνουμε μια μεθοδολογία, Στιβαρή Επιλογή Αλγόριθμος (RSA), που ασχολείται με αυτά τα σημαντικά προβλήματα στις μεγάλες ανάλυση omics δεδομένων. Η ευρωστία της ανάλυσης επιβίωσης εξασφαλίζεται με την αναγνώριση των βέλτιστων τιμών αποκοπής της έκφρασης -ωματικής, ενισχύεται από p-value υπολογίζεται μέσω εντατικών τυχαία αναδειγματοληψία λαμβάνοντας υπόψη κάθε μη κανονικότητα στα δεδομένα και την ενσωμάτωση σε πολυ-μική λειτουργικά δίκτυα. Εδώ έχουμε αναλύσει παν-καρκίνος miRNA δεδομένων ασθενούς για τον εντοπισμό λειτουργικών οδών που εμπλέκονται στην πρόοδο του καρκίνου που σχετίζονται με επιλεγμένα miRNA προσδιορίζονται από RSA. Η προσέγγισή μας δείχνει τον τρόπο με τον οποίο υπάρχουσες τεχνικές ανάλυσης επιβίωσης μπορούν να ενσωματωθούν με ένα λειτουργικό πλαίσιο ανάλυσης του δικτύου για τον εντοπισμό αποτελεσματικά υπόσχεται βιοδείκτες και νέων θεραπευτικών υποψηφίους σε όλη ασθένειες

Παράθεση:. Sehgal V, Seviour EG, Μος TJ, Μύλοι GB, Azencott R, Ram PT (2015) Στιβαρή Επιλογή Αλγόριθμος (RSA) για Multi-Omic βιοδεικτών Discovery? Ενσωμάτωση με Συναρτησιακή Ανάλυση Δικτύου για τον εντοπισμό miRNA Ρυθμιζόμενης Pathways σε πολλαπλές μορφές καρκίνου. PLoS ONE 10 (10): e0140072. doi: 10.1371 /journal.pone.0140072

Επιμέλεια: Xia Li, Χαρμπίν Ιατρικό Πανεπιστήμιο, ΚΙΝΑ

Ελήφθη: May 21, 2015? Αποδεκτές: 20 Σεπ 2015? Δημοσιεύθηκε: 27η Οκτωβρίου του 2015

Copyright: © 2015 Sehgal et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Δεδομένα Διαθεσιμότητα: Τα δεδομένα μας έχουν χρησιμοποιήσει ελήφθη από TCGA και τις παραμέτρους αναζήτησης και να κατεβάσει τα δεδομένα εξηγείται στο τμήμα των Μεθόδων. δεδομένων TCGA μπορεί να βρεθεί σε αυτή τη διεύθυνση URL https://tcga-data.nci.nih.gov/tcga/dataAccessMatrix.htm

Χρηματοδότηση:. Το έργο παρουσιάζεται εδώ υποστηρίζεται εν μέρει από το Εθνικό Ινστιτούτο Υγείας (NIH ) U54-CA112970 και το Ίδρυμα Καρκίνου Blanton-Davis ωοθηκών (PTR). TJM υποστηρίζεται από μια υποτροφία κατάρτισης από το Keck κέντρο του Κόλπου Coast Consortium (NLM T15LM007093) και του Προγράμματος Οδύσσεια στο Πανεπιστήμιο του Τέξας MD Anderson Κέντρο Καρκίνου. VS υποστηρίζεται από μια υποτροφία κατάρτισης από την CPRIT Υπολογιστική Καρκίνου Πρόγραμμα Κατάρτισης Βιολογίας (CPRIT RP101489)

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

τα microRNAs (miRNAs) είναι μικρά μη-κωδικοποίησης ρυθμιστές RNA που προσδένονται σε συμπληρωματικές αλληλουχίες στο αγγελιαφόρο RNA στόχου (mRNAs), με αποτέλεσμα μεταγραφική καταστολή ή αποικοδόμηση των mRNA στόχου ». MiRNAs μπορεί επίσης να δεσμεύονται με συμπληρωματικές αλληλουχίες στην περιοχή προαγωγού των γονιδίων στόχων και προκαλούν μεταγραφική ενεργοποίηση [1, 2]. Έτσι, οι αλλαγές στην έκφραση miRNA επηρεάζουν γονιδιακή ρύθμιση, η οποία με τη σειρά της οδηγεί σε αλλαγές στην κυτταρική ομοιοστατική σταθερότητα [3, 4]

Αρκετές miRNAs δειχθεί ότι παίζουν ένα σημαντικό ρόλο στον καρκίνο [5-7].? και οι μελέτες έχουν επίσης δείξει ότι περισσότερο από το 50% των γονιδίων miRNA βρίσκονται σε περιοχές του γονιδιώματος που συνδέεται με καρκίνο [8]. Πολλές miRNAs έχουν δειχθεί ότι παίζουν κρίσιμους ρόλους όπως ο καρκίνος που επάγει oncomiRs ή ως ογκοκατασταλτικό Mirs [9]. Για παράδειγμα, miR-21 είναι μια καλά μελετηθεί oncomiR που υπερεκφράζεται σε πολλούς διαφορετικούς καρκίνους, [10, 11]. και παίζει σημαντικό ρόλο στην αντοχή σε φάρμακα [12]. Μέλη της οικογένειας miR-17-92 λειτουργούν επίσης ως εξέχων oncomiRs [13] και μπορούν να προωθήσουν την ανάπτυξη του καρκίνου με τη ρύθμιση αρνητικά ογκοκατασταλτικά γονίδια. Από την άλλη πλευρά, miRNAs όπως εκείνες στην οικογένεια λειτουργία ας-7 ως Mirs ογκοκατασταλτικό [14-16] και μπορεί να αναστείλει τον καρκίνο με αναστολή ογκογονίδια και ρύθμιση των λειτουργιών όπως την απόπτωση και κυτταρική διαφοροποίηση.

Αρκετές ομάδες έχουν μελετήσει την ικανότητα των miRNAs που θα χρησιμοποιηθούν ως βιοδείκτες για συγκεκριμένους καρκίνους [17-22]. Στις περισσότερες από αυτές τις μελέτες, οι ερευνητές χρησιμοποίησαν αλληλούχιση, μικροσυστοιχίες ή τεχνικές με βάση την PCR για την παγκόσμια χαρακτηριστικών των miRNAs, και έχουν ως εκ τούτου εντοπιστεί αρκετές miRNAs που παίζουν σημαντικό ρόλο στον καρκίνο. Ωστόσο, αυτές οι προσεγγίσεις πάσχουν από πολλαπλές περιορισμούς. Όπως φαίνεται στο χαρτί μας, οι τρέχουσες μέθοδοι για την ανάλυση των miRNA ή άλλων δεδομένων omics που στηρίζονται σε αυθαίρετες επιλογές, όπως picking κατώτατα όρια για το διαχωρισμό των ασθενών σε ομάδες υψηλής και χαμηλής έκφρασης μπορεί να είναι

πολύ ευαίσθητη

σε μικρές τυχαίες αλλαγές στη η ομάδα ασθενών, με αποτέλεσμα ένα υψηλό ποσοστό ψευδών ανακάλυψη. Έτσι, παρουσιάζουμε ένα καινοτόμο ανάλυση ισχυρά συστήματα στα οποία miRNAs σε συνδυασμό με τα αποτελέσματα της επιβίωσης των ασθενών σε διάφορους τύπους καρκίνου σε πιο γρήγορα και αποτελεσματικά τον εντοπισμό δυνητικών oncomiRs και Mirs ογκοκατασταλτικό.

Ένας περαιτέρω περιορισμός των υφιστάμενων μεθοδολογιών είναι η υψηλή αριθμό συγκεκριμένων miRNAs και η σχετική δυσκολία στην επικύρωση τόσα πολλά miRNAs πειραματικά. Για την περαιτέρω περιορίσετε τον αριθμό των miRNAs σε εκείνους με τις μεγαλύτερες δυνατότητες σε πολλούς τύπους καρκίνου, μπορούμε επιπλέον επεδίωξε να ενσωματώσει λειτουργική ανάλυση του δικτύου. Η πρωταρχική λειτουργία του miRNA είναι στη ρύθμιση των επιπέδων mRNA στο κύτταρο με σύνδεση προς αλληλουχίες στο 3 ‘UTR του mRNA, με αποτέλεσμα την μεταβολή των επιπέδων σταθερής κατάστασης του mRNA και την επακόλουθη αλλαγή του λειτουργικού έξοδο του γονιδίου [23 -25]. Ως εκ τούτου, επιδιώξαμε να εντοπίσει λειτουργική miRNA-mRNA δίκτυα με βάση τη συσχέτιση των επιπέδων έκφρασης των miRNAs και mRNA σε όγκους ασθενών στους οποίους miRNA έδειξε κλινική σημασία.

Με την εκθετική αύξηση στην ποσότητα των δεδομένων που παράγονται από δείγματα ασθενών μέτρηση διαφόρων μοριακών χαρακτηριστικών στο omics ή παγκόσμιο επίπεδο από τον κάθε ασθενή, η ανάπτυξη συμπληρωματικών βιοπληροφορική και εργαλεία ανάλυσης συστημάτων βιολογίας είναι επιτακτική ανάγκη. Είμαστε εδώ να προτείνει μια ροή εργασίας που ενσωματώνει την ανάλυση επιβίωσης των δεδομένων omics με λειτουργική τεχνικές ανάλυσης του δικτύου για τον εντοπισμό δυνητικών βιοδείκτες miRNA και τις οδούς που επηρεάζουν σε διαφορετικά είδη καρκίνου. Δεδομένου ότι η προσέγγισή μας λαμβάνει υπόψη το δυναμικό

μη-γραμμικό

λειτουργικές σχέσεις μεταξύ «των επιπέδων έκφρασης και των ασθενών πιθανούς δείκτες αποτελεσμάτων επιβίωση, την απόδοσή του ξεπερνά εκείνη των παραδοσιακών ανάλυση συσχέτισης, η οποία περιορίζεται στην ανακάλυψη περίπου

γραμμική

λειτουργικές σχέσεις. Επιπλέον, προτείνουμε μη-παραμετρικές τεχνικές ανάλυσης δεδομένων για τις οποίες δεν απαιτούνται σιωπηρή υποθέσεις ομαλότητας όσον αφορά την κατανομή των επιπέδων έκφρασης των γονιδίων, δεδομένου ότι η πλειοψηφία των δεδομένων omics δεν ακολουθεί την κανονική κατανομή. Σε αυτή τη μελέτη, δείξαμε την χρησιμότητα αυτής της προσέγγισης χρησιμοποιώντας σύνολα δεδομένων του ασθενούς από τον καρκίνο Genome Atlas (TCGA) για τον εντοπισμό προγνωστικούς βιοδείκτες και περαιτέρω επικυρωθεί η προτεινόμενη ροή εργασιών χρησιμοποιώντας μια προηγουμένως δημοσιευθεί σύνολο δεδομένων.

Μέθοδοι

Επειδή προσπάθησε να εντοπίσει miRNAs που δρουν είτε ως καταστολείς των όγκων ή ως oncomiRs, ταξινομήσαμε κάθε miRNA με ισχυρό αντίκτυπο από την άποψη της survivalas ασθενούς που έχει είτε υψηλή έκφραση που συνδέονται με την καλή επιβίωση των ασθενών (GS miRNAs) ή υψηλή έκφραση συνδέεται με κακή επιβίωση των ασθενών (PS miRNAs). Εξετάσαμε τα δεδομένα των ασθενών για τις κλινικές εκβάσεις και τα επίπεδα έκφρασης των miRNAs? έχουμε αναπτύξει μια νέα Στιβαρή Επιλογή Αλγόριθμος (RSA), το οποίο χρησιμοποιείται για την ταξινόμηση miRNAs ως συνδεόμενα είτε με την καλή ή κακή επιβίωση. Εισαγάγαμε και υπολογίζεται μια καινοτόμο

ισχυρές p-value

για την ποσοτικοποίηση των επιπτώσεων της κάθε υποψήφιο miRNA σε καλή ή κακή επιβίωση (Σχήμα 1Α και το Σχήμα Α και Σχήμα Β S1 αρχείου). Για να καταδειχθεί η προτεινόμενη ροή εργασίας, εφαρμόσαμε RSA μας και η επακόλουθη λειτουργική ανάλυση μονοπάτι για TCGA σύνολα δεδομένων για πέντε τύπους καρκίνου: του μαστού, των ωοθηκών, της κεφαλής και του τραχήλου, του πνεύμονα, και νεφρό (πληροφορίες χρήσιμες για τη λήψη αυτών των δεδομένων βρίσκεται στο S1 πίνακα).

(Α) Σχηματική απεικόνιση της επισκόπηση της RSA. Οι είσοδοι είναι κλινικά δεδομένα και τα δεδομένα έκφρασης των miRNAs? τα αποτελέσματα είναι υποψήφιος miRNAs συσχετίζεται είτε με την καλή ή κακή επιβίωση. (Β) Επικύρωση της RSA χρησιμοποιώντας προηγουμένως δημοσιευθεί υπογραφές γονίδιο συσχετίζεται με τα αποτελέσματα επιβίωσης. Εφαρμόσαμε RSA για το σύνολο δεδομένων του καρκίνου του μαστού σε Martin et al. Και κοίταξε την επικάλυψη των γονιδίων που συσχετίζονται με την καλή και την κακή επιβίωση υπολογίζεται από την RSA και από τα αποτελέσματά τους. Heatmap αυτών των επικαλυπτόμενων γονιδίων που εμφανίζουν την υψηλή ένταση γονιδίου σε κίτρινο και χαμηλής έντασης γονιδίου σε μπλε χρώμα.

Η

Δεδομένα και προεπεξεργασίας

TCGA περιέχει διάφορες μορφές δεδομένων omics συμπεριλαμβανομένης της έκφρασης των miRNAs, έκφραση mRNA. Περιέχει επίσης κλινικά δεδομένα από αυτούς τους ασθενείς δίνουν πληροφορίες για την επιβίωση των ασθενών αυτών. Χρησιμοποιώντας τα δεδομένα ακολουθία RNA διαφορετικούς ασθενείς με καρκίνο από TCGA, εξάγαμε μέσο έκφρασης ώριμη και το αστέρι σκέλος ο ένας του miRNA είναι ξεχωριστά. TCGA έχει διαθέσιμα δεδομένα σε μορφή miRNAseq, και ήμασταν σε θέση να αναζητήσετε 2092 miRNAs (το σύνολο των miRNAs για την οποία υπάρχουν διαθέσιμα στοιχεία) για τον εντοπισμό υποψήφιων miRNAs του οποίου η διαφορική έκφραση συσχετίζεται με την επιβίωση.

Τα δεδομένα έκφρασης TCGA miRNA που αποκτήθηκαν με τη χρήση είτε η Illumina Hiseq ή πλατφόρμα Illumina GA. Τρέξιμο αρχική μας αναλύσεις για τις δύο αυτές πλατφόρμες ξεχωριστά έδωσε ανόμοια αποτελέσματα. Στη συνέχεια διερευνήθηκε «κατανομές έκφρασης των miRNAs να προσδιορίσει αν θα μπορούσαμε να συνδυάσουμε τις δύο πλατφόρμες» των δύο πλατφόρμες δείγματα για να αποκτήσετε ένα μεγαλύτερο αριθμό δειγμάτων ασθενών. Για να συγκρίνετε διανομές miRNA των δύο πλατφόρμες », εφαρμόσαμε το τεστ Kolmogorov-Smirnov χρησιμοποιώντας τη μηδενική υπόθεση ότι οι δύο κατανομές είναι το ίδιο σε επίπεδο σημαντικότητας 5%. Αυτό μας βοήθησε να προσδιορίσει ποια miRNAs είχαν παρόμοια (αν και αντίστοιχα διακριτά) διανομές και στις δύο πλατφόρμες.

Θα κατεβάσει και κλινικά δεδομένα για καθένα από τα 5 είδη καρκίνου που αναφέρθηκαν πιο πάνω από TCGA. Από αυτά τα δεδομένα, εξάγαμε χρόνο επιβίωσης των ασθενών μέχρι το θάνατο ή λογοκρισίας. Αρκετά στοιχεία των ασθενών σε TCGA σχολιάστηκαν ως έχει καθόλου χρόνο παρακολούθησης και έτσι συστηματικά αφαιρεθεί από την τελική ανάλυση το σύνολο δεδομένων μας. Στη συνέχεια συνδυάζεται τους ασθενείς για τους οποίους υπήρχαν διαθέσιμα κλινικά και RNA δεδομένα ακολουθίας.

ομογενοποίησης δεδομένων σε όλες τις πλατφόρμες

δεδομένα έκφρασης TCGA miRNA για διαφορετικούς τύπους καρκίνου γενικά αποκτήθηκαν χρησιμοποιώντας διαφορετικές πλατφόρμες. Να ομαλοποιήσει τα επίπεδα έκφρασης των miRNAs και σωστές για τεχνικά σφάλματα λόγω της παραγωγής ψηφιακών δεδομένων, χρησιμοποιώντας διαφορετικούς τρόπους απόκτησης, θα συγκεντρώνονται όλα τα διαθέσιμα δεδομένα έκφρασης TCGA miRNA και υποβάλλεται σε ένα στάδιο ομογενοποίησης όπως εξηγείται περαιτέρω σε αυτή την ενότητα. Στη συνέχεια χρησιμοποίησε αυτές τις κανονικοποιημένες τιμές για την τελική ανάλυση το σύνολο δεδομένων μας. Αυτό το βήμα ομογενοποίησης είναι σημαντική, καθώς διορθώνει για αντικείμενα δεδομένων λόγω της παραγωγής ψηφιακών δεδομένων μέσα από διαφορετικές πλατφόρμες και τις λεπτομέρειες της εξαγοράς.

διανομές miRNA τις δύο πλατφόρμες »δεν ήταν πολύ παρόμοια και έτσι δεν θα μπορούσε να συνδυαστεί με τη χρήση ενός προτύπου μέση βήμα κανονικοποίησης . Ως εκ τούτου, πραγματοποιήσαμε την ακόλουθη διαδικασία ομογενοποίησης να συνδυάσει κατανομές έκφρασης των miRNAs Οι πλατφόρμες για κάθε τύπο καρκίνου. Για να αποκτήσετε ένα πανομοιότυπο αθροιστική συνάρτηση κατανομής (CDF) του ομογενοποιημένου τιμών έκφρασης που λαμβάνονται με τις δύο πλατφόρμες, μπορούμε ομογενοποιείται τις δύο κατανομές έκφρασης miRNA που προέρχονται από τις δύο πλατφόρμες. Ο «στόχος» CDF ορίζεται ως ο μέσος όρος CDF των δύο πλατφόρμες, δηλαδή,

F (x) = 0

.

5F1 (x) + 0

.

5F2 (x )

, όπου F1 και F2 είναι ΚΔΔ για τις δύο πλατφόρμες, αντίστοιχα. Ας

G

είναι η αντίστροφη συνάρτηση του

F

. Κάθε τιμή έκφραση

x

από την πλατφόρμα 1 αντιστοιχείται σε ένα ομογενοποιημένο αξίας έκφρασης,

z (x)

, η οποία υπολογίζεται από αναστρέφοντας τη λειτουργία

F

στην τιμή

F1 (x)

? Έτσι,

z (x) = G (F1 (x))

. Κάθε τιμή της έκφρασης από την πλατφόρμα 2 ομογενοποιείται Ομοίως, με το

z (y) = G (F2 (y))

.

Για οποιαδήποτε αξία, 0≤ K ≤ 1, {F (z (x)) ≤ K} ανν {z (x) ≤ G (Κ)} ανν {G (F1 (x)) ≤ G (Κ)} ανν {F1 (x) ≤ K}, και ομοίως, {F ( z (y)) ≤ K} ανν {z (y) ≤ G (Κ)} ανν {G (F2 (y)) ≤ G (Κ)} ανν {F2 (y) ≤ K}.

Έτσι, ταιριάζουν με τα ποσοστιαία

x

και

y

στο ξεχωριστό κατανομές με ποσοστιαία τους em

z (x)

και

z (y)

στη συνδυασμένη κατανομή

F

.

Στιβαρή αλγόριθμος επιλογής

μια αναζήτηση της βιβλιογραφίας διεξήχθη για να προσδιορίσει μια μεθοδολογία που θα μπορούσε να χρησιμοποιηθεί για τη βελτίωση των υφιστάμενων μεθόδων αξιολόγησης miRNAs και τον προσδιορισμό του σχετίζονται με τον καρκίνο μονοπάτια επηρεάζουν. Εντοπίσαμε μία μελέτη η οποία αξιολόγησε τις προγνωστικές αξίες των συγκεκριμένων miRNAs σε διάφορους τύπους καρκίνου [26]? Ωστόσο, έχουμε ελέγξει ότι η μεθοδολογία της [26] είναι δυνητικά πολύ ευαίσθητη ακόμη και σε μικρές διαταραχές της υπάρχουσας ομάδας ασθενών, και έχουμε επικυρωθεί αυτή η αστάθεια από την εφαρμογή της στα δεδομένα μας.

Για να δοκιμαστεί η ευαισθησία των η μεθοδολογία για την ομάδα των ασθενών, χρησιμοποιήσαμε το σύνολο δεδομένων καρκίνου του νεφρού κατεβάσει από TCGA. Από αυτό το σύνολο δεδομένων, δημιουργήσαμε 100 προσομοίωση σύνολα δεδομένων από τυχαία πτώση 2% των ασθενών σε κάθε προσομοίωση δεδομένων. Σε κάθε προσομοίωση σύνολο δεδομένων, που χρησιμοποιείται στη συνέχεια για τη μεθοδολογία της [26] για να επιλέξετε Mirs συσχετίζεται έντονα με την επιβίωση των ασθενών. Με αυτόν τον τρόπο, λάβαμε 100 κατάλογοι των επιλεγμένων miRNA. Στη συνέχεια απαριθμούνται όλα εκείνα τα miRNA που εμφανίστηκε σε 99 ή περισσότερες από αυτές τις 100 λίστες. Η σταθερότητα της μεθοδολογίας στη συνέχεια χαρακτηρίζεται από κοιτάζοντας το ιστόγραμμα του κλάσματος του επιλεγμένου miRNA οποίες ήταν σταθερές. Από τις 2% διακύμανση των ομάδων ασθενών είναι μια μικρή παραλλαγή, θα πρέπει να απαιτούν μια ισχυρή μεθοδολογία για να επιλέξετε παρόμοια miRNA επανειλημμένα. Ωστόσο, προσομοιώσεις μας δείχνουν ότι η μεθοδολογία [26] επιλέγει μόνο το 68% σταθερό miRNA, με το υπόλοιπο να είναι ευαίσθητη στην ειδική σύνθεση της ομάδας των ασθενών (βλέπε S30 σχήμα για τον ποσοτικό προσδιορισμό του τρόπου με μικρές αλλαγές στα δεδομένα μπορεί να οδηγήσει σε μια μεγάλη μείωση στη σταθερότητα των αναγνωρισμένων βιοδείκτες).

Επιπλέον, αυτή και άλλες παρόμοιες μελέτες, συχνά χρησιμοποιούν ένα ενιαίο όριο των δεδομένων έκφρασης για να συγκρίνουν τις καμπύλες επιβίωσης, και δίνει αποτελέσματα για τις υποψήφιες miRNAs για έναν τύπο καρκίνου σε ένα χρόνος. Ως εκ τούτου, έχουμε αναπτύξει μια ισχυρή αλγόριθμος επιλογής (RSA) που χρησιμοποιεί μια μη-παραμετρική στατιστική κοινού ανάλυση των δεδομένων του ασθενούς επιβίωσης και τα επίπεδα έκφρασης miRNA ειδικά για τον ασθενή για να προσδιοριστεί ποσοτικά η προγνωστική αξία του κάθε miRNA. Σε αντίθεση με τις μεθόδους που χρησιμοποιούν ένα ενιαίο όριο για να συγκρίνουν τα δεδομένα επιβίωσης, RSA μας καταργεί τη χρήση του ενιαίου ορίου για ανάλυση Kaplan-Meier καμπύλη επιβίωσης, επιλέγοντας από μια μεγάλη ποικιλία από αποκοπές από τα δεδομένα έκφρασης, χρησιμοποιώντας μια σειρά από στατιστικά σχετικές τιμές αποκοπής. Έτσι, η απόδοση της RSA μας είναι αρκετά ανθεκτικό σε μικρές τυχαίες διαταραχές της ομάδας ασθενών.

Κλινικά, miRNAs των οποίων οι εκφράσεις συνδέονται με διαφορετικές δράσεις διαφορετική μεταχείριση. Για παράδειγμα, ένα miRNA των οποίων η υψηλή έκφραση συσχετίζεται με μεγαλύτερη επιβίωση (δηλαδή, καταστολείς όγκων) αντιμετωπίζεται διαφορετικά από εκείνο του οποίου η υψηλή έκφραση συσχετίζεται με βραχύτερη επιβίωση (δηλ oncomiRs). Ως εκ τούτου, η πρώτη μας κατατάσσει κάθε miRNA ως GS miRNA (υψηλή έκφραση-καλή επιβίωση) ή PS miRNA (υψηλή έκφραση των φτωχών επιβίωση). Αυτό το πρώτο βήμα ταξινόμησης πραγματοποιείται από τον πρώτο υπολογισμό του μέσου χρόνου επιβίωσης όλων των διαθέσιμων ασθενών, από τις εκτιμήσεις επιβίωσης Kaplan-Meier και, στη συνέχεια, την ταξινόμηση των miRNAs ως εξής.

Χρησιμοποιώντας τα δεδομένα TCGA, υπολογίζουμε πρώτα τις εκτιμήσεις Kaplan-Meier του λογοκριμένη χρόνου επιβίωσης για τους ασθενείς στους οποίους εκφράζεται ένα miRNA. Μπορούμε στη συνέχεια να χρησιμοποιήσουν τα δεδομένα ιστογράμματος έκφραση για τον εντοπισμό δύο ομάδες ασθενών: ασθενείς με υψηλή έκφραση των miRNAs και σε ασθενείς με χαμηλή έκφραση των miRNAs. Για κάθε miRNA,

m

ι

, έχουμε διαχωρίσει τους ασθενείς σε υψηλή έκφραση των miRNAs ή ομάδες έκφρασης των miRNAs χαμηλή χρησιμοποιώντας ένα πεπερασμένο πλέγμα cut-offs,

C

, που κυμαίνονται από ποσοστημόριο 45% στο ποσοστημόριο 60% της κατανομής των επιπέδων έκφρασης σε βήματα του 1%. Σε κάθε τέτοια αποκοπής

C

ορίζουμε

G

υψηλή

= ομάδα ασθενών με υψηλή έκφραση των miRNAs = ομάδα στην οποία έκφραση miRNA είναι μεγαλύτερο από το (

C

4) ποσοστημόριο της κατανομής των επιπέδων έκφρασης

G

χαμηλή

= ομάδα ασθενών με χαμηλή έκφραση miRNA = ομάδα στην οποία η έκφραση των miRNAs είναι μικρότερη από το

C

ποσοστημόριο της κατανομής των επιπέδων έκφρασης

η

Οι ομάδες έκφρασης υψηλή έκφραση των miRNAs και χαμηλής miRNA χωρίζονται από ένα » ουδέτερη «ομάδα στην οποία τα επίπεδα έκφρασης των miRNAs είναι μεταξύ

C

% και (

C

+ 4)%. Αυτό το περιθώριο 4% μπορεί να αυξηθεί χωρίς να επηρεάζεται η ανάλυση όσο η υψηλή έκφραση των miRNAs και ομάδες χαμηλή έκφραση των miRNAs είναι αρκετά μεγάλο.

Για κάθε αποκοπής C%, εμείς ξεχωριστά υπολογίσουμε τις εκτιμήσεις Kaplan-Meier της επιβίωσης καμπύλες για το

G

υψηλή

και

G

χαμηλή

ομάδες. Η δοκιμασία log-rank χρησιμοποιείται για να εκτιμηθεί η διαφορά μεταξύ των δύο καμπύλες επιβίωσης Kaplan-Meier, και μια τιμή p

PVAL (C)

, υπολογίζεται. Η μηδενική υπόθεση για τη δοκιμή log rank είναι ότι οι δύο καμπύλες επιβίωσης είναι το ίδιο. Η βέλτιστη αποκοπής

C%

για το διαχωρισμό των ασθενών σε

G

υψηλή

ή

G

χαμηλή

επιλέγεται για την ελαχιστοποίηση

PVAL (C)

. Ας

q

ι

είναι η βέλτιστη επιλέξει cut-off για κάθε miRNA

m

ι

. Για κάθε miRNA

m

ι

, υπολογίζουμε τους μέσους χρόνους επιβίωσης για τους ασθενείς στην ομάδα της έκφρασης υψηλού miRNA (

Med

υψηλής

) και για τους ασθενείς στην ομάδα χαμηλής έκφρασης των miRNAs (

Med

χαμηλή

) στο βέλτιστο αποκοπής

QJ

. Στη συνέχεια κατατάσσουν το miRNA στις ακόλουθες δύο ομάδες: οι

Παραδείγματα αυτού του τύπου των miRNA χαρακτηρισμού που φαίνεται στο Σχήμα Β S1 αρχείου. Για κάθε miRNA m

j που ανήκουν στις ομάδες GS ή PS, το προηγούμενο υπολογισμό και να μας δώσει

j = PVAL (q

ι

)

, η οποία ποσοτικοποιεί τη σημασία της πιθανής σύνδεσης μεταξύ miRNA

m

ι

και τον ασθενή ο χρόνος επιβίωσης. Τα οικόπεδα επιβίωσης Kaplan-Meier για τους ασθενείς με τις πέντε σημαντικές υποψήφιος miRNAs ενδιαφέροντος σε διάφορους τύπους καρκίνου, μαζί με τη συνολική καμπύλη επιβίωσης για τους ασθενείς με αυτού του τύπου καρκίνου φαίνεται στο S27 και S28 Σχ.

Δημιουργία Στιβαρή ρ- τιμές

Έχουμε επανειλημμένα σημειωθεί ότι οι p-τιμές υπολογίστηκαν με την προηγούμενη μέθοδο μπορεί να είναι κάπως ευαίσθητη στη συγκεκριμένη ομάδα ασθενών. Για να εξαλειφθεί αυτή η ευαισθησία, έχουμε εισαγάγει και να εφαρμόσει μια καινοτόμο διαδικασία αναδειγματοληψία να δημιουργήσει

ισχυρές p-τιμές

. Η μέθοδος που περιγράφεται στην προηγούμενη ενότητα χρησιμοποιείται για να καθοριστεί εάν η έκφραση miRNA έχει ένα δυναμικό μη γραμμική στατιστικά σημαντική συσχέτιση με την επιβίωση. Για κάθε GS miRNA ή PS miRNA, έχουμε εισαγάγει μια τυχαία τεχνική αναδειγματοληψία για να υπολογίσει μια ισχυρή τιμή p

PV (Μ

ι

)

, να αντικαταστήσει την προηγούμενη τιμή p

pv (m

ι

)

. Για την εφαρμογή αυτής αναδειγματοληψία, για κάθε cut-off

C%

και κάθε σταθερό miRNA

m

ι

, έχουμε τυχαία πτώση 1% των ασθενών από κάθε οι δύο ομάδες

G

υψηλή

και

G

χαμηλή

. και υπολογίζουμε τις καμπύλες επιβίωσης Kaplan-Meier για αυτά τα δύο ενόχλησή ομάδες ασθενών.

Όπως και παραπάνω, πρώτα υπολογίζουμε το βέλτιστο αποκοπής που χωρίζει τον καλύτερο τρόπο την κατανομή έκφρασης των miRNAs με βάση τις ενόχλησή οικόπεδα επιβίωσης Kaplan-Meier και στη συνέχεια υπολογίζουμε την τιμή p

pv (m)

ή την επιβίωση σε αυτό το βέλτιστο cut-off. Για κάθε ένα σταθερό miRNA

m

ι

, επαναλαμβάνοντας την τυχαιοποιημένη διαδικασία διαταραχή 500 φορές δημιουργεί ένα σύνολο από 500 εικονικές τιμές p

pv (m)

. Για να ορίσετε μια αξιόπιστη ανώτατο όριο

PV (m

ι

)

για την άγνωστη τιμή p

ΠΛ (m

ι

)

, θέτουμε

PV (m

ι

)

να είναι ίση με το 75

ου εκατοστημόριο των 500 εικονικών p-τιμές. Καλούμε

PV (p

ι

)

το

ισχυρές p-value

για miRNA

m

ι

. Η miRNAs

m

ι

με σημαντικές ισχυρές p-τιμές

PV (m

ι

)

στη συνέχεια ταξινομούνται ως υποψήφιος miRNAs που συσχετίζονται με την καλή ή κακή επιβίωση, παρέχοντας έτσι έναν κατάλογο miRNAs των οποίων η έκφραση απόκλιση συσχετίζεται είτε με την καλή ή κακή χρόνους επιβίωσης. Το σχηματικό του αλγορίθμου παρουσιάζεται στο S29 Σχ.

Για τις αναλύσεις μας, πετάξτε όλα τα miRNAs που έχουν κατά μέσο όρο 0 έκφρασης πάνω από την ομάδα των ασθενών. Επιπλέον, τα δείγματα TCGA σχολιασμένο ότι έχει παρακολουθήσει ο χρόνος δεν συμπεριλήφθηκαν στην ανάλυσή μας.

Τύποι

Καρκίνος

Για τον εντοπισμό υποψήφιων miRNAs του οποίου η διαφορική έκφραση συνδέεται στενά με περισσότερους από έναν τύπο καρκίνου, εφαρμόσαμε RSA μας σε πολλαπλά σύνολα δεδομένων ασθενή με καρκίνο διατίθεται σε TCGA. Εφαρμόσαμε RSA μας στα σύνολα δεδομένων των τύπων καρκίνου που αντιπροσωπεύεται από τουλάχιστον 400 δείγματα και για το οποίο συνδυάζεται ήταν διαθέσιμα, δηλαδή, του μαστού (BRCA), των ωοθηκών (OVCA), το κεφάλι και το λαιμό (HNSC), του πνεύμονα δεδομένα των κλινικών και miRNA έκφραση (LUAD ), και το νεφρό (KIRC) καρκίνου. Οι αριθμοί των δειγμάτων αντιστοιχούν για κάθε έναν από αυτούς τους τύπους καρκίνου του φαίνεται στο S1 Σχ. Επειδή ο καρκίνος του μαστού είναι ένας υπότυπος-συγκεκριμένη ασθένεια, μπορούμε επίσης να διερευνηθεί ο καρκίνος του μαστού υποτύπων ξεχωριστά για να προσδιοριστεί αν ένα συγκεκριμένο υπότυπο ήταν υπεύθυνος για την ισχυρή σύνδεση μεταξύ της διαφορικής έκφρασης των miRNAs και την επιβίωση των ασθενών.

Επικύρωση

Martin

et al

. [27, 28] συγκεντρώθηκαν προσαρμοσμένα δεδομένα επιβίωσης και της έκφρασης γονιδίων από έξι διαφορετικά σύνολα δεδομένων των ασθενών με καρκίνο του μαστού και διαπίστωσε ότι η συγκέντρωση των δεδομένων που θίγονται συνεργικά απόδοση ταξινόμησης και βελτιωμένη σταθερότητα γονίδιο υπογραφή. Οι συγγραφείς χρησιμοποίησαν το αθροιστικό σύνολο δεδομένων για να εντοπίσει μια υπογραφή γονιδιακής έκφρασης συσχετίζεται με την επιβίωση των ασθενών. Επειδή RSA μας μπορεί να χρησιμοποιηθεί για την ανάλυση όχι μόνο miRNA δεδομένα έκφρασης, αλλά επίσης δεδομένα γονίδιο ή έκφραση πρωτεΐνης, επιλέξαμε αυτό το σύνολο δεδομένων για την επικύρωση. Χρησιμοποιήσαμε αυτό το σύνολο δεδομένων (προσβάσιμη μέσω της έκφρασης Omnibus Gene) για την επικύρωση της απόδοσης της RSA μας για τον εντοπισμό του mRNA σχετίζεται με την επιβίωση των ασθενών. Εφαρμόσαμε RSA μας στο αθροιστικό σύνολο δεδομένων από Martin et al. να εντοπίσει γονίδια των οποίων η έκφραση απόκλιση συσχετίστηκαν με την επιβίωση των ασθενών. Στην εργασία τους, εντόπισαν συστάδες γονιδίων συσχετίζεται έντονα με την καλή και την κακή επιβίωση. Εφαρμογή της μεθόδου μας RSA για το σύνολο δεδομένων τους που έχουν προσδιοριστεί και 1 σύμπλεγμα των γονιδίων των οποίων η υψηλή έκφραση συνδέεται στενά με την καλή επιβίωση και άλλο σύμπλεγμα των γονιδίων των οποίων η υψηλή έκφραση συνδέεται με κακή επιβίωση. Επιπλέον, οι δύο μέθοδοι έδωσαν μια επικάλυψη των 22 γονιδίων. Ένας θερμικός χάρτης των κοινών γονιδίων που δείχνει την αντιστοιχία τους με την επιβίωση εμφανίζεται στο σχήμα 1Β.

Ολοκλήρωση κοινή miRNA-mRNA επίπεδα έκφρασης για να παραγάγει τα λειτουργικά δίκτυα του

Για τον εντοπισμό των μονοπατιών ρυθμίζεται από κάθε υποψήφιο miRNA μας RSA επιλεγεί, συλλέξαμε τα δεδομένα της έκφρασης κοινή miRNA-mRNA ειδικά για τον ασθενή από TCGA και να αναλυθούν για να δημιουργήσουν δίκτυα συσχέτισης miRNA-mRNA. Οι συσχετίσεις υπολογίστηκαν χρησιμοποιώντας ένα πολυμεταβλητό γραμμικό μοντέλο που αντιπροσωπεύει τις διακυμάνσεις του επιπέδου έκφρασης του mRNA που προκαλείται από τον αριθμό αντιγράφων του DNA μετατροπές και μεθυλίωση προαγωγού στο γονιδιακό τόπο. Υπολογίσαμε κατάλογοι κατάταξης των γονιδίων και των συντελεστών αντίστοιχη παλινδρόμησης όπως περιγράφηκε προηγουμένως [29]. Για να μειωθεί το δυναμικό διαστρέβλωση των δεδομένων λόγω της μόλυνσης στρωματικά στα δείγματα, θα αφαιρεθεί γονίδια που συνδέονται με την εξωκυττάρια μήτρα (S8 σχήμα). Αντί να εστιάζουν σε επιμέρους γονίδια που συνδέονται στενά με ένα συγκεκριμένο υποψήφιο miRNA, χρησιμοποιήσαμε NetWalker [30], μια σουίτα λογισμικού που ενσωματώνει τα δεδομένα γονιδιακής έκφρασης και τα δεδομένα της μοριακής αλληλεπίδρασης να σκοράρει γνωστές αλληλεπιδράσεις, να προσδιορίσει το σύνολο των δικτύων αλληλεπίδρασης που ήταν θετικά ή αρνητικά συσχετίζεται με τον υποψήφιο miRNA. Χρησιμοποιώντας τους συντελεστές παλινδρόμησης miRNA-mRNA ως τιμές εισόδου για NetWalker, υπολογίσαμε τις τιμές ροής άκρη για τις γνωστές μοριακές αλληλεπιδράσεις, και χρησιμοποιήσαμε τις αλληλεπιδράσεις με τις υψηλότερες τιμές ροής άκρο (top 200 θετικές και 200 ​​μεγαλύτερες αρνητικές αλληλεπιδράσεις) για τη δημιουργία των δικτύων. Η Log2 των τιμών βήτα εμφανίζεται για όλα τα δίκτυα.

Κατασκευάσαμε δίκτυα αλληλεπίδρασης miRNA-mRNA για τις πέντε πιο ισχυρή υποψήφια miRNAs που συσχετίζονταν σημαντικά με τα αποτελέσματα της επιβίωσης σε τέσσερις τύπους καρκίνου (π.χ., LUAD, HNSC , KIRC και OVCA). Τα δίκτυα αυτά τα πέντε υποψήφια miRNAs », το οποίο περιλαμβάνει τα γονίδια που είναι είτε θετικά (κίτρινο) ή αρνητικά (μπλε) συσχετίζεται με την υψηλή έκφραση των miRNAs, που παρουσιάζεται στο S9-S29 Σχ. Για τον προσδιορισμό των οδών δυνητικά ρυθμίζονται από αυτές τις πέντε υποψήφιες miRNAs σε διαφορετικά είδη καρκίνου, εντοπίσαμε πρώτα τους τύπους καρκίνου κατά την οποία οι εν λόγω miRNAs σχετίστηκαν με την ίδια πρόγνωση (δηλ, είτε καλή ή κακή επιβίωση) και στη συνέχεια αναλύθηκαν οι όροι οντολογίας κοινά γονίδιο που σχετίζεται με τα δίκτυα για αυτούς τους τύπους καρκίνου.

Αποτελέσματα

Εφαρμόσαμε RSA μας με τα στοιχεία του ασθενούς TCGA που περιλαμβάνουν τα επίπεδα έκφρασης των miRNAs και τα κλινικά αποτελέσματα. Μετά την προ-επεξεργασία των στοιχείων, η οποία περιελάμβανε την διαδικασία ομογενοποίησης, για να αφαιρέσετε επιπτώσεις των διαφόρων πλατφορμών για την εξαγωγή της έκφρασης των miRNAs, που υπολογίζονται για πρώτη φορά ένα βέλτιστο όριο που θα διαχωρίζει καλύτερα τα επίπεδα έκφρασης των miRNAs από την άποψη των αποτελεσμάτων επιβίωση υπολογίζεται χρησιμοποιώντας τη μέθοδο Kaplan-Meier μέθοδος και η δοκιμασία log-rank. Στη συνέχεια συγκεντρωμένα τα miRNAs σε ομάδες, miRNAs που σχετίζονται με την καλή επιβίωση (GS miRNAs) και miRNAs που σχετίζονται με κακή επιβίωση (PS miRNAs), συγκρίνοντας την διάμεση συνολική επιβίωση σε άριστη ομάδες με τη διάμεση συνολική επιβίωση του συνόλου του πληθυσμού. Χρησιμοποιώντας εντατική τυχαία δειγματοληψία, υπολογίσαμε μια εύρωστη τιμή p για κάθε υποψήφιο miRNA να εντοπίσει υποψήφιο GS ​​miRNAs ή PS miRNAs για κάθε τύπο καρκίνου.

Στη συνέχεια, θα χαρακτηρίζονται οι εντοπίστηκαν υποψήφιος miRNAs με βάση την τοποθεσία του χρωμοσώματος και γονιδιωματική σταθερότητα και κατασκευαστεί miRNA-mRNA λειτουργικά δίκτυα. Με την ανάλυση των αλληλεπιδράσεων μεταξύ προγνωστικούς δείκτες miRNA και λειτουργική οδών που εμπλέκονται στην ανάπτυξη του καρκίνου, καθορίσαμε τις κύριες οδούς αυτές miRNA προγνωστικοί δείκτες επηρεάζουν.

miRNA-Νόσος Δίκτυο Επιβίωση

Για κάθε τύπο καρκίνου, δηλαδή , του μαστού (BRCA), των ωοθηκών (OVCA), ο καρκίνος του νεφρού (KIRC) κεφαλής και λαιμού (HNSC), του πνεύμονα (LUAD), και, προσδιορίσαμε υποψήφιος miRNAs του οποίου η διαφορική έκφραση συνδέεται στενά με την επιβίωση των ασθενών σε πολλαπλούς τύπους καρκίνου. Τα GS miRNA και PS miRNA υποψηφίων για τους οποίους μια σημαντική ισχυρή p-value έδειξε μια συσχέτιση με την επιβίωση σε τουλάχιστον 3 διαφορετικούς τύπους καρκίνου που φαίνεται στο σχήμα 2Α. Ορίσαμε και κατασκευάζονται δίκτυα επιβίωση miRNA-ασθένεια, η οποία κωδικοποιείται συσχετίσεις μεταξύ miRNA και τύπων καρκίνου (Σχήμα 2Β). Διαφορετικούς κύκλους περιέχουν miRNAs που συνδέονται με την πρόγνωση (από αριστερά προς τα δεξιά) οι τύποι ένα, δύο, ή τρεις καρκίνο. Κάτω από αυτές τις 3 κύκλοι, οι miRNAs που συνδέονται σημαντικά με την πρόγνωση σε τέσσερις τύπους καρκίνου υποδεικνύονται. Από την πρώτη μας προτεραιότητα ήταν να προσδιορίσει τους στόχους που ισχύουν σε πολλαπλούς τύπους καρκίνου, επιλέξαμε πέντε miRNAs (miR-24-1 *, miR-30e, miR-15b, miR-485 και miR-487b), που συνδέεται στενά με την επιβίωσης (ισχυρές p-value ≤ 0,01) σε πολλαπλούς τύπους καρκίνου

(Α) Υποψήφιος miRNAs από την RSA σημαντικά (ισχυρές p-value & lt? 0,01). συσχετιστεί με την καλή επιβίωση ή την κακή επιβίωση σε τουλάχιστον 3 τύπους καρκίνου . (Β) του δικτύου επιβίωση miRNA-ασθένειας. Οι κύκλοι δείχνουν τα miRNAs συνδέεται στενά με την επιβίωση των ασθενών σε διαφορετικά είδη καρκίνου. Από αριστερά προς τα δεξιά: miRNAs που συνδέονται με την πρόγνωση σε έναν τύπο καρκίνου, 2 τύπους καρκίνου, και 3 τύπους καρκίνου. Λευκή ορθογώνια αντιπροσωπεύουν τύπους καρκίνου. Κίτρινο ορθογώνια αντιπροσωπεύουν miRNAs. Το χρώμα της ακμής μεταξύ miRNA και έναν τύπο καρκίνου, υποδεικνύει εάν η miRNA συσχετίζεται με την καλή (μπλε) ή κακή (πορτοκαλί) πρόγνωση σε έναν τύπο καρκίνου.

Η

Copy Number Αλλαγές

Κάθε υποψήφιος miRNA συνδέεται στενά με την επιβίωση των ασθενών σε τουλάχιστον 4 διαφορετικούς τύπους καρκίνου ερευνήθηκε περαιτέρω όσον αφορά την τοποθεσία του χρωμοσώματος του και πρότυπο έκφρασης σε ασθενείς. Οι βαθμολογίες GISTIC σε αριθμό αντιγράφων αλλοιώσεις για κάθε μία από τις θέσεις χρωμοσώματος αυτών miRNAs σε κάθε τύπο καρκίνου του ελήφθησαν από την πύλη δεδομένων cBio και φαίνονται στο σχήμα 3Α. miR-485 και miR-487b, τα οποία βρίσκονται πολύ κοντά η μία στην άλλη στο χρωμόσωμα 14, έχουν παρόμοιες σχέσεις με πρόγνωση σε διάφορους τύπους καρκίνου και να έχουν παρόμοιο αριθμό αντιγράφων μεταβολές σε αυτούς τους τύπους καρκίνου (Σχήμα 3Α). miR-15b συνδέεται στενά με την καλή επιβίωση σε HNSC και OVCA και εμφανίζει παρόμοια κέρδη αριθμό αντιγράφων σε αυτούς τους καρκίνους. Ένα κέρδος σε αριθμό αντιγράφων σε μια δεδομένη θέση χρωμοσώματος θα δείχνουν αυξημένη έκφραση της σχετικής miRNA. Για κάθε επιλεγμένη miRNA, τα μοτίβα των επιπέδων έκφρασης του σε φυσιολογικών και καρκινικών ιστών είναι παρόμοια με τα αντίστοιχα προφίλ των μεταβολών αριθμού αντιγράφων (Σχήμα 3Β). (Εμείς δεν θα μπορούσε να κάνει μια παρόμοια σύγκριση με OVCA, καθώς δεν είχαμε στοιχεία για δείγματα φυσιολογικού ιστού.)

(Α) Περαιτέρω χαρακτηρισμός των 5 ισχυρός υποψήφιος miRNAs σε όρους μεταβολής αριθμού αντιγράφων και της έκφρασης. Τα GISTIC πιστοποιηθέν αριθμού αντιγράφων μεταβολές σε κάθε ένα από τόπους χρωμοσώματος για τα miRNAs σε διάφορους τύπους καρκίνου εμφανίζονται. Η «GS» ή «PS» μέσα σε κάθε κύκλο υποδεικνύει τη σύνδεση με το καλό (μπλε) ή κακή (πορτοκαλί) πρόγνωση. (Β) Εκφραση σε όγκο και φυσιολογικό ιστό για κάθε ένα από τα ισχυρός υποψήφιος miRNA. Για OVCA, οι συνήθεις δεδομένων ιστού δεν ήταν διαθέσιμα.

Η

Εμείς υπολογίζεται επίσης τη συσχέτιση μεταξύ του αριθμού αντιγράφου αλλαγές στη θέση του χρωμοσώματος του κάθε υποψηφίου miRNA και τις αλλαγές στα επίπεδα μεθυλίωσης για κάθε τύπο καρκίνου ξεχωριστά και για όλους τους 5 τύπους καρκίνου σε συνδυασμό (S2-S6 σχήματα). Βρήκαμε σημαντική συσχέτιση μεταξύ της έκφρασης των miRNAs και μεταβολή του αριθμού αντιγράφων σε αυτές τις θέσεις, καθώς και μεταξύ της έκφρασης των miRNAs και τα επίπεδα μεθυλίωσης στους σχετικούς τύπους καρκίνου. Όταν αναλύσαμε τα δεδομένα δεξαμενής από 5 τύπους καρκίνου, που εξακολουθούν να παρατηρούνται σημαντικές συσχετίσεις μεταξύ της έκφρασης των miRNAs και να αντιγράψετε παραλλαγή αριθμό και τα επίπεδα μεθυλίωσης.