Αφηρημένο

Μεταβολισμός εκφράζει τον φαινότυπο των ζωντανών κυττάρων και η κατανόηση είναι ζωτικής σημασίας για διαφορετικές εφαρμογές στη βιοτεχνολογία και την υγεία. Με την αύξηση της διαθεσιμότητας των μεταβολομική, πρωτεομική και, σε μεγαλύτερο βαθμό, transcriptomic δεδομένων, η διαλεύκανση των συγκεκριμένων μεταβολικές ιδιότητες σε διαφορετικά σενάρια και τύπους κυττάρων είναι ένα βασικό θέμα στη βιολογία συστημάτων. Παρά τις δυνατότητες της στοιχειώδους έννοιας λειτουργία ροής (EFM) για το σκοπό αυτό, η χρήση του έχει περιοριστεί μέχρι στιγμής, κυρίως λόγω υπολογισμός τους ήταν ανέφικτο για το μεταβολικό δίκτυα γονιδίωμα-κλίμακας. Σε μια πρόσφατη εργασία, προσδιορίσαμε ένα υποσύνολο των EFMS στον ανθρώπινο μεταβολισμό και πρότεινε ένα νέο πρωτόκολλο για την ενσωμάτωση των δεδομένων γονιδιακής έκφρασης, κηλίδες αίματος κλειδί »χαρακτηριστικό EFMS» σε διάφορα σενάρια. Η προσέγγισή μας εφαρμόστηκε με επιτυχία για τον εντοπισμό μεταβολικές διαφορές μεταξύ των διαφόρων ανθρώπινων υγιείς ιστούς. Σε αυτό το άρθρο, αξιολογήσαμε την απόδοση της προσέγγισής μας σε κλινικά ενδιαφέρουσα κατάσταση. Ειδικότερα, εντοπίσαμε κλειδί EFMS και των μεταβολιτών στο αδενοκαρκίνωμα και ακανθοκυτταρικό καρκίνωμα υποτύπων μη μικροκυτταρικό καρκίνο του πνεύμονα. Τα αποτελέσματα είναι σύμφωνα με προηγούμενες γνώσεις των μεγάλων αυτών υποτύπων του καρκίνου του πνεύμονα στην ιατρική βιβλιογραφία. Ως εκ τούτου, το έργο αυτό αποτελεί το σημείο εκκίνησης για τη δημιουργία μιας νέας μεθοδολογίας που θα μπορούσε να οδηγήσει σε διάκριση βασικές μεταβολικές διεργασίες μεταξύ των διαφόρων κλινικών αποτελεσμάτων

Παράθεση:. Rezola Α, Pey J, Rubio Α, Αεροπλάνα FJ (2014)

Σε-πυριτιο

Πρόβλεψη Key μεταβολικές διαφορές μεταξύ των δύο μη-μικροκυτταρικό καρκίνο του πνεύμονα υποτύπους. PLoS ONE 9 (8): e103998. doi: 10.1371 /journal.pone.0103998

Επιμέλεια: Pankaj Κ Singh, του Πανεπιστημίου της Νεμπράσκα Ιατρικό Κέντρο, Ηνωμένες Πολιτείες της Αμερικής

Ελήφθη: 6 Φεβ 2014? Αποδεκτές: 9 Ιούλη του 2014? Δημοσιεύθηκε: 5 Αύγ, 2014

Copyright: © 2014 Rezola 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

Χρηματοδότηση:. Ταμεία ήταν έλαβε από Asociación de Amigos de la Universidad de Navarra προς τον Alberto Rezola και από τη βασκική κυβέρνηση να Jon Pey. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

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

Εισαγωγή

ο καρκίνος του πνεύμονα είναι ο πιο συχνός καρκίνος παγκοσμίως, τόσο από την άποψη των περιπτώσεων και θανάτων και υψηλότερα ποσοστά εμφάνισης της ανήκουν στην Ευρώπη και τη Βόρεια Αμερική [1]. Με την έλευση των δεδομένων -ωματικής, πολλή προσπάθεια έχει γίνει για τον εντοπισμό μεταλλάξεων και ογκογονίδια σε διαφορετικούς υποτύπους καρκίνου του πνεύμονα, με στόχο να αναπτύξουν πιο αποτελεσματικές θεραπείες. Ωστόσο, η πρόγνωση είναι ακόμη φτωχή και απαιτείται περαιτέρω έρευνα για τη διαλεύκανση νέων βιοδεικτών και θεραπείες που βελτιώνουν την κλινική έκβαση [2].

Σε αυτό το πλαίσιο, η μελέτη των μεταβολικών διεργασιών στον καρκίνο είναι σήμερα ένα καυτό θέμα, όπως έχουν αυξανόμενα στοιχεία της εκ νέου προγραμματισμό του. Εκτός από το μεταβολισμό της γλυκόζης, το λεγόμενο φαινόμενο Warburg, έχουν αναφερθεί μεταβολές στη σύνθεση των νουκλεοτιδίων, αμινοξέων και των λιπιδίων [3], καθώς και τις σχετικές μεταλλάξεις στη μεταβολική γονίδια και συσσωρεύσεις των βασικών μεταβολιτών [4]. Καθώς τα καρκινικά κύτταρα εμφανίζουν υψηλή γενετική ποικιλότητα, η ταυτοποίηση των σχετικών μεταβολικών οδών σε διάφορες καρκίνο υπο-είδη αποτελεί ένα σημαντικό τομέα της έρευνας.

τεχνολογίες υψηλής απόδοσης -ωματικής έχουν επιφέρει ένα νέο σενάριο όπου μια πιο ολοκληρωμένη ανάλυση της μεταβολισμός είναι δυνατή. Μία σημαντική πρόοδος ήταν η ανακατασκευή του ανθρώπινου γονιδιώματος κλίμακας δίκτυο μεταβολικών [5], [6], η οποία επέτρεψε στους ερευνητές να αναλύσουν ανθρώπινο μεταβολισμό σε διαφορετικά σενάρια σε μια άνευ προηγουμένου επίπεδο πολυπλοκότητας, χρησιμοποιώντας θεωρητικές μεθόδους και τα δεδομένα -ωματικής [7], [8]. Σε αυτή την κατεύθυνση, έχουν διαφορετικές έννοιες μεταβολική οδός που βασίζεται στο δίκτυο έχουν εισαχθεί τα τελευταία χρόνια [9]. Έχουν δείξει ότι κυτταρικό μεταβολισμό συνεπάγεται μια πιο σύνθετη και ποικίλη δομή μονοπάτι από εκείνες που παρουσιάζονται σε κανονική χάρτες. Συγκεκριμένα, μια πολλά υποσχόμενη ιδέα είναι ότι Δημοτικής Flux Modes (EFMS), η οποία μας επιτρέπει να αποσυντεθούν ένα μεταβολικό δικτύου σε απλούστερη τους τρόπους συμπεριφοράς [10]. Ωστόσο, η ενσωμάτωση των δεδομένων -ωματικής με EFMS να αναλύσει τον ανθρώπινο μεταβολισμό υπήρξε περιορισμένη, λόγω του γεγονότος ότι ο υπολογισμός του EFMS είναι δύσκολο σε δίκτυα γονιδίωμα κλίμακας. Το ζήτημα αυτό έχει αντιμετωπιστεί πρόσφατα [11], όπου ένα νέο πρωτόκολλο για την ενσωμάτωση των δεδομένων γονιδιακής έκφρασης και EFMS προτείνεται. Η προσέγγιση αυτή εφαρμόστηκε με επιτυχία για τον εντοπισμό μεταβολικές διαφορές μεταξύ πολλών υγιών ιστών.

Με βάση την [11], στόχος μας εδώ είναι να προσδιοριστούν τα βασικά μεταβολικών οδών και των μεταβολιτών σε δύο μεγάλες υποκατηγορίες του μη-μικροκυτταρικού καρκίνου του πνεύμονα (NSCLC ): αδενοκαρκίνωμα και ακανθοκυτταρικό καρκίνωμα. Ειδικότερα, στόχος μας είναι να διερευνήσει εάν συγκεκριμένες διαφορές μεταξύ αυτών των υποτύπων μπορεί να βρεθεί συνδυάζοντας EFMS και τα δεδομένα γονιδιακής έκφρασης. Σύμφωνα με την προηγούμενη γνώση αυτών των μεγάλων υποτύπων του καρκίνου του πνεύμονα στην ιατρική βιβλιογραφία, τα αποτελέσματά μας σωστά διακρίνει βασικές μεταβολικές διεργασίες μεταξύ των διαφόρων κλινικά αποτελέσματα αναλύονται.

Υλικά και Μέθοδοι

Δημοτικό Flux Modes (EFMS ) έννοια

Για να φανεί η έννοια της EFMS, χρησιμοποιήσαμε το Σχήμα 1, το οποίο αντιπροσωπεύει ένα απλοποιημένο μεταβολικό σύστημα περιλαμβάνει γλυκόλυση και TCA

Συντομογραφίες:. Ac, οξικό? AcCoA, ακετυλο-CoA? Cit, κιτρικό? D-Lac, γαλακτικό? D-Glc, γλυκόζη? ΑΕΧ, οξαλοξικό, Πυρ, πυροσταφυλικό, CO2, το διοξείδιο του άνθρακα.

Η

Μια EFM είναι τεχνικά ένα ελάχιστο υποσύνολο των ενζύμων σε θέση να εκτελέσει σε διαρκή σταθερή κατάσταση. Σταθερή κατάσταση συνεπάγεται ότι οι μεταβολίτες εντός των ορίων του συστήματος, π.χ.

πυροσταφυλικό

(Pyr), πρέπει να είναι σε στοιχειομετρική ισορροπία, δηλαδή ροή πρέπει να είναι ίσο να ρέει έξω. Αυτή η κατάσταση απαιτεί τον καθορισμό των μεταβολιτών μπορούν να ανταλλάσσονται εκτός του συστήματος, δηλαδή εδώ οι είσοδοι είναι

γλυκόζης (D-Glc) και

οξικό

(Ac), ενώ οι έξοδοι

γαλακτικό

(D-Lac) και

διοξειδίου του άνθρακα

(CO2). Επιπλέον, «minimal» σημαίνει ότι η αφαίρεση ενός ενζύμου οδηγεί σε μονοπάτι αναστάτωση. Στο παράδειγμά μας στο Σχήμα 1, έχουμε 3 EFMS. EFM1 αντιπροσωπεύει αναερόβια γλυκόλυση? EFM2 αερόβια γλυκόλυση μέσω του κύκλου TCA? EFM3 κύκλο TCA τροφοδοτείται από οξικό. Είναι εύκολο να ελέγξει ότι πληρούν τις προϋποθέσεις που αναφέρονται παραπάνω. Για περισσότερες τεχνικές λεπτομέρειες, ανατρέξτε [10].

Σημειώστε ότι EFMS είναι ελάχιστες τρόπους συμπεριφοράς και συνδυασμοί είναι επίσης δυνατή. Ωστόσο, σε διαφορετικά σενάρια μερικά από αυτά μπορεί να υπερισχύσει έναντι των άλλων. Για παράδειγμα, τα καρκινικά κύτταρα παράγουν ενέργεια κυρίως μέσω αναερόβια γλυκόλυση (EFM1), ακόμη και όταν υπάρχει επαρκής

οξυγόνο είναι διαθέσιμο (Warburg αποτέλεσμα). Σημειώστε ότι EFMS συνήθως έχουν διαφορετικές εισόδους (υποστρώματα) και εκροών (αποβάλλεται μεταβολίτες). Σε αυτό το άρθρο, έχουμε ως στόχο να εκμεταλλευτούν αυτή την ιδέα για να διαχωρίσετε διαφορετικές κλινικές σενάρια που βασίζονται σε δεδομένα γονιδιακής έκφρασης.

Ανθρώπινο EFMS καρκίνο του πνεύμονα συλλογή και δεδομένων

Εδώ χρησιμοποιείται ένα υποσύνολο του 5875 EFMS καθορίζεται στο παρελθόν στο [11] από Recon 1 ανθρώπινου δικτύου μεταβολικές [5], το οποίο περιέχει 2469 βιοχημικές αντιδράσεις και 1587 μεταβολίτες. Αυτό το υποσύνολο των EFMS περιλαμβάνει ένα ευρύ κατάλογο των μεταβολικών οδών ενδεχομένως δραστηριοποιούνται σε διαφορετικές ανθρώπινες φυσιολογικές συνθήκες (βλέπε [11] Για περισσότερες αναλυτικές πληροφορίες αυτού του συνόλου EFMS).

Από την άλλη πλευρά, τα δεδομένα γονιδιακής έκφρασης εκχυλίζεται από την έκφραση γονιδίων Omnibus (GEO) βάσεων δεδομένων [12]. Ειδικότερα, θεωρήσαμε 58 δείγματα ανθρώπινου ιστού όγκου NSCLC από [13], και 6 δείγματα φυσιολογικό ιστό πνεύμονα (CN) από [14]. 40 δείγματα ιστού όγκου NSCLC ελήφθησαν από ασθενείς κλινικά διαγνωστεί ότι αδενοκαρκίνωμα (AD), ενώ τα άλλα δείγματα ιστού 18 όγκων από ασθενείς με ακανθοκυτταρικό καρκίνωμα (SQ). Όλα αυτά τα δείγματα υβριδοποιήθηκαν σε μία συστοιχία Affymetrix HGU 133 plus, το οποίο περιέχει 54.675 ανιχνευτές για 20.283 γονίδια. Περιγράφουμε παρακάτω διαφορετικές μεθόδους που εφαρμόζονται για την ανάλυση αυτών των δεδομένων.

Η διαφορική ανάλυση της έκφρασης

καθοριστεί ποια γονίδια ήταν υπερ-εκφράζεται, αμετάβλητος ή υπο-εκφράζεται σε AD σε σχέση με SQ (upAD) και αντίστροφα (upSQ). Σημειώστε ότι υπερεκφράζεται γονίδια στην AD είναι κάτω-εκφράζεται σε SQ, και αντιστρόφως, όπως μπορεί να παρατηρηθεί στην πρώτη στήλη του Πίνακα 1. Επιπλέον, τα δεδομένα γονιδιακής έκφρασης από υγιείς ιστοί δεν μπορούν να συγκριθεί άμεσα με δεδομένα από καρκινικούς ιστούς, όπως ανήκουν σε διαφορετική πηγή δεδομένων. Αυτό δεν αποτελεί πρόβλημα, καθώς είμαστε συγκεντρωμένοι στην αποσαφήνιση των διαφορών μεταξύ της AD και SQ.

Η

Για το έργο αυτό χρησιμοποιήσαμε το πακέτο limma στην Ε στατιστικού λογισμικού [15], δηλαδή πολλαπλή γραμμική παλινδρόμηση και εμπειρική Bayes στατιστικά στοιχεία που καθορίζουν την πιθανότητα ενός γονιδίου δεν είναι διαφορικά εκφρασμένων μεταξύ των δύο όρων (

σ

-τιμή). Στη συνέχεια, ποσοστό εσφαλμένης ανακάλυψη της τεχνικής (FDR) εφαρμόστηκε για να διορθώσει το αποτέλεσμα της δοκιμής πολλαπλές υποθέσεις, μετατρέποντας τα προηγούμενα

σ

-τιμές σε

q

-τιμές [16]. Θεωρήσαμε διαφορικά εκφρασμένα γονίδια εκείνα με

q

-τιμή μικρότερη από 5%. Σημειώστε ότι αυτό το όριο είναι αυθαίρετη, ωστόσο, τόσο μικρότερο είναι το όριο, τόσο μεγαλύτερη είναι η στάθμη εμπιστοσύνης. Ο προσδιορισμός των πάνω και κάτω-ρυθμιζόμενα γονίδια είναι απλή με βάση συντελεστές γραμμικής παλινδρόμησης.

Η απόλυτη έκφραση ανάλυση

Ορίζουμε την απόλυτη ανάλυση της έκφρασης, όπως την ταξινόμηση των γονιδίων ως παρών ή απών σε μια συγκεκριμένη βιολογικό δείγμα. Εδώ κατατάσσονται ιδιαίτερα γονίδια σε τρεις πολιτείες: highly-, με κανονικό και ταπεινός-εκφράζεται. Αυτή η διακριτή ταξινόμηση των γονιδίων που έγινε για κάθε ομάδα: AD, SQ και CN. Σημειώστε ότι αυτή η ανάλυση έγινε για κάθε ομάδα χωριστά και καμία σύγκριση μεταξύ των ομάδων έγινε, δηλαδή απόλυτη έκφραση των γονιδίων είναι μία λειτουργική ιδιότητα για κάθε ομάδα.

Για το σκοπό αυτό πρέπει πρώτα ταξινομείται γονιδίων σε κάθε δείγμα ως ενεργά ή ανενεργό με βάση το μοντέλο Barcode γονιδιακής έκφρασης [17]. Στη συνέχεια, προκειμένου να επιτευχθεί το επιθυμητό ταξινόμησης τριών επιπέδων, ορίσαμε ένα γονίδιο ως ιδιαίτερα (ταπεινός) εξέφρασε αν όλοι οι ανιχνευτές που περιέχουν τέτοιο γονίδιο είναι ενεργό (ανενεργό) στο σύνολο των δειγμάτων, και μέτρια εκφράζεται διαφορετικά. (Για παράδειγμα 95% των ανιχνευτών αντί ο 100%) μπορεί να επιλεγεί ένα λιγότερο αυστηρές κατώφλι, αλλά το επίπεδο εμπιστοσύνης του γονιδίου υψηλής και χαμηλής έκφρασης θα μειωθεί

μετασχηματισμός δεδομένων:. Από γονίδια σε αντιδράσεις

Διαφορικό και έκφραση απόλυτη γονιδίου οδηγεί σε ένα up-ρυθμιζόμενη /πολύ-εκφράζεται, αμετάβλητος /κανονικά εκφράζεται και κάτω-ρυθμίζονται /ταπεινός-εκφράζεται ταξινόμηση γονίδιο.

για να χαρτογραφήσουν το γονίδιο ταξινόμηση έκφρασης στο σύνολο των μεταβολικών αντιδράσεων που περιλαμβάνονται στο σύνολο των EFMS επιλεγεί, χρησιμοποιήσαμε τις Boolean νόμους, επίσης γνωστή ως κανόνες Gene-Protein-Αντίδραση (GPR), αναφέρθηκε στο [5], όπως έγινε προηγουμένως στο [11], [ ,,,0],18]. Σημειώστε εδώ ότι Recon 1 ανθρώπινου ανακατασκευή του δικτύου μεταβολικές σχολιάζει 1496 γονίδια από τα οποία το 1451 βρίσκονται στο HGU 133 συν σειρά.

Με βάση αυτούς τους κανόνες GPR και την κατηγοριοποίηση της γονιδιακής έκφρασης, παίρνουμε μια τριών επιπέδων ταξινόμησης μεταβολική αντίδραση, δηλαδή μέχρι ρυθμισμένο /πολύ-εκφράζεται, αμετάβλητος /κανονικά εκφράζεται και κάτω-ρυθμίζονται /ταπεινός-εκφράζονται αντιδράσεις.

Χαρακτηριστική και η διαφορική EFMS

Εμείς χαρτογράφησαν το αντιδράσεις ταξινόμηση στο σύνολο του 5876 EFMS σε κάθε σενάριο: AD, SQ, CN, upAD και upSQ. Για μ.Χ., SQ και CN σενάρια, προσδιορίσαμε ένα υποσύνολο των χαρακτηριστικών EFMS με την προσέγγιση που παρουσιάζεται στο [11]. Ορίζουμε χαρακτηριστικό EFMS όπως αυτά σημαντικά εμπλουτισμένη με εξαιρετικά εκφράζονται αντιδράσεις και αφορούν ένα μικρό αριθμό ταπεινός εκφράζονται αντιδράσεις. Ο ορισμός αυτός εστιάζεται σε στοιχεία απόλυτη έκφραση (βλέπε προηγούμενο «Απόλυτη ανάλυση της έκφρασης» υποενότητα).

Η έννοια αυτή μπορεί να παραταθεί για τα δεδομένα διαφορική έκφραση, στην περίπτωσή μας, χρησιμοποιώντας τα σύνολα γονιδίων που λαμβάνονται για upAD και upSQ σενάρια. Συγκεκριμένα, ορίζουμε απόκλιση EFMS όπως αυτές σημαντικά εμπλουτισμένο με υπερ-εκφράζεται αντιδράσεις και περιλαμβάνουν ένα μικρό αριθμό υπό-εκφράζεται αντιδράσεις. Σημειώστε ότι η χρήση της διαφορικής έκφρασης περιλαμβάνει αρκετές θεωρητικά θέματα, π.χ. γονίδια σταθερά υψηλή έκφραση μπορεί να έχει μια μικρή αλλαγή φορές.

Καθώς ο συνδυασμός των διαφορικών EFMS με χαρακτηριστική EFMS είναι μια πιο ακριβή προσέγγιση, σε αυτή την εργασία που επινοήθηκε ο όρος «προεξέχοντα» EFMS για εκείνες EFMS που είναι χαρακτηριστική και διαφορικό ταυτόχρονα, δηλαδή είναι σημαντική τόσο στην απόλυτη και η διαφορική ανάλυση.

Αποτελέσματα και Συζήτηση

Περίπου το 70% των διαγνωσμένων καρκίνων του πνεύμονα είναι μη μικροκυτταρικό καρκίνο του πνεύμονα καρκίνων (NSCLC) και ανήκουν σε δύο κύριες υποκατηγορίες, ιδιαίτερα μ.Χ. και SQ. Ο στόχος αυτής της εργασίας είναι να διαφωτίσει συγκεκριμένες ιδιότητες του μεταβολισμού και τις διαφορές μεταξύ της AD και καρκίνων του πνεύμονα SQ. Για το σκοπό αυτό, χρησιμοποιήθηκε η μεθοδολογία που παρουσιάστηκε παραπάνω.

Ο Πίνακας 1 συνοψίζει τα αποτελέσματα για την ανάλυση της έκφρασης απόλυτη και διαφορική επιτευχθεί. Είναι ενδιαφέρον ότι, στον Πίνακα 1 βρήκαμε ότι ο αριθμός των εκφρασμένων γονιδίων ταπεινούς και αντιδράσεις σε CN είναι σημαντικά υψηλότερο από ό, τι σε δύο σενάρια καρκίνο. Αυτό μπορεί να υποδεικνύει ότι ο επαναπρογραμματισμός του μεταβολισμού του καρκίνου ενισχύει την συστημική ευρωστία, πιθανότατα ενεργοποιώντας σιγήσει μονοπάτια που εγγυώνται και να βελτιστοποιήσει τον πολλαπλασιασμό. Σημειώστε, ωστόσο, ότι, σε πολύ μικρότερο βαθμό, ο αριθμός των εντόνως εκφρασμένων αντιδράσεων είναι υψηλότερο σε CN. Αυτές οι πληροφορίες μπορεί να υποδεικνύει ότι ο μεταβολισμός στον CN είναι πιο συγκεκριμένη σε σχέση με τον καρκίνο και παρουσιάζει μικρότερη μεταβλητότητα σε όλη δείγματα στο ενεργό σύνολο των ενζύμων. Το ίδιο συμπέρασμα επιτυγχάνεται με μετρίως εκφρασμένα γονίδια. Από την άλλη πλευρά, αν θα επικεντρωθεί στην διαφορική ανάλυση, βρήκαμε, όπως αναμενόταν από την κατασκευή, που μέχρι ρυθμιζόμενα γονίδια σε upAD είναι ρυθμισμένα προς τα κάτω σε upSQ, και αντίστροφα, π.χ. το υποσύνολο των 1.725 up-ρυθμιζόμενα γονίδια στην AD (1 upAD) ταιριάζει με το υποσύνολο των γονιδίων ρυθμισμένων προς τα κάτω σε SQ (-1 σε upSQ). Ωστόσο, το ίδιο δεν συμβαίνει με τις αντιδράσεις επίπεδο λόγω κανόνες GPR, το οποίο απεικονίζει την κανονιστική πολυπλοκότητα του μεταβολισμού.

Έχουμε επιλέξει ως διαφορικό και χαρακτηριστικό EFMS για κάθε σενάριο εκείνους με FDR χαμηλότερη από 20%. Ο συνολικός αριθμός των στατιστικά σημαντική EFMS μπορούν να βρεθούν στον Πίνακα 1. Ειδικότερα, βρήκαμε ένα σημαντικό αριθμό χαρακτηριστικών EFMS σε κάθε κατάσταση και, όπως συζητήθηκε στο [11], ο αριθμός τους δεν ήταν κατ ‘ανάγκη ανάλογο με τον αριθμό των highly- και ταπεινός-εκφράζεται (πάνω και κάτω-ρυθμιζόμενες) αντιδράσεις. Ως εκ τούτου, δεν είναι έκπληξη το γεγονός ότι περισσότερο χαρακτηριστική EFMS βρίσκονται σε SQ από ό, τι στην AD, καθώς ο αριθμός των χαρακτηριστικών και διαφορική EFMS εξαρτάται από τη συνδεσιμότητα των highly- και ταπεινός-εκφράζεται (πάνω και κάτω-ρυθμιζόμενες) αντιδράσεις στο σύνολο μας EFMS [11]. Για να απεικονίσει και να ερμηνεύσει διαφορικό και χαρακτηριστικό EFMS, μπορούμε να αντιστοιχίζονται με τα διαγράμματα Venn φαίνεται στο Σχήμα 2.

Η

Εικόνα 2.Στην δείχνει τον αριθμό των χαρακτηριστικών EFMS που επικαλύπτονται ΣΟ, SQ και AD . Όπως ήταν αναμενόμενο μερικώς, μπορεί να παρατηρηθεί ότι η μεταβολική δραστηριότητα σε καρκινικούς ιστούς (AD και SQ) είναι περισσότερο παρόμοια σε σχέση με υγιή ιστό (CN). Ειδικότερα, ένα κοινό υποσύνολο των 109 χαρακτηριστικών EFMS βρεθεί για την AD και SQ. Μεταξύ αυτών, 56 δεν εμπλέκονται στο CN, το οποίο μπορεί να αντιπροσωπεύει έναν πυρήνα μεταβολικό δίκτυο του μεταβολισμού του καρκίνου του πνεύμονα. Τα άλλα 53 EFMS είναι κοινά για τρία σενάρια μας, αποκαλύπτοντας τις ομοιότητες μεταξύ του καρκίνου και υγιείς ιστούς.

Για να εντοπίσει πιο συγκεκριμένες οδούς και των μεταβολιτών στην AD και SQ, συγκρίναμε χαρακτηριστική και διαφορική EFMS του SQ και AD, όπως φαίνεται στα Σχήματα 2.Β και 2.Γ, αντίστοιχα. Όπως σημειώνεται παραπάνω, εμείς θεωρούνται SQ εξέχουσα εκείνες EFMS χαρακτηριστικό SQ και πάνω ρυθμισμένα σε SQ? Αναλόγως, AD εξέχοντα EFMS είναι χαρακτηριστικές σε AD και πάνω ρυθμισμένα στην AD. Εντοπίσαμε 46 SQ εξέχουσα EFMS και 13 μ.Χ. εξέχοντα EFMS, δηλαδή χαρακτηριστικό EFMS που είναι στα ίδια διαφορική EFMS χρόνο. Ωστόσο, από αυτά τα EFMS, 20 SQ εξέχοντα EFMS και 13 AD εξέχοντα EFMS βρέθηκαν να είναι χαρακτηριστικές στις δύο καρκινικούς ιστούς. Αυτό συνεπάγεται ότι, αν και υπάρχει σε δύο ιστούς, η δραστηριότητά τους είναι υψηλότερη σε SQ και AD, αντίστοιχα. Επιπλέον, εντοπίσαμε μια σαφή ψευδώς θετικά στη διαφορική EFMS SQ, δηλαδή EFM διαφορικά εκφρασμένο σε SQ που είναι χαρακτηριστικό μόνο σε μ.Χ., και δύο ψευδώς θετικά στη διαφορική μ.Χ. EFMS.

AD και SQ εξέχοντα εισόδου /εξόδου μεταβολίτες

Τα παραπάνω αποτελέσματα δείχνουν ότι η προσέγγισή μας είναι σε θέση να διακρίνει εξέχουσα EFMS σε AD και καρκίνους του πνεύμονα SQ. Προκειμένου να μεταφράσει αυτές τις πληροφορίες σε πιο πρακτικές ιδέες, εστιάσαμε σε μεταβολίτες εισόδου και εξόδου που εμπλέκονται σε αυτές τις 46 SQ και 13 μ.Χ. εξέχοντα EFMS, αντίστοιχα. Για παράδειγμα, σκεφτείτε το Σχήμα 3, το οποίο δείχνει ένα SQ εξέχοντα EFM κατανάλωση

γλυκερίνη

(Glyc) και

L-αλανίνης

(ala-L), μεταβολίτες εισόδου, και την παραγωγή

L- σερίνη

(ser-L) και

L-γαλακτικό

(lac-L), μεταβολίτες εξόδου.

Ελλείψεις αντιπροσωπεύουν τους μεταβολίτες και τα βέλη αντιπροσωπεύουν αντιδράσεις. Λευκό και μαύρα στίγματα μέσα στα βέλη αντιπροσωπεύουν αναστρέψιμες και μη αναστρέψιμες αντιδράσεις, αντίστοιχα. Κάθε μεταβολίτης απεικονίζεται με αντίστοιχο διαμέρισμα της σε παρένθεση: [e], εξωκυττάρια και [c], κυτταρόπλασμα. Γκρι και άσπρο ελλείψεις αντιπροσωπεύουν εξωτερικές και εσωτερικές μεταβολίτες, αντίστοιχα. Ονοματολογία για τους μεταβολίτες και τις αντιδράσεις λήφθηκε από [5] και περιλαμβάνεται στο S1 αρχείου.

Η

Δεδομένου ότι αυτά τα EFMS ελήφθησαν από ένα μεταβολικό δίκτυο ανθρώπινο γονιδίωμα-κλίμακας, αυτοί οι μεταβολίτες εισόδου και εξόδου αντιστοιχούν κυρίως σε υποστρώματα (πρόσληψης) και εκκρίνεται προϊόντα στον καρκίνο του πνεύμονα και, ως εκ τούτου, θα μπορούσε να μετρηθεί σε βιο-υγρά και να επισημανθεί ως βιοδείκτες. Ως εκ τούτου, η προσέγγιση αυτή θα μπορούσε να συμπληρώσει μεταβολομική μελέτες.

Εμείς εδώ αναλύονται οι μεταβολίτες εισόδου /εξόδου που εμπλέκονται στην AD και SQ εξέχοντα EFMS. Συγκεκριμένα, εντοπίσαμε μεταβολίτες εισόδου /εξόδου που υπάρχουν στο 46 SQ και upSQ EFMS, αλλά όχι σε upAD και αν είναι δυνατόν (όχι) AD και CN. Οι μεταβολίτες αυτοί ονομάζονται SQ εμφανή. Υποθέτουμε για SQ εξέχοντα μεταβολίτες υψηλότερη πρόσληψη (εισροές) και την έκκριση (εκροές) ροή από ό, τι στην AD και, ως εκ τούτου, θα μπορούσαν να χρησιμοποιηθούν για τη διάκριση SQ και AD. Το ίδιο μπορεί να γίνει για το 13 μ.Χ. και upAD EFMS. Ωστόσο, δεν υπάρχουν αποτελέσματα ενδιαφέροντος βρέθηκαν σε αυτή την περίπτωση.

Ο Πίνακας 2 παρουσιάζει μια περίληψη των πιο σχετικών SQ εξέχουσα πρόσληψη και την έκκριση των μεταβολιτών που λαμβάνονται. Πλήρεις λεπτομέρειες μπορούν να βρεθούν στο S1 αρχείου. Με βάση την βιβλιογραφία, θα συζητήσουμε κάτω από τα προηγούμενα έργα ως προς το ρόλο αυτών των μεταβολιτών.

Η

Μια υψηλότερη ενδοκυτταρική αφθονία

methylglyoxal

σε SQ σε σύγκριση με AD έχει προηγουμένως αναφερθεί στο [19 ], η οποία αποτελεί μια σαφή επιτυχία της προσέγγισής μας. Επιπλέον, μια υψηλή έκφραση του

deaminoneuraminic ACI

d και στις δύο SQ και AD ιστούς βρέθηκε στο [20]. Ωστόσο, η προσέγγισή μας προέβλεψε ένα πιο σημαντικό ρόλο στην SQ, το οποίο απαιτεί περαιτέρω έρευνα για να επικυρωθεί. Σημειώστε επίσης ότι οι δύο

methylglyoxal

και

deaminoneuraminic ACI

δ συνήθως ενσωματώνονται σε διαφορετικές πρωτεΐνες και η παρουσία τους σε διάφορες Biofluids δεν έχει διερευνηθεί.

Λαμβάνοντας υπόψη τα αποτελέσματα που παρουσιάζονται στο [ ,,,0],19], μπορεί κανείς να αμφισβητήσει το λόγο ως προς το γιατί

deaminoneuraminic οξύ

δεν συμμετέχουν στο υποσύνολο των χαρακτηριστικών EFMS στην AD. Θα πρέπει να σημειωθεί ότι η πηγή μας αποδεικτικών στοιχείων είναι τα δεδομένα γονιδιακής έκφρασης. Σε SQ βρήκαμε ένα μοτίβο κανονικής έκφρασης για τα γονίδια που εμπλέκονται στην παραγωγή EFMS

deaminoneuraminic

οξύ, αλλά όχι στην AD. Αυτό δεν αποκλείει τη σημασία του

deaminoneuraminic οξύ στο μ.Χ., όπως μπορεί να συμβεί μετα-μεταγραφικό αλλαγές.

Όσον αφορά την

τετραυδροφολικής

και

heptaglutamyl φυλλικό οξύ

, μια διαφορετική απόδοση του

φυλλικού οξέος

μεταβολισμό μ.Χ. και SQ έχει πρόσφατα διευκρινιστεί [21]. Σε αυτή την εργασία, αναφέρεται ότι

γ-γλουταμύλ υδρολάση

ένζυμο, το οποίο απομακρύνει τις αλυσίδες πολυγλουταμικού από polyglutamylated φολικού, διευκολύνοντας τη διαφυγή του φολικού οξέος από το εσωτερικό των κυττάρων, είναι υψηλότερη σε SQ από AD. Αυτό είναι ιδιαίτερα σύμφωνα με την υπόθεσή μας.

Στο [22], βρήκαν ένα υψηλότερο, αλλά μη σημαντικό επίπεδο

L-φαινυλαλανίνη

,

γλουταμινικό

και

γλυκερίνη

σε ορό από ασθενείς με AD. Αυτό είναι σε συνήχηση με τα αποτελέσματά μας, η οποία προτείνει μια μείζονα κυτταρική πρόσληψη αυτών των μεταβολιτών σε SQ. Για τα άλλα αμινοξέα που εμφανίζονται στην σειρά μας EFMS (

L-αλανίνης

,

γλουταμίνη

και

L-σερίνη

), δεν φαίνεται στον Πίνακα 2, η σύγκριση μεταξύ μ.Χ. και SQ δεν είναι διαθέσιμη στο [22]. Ωστόσο, βρήκαν μια σημαντική μεταβολή των επιπέδων στον ορό τους μεταξύ καρκίνου του πνεύμονα και υγιείς ασθενείς.

Για το υπόλοιπο των μεταβολιτών, απαιτείται περαιτέρω έρευνα για να επικυρώσει τη λειτουργία τους σε AD και SQ. Ωστόσο, εκτός από

D-μαννόζη

, θα μπορούσαμε να βρούμε ξεκάθαρη συσχέτιση αυτών των μεταβολιτών με τον καρκίνο. Για παράδειγμα, στο [23], ένα υψηλότερο απελευθέρωση

ακετόνη

βρέθηκε στην αναπνοή των ασθενών με καρκίνο του πνεύμονα από ό, τι σε υγιείς εθελοντές. Επιπλέον, το χαμηλότερο επίπεδο των

ακετοξικό

βρέθηκε σε κακοήθη πλευριτική συλλογή [24]. Από την άλλη πλευρά, η συσσώρευση του

αλφα-Ν-φαινυλακετυλο-L-γλουταμίνη

έχει προηγουμένως υποτεθεί ως ουρική βιοδείκτη για τον καρκίνο της ουροδόχου κύστης [25] και, ως εκ τούτου, αποτελεί μια ελκυστική υπόθεση που πρέπει να διερευνηθούν.

σημειωθεί εδώ ότι, όπως φαίνεται στο Σχήμα 1, EFMS μπορεί να συνδυάζει διαφορετικές κανονικές μεταβολικές οδούς και τα κομμάτια τους. Στο σύνολο μας 46 SQ εξέχοντα EFMS, οι πιο συχνές κανονικών μονοπατιών είναι η υποβάθμιση του

γλυκερίνη

και

D-μαννόζη

, καθώς και η βιοσύνθεση των

σερίνη

και

γλουταμίνη

.

Λαμβάνοντας υπόψη τα αποτελέσματα που παρέχονται στον πίνακα 2, είναι σαφές ότι EFMS είναι πιο κατατοπιστική από κανονικές οδούς, όπως ο κατάλογος των πιθανών μεταβολιτών είναι ευρύτερη όταν EFMS άμεσα ανακρίνονται. Αυτό δείχνει τις δυνατότητες της προσέγγισής μας με μεθόδους σχέση βασίζεται σε κανονικές οδούς.

Συμπεράσματα

Η έννοια του Δημοτικού Λειτουργία Flux δεν είναι νέα στη Βιολογία Συστημάτων [10]. Ωστόσο, ο υπολογισμός τους ήταν αδύνατο σε δίκτυα γονιδίωμα κλίμακας μέχρι πρόσφατα, η οποία έχει περιορίσει τη χρήση τους για την ανάλυση των δεδομένων -ωματικής. Με την έλευση των τεχνικών βελτιστοποίησης που βασίζεται [26] – [29], η απόδοση των αλγορίθμων για τον υπολογισμό EFMS στις μεταβολικές δίκτυα γονιδίωμα κλίμακας ταχέως βελτιώνεται. Αυτές οι πρόοδοι επέτρεψαν να καθορίσουν μια σημαντική δέσμη EFMS σε διαφορετικούς οργανισμούς, όπως φαίνεται στο [11] για τον ανθρώπινο μεταβολισμό. Βασίζονται σε αυτά και τα δεδομένα -ωματικής, μια πιο ακριβή εικόνα των μεταβολικών διεργασιών θα πρέπει να λαμβάνονται σε διαφορετικά σενάρια.

Σε αυτό το άρθρο έχουμε εντοπίσει το κλειδί EFMS τόσο μ.Χ. και SQ NSCLC βασίζεται σε δεδομένα γονιδιακής έκφρασης, βρίσκοντας ένα διαφορετικές μεταβολικές υπογραφή. Για το σκοπό αυτό, θα χρησιμοποιηθεί και να επεκταθεί η προσέγγιση που παρουσιάζεται στο [11], με την ταξινόμηση γονίδιο με βάση i) απόλυτες και ii) ανάλυση διαφορικής έκφρασης, τα οποία είναι συμπληρωματικά και μας επιτρέπει να έχουμε πιο ακριβή αποτελέσματα.

έχει υπάρξει πολλή συζήτηση στη βιβλιογραφία σχετικά με τη συσχέτιση μεταξύ mRNA και τα επίπεδα της πρωτεΐνης, καθώς και μεταβολικές ροές. Ο βαθμός στον οποίο συσχετίζεται transcriptomic δεδομένων με πρωτεομική και fluxomic δεδομένα είναι ακόμη ένα ανοικτό ζήτημα [30]. Ωστόσο, διάφορα πρόσφατα άρθρα έχουν δείξει τη σημασία των δεδομένων γονιδιακής έκφρασης για την πρόβλεψη φαινοτύπων του μεταβολισμού, π.χ. [7], [31], το οποίο απεικονίζει την αξία των προσεγγίσεων ως αυτή που παρουσιάζεται εδώ. Σημειώστε επίσης ότι η προσέγγισή μας είναι γενική και θα μπορούσε να εφαρμοστεί σε πρωτεομική και μεταβολομική σύνολα δεδομένων, ξεπερνώντας μετα-μεταγραφικό αλλαγές.

Η προσέγγισή μας αυτή χρησιμοποιήθηκε για τον προσδιορισμό των μεταβολιτών εισόδου και εξόδου με μια διαφορετική δραστηριότητα σε AD και SQ NSCLC. Βρήκαμε μια σειρά από αυτούς τους μεταβολίτες, βρίσκοντας μια καλή συμφωνία με προηγουμένως αναφερθεί λογοτεχνία. Η προσέγγισή μας, που βασίζεται σε EFMS και δεδομένων γονιδιακής έκφρασης, ανοικτή νέους δρόμους για τη μελέτη νέων βιολογικών δεικτών (μεταβολίτες) χαρακτηρίζουν διαφορετικές κλινικές εκβάσεις. Σημειώστε ότι η ποσότητα των δεδομένων γονιδιακής έκφρασης σε διαφορετικά καρκινικές κυτταρικές γραμμές και οι ασθενείς είναι μαζική [12]. Χρησιμοποιώντας αυτά τα δεδομένα, στο πλαίσιο της προσέγγισης που παρουσιάζεται εδώ μπορεί να καθοδηγήσει μεταβολομική πειράματα και ανακάλυψης βιοδεικτών σε δείγματα πλάσματος /ούρων, ιδιαίτερα δεδομένης της δυσκολίας της ερμηνείας φασμάτων μεταβολισμική σε μη στοχευμένες προσεγγίσεις.

Υποστήριξη Πληροφορίες

αρχείου S1.

Περιέχει τέσσερις Excel φύλλα εργασίας που καθορίζει i) τα ονόματα και τις συντμήσεις των αντιδράσεων και των μεταβολιτών που συμμετέχουν στην χρησιμοποιήθηκε ανακατασκευή ανθρώπινο δίκτυο μεταβολικές [5], ii) λεπτομέρειες των EFMS επιλεγεί ως χαρακτηριστικό /διαφορικό από ένα γενικό σύνολο καταρτίζονται [11] , iii) δραστηριότητα EFMS επιλεγεί ως χαρακτηριστικό /διαφορικό σε διαφορετικά σενάρια καρκίνο του πνεύμονα, και iv) η επέκταση του πίνακα 2, συμπεριλαμβανομένης της πλήρους λεπτομέρειες για SQ και ειδικής πρόσληψης AD και εκκρίνεται μεταβολίτες

doi:. 10.1371 /journal.pone. 0103998.s001

(XLSX)

Ευχαριστίες

Οι συγγραφείς θα ήθελαν να ευχαριστήσω τον καθηγητή Rubén Pío για τα χρήσιμα σχόλιά του στο βιολογικό συζήτηση των αποτελεσμάτων.