PLoS ONE: Uregelmæssigheder i Netværk Bridges involveret i Bile Acid Metabolism Forudsige Resultater af tyk- og endetarmskræft Patienter

Abstrakt

Biomarkører prognostiske for tarmkræft (CRC) ville være meget ønskeligt i klinisk praksis. Proteiner, der regulerer galdesyre (BA) homeostase ved at koble metaboliske sensorer og metaboliske enzymer, også kaldet bridge proteiner, kan være pålidelige prognostiske biomarkører for CRC. Baseret på en udtænkt metrisk, “bridgeness,” vi identificeret bro proteiner involveret i reguleringen af ​​BA homeostase og identificeret deres prognostiske potentialer. De ekspressionsmønstre for disse bridge proteiner kunne skelne mellem normale og sygdomsramte væv, hvilket antyder, at disse proteiner er forbundet med CRC patogenese. Ved hjælp af en overvåget klassifikationssystem, fandt vi, at disse bro proteiner var reproducerbart prognostisk, med høj prognostisk evne i forhold til andre kendte markører

Henvisning:. Lee S, Lee K, Yoon S, Lee JW, Lee D (2014 ) Afvigelser i Network Bridges involveret i Bile Acid Metabolism Forudsige Resultater af kolorektal cancer patienter. PLoS ONE 9 (9): e107925. doi: 10,1371 /journal.pone.0107925

Redaktør: Antonio Moschetta, IRCCS Istituto Oncologico Giovanni Paolo II, Italien

Modtaget: Marts 27, 2014 Accepteret: August 18, 2014; Udgivet: 26 September, 2014

Copyright: © 2014 Lee et al. Dette er en åben adgang artiklen distribueres under betingelserne i Creative Commons Attribution License, som tillader ubegrænset brug, distribution og reproduktion i ethvert medie, forudsat den oprindelige forfatter og kilde krediteres

Data Tilgængelighed:. Det forfattere bekræfter, at alle data, der ligger til grund resultaterne er fuldt tilgængelige uden restriktioner. Datasæt om genekspressionsprofiler anvendes, er tilgængelige fra GEO (Marisa et al., Tiltrædelse = GSE39582, Sheffer et al., Tiltrædelse = GSE41258, Calon et al., Tiltrædelse = GSE39397). En datasæt om menneskelige metaboliske enzymer er tilgængelig fra supplerende fil af Hao et al, papir:.. Hao et al, “opdeling af Edinburgh menneskelige Metabolic Network”, BMC Bioinformatik, 2010, 11: 393. En datasæt om human hel-væv genekspressionsprofiler er tilgængelig fra BioGPS database (URL: https://biogps.org/downloads/). En datasæt om humane protein-protein-interaktioner er tilgængelig fra HPRD (URL: https://www.hprd.org/download). Protein-DNA interaktioner (TF-target gen interaktioner) fra TRANSFAC database bør godkendes af BIOBASE GmbH

Finansiering:. Dette arbejde blev støttet af tilskud fra NIH (DK064678 til J.W.L.). K.L. blev støttet af Basic Science Research Program gennem National Research Foundation Korea (NRF) finansieret af Ministeriet for Uddannelse, Videnskab og Teknologi (NRF-2013R1A2A2A04013317). D. L. blev støttet af tilskud fra Korea Health Technology R D Project, Ministeriet for Sundhed og Velfærd, Republikken Korea (A112022); og også af Bio-Synergy Research Project (NRF- 2012M3A9C4048758) i Ministeriet for Videnskab, IKT og fremtidig planlægning gennem Grundforskningsfond. De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet

Konkurrerende interesser:.. Forfatterne har erklæret, at der ikke findes konkurrerende interesser

Introduktion

Kolorektal cancer (CRC) er den tredje hyppigste årsag til kræftdødsfald i verden, med 746.000 personer dør af denne sygdom i 2012 [1]. Prognostiske biomarkører vil forbedre behandlingsstrategier gennem risiko- lagdelinger [2]. Til dato, dog få indikatorer for patientens prognose er blevet identificeret, hindrer udvælgelse og timing af adjuverende behandling for udsatte patienter.

Prognostiske biomarkører skal være mekanisk relevant for sygdommen patogenese. Selvom de nuværende datadrevne udtryk-signaturer, hvor genekspressionsmønstre er stærkt korreleret med patientens prognose, har vist betydelig prognostisk evne, har de ikke afsløret underliggende mekanisme og dermed uklare ordentlige terapeutiske interventioner [3]. Biologiske hypoteser har givet a priori bevis på mekanistisk relevans [4], men eksisterende målrettede hypotese-drevet tilgange vil sandsynligvis gå glip af mange gener relateret til de biologiske hypoteser, hvilket kræver nye alternative tilgange for at finde mange hypotese-relevant gener.

Galdesyrer (BAS) er kræftfremkaldende [5], [6], med højt fedtindhold kost modulerende BA homeostase og ændrede niveauer af BAS fører til CRC patogenese. For eksempel har en BA-suppleret kost i mus blevet vist at inducere CRCs direkte, hvilket antyder, at bankaccepterne er kræftfremkaldende [7]. Selv BAs føre til CRC patogenese, BAS blev ikke udnyttet som praktiske markører. Ved in vivo niveauer, de var svage og indistinctive mellem patienter med CRC og matchede kontroller på tværs undersøgelser [8] siden ændrede BA niveauer ved fødeindtagelse er midlertidige og svage, og dermed vanskelig at opdage. Afvigelser i gener, der regulerer cellulær BA homeostase er mere af determinate faktorer i udviklingen CRC’er.

Proteiner er involveret i reguleringen af ​​homeostase af ikke kun BAs men alle metabolitter omfatter metaboliske sensorer og metaboliske enzymer. Metaboliske sensorer genkender den metaboliske information under reguleringen af ​​homeostase ved påvisning af niveauerne af intracellulære metabolitter [9] – [11]. For eksempel farnesoid X receptor (FXR, også kendt som NR1H4) detektere niveauet af intracellulære Bas med denne information anvendes under regulering af cellulær BA homeostase. Metaboliske enzymer katalyserer reaktioner metabolitter, ændre deres intracellulære niveauer. Afvigelser i disse sensorer og enzymer vil derfor ændre BA homeostase [12], [13] og i sidste ende påvirke CRC patogenese. For eksempel blev genetiske defekter i BA regulering enzymer eller sensor proteiner fundet at føre til CRC patogenese [14], [15]. Men disse gener også ikke var prognostiske markører på grund af den lave forekomst af mutationer i CRCs.

Interessant blev yderligere faktorer, som hverken metaboliske sensorer eller enzymer vist sig at modulere BA homeostase [16]. Som en alternativ fremgangsmåde til identifikation af pålidelige prognostiske markører, vi den hypotese, at disse faktorer kan videresende information om metabolisk status mellem metaboliske sensorer og enzymer, funktionelt forbinder disse to klasser af molekyler. Disse faktorer, kaldet bro proteiner, kan tjene som pålidelige prognostiske markører hos patienter med CRC, fordi uregelmæssigheder i disse proteiner vil forstyrre leveringen af ​​metabolisk information og korrekt regulering af BA homeostase. Aktuelle målrettede tilgange ville være ineffektive i relæ proteiner specifikt sondering mellem metaboliske sensorer og enzymer, skyldes i vid udstrækning til manglen på en metode til at kvantificere relæ grad af proteiner. Systematiske metoder, ved hjælp af oplysninger om kendte molekylære interaktioner og de proteiner, der forbinder sensorer og enzymer kan identificere og skelne bro proteiner impliceret i cellulære signalering netværk.

Her foreslår vi en netværksbaseret tilgang, der identificerer prognostiske markører blandt proteiner, spiller en kritisk rolle eventuelt forbinder sensorer og enzymer af BA metabolisme, vedrørende kendt biologisk hypotese. Disse proteiner, kaldet bro proteiner, kan vurderes systematisk baseret på oplysninger om molekylære interaktioner optaget i flere databaser. Til dette formål har vi defineret en “bridgeness” metrik, der repræsenterer de grader af forbindelse mellem sensorer og enzymer, og foreslå Key Bridge proteiner som netværk markører for prognosen hos patienter med CRC. Ved hjælp af denne “hypotese-initieret” tilgang, vi identificeret et sæt af markører, der kunne bedre forudsige udfald hos patienter med CRC end tidligere identificerede prognostiske markører. Et netværk-baserede undersøgelse af biomarkører baseret på deres bridgeness ejendommen kan identificere prognostiske biomarkører impliceret i mobilnetværk.

Resultater

Bridge netværk og bro proteiner til galdesyre stofskifte

Vores netværksbaseret tilgang identificeret 50 bro proteiner som pålidelige prognostiske markører (tabel S1). Bedst sorteret bridge proteiner inkluderet peroxisomproliferatoraktiveret receptor gamma, coaktivator 1 alpha (PPARGC1A), hepatocyt nuklear faktor 4 alpha (HNF4A), glycogensyntasekinase 3 beta (GSK3b), retinoid X receptor gamma (RXRG), caspase 8, apoptose -relateret cysteinpeptidase (CASP8), CREB-bindende protein (CBP), peroxisomproliferatoraktiveret receptor alpha (PPARa), p53 (også kendt som TP53), E1A bindende protein p300 (EP300) og retinoid-X-receptoren alpha (RXRA). Især RXRA, danner en heterodimer med en BA-sensor, FXR, deltager i reguleringen af ​​BA homeostase [17]. Også, p53 regulerer BA homeostase ved at forbinde mellem en BA sensor og BA-enzymer, hvilket fører til unormal BA akkumulering ved sin defekt [16], [18]. Ligeledes er nogle bro proteiner, der fungerer i reguleringen BA homøostase sammenfattet i tabel S2, som viser tegn på, at broen proteiner, selv om de er beregningsmæssigt valgt, kan deltage i reguleringen af ​​BA homøostase.

For at undersøge disse bro proteiner, konstruerede vi et referencenet for BA metabolisme (figur 1), et netværk bestående af metaboliske sensorer, metaboliske enzymer og proteiner forbinder sensorer og enzymer. Pivotal bro proteiner, der regulerer givet metaboliske veje blev undersøgt ved først at integrere tidligere viden og interactome data. Til dato, 53 enzymer, herunder transportører, er blevet rapporteret at være involveret i BA metabolisme og registreres i EHMN databasen (tabel S3) [19]. Som detektering bankaccepterne og regulere deres niveauer ved at ændre downstream pathways for BAS, har FXR blevet fundet in vivo og in vitro at være en sensor til BAs [11]. Baseret på tidligere viden og databasen, blev sensoren og enzymer indgår i en BA bro netværk. Store interactome data fra databaserne, herunder HPRD [20] og TRANSFAC [21], blev integreret for at identificere proteiner, der linker sensorer og enzymer (figur 1b). Vi fandt, at 10.805 gener eller genprodukter var ansvarlige for 110,741 interaktioner; af disse genprodukter, vi ekstraheret kun de sensorer, enzymer og beslægtede mellemliggende proteiner. Alle proteiner er ansvarlige for direkte og indirekte vekselvirkninger mellem sensorer og enzymer blev anset, med nogen mellemliggende protein være en mulig bro protein.

Den overordnede proces af netværket konstruktion er beskrevet i (B-E). (A) Strukturen af ​​en bro netværk, der består af en metabolisk sensor (rød), et metabolisk enzym (blå) og en bro protein (grå). Metaboliske enzymer katalyserer reaktioner metabolitter. Metaboliske sensorer registrerer niveauet af intracellulære metabolitter. Bridge-proteiner link metaboliske sensorer og metaboliske enzymer. (B) Integration af mulige interaktioner mellem sensorer og enzymer ved hjælp af protein-protein interaktioner (PPI) og protein-DNA interaktioner (PDI). Oplysninger om sensorer og enzymer blev opsamlet fra offentliggjorte undersøgelser og databaser. (C) begrænse de knuder og kanter i et integreret netværk. (D) En afsluttende henvisning netværk til at identificere bridge proteiner. (E) Valg af bro proteiner fra referencenet af deres bridgeness scoringer

Begrænsninger blev efterfølgende pålagt begge proteiner og deres vekselvirkninger ved at overveje den vævsspecifikke sammenhæng metabolisme (figur 1C,. Materialer og Metoder). Trods rigelige oplysninger om store interactome data, kan der være valg fordomme og vævsspecifikke variationer. Som et resultat af at pålægge begrænsninger, opnåede vi en sidste henvisning netværk af 63,070 kanter og 7.011 noder, med sensorer og enzymer udgør 23 knudepunkter (Figur 1D, se Figur S1 for den endelige referencenet).

Fra henvisningen netværk, valgte vi bro proteiner, blandt mellemliggende proteiner, at bedre link BA sensorer og BA enzymer, ved hjælp af en “bridgeness” metrisk, forudsat at de stærkt forbinder proteiner kritisk regulere BA homeostase ved at levere metaboliske oplysninger (Figur 1E, Metoder). Sammenlignet med andre eksisterende centralities, herunder grad, nærhed og betweenness centralities (se tekst S1), vores metode var bedre i stand til at fokusere på et bestemt protein har forbindelser i specifikke stier mellem sensorer og enzymer, uanset forbindelserne i andre ikke-forbundne veje på netværket . Som forventet, lokalt tætte proteiner blandt stier mellem BA sensorer og BA-enzymer bidrager væsentligt til reguleringen af ​​BA stofskifte; således kan disse proteiner være forbundet med CRC carcinogenese. Vi fokuserede derfor på den prognostiske potentiale bro proteiner med høj bridgeness scores.

Biologiske egenskaber for bro proteiner

Før undersøge deres prognostiske potentialer, vi undersøgte biologiske karakteristika bro proteiner, der blev beregningsmæssigt udvalgt ved bridgeness scores i CRCs. Først identificerede vi ekspressionsmønstre af bro proteiner indlejret i CRCs; undersøgte vi diskriminative mønstre af bridge-proteiner på transkriptomisk niveau, ved anvendelse af gen-ekspression profiler af CRC patienter, som tidligere [22] beskrevne. Brug univariat Student

t

-tests, vi kontrollerede evne individuelle bro proteiner for at skelne mellem normal kolon (

N

= 54) og primære CRC vævsprøver (

N

= 186) på transkriptomisk niveau. Af top-50 proteiner, 42 (84%) var signifikant diskriminerende (to-sidet

P

0,01). Gene ontologi berigelse analyse af disse 42 proteiner viste, at de fleste blev beriget med udtryk som “regulering af transskription fra RNA-polymerase II promoter” og “transskription regulator aktivitet”, som er relateret til regulatoriske roller i cellulære processer (Tabel S4). De blev også beriget med CRC patogene pathway-relaterede udtryk, såsom “kanoniske Wnt receptor-signalvejen” og “Axin-APC-beta-catenin-GSK3b kompleks”, hvilket tyder på relevansen af ​​disse bro proteiner til CRC patogenese.

Dernæst sammenlignede vi p-værdi fordelinger af i) bridge proteiner, ii) en sensor og et enzym, og iii) en kombineret gruppe af i) og ii) (figur 2). Sammenlignet med baggrunden fordeling af p-værdier fra overordnede genprodukter påvist i et mikroarray (

N

= 12.752), p-værdien fordeling af den kombinerede gruppe var noget ret-forskudt (Kolmogorov-Smirnov (KS) test, ensidig

P

= 7,89 × 10

-2). Men når vi kun fokuseret på broen proteiner, viste de høj statistisk signifikans i KS testen (

P

= 2,93 × 10

-3), hvilket indikerer, at diskriminerende magt bro proteiner, ved transkriptom niveau, var signifikant større end for den samlede genprodukter i mikroarrayet. Interessant, viste sensor og enzym proteiner lignende distributioner i forhold til baggrunden (

P

= 0,812), hvilket indikerer, at sensoren og enzym proteiner er mindre informative end bro proteiner i at skelne mellem normale og syge colon væv.

(A) p-værdi fordelinger af (i) sensor, enzym- og bridge proteiner (S + E + B), (ii) sensor- og enzymproteiner (S + E) og (iii) bridge-proteiner (B). (B) Sammenligninger af disse p-værdi fordelinger med baggrund p-værdi distribution. Den statistiske signifikans niveauer af skiftede p-værdi fordelinger blev bestemt ved ensidig Kolmogorov Smirnov tests.

Vi har også undersøgt, om de top-50 bro proteiner er en realistisk antal markeringer viser høj statistisk signifikans. Vi sammenlignede derfor p-værdien fordelinger af markeringer med forskellige antal bridge proteiner, ved anvendelse af KS-testen. Top-50 bro proteiner viste den laveste p-værdi på denne sammenligning (figur S2), med den statistiske signifikans af udvalgte bro proteiner er lavere. Derfor har vi fokuseret på de top-50 bro proteiner i yderligere analyse. Vi inkluderede også andre begrænsninger, der anvendes i netværket konstruktion på en lignende måde (Fig S3).

Vi næste sammenlignet evnen til skelnen af ​​udvalgte bridge proteiner fra forskellige netværk, gennem multivariat klassifikation (figur 3A) (Se detaljeret proces i Materialer og metoder). De genererede net til sammenligninger var: (i) en bro netværk udviklet fra BA metabolisme, (ii) en bro netværk udviklet fra glucosemetabolisme (dvs. glycolyse pathway) og (iii) et helt protein netværk uden at begrænse af sensorer og enzymer i visse metaboliske veje. Vi sammenlignede også tilfældigt udvalgte proteiner uanset deres samspil. Glycolysis blev valgt til sammenligning med BA stofskifte på grund af dets relevans for almindelige kræftform progression [23], [24]. Som forventet, evnen til skelnen af ​​en BA bro netværk på transkriptomet niveau oversteg et glycolyse bro netværk, fordi glykolyse ikke er specifikt involveret i CRCs. Evnen af ​​komponenter af BA bro netværk til at klassificere en prøve som normal colon eller primær CRC væv (figur 3B) langt oversteg den for tilfældigt udvalgte genprodukter. I modsætning hertil komponenter af andre net, herunder at der er involveret i glycolyse, var lig med eller næsten overskredet tilfældigt udvalgte genprodukter i diskriminerende evner. Det vil sige, kun genekspression niveauer af bro proteiner udvalgt fra en BA bro netværk ifølge bridgeness var informativt at skelne mellem normal colon og CRC.

(A) Samlet proces med multivariate klassifikationer bruger funktioner fra bro proteiner af forskellig netværk. Efter sortering bro proteiner ved deres bridgeness (), funktioner blev udvundet kumulativt fra top-rangerede bro proteiner (). Prøver blev efterfølgende klassificeret af kumulativt udvalgte egenskaber og beregnede klassificering nøjagtigheder (). (B) nøjagtighed af klassificeringer mellem normal colon og primære CRC væv. For klassificeringer blev bridge proteiner opnået fra (i) en galdesyre bro netværk (rød), (ii) et glycolyse bro netværk (gul) og (iii) et helt protein netværk (lilla). Klassifikation nøjagtigheder blev også beregnet ved hjælp af tilfældigt udvalgte proteiner (sort) med 95% konfidensintervaller (grå) på nøjagtigheder gennemsnitlige klassificeringskriterier gentagne tilfældige valg (C) nøjagtighed af klassificeringer mellem normale colon og polyp væv. (D) nøjagtighed af klassifikationer mellem polyp og primære CRC væv.

Vi derefter undersøgt CRC fase-specifikke ekspressionsmønstre af udvalgte bro proteiner. De fleste sporadiske CRCs udvikler fra normal colon via adenomatøse polypper, med sekvensen involverer akkumulerede genetiske anomalier i en trinvis måde [25]. For at identificere fase-specifikke variationer i bro proteiner, vi udførte multivariate klassificeringer mellem normale koloner og adenomatøs polypose og mellem polypper og primære CRCs. Vi fandt betydelige variationer i gen udtryk for bro proteiner mellem normale koloner og polypper (figur 3C og D). Nemlig bridge proteiner forbundet med BA metabolisme varierede væsentligt i tidlige stadier af CRC patogenese, hvilket antyder, at disse bridge proteiner kan være initiatorer af CRC tumorigenese. Vi fandt også, at bro proteiner fra BA metabolisme og glycolyse udstillet inverse mønstre mellem polypper og primære CRC’er, viser svagere, men betydelige variationer i løbet senere tidspunkt i CRC patogenese, som om disse ændringer var tilhængere af CRC udvikling (figur 3C og D). Sammen viste disse resultater, at broen proteiner fra BA metabolisme og glykolyse opførte commutatively under CRC progression.

Desuden bruger pathway berigelse tests, vi observerede andre meningsfulde biologiske karakteristika bro proteiner. Bridge proteiner involveret i BA stofskifte blev beriget i CRC-relaterede veje, herunder Wnt (Kegg ID: hsa04310, falsk opdagelse sats justeret, hypergeometrisk

P

= 4,47 × 10

-5), CRC ( Kegg ID: hsa05210;

P

= 2,80 × 10

-5) og almindelige kræftform (Kegg ID: hsa05200;

P

= 6.94 × 10

-10) veje ( tabel S5). Dette resultat viser, at de fleste bridge proteiner er involveret i CRC patogeneserelaterede veje og har potentialet til at fremme CRCs gennem disse veje. Således egenskaber som fastsat fra diskriminerende mønstre og berigelse test viser, at broen proteiner udvalgt af bridgeness er forbundet med CRC patogenese.

potentiale bro proteiner som prognostiske markører

For at vurdere den prognostiske evne computationally- udvalgte bridge proteiner, vi vurderede deres ekspressionsmønstre i patienter klassificeret som havende en god eller dårlig prognose. Først, vi grupperet patienter i en ikke-overvåget måde, baseret på ligheder i ekspressionsmønstre og sammenlignet overlevelse resultater blandt patienter i klynger. I alt 178 patienter fra tidligere datasæt [26] blev grupperet i tre undergrupper ved hjælp af en hierarkisk klyngedannelse algoritme: BA-m1 (

N

= 106), BA-m2 (

N

= 28) og BA-m3 (

N

= 44) (figur 4A). Kaplan-Meier-metoden med log-rank test viste, at blandt tre undergrupper af patienter, tilbagefald overlevelse var signifikant forskellig, med angivelse af deres betydelige prognostisk potentiale (

P

= 2,37 × 10

-3 ) (figur 4B). Derefter vurderede vi den prognostiske potentiale i andre kendte ekspression signatur-markører på samme måde. Brug ekspressionsmønstre af gener udvalgt i Wang et al [27] og ColoPrint [28], vi klassificerede patienter i tre undergrupper og sammenlignet overlevelse resultater blandt deres undergrupper (ColoPrint undergrupper: col-m1 (

N

= 20) , col-m2 (

N

= 1) og col-m3 (

N

= 157); Wangs undergrupper: wang-m1 (

N

= 19), wang -m2 (

N

= 3) og wang-m3 (

N

= 156)). Som følge heraf kan undergrupper af patienter grupperet af ColoPrint gener skelne mellem gode og dårlige prognoser (

P

= 2,75 × 10

-8), selvom der blot en enkelt patient fundet i den dårligste prognose gruppe (kol -m2), men Wang gener var ikke prognostisk (

P

= 0,258) (figur 4C og D). Desuden kendte molekylære markører, herunder p53 mutationer (

P

= 0,233), fejlparringsreparationsgen status (

P

= 9,8 × 10

-2), KRAS mutationer (

P

= 5,75 × 10

-2), og BRAF-mutationer (

P

= 0,338), var ikke også væsentligt prognostisk i dette datasæt (Figur 4E-H).

Deres prognostisk evne blev undersøgt under anvendelse af et datasæt af vævsprøver fra patienter med CRC [26]. (A) Heatmap af CRC tumorprøver med undergrupper klassificeret af udtrykket mønstre af bro proteiner: BA-m1 (blå), BA-m2 (gul) og BA-m3 (rød). Prognostiske evne blev vurderet ved Kaplan-Meier overlevelse analyser. BA-m2 gruppe viste den dårligste prognose. (B) Prognostisk evne vore bridge proteiner. (C) Prognostisk evne ColoPrint gensæt [28], med undergrupper klassificeret som col-m1 (blå), col-m2 (gul) og col-m3 (rød). (D) Prognostisk evne til Wang et al. signatur gen sæt [27], med undergrupper klassificeret som wang-m1 (blå), wang-m2 (gul) og Wang-m3 (rød). (E) Prognostisk evne af p53 mutation status, mutant og vildtype. (F) Prognostisk evne mismatch repair gen (MFR) status, mangelfuld (dMMR) og dygtige (pMMR). (G) Prognostisk evne KRAS mutation status, mutant og vildtype. (H) Prognostisk evne BRAF mutation status, mutant og vildtype.

For at vurdere den prognostiske reproducerbarhed af disse bro proteiner og andre udtryk signatur markører, vi derefter klassificerede patienter i en uafhængig datasæt [ ,,,0],22] som havende gode eller dårlige prognoser, gennem en overvåget klassifikationssystem, hjælp tidligere datasæt [26] som uddannelse datasæt (figur 5). Patienter i de testdata blev klassificeret, ved hjælp af deres ekspressionsniveauerne, baseret på korrelationskoefficienter at betyde ekspressionsniveauerne af dårlig prognose-gruppe patienter i de træningsdata, ligesom tidligere udført [29]; vi tildelt patienter i en dårlig prognose gruppe, hvis deres korrelationskoefficienter var høje. Vi opnåede tærskler for korrelationskoefficienter at beslutte dårlig prognose patienter med den højeste statistisk signifikans, gennem cross-valideringsprocedurer på træningsdata (Se materialer og metoder). Bemærkelsesværdige, patienter i testdata kan skelnes væsentligt mellem gode og dårlige prognoser når vi har brugt ekspressionsniveauer for bro proteiner funktioner til korrelationskoefficienter; overlevelse resultater, dvs. CRC-specifikke rester, af klassificerede grupper ved broen proteiner var signifikant forskellige når anvendtes Kaplan-Meier-metoden med log-rank test (P = 2,70 × 10

-2) (figur 5A) . Andre ekspressionssystemer signaturer, herunder ColoPrint (P = 0,210) og Wang (P = 0,558) (figur 5B og C), var ikke prognostisk i uafhængige test datasæt, hvilket antyder, at kun bridge proteiner var reproducerbart prognostisk. Disse resultater understreger potentialet og pålideligheden af ​​broen proteiner som prognostiske markører.

Deres prognostiske evne blev undersøgt i et uafhængigt testdata [22] ved overvågede klassifikationer og dermed bekræftet deres prognostiske reproducerbarhed. (A) Prognostisk evne vores bridge-proteiner (B) Prognostisk evne bestemmes af ColoPrint gensæt i reference [28] (C) Prognostisk evne bestemmes af Wang et al. gen sat i reference [27].

Diskussion

Ved at undersøge gener involveret i reguleringen af ​​BA homeostase, har denne undersøgelse identificeret adskillige gener for prognostiske biomarkører for CRC, med at vise mekanistisk relevans for CRC patogenese. Skønt der er foreslået forskellige prognostiske biomarkører baseret på biologiske hypoteser [4], har disse biomarkører vist begrænset klinisk anvendelighed. Hypotesen, at bankaccepterne spiller afgørende roller i CRC, giver fingerpeg til forståelse af patogenesen af ​​denne sygdom. Men i stedet for at fokusere på BAs selv, vi fokuseret på de involverede i regulering BA stofskifte ved at knytte metaboliske sensorer og metaboliske enzymer gener. Baseret på en udtænkt metrisk, “bridgeness”, blev adskillige bro proteiner udvalgt fra en reference eller bro, netværk, og deres prognostiske evner blev analyseret. Bridge proteiner kunne skelne mellem normale og syge væv og er derfor relevante for patogenesen af ​​CRC. Disse bridge proteiner havde større og reproducerbar prognostisk evne, som vist ved statistisk signifikans, end tidligere identificerede prognostiske markører, hvilket antyder, at de er pålidelige prognostiske markører i patienter med CRC.

Interessant imidlertid hverken sensor eller enzymproteiner kunne væsentligt at skelne mellem normal colon væv og CRC, en konstatering af, at kan skyldes husholdning roller disse sensor- og enzym proteiner til celle overlevelse. Celler mangler proteiner med molekylære samme funktioner som de fleste af disse sensor- og enzymproteiner; således, ville defekter i deres udtryk have skadelige virkninger på cellulære funktioner. Således evolutionært, genetiske anomalier i bro proteiner kan have overlevelse fordele i forhold anomalier i sensor og enzym proteiner. Faktisk er nogle bridge proteiner, herunder caspase 8, apoptose-relaterede cysteinpeptidase (CASP8), p53 og catenin (cadherin-associeret protein) beta 1, 88 kDa (CTNNB1, også kendt som β-catenin), udviste høje mutationelle frekvenser i CRC prøver, mens sensor og enzymer proteiner til BA stofskifte ikke [30]. Denne evolutionære pres, herunder under CRC tumorigenese, vil fremskynde købet af anomalier ved bro proteiner.

I tidligere undersøgelser, bl.a., en bro protein, STK11, viste sig at have særlig mekanistisk potentiale til at fremme kolorektal tumorigenese [31 ] – [33]. STK11 er blevet forbundet med Peutz-jeghers syndrom (PJS), en tilstand, der forøger dannelsen af ​​gastriske adenomatøse polypper og hepatocellulært carcinom [31]. I de fleste PJS patienter, er en allel af STK11 muteret, forårsager flere gastrisk adenomatøs polypper eller hepatocellulært carcinom [32], [33]. Ligeledes kan STK11 have den mekanistiske potentiale til at fremme kolorektal tumorigenese. Andre bro proteiner kan også have prognostisk værdi i CRC patogenese.

STK11 er også forbundet med energistofskiftet, enten alene eller ved at interagere med AMPK, hvilket gør det til en potentiel bro protein involveret i reguleringen af ​​energistofskiftet [34] , [35]. Blandt de øvrige bro proteiner involveret i energi metabolisme er PPARGC1A, GSK3b, PPARa, peroxisomproliferatoraktiveret receptor gamma (PPARG), opløst stof luftfartsselskab familie 2 (lettet glukose transporter) medlem 4 (SLC2A4, også kendt som GLUT4), glyceraldehyd-3- fosfat dehydrogenase (GAPDH), og lactatdehydrogenase A (IdhA), alle vigtige regulatorer af eller enzymer involveret i energi metabolisme. Således kan deres molekylære funktioner forklare aktiviteterne i BAs, der øger energiforbruget [36]. Vurderinger af de molekylære funktioner af bro proteiner kan tilvejebringe nye indsigter på deres endnu uidentificerede roller i BA homeostase.

På trods af bro proteiner viser prognostisk potentiale, BA bro netværk viser begrænset evne til at identificere andre kendte CRC-modtagelighed gener. For eksempel fandt vi, at en BA bro netværk ikke var i stand til at identificere flere kendte CRC-modtagelighed gener, såsom APC, KRAS, og BRAF. Unøjagtigheder stammer fra store interactome data kunne hindre grundig analyse af bro-netværk. Også, de indbyrdes af metaboliske veje, såsom lipid, kolesterol, og glukosemetabolismen, vil udvide evnen til at undersøge alle risikofaktorer for CRC patogenese. Denne tilgang kan også anvendes på andre sygdomme sårbare over for metaboliske anomalier, herunder fedme, type-2 diabetes og Alzheimers sygdom, når metaboliske sensorer, enzymer og ordentlig interactome data genereret for disse sygdomme. Bestemmelsen af ​​ordentlige og nøjagtige bro netværk for metaboliske veje kan føre til identifikation af sygdomsrelaterede modtagelighed gener og deres kliniske anvendelse som prognostiske markører.

Sammenfattende fandt vi, at bro proteiner, som er involveret i reguleringen af BA metabolisme, har prognostisk potentiale hos patienter med CRC. På trods af deres potentiale til at fremme CRC patogenese, bro proteiner var ikke blevet systematisk undersøgt i tidligere undersøgelser. Baseret på en udtænkt metrisk for “bridgeness”, vi beregningsmæssigt udvalgt bro proteiner fra en reference netværk og undersøgt deres prognostisk potentiale i CRC. Vi testede også, om forskelle i deres diskriminerende udtryk mønstre i normal colon og CRC gjorde dem relevante for CRC patogenese. Resultaterne indikerer, at bro proteiner involveret i reguleringen af ​​BA metabolisme kan være pålidelige prognostiske markører for CRC patienter.

Materialer og metoder

Bridge netværk konstruktion

referencenet for BA metabolisme bestod af metaboliske sensorer, metaboliske enzymer og proteiner, der interagerer med begge. Den valgte BA sensor var FXR og BA enzymerne var dem, der er udpeget i EHMN menneskelige metaboliske netværk database som enzymer involveret i “galdesyrebiosyntese” sti [19].