PLoS ONE: Kræft-Risk Modul Identifikation og modul-baseret sygdom Risk Evaluation: et casestudie om Lung Cancer

Abstrakt

genekspressionsprofiler har trukket bred opmærksomhed i decifrere patogenesen af ​​menneskelige kræftformer. Cancerrelateret gen moduler kunne identificeres i co-ekspression netværk og anvendes til at lette cancer forskning og klinisk diagnose. I dette papir, blev en ny metode foreslået at identificere lunge kræft risiko moduler og evaluere modulbaserede sygdom risici for prøver. Resultaterne viste, at tredive en kræft-risiko-moduler var tæt forbundet med lungekræft generne på det funktionelle plan og interaktionelle niveau, hvilket indikerer, at disse moduler og gener synergistisk kan føre til forekomsten af ​​lungekræft. Vores metode blev bevist at have god robusthed ved at evaluere sygdomsrisiko af prøver i otte cancer ekspressionsprofiler (fire for lungekræft og fire andre cancerformer), og havde bedre ydeevne end WGCNA metoden. Denne metode kunne yde bistand til diagnosticering og behandling af kræft og en ny fingerpeg til at forklare kræft mekanismer

Henvisning:. Jia X, Miao Z, Li W, Zhang L, Feng C, han Y, et al. (2014) Kræft-Risk Modul Identifikation og modul-baseret sygdom Risk Evaluation: et casestudie om lungekræft. PLoS ONE 9 (3): e92395. doi: 10,1371 /journal.pone.0092395

Redaktør: Ying Xu, University of Georgia, USA

Modtaget: Juli 12, 2013; Accepteret: 21 februar 2014; Udgivet: 18 marts 2014

Copyright: © 2014 Jia 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

Finansiering:. Finansiering forudsat af National Natural Science Foundation of China (nr 61.272.388 og nr 31.301.040); Oversea Scholars Projekt finansieret af Education Department of Heilongjiang provinsen (NO 1155H012.); og Master Innovation Funds af Heilongjiang provinsen (nr YJSCX2012-209HLJ og YJSCX2012-224HLJ). 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

Kræft forårsages af aberration af multiple gener, og dermed dens patogenese er meget kompleks og ikke særlig overbevisende [1], [2], [3]. Kræft-relaterede gener besidder forskelligartede funktioner [4], [5], mens gener med lignende funktioner vil sandsynligvis være co-udtrykte [6], [7] og placeret i de tilstødende områder (kendt som netværksmoduler) [8], [ ,,,0],9] i biologiske netværk. Modulerne afslører den mekanisme af multiple gener ligger til grund for sygdommen og vurdere risikoen for sygdommen. Effektiv identifikation af kræft risikomoduler kan hjælpe kræft forsker [10], [11], [12], [13].

Sygdom risiko for kræftrelaterede moduler beregnet ud fra en bestemt biologisk baggrund kan være en betydelig foranstaltning til klinisk forudsigelse af kræft diagnose [14], [15], [16], [17], [18]. Der er udviklet adskillige beregningsmæssige tilgange til sygdomsrisiko modul analyse, herunder påvisning af forskelligt korrelerede gen klynger og gen-specifik analyse baseret på co-ekspression netværk [19], [20], [21], [22]. For eksempel, vægtet gen co-ekspression netværksanalyse (WGCNA) er en moden og identificerer gen moduler som kandidat biomarkører eller terapeutiske mål baseret på co-ekspression netværk [23], [24]. WGCNA er blevet anvendt til at undersøge komplekse sygdomme, såsom metabolisk syndrom [25], skizofreni [26], og hjertesvigt [27]. Udtrykket aktiviteter sygdom risikomoduler blev (induceret eller undertrykt) forskellig blandt kliniske tilstande (i tumor udvikling) [14].

Desuden er det muligt at identificere kræft risikomoduler fra co-ekspression netværk ved hjælp af net- baserede metoder. Analysen af ​​gen co-ekspression netværk viser, at gener inden for de samme moduler synes at have lignende ekspressionsmønstre, deler fælles reguleringsmekanismer [28], [29], [30], og dermed har stærke foreninger med specifikke biologiske funktioner, der bestemmer adfærd eller fænotyper af celler [31], [32]. Moduler afledt af co-ekspression netværk var organiseret i en højere ordens struktur korreleret med kliniske karakteristika, som gav indsigt i den underliggende biologi gliom [33]. Fire moduler af æggestokkræft fra en co-ekspression netværk blev skelnes at være signifikant associeret med biologiske processer såsom cellecyklus og DNA-replikation i Gene Ontology (GO) kategorier [34]. Co-ekspressionen moduler forbundet med T-hjælper-differentierings- og TGF-beta pathways forbedrede kliniske resultater af hormon-ufølsomme brystcancere efter behandling [35]. Desuden ville prøve signaturer /etiketter overvejes i evalueringen af ​​kræftrelaterede risikomoduler tilbyde en ny fingerpeg for at afsløre mekanismerne i sygdomme [36]. Undersøgelser har vist, at det er nødvendigt at undersøge forholdet mellem gen funktioner og sygdom risici [37], [38]. Co-ekspression netværk under hensyntagen til de biologiske funktioner vil være mere robust og autentiske [39], [40], og de opnåede fra disse netværk moduler kunne bedre afspejler funktionen oplysninger af sygdommene.

I denne papir, blev en ny metode foreslået at identificere kræft-risikomoduler og evaluere modul-baseret sygdom risici ved prøver. En stærkt overbevist co-ekspression netværk med funktionelle lighed oplysninger blev først konstrueret ved hjælp af udtryk profiler i lungekræft, og derefter blev identificeret kandidat moduler. De kræftrisiko for modulerne blev scoret ved at indføre prøve etiketter, så de betydelige kræft-risiko moduler blev screenet ud af randomiserede forsøg. Endelig blev sygdomstilstande risici for prøver vurderet ud fra cancer-risikomoduler. Disse moduler forventedes at fremlægge beviser for sygdom diagnose, behandling og klinisk analyse i fremtiden. Identifikation af kræft-risiko moduler og evaluering af modul-baserede sygdomsrisici blev udført i de følgende trin (Figur 1).

Materialer og metoder

Materialer

cancer genekspression data blev opnået fra Gene Expression Omnibus (GEO, https://www.ncbi.nlm.nih.gov/geo/)[37]. Her var vores forskning baseret på profilen GSE7670 [41] i GPL96 herunder 20,995 gener af 56 prøver (28 lungekræftpatienter og 28 normale kontroller), for hvilke patienter blev opereret for lungekræft på Taipei Veterans General Hospital. Disse udtryk profiler (GSE10072, GSE21933, GSE27262, GSE40791, GSE14520, GSE15781, GSE20437, GSE26126) (tabel 1) med sygdom og normale prøver blev anvendt til at analysere robustheden af ​​vores metode og sammenligne med den WGCNA metoden. Gene-funktion oplysninger blev indhentet fra Gene ontologi (GO, https://www.geneontology.org/) [42], opdateret til maj 2011. Protein interaktion oplysninger (95537 høj tillid interaktioner mellem 12359 gener) blev hentet fra iRefWeb (http : //www.wodaklab.org/iRefWeb/) [43], opdateret til april 13, 2012 på den 9. udgave. Oplysningerne på 1824 proteinkomplekser blev opnået fra München Information Center for Protein Sekvenser (MIPS, https://mips.helmholtz-muenchen.de/genre/proj/corum, Corum Frigivelse februar 2012 tilgængelig).

a. Opførelsen af ​​en meget selvsikker co-ekspression netværk.

En metode blev indført for at skabe en yderst selvsikker co-ekspression netværk ved at tage både co-ekspression korrelation og funktionelle lighed. Denne metode blev udført som følger:

For det første Pearson korrelationskoefficienten [44]

r

blev brugt til at repræsentere co-ekspression forhold mellem hvert par af gener og beregnes som følger: hvor

N

er antallet af prøver i et udtryk profil,

x

jeg

og

y

jeg

er ekspressionsniveauerne af gener

x

og

y

i

jeg

th prøve.

for det andet, GO semantisk lighed blev brugt til at repræsentere den funktionelle lighed mellem hvert par gener [45].

(1) ligheden score på GO term A blev defineret som:

hvor inkluderer sigt A og alle dens forælder vilkår; er vægten af ​​kanten; og det er 0,8 for “er-en” forhold og 0,6 for “del-af ‘forholdet

(2) Den semantiske lighed mellem sigt A og sigt B, blev beregnet som følger:.

et gens funktioner blev betragtet som et sæt GO termer i Gene ontologi. Således funktioner gener G1 og G2 svarede til GO sæt og,

m

n

er antallet af termer i GO1 og GO2 hhv.

(3) semantiske lighed mellem G1 og G2 blev defineret som:

de robuste genpar blev tilbageholdt af funktionen lighed. Derfor blev en yderst selvsikker co-ekspression netværk konstrueret ved at analysere Pearson korrelationskoefficient og GO semantisk lighed.

b. Differential gen valg baseret på Bayes model.

En Bayesiansk model [46], [47] blev anvendt til at screene de differentierede gener. Bayesianske metoder sammenligne sandsynligheden for en sammenhæng mellem et genekspression og en sygdom til sandsynligheden givet nogen sådan sammenslutning. Formlen var som følger: hvor

n

1

T

,

n

2

T

,

n

2

N

n

2

N

er antallet af prøver (tumor /normal og høj /lav ekspression) for et gen (tabel 2). B betegner Beta-funktionen, defineret ved

mia

er logaritmiske værdi af B.

Når

BFLn

0, der var sammenhæng mellem en sygdom og genekspression; når

BFLn

. 0, ingen sammenhæng

En randomiseret test designet til at beregne betydningen af ​​

BFLn

ved stokastisk foruroligende

n

1

T

,

n

2

T

,

n

2

N

n

2

N

og fastholde stabile sum; efter 10.000 gange,

s

-værdi var andelen når random

BFLn

var større end den reelle værdi. Gener med p 0,05 blev udvalgt som differentielt udtrykte gener (DE-gener)

c.. Identifikation af kræft-risiko-moduler.

Den online modul minedrift værktøj GraphWeb (https://biit.cs.ut.ee/graphweb/) [48] blev valgt til at finde co-ekspression moduler. GraphWeb er designet til at analysere enkelte eller flere fusionerede netværk, søge efter bevarede funktioner på tværs af flere arter, mine store biologiske netværk for mindre moduler og sammenlign resultaterne af high-throughput datasæt. Markov Cluster (MCL) [49] algoritme via GraphWeb værktøjet blev anvendt til at beskære nettet og finde gen-moduler. MCL algoritme simulerer en stokastisk strømning i udtrykket graf og fjerner kanter, der besøges sjældent, hvilket resulterer i en samling af tæt forbundne grupper af gener. Parameteren af ​​Markov klyngedannelse parameter var indstillet til en standard værdi 1.8.

De kandidat modulerne indeholder DE-generne blev udvalgt til at vurdere de risici sygdom. Dernæst

Z

-test [50] blev anvendt til at vurdere forholdet mellem de enkelte tumorprøver og moduler (Figur 2).

Endelig de betydelige prøver med Z -test højere end signifikansniveauet tærskel (α = 0,05) blev plukket ud. For at måle risikoen for hvert modul, vi definerede:

M

risiko

kunne bruges til at vurdere risiko for sygdom for en kandidat modul. For hver kandidat modul blev 10.000 tilfældige moduler bygget af tilfældigt vælge gener fra baggrunden gen sæt med lige mange modul gener. Derefter

M

risiko

blev beregnet for hver tilfældig modul, og andelen af ​​moduler med

M

risiko

større end den reelle værdi (betydning

p

-værdi) blev beregnet. Moduler med p 0,05 blev betragtet som kræft-risikomoduler

d.. . Evaluering af prøven sygdom risiko

For at evaluere modulet-baseret sygdom risiko for hver prøve, vi definerede:

hvor M omfatter alle kræft-risiko-moduler,

N

er antallet af kræft-risiko-moduler, betyder kræft-risiko for prøven

jeg om modulet

j

, og

s

er betydningen af ​​Z-test.

Kræft-risiko moduler blev anvendt til at vurdere prøver ved at beregne modulet-baseret sygdom risiko for hver prøve. Så evaluering af ydeevne blev estimeret ved en modtager opererer karakteristik (ROC) kurve.

Resultater

Den meget selvsikker co-ekspression netværk

Pearson korrelationskoefficient og GO semantiske lighed af hvert par gener i ekspressionsprofilen GSE7670 blev beregnet. Derefter blev kurvetilpasning anvendes til at analysere variationen tendens gennemsnitlig fordeling af co-ekspression værdi med GO semantisk lighed på en 0,05 interval (figur 3). Funktionel lighed øges, når co-ekspression niveau var over tangency punkt. Derfor blev parrene af gener med funktionelle lighed end 0,582 og Pearson korrelationskoefficienten end 0,82 (tangentpunktet) udvalgt til at skabe den stærkt overbevist co-ekspression netværk, som bestod af 9841 knuder og 112,605 kanter.

Hvor

μ

betyder den gennemsnitlige udtryk værdien af ​​alle gener i Module1 for tumorprøven s1; E11 er udtryk værdien af ​​g1 i Module1 for s1, så gør andre; : den gennemsnitlige ekspression værdien af ​​alle generne for alle normale prøver; σ er standardafvigelsen for alle normale prøver.

Kræft-risiko Moduler

I alt 472 DE-gener blev screenet ved at anvende BFLn til udtrykket profil GSE7670. Så 75 kandidatlande sygdom moduler, der indeholder DE-gener blev opnået gennem GraphWeb. Efter det randomiserede test blev 31 lunge kræft-risiko-moduler opnået (tabel 3).

Evaluering af kræft-risiko moduler

De kræft-risiko moduler blev evalueret på det funktionelle plan og interaktionelle niveau. På den ene side var funktionelle berigelse udført for hver lungekræft risiko modul ved hjælp af et online-værktøj DAVID (https://david.abcc.ncifcrf.gov/home.jsp) [51], og derefter betydeligt beriget GO form af hvert modul blev opnået (flere moduler er i tabel S1). På den anden side blev de interaktionelle relationer moduler vurderet ved anvendelse af protein-interaktion data fra iRefWeb. Forholdet netværk af kræft-risiko moduler og kendte lungekræft gener blev beregnet på grundlag af funktionelle og interaktionelle relationer (Figur 4). Resultaterne viste, at lungekræft risiko moduler var tæt forbundet med lungekræft gener, som indikerede, at disse moduler og gener synergistisk kan forårsage lungekræft. For eksempel blev M46 associeret med cellecyklusregulering og phosphorylering [52], celleproliferation og cellecyklus checkpoint [53], og ATP-binding [54] ved at interagere med kendte lungekræft gener KRAS, KDR og TP53 hhv. Disse funktioner blev bekræftet at være relateret til forekomsten af ​​lungekræft. Et andet modul M63 var signifikant beriget med funktioner i forbindelse med kræft, f.eks reaktionen på kortikosteroid stimulus, reaktionen på organisk substans, og glukokortikoid stimulus og steroid hormon stimulus sammen ved at interagere med kendt lungekræft gener KRAS, NFE2L2 og NKX2 henholdsvis [55], [56], [57].

Lilla punkt betyder observationer, rød linje angiver kurven montering, den stiplede kurve repræsenterer den første ordre tangent.

for yderligere at analysere forholdet netværket blev kræft-risiko moduler inddeles i tre typer efter til de risici: de høje, midterste og lav risiko moduler (tabel 3), og de tilsvarende grad fordelinger blev beregnet (tabel 4). Resultaterne viste, at de høje risikomoduler tendens til at have høje grader. Nemlig, de havde flere forbindelser med andre moduler og kendte sygdomsgener ved de funktionelle og interaktionelle niveauer. De spillede afgørende roller i netværket.

Evaluering af modulet-baserede risiko for sygdom

lungekræft risiko for hver prøve blev evalueret ved at betragte kræft-risiko moduler. Ved at måle risikoen for lungekræft (

S

risiko

), hver prøve i GSE7670 blev evalueret. Det viste sig, at hver prøve kan med held identificeret som sygdom (

S

risiko

0,8) eller normal (

S

risiko

0,8) baseret på dets sygdom risiko (figur 5).

cirklerne angiver kræft-risiko-moduler, og andelen af ​​appelsin dele indikerer kræftrisiko (

M

risiko

). De sygdomsfremkaldende gener er repræsenteret ved røde trekanter. Kanter ‘farver indikerer forholdet, lilla repræsenterer for protein-protein interaktion, grøn for funktion deling og rød for både funktionelt og interaktion forhold.

robusthed vores metode

for at kontrollere robustheden af ​​denne metode, først, andre fire udtryk profiler (GSE10072 fra GPL96, det samme som GSE7670, GSE27262 og GSE40791 fra GPL570, og GSE21933 fra GPL6254) om lungekræft og normal blev evalueret henholdsvis (tabel 1) . Resultaterne viste, at modulet-baseret sygdom risici for tumor prøver var højere end de normale dem (figur 6A). ROC-kurver blev derefter plottet og AUC-værdierne ( 0,97) blev anvendt til at måle evalueringen forestillinger af kræft-risiko moduler, som blev opnået ved vores metode (figur 6c). Metoden havde gode resultater i de udtryk profiler ikke kun fra den samme platform, men også fra forskellige platforme.

X-aksen er prøver. Y-aksen er risikoen for lungekræft score på individuelle prøver, og det er rangeret fra mindst til størst. Rød repræsenterer lungekræft prøver; og blå repræsenterer normale prøver.

Næste, vi identificeret risiko moduler af leverkræft (GSE14520), tyktarmskræft (GSE15781), brystkræft (GSE20437), og prostatakræft (GSE26126) på samme måde henholdsvis (Flere kræft-risiko moduler oplysninger i de fire kræftformer er i tabellen S3). De kræft-risiko moduler blev anvendt til at vurdere sygdom risici ved prøverne, og de tilsvarende ROC kurver blev trukket (figur 7).

a) X-aksen er prøver. Y-aksen er risikoen for lungekræft score på individuelle prøver ved hjælp af vores metode, og den er placeret fra det mindste til det største. Blå repræsenterer GSE10072; grøn repræsenterer GSE21933; rød repræsenterer GSE27262; og brun repræsenterer GSE4079. Fuldt optrukne linier repræsenterer lungekræft prøver; og stiplede linjer repræsenterer normale prøver. De forskellige eksperiment datasæt har forskellige numre på normale prøver og prøver sygdom. For at vise den sygdomsrisiko for hver prøve i fire udtryk profiler intuitivt, er alle prøver af hver ekspressionsprofiler homogent fordelt x-aksen. b) Tallet er afbildet på samme måde som a). Risikoen for lungekræft af hver prøve vurderes ved den WGCNA metoden. c) Modtager operatør kurve ved hjælp af vores metode til de fire lunge kræft udtryk profiler (se figur 7a). Arealerne under kurven leveres på nederst til højre på hvert diagram. d) Modtager operatør kurve ved hjælp af WGCNA metoden til de fire lunge cancer udtryk profiler (se figur 7b).

Metodesammenligninger

WGCNA metode [24] er en udbredt teknik til at konstruere genmoduler inden for et netværk baseret på gen coekspression relationer. I dette papir, blev den nøjagtige og velfunderede WGCNA og vores metode sammenlignet. Halvtreds syv lungekræft risikomoduler blev opnået fra GSE7670 bruge WGCNA metoden. Risikoen for lungekræft for hver prøve i GSE7670 selv blev evalueret med modulerne. Kræft risici for nogle kræft prøver var mindre end normale dem (figur 8), hvilket indikerede WGCNA metoden kunne ikke helt identificeret prøver som sygdom eller normal så præcist, mens vores metode kunne (figur 5).

Så evaluering af prøverne «lungekræft risici blev udvidet til andre fire ekspressionsprofiler om lungecancer og normal (figur 6b). Det blev konstateret, at kræftrisikoen prøver kræft ikke var signifikant forskellige fra de normale dem. ROC-kurver blev derefter anvendt til at evaluere resultaterne af den WGCNA metoden (figur 6d). Vi fandt, at vores metode havde bedre nøjagtighed og robusthed end WGCNA metode (figur 6).

Diskussion

At studere mekanismerne i sygdomme ved at analysere genekspressionsprofiler synes at være en praktisk og effektiv måde . I betragtning af den funktionelle lighed kunne bedre afspejler funktionen oplysninger af sygdommen. I dette papir, blev en ny metode foreslået at identificere tredive én kræft-risikomoduler og evaluere modul-baseret sygdom risici for prøver ved anvendelse af et co-ekspression netværk med funktionelle lighed information. Endelig blev forholdet netværk af kræft-risiko moduler og cancer gener bygget på det funktionelle niveau og interaktionelle niveau.

Disse moduler fandtes at være tæt forbundet med kræft i de områder af funktioner, interaktioner, og litteratur. Vores metode blev vist sig at være ret robust ved at vurdere sygdom risici for prøver i fire lunge kræft udtryk profiler og i fire andre kræftformer, og havde bedre ydeevne end WGCNA metoden.

Kræft-risiko moduler og evaluering af modulet-baserede sygdomsrisiko fra denne undersøgelse blev bekræftet at være troværdig med følgende overvejelser. (I) Differentielt udtrykte gener blev udvalgt ved hjælp af BFLn metoden, som betragtes både genekspression og prøveetiket fordeling for at eliminere outliers forårsaget af forspænding ekspression af individuelle gen eller eksperimentere fejl. (Ii) vores gen netværk var af høj tillid, fordi metoden blev anvendt til at beregne ikke blot co-ekspression korrelation, men også funktionelle ligheder mellem gener. De genpar med både høj ekspression konsistens og funktionelle lighed blev godkendt til at opbygge den høje tillid netværk, som var i stand til at undgå skæve resultater alene afhængig af ekspression. (Iii) kræft risici for moduler blev evalueret ved hjælp af andelen af ​​betydelige tumorprøver, hvilket kunne være en ny metode til at evaluere sygdomstilstande moduler. Generne i cancer-risikomoduler kunne være potentielle sygdomsgener, og kan virke som lægemiddelmål til behandling af aggressive cancere. Alle generne af M46 var relateret med lungekræft. For eksempel MCM7 er en betydelig underenhed af MCM-kompleks, som kunne være et hidtil ukendt terapeutisk mål i lungecancer [58]. Et andet gen BARD1, hvis isoformer kan være relateret til tumor initiering og invasive progression, var en mere egnet neoteric prognostisk markør for ikke-småcellet lungecancer [59]. KIF4A kunne holde et løfte til udvikling af lægemidler mod cancer og cancer vacciner samt en prognostisk biomarkør i klinikken [60]. For generne i modul M63, A2M var i begrænsede og udvidede lungekræft patienter sammenlignet med en ikkeryger og ryger kontrol befolkning [61], FABP4 blev nedreguleret i lunge adenocarcinom [62], og CASP1 påvirkede de enkelt-nukleotid polymorfier, stigende den kræftformer risiko [63]. (Iv) Evalueringen af ​​prøver ‘modulbaserede sygdomsrisici er præcision og robusthed. Fordi vores metode integreret de differentielt udtrykte gener, en co-ekspression netværk og funktionelle ligheder, blev kræft-risiko moduler tæt knyttet til patogenesen af ​​kræft i de områder af funktioner og interaktioner. På det funktionelle plan, kunne kræft-risiko moduler afspejler de funktionelle grupper i relation til sygdomme; på interaktionelle plan, kunne de cancer-risikomoduler være meget høj korreleret med sygdomsgener.

Derudover undersøgte vi overlapningen mellem kræft-risikomoduler og proteinet forbindelser (figur 9). Resultaterne af hypergeometriske fordeling analyse viste, at 17 moduler havde betydelig overlapning med 150 komplekser (p 0,05). For eksempel, modul M46 delte gener med 24 komplekser, hvoraf 19 komplekser havde et overlap, der er højere end 20%. Den komplekse BRCA1_A rekrutteret BRCA1 til DNA-skader sites [64]. Delvis udtømning af MCM proteiner, som typisk blev lagt i alt for mange steder ført til kræft og stamceller mangler [65]. Ekspressionen af ​​ubiquitin E3 ligase var forbundet med østrogen-receptor (ER) -positiv status i humane brysttumorer [66] (flere moduler og komplekse oplysninger er i tabellen S2). Vores metode vil være mere omfattende overvejer protein-protein oplysninger til at konstruere et integreret netværk og udvikle et modul minedrift algoritme i fremtiden.

Cirklerne angiver kræft-risiko-moduler, og andelen af ​​appelsin dele indikerer kræftrisiko (

M

risiko

). De grønne firkanter indikerer komplekser. Kanter indikerer kræft-risiko moduler og komplekser deler mindst ét ​​gen. Jo mere antallet af delte gener er, jo rødere kanterne er.

Som konklusion, denne undersøgelse præsenteret en ny metode til at vurdere sygdom risici ved prøver baseret på kræft-risiko-moduler og analysere relationerne mellem sygdommen og moduler. Denne metode kunne yde bistand til diagnosticering og behandling af kræft og en ny fingerpeg til at afsløre kræft mekanismer.

Støtte oplysninger

tabel S1.

GO information for kræft-risiko moduler

doi:. 10,1371 /journal.pone.0092395.s001

(DOC)

tabel S2.

Kræft-risiko moduler og complexs

doi:. 10,1371 /journal.pone.0092395.s002

(DOC)

tabel S3. Salg The kræft-risiko moduler i de fire andre kræftformer

doi:. 10,1371 /journal.pone.0092395.s003

(DOC)