PLoS ONE: En Balanced Tissue Sammensætning afslører New Metaboliske og Gene Expression Markers i prostatakræft

Abstrakte

Molekylær analyse af patientens vævsprøver er afgørende for at karakterisere

in vivo

variabilitet i humane kræftformer, som ikke er tilgængelige i celle-linjer eller dyremodeller. Dette gælder især for studier af tumor stofskifte. Udfordringen er imidlertid den komplekse blanding af forskellige vævstyper i hver prøve, såsom godartet epitel, stroma og cancer væv, hvilket kan introducere systematiske afvigelser, når cancere er sammenlignet med normale prøver. I denne undersøgelse anvender vi en simpel strategi til at fjerne sådanne fordomme hjælp stikprøveudtagninger hvor det gennemsnitlige indhold af stroma væv er balance mellem prøven grupperne. Strategien påføres en prostatakræft patient kohorte hvor data fra MR spektroskopi og genekspression er blevet indsamlet fra og integreret på nøjagtig samme vævsprøver. Vi afslører

in vivo

ændringer i kræft-relevante metaboliske veje, som ellers skjult i de data som følge af væv confounding. Især sænkede niveauer af putrescin er forbundet til forøget ekspression af

SRM

, reducerede niveauer af citrat tilskrives opregulering af gener, der fremmer fedtsyresyntese og forøget succinat niveauer falder sammen med reduceret ekspression af

SUCLA2

og

SDHD

. Desuden strategien fremhæver også vigtige metaboliske forskelle mellem stroma, epitel og prostatacancer. Disse resultater viser, at vigtige

in vivo

metaboliske funktioner i kræft kan afsløres fra patientdata, hvis den heterogene vævssammensætning er korrekt tegnede sig for i analysen

Henvisning:. Tessem MB, Bertilsson H , Angelsen A, Bathen TF, Drabløs F, Rye MB (2016) En Balanced Tissue Sammensætning afslører New Metaboliske og Gene Expression Markers i prostatakræft. PLoS ONE 11 (4): e0153727. doi: 10,1371 /journal.pone.0153727

Redaktør: Craig N. Robson, Northern Institute for Cancer Research, Storbritannien

Modtaget: Januar 26, 2016 Accepteret: April 1, 2016; Udgivet: 21 April, 2016

Copyright: © 2016 Tessem 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:. Microarray data anvendt i denne undersøgelse blev opnået fra Array Express, tiltrædelse E-mtab-1041 og Gene Expression Omnibus, optagelse GSE8218. Yderligere relevante data er inden for papir og dens Støtte Information filer

Finansiering:. Dette arbejde blev finansieret af forskningsmidler til MBR og MBT fra Kontaktudvalget mellem det centrale Norge Regional Health Authority (RHA) og det norske Universitet for Videnskab og Teknologi (NTNU). De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet

Konkurrerende interesser:. Forfatterne af dette manuskript har den følgende konkurrerende interesser: Tone Bathen er en akademisk Editor for PLoS ONE. Dette ændrer ikke forfatternes tilslutning til alle PLoS ONE politikker om datadeling og materialer.

Introduktion

Kræft er en heterogen sygdom, hvor forståelse af de underliggende molekylære mekanismer karakteristisk for hver enkelt type, kunne være vigtigt at yde effektiv personlig og målrettet terapi eller valg af behandling. Humane vævsprøver generere en molekylær øjebliksbillede af tumor stater, der er afgørende for karakterisering af

in vivo

kræft heterogenitet, der er tabt i dyremodeller og cellelinjer [1]. Dette gælder for studier af tumor metabolisme især [2]. En almindelig, men komplicerende faktor, når man analyserer humane vævsprøver er heterogen blanding af forskellige celler og vævstyper, som kan forvirre resultater fra molekylære analyser. Denne risiko for confounding gælder ikke kun for prostatakræft (PCA) væv, men til de fleste kræftformer vævstyper

En forenklet model opdeler den menneskelige prostata væv i tre forskellige komponenter.; godartet epitel, stroma og cancervæv. Baseret på denne model, bør en differentieret molekylær analyse mellem kræft og normale prøver ideelt fremhæve forskelle mellem godartede epitel og PCA væv. I sådanne differentielle studier er normale prøver sammensat af to vævstyper (godartet epitel og stroma), mens PCA prøver består af tre vævstyper (godartet epitel, stroma og PCA), alle i forskellige forhold. Dette indfører en systematisk prøve forspænding af forøget indhold stroma i de normale prøver, som forvirrer de molekylære forskelle mellem epitel og cancer. Dette problem er almindeligt anerkendt [3,4]. Dog er ikke rutinemæssigt tegnede grundig vurdering af sammensætningen af ​​disse tre vævstyper for under prøve høst, forberedelse og analyse af PCA vævsprøver. Derudover tumor miljø introducerer ændringer i omgivende stroma væv, betegnes stromogenic kræft [5,6], som udgør en fjerde væv komponent i prøver prostatakræft, men blev ikke anset i denne undersøgelse.

Tidligere præsenterede strategier at håndtere vævsprøve heterogenitet har generelt brugt beregningsmodeller til at justere hver prøve for indflydelsen af ​​forskellige vævstyper i differential analyse [7,8]. Sådanne beregningsmæssige strategier kan enten kræve forudgående oplysninger om væv sammensætning [9-11], prædefinerede gen signaturer [12,13], eller være rent drevne data [14,15]. Computational modeller normalt håndtere væv heterogenitet ved at justere til de oprindelige udtryk værdier før differential analyse. Dette øger risikoen for at indføre en model bias, især når signalet fra hvert væv komponent ikke er homogen. Dette er tilfældet for vævsprøver fra mange cancertyper, herunder PCa [16-19].

I denne undersøgelse anvender vi en alternativ og mere enkel fremgangsmåde til at redegøre for forvirrende effekt af stroma ved sammenligning PCA prøver med normale prøve histologi for differentieret analyse. Strategien er at konstruere datasæt for kræft og normale prøver, hvor det gennemsnitlige indhold af stroma er afbalanceret mellem de to datasæt. Hensigten er at dæmpe den differentierede signal på grund af forskellige mængder af stroma i analysen, og fremhæve de sande molekylære forskelle mellem kræft og normale væv. Modsætning til de fleste beregningsmæssige metoder til væv heterogenitet justeringer, er strategien ikke udføre korrektioner til den oprindelige molekylære udtryk værdier. Imidlertid er patologisk karakterisering af væv sammensætning (godartet epitel, stroma og PCA) for alle prøver påkrævet.

I denne undersøgelse blev frisk frosset prostatavæv skiver opsamlet efter radikal prostatektomi og hvert væv kerne prøve blev histopatologisk vurderet for vævssammensætning før analyse [20]. Vævet blev derefter analyseret ved HR-MAS (høj opløsning magisk vinkel spinning) MRS (magnetisk resonans spektroskopi), der giver 23 kvantificerede metabolitter, efterfulgt af genekspression målinger ved microarray. HR-MAS er en ikke-destruktiv fremgangsmåde, som tillader genekspression analyse, der skal udføres på nøjagtig samme vævsprøve [21]. Denne integration af gen og metabolit data giver en enestående mulighed for at undersøge centrale molekylære veje i PSA.

Denne undersøgelse viser, at variationer i stromale væv sammensætning kan være en systematisk forstyrrende faktor i molekylær analyse, når PCa og normale vævsprøver er sammenlignet. Denne bias kan fjernes ved at afbalancere det stromale sammensætning mellem prøvesæt. Først når regnskabsmæssigt sådanne væv fordomme for, integrerede differential ændringer i gener og metabolitter i centrale metaboliske veje kan samtidig afsløret.

Metoder

Sample indsamling, microarray og HR-MAS-analyse

Prøverne blev opnået ved hjælp af en standardiseret høst procedure tidligere beskrevet af Bertilsson

et al

. [20]. Denne procedure omfatter opskæring og håndtering af frosne vævssnit fjernet fra prostata under prostatektomi. Vævsprøve kerner blev omhyggeligt udvalgt fra skiverne baseret på klinisk histopatologi. Desuden blev histopatologisk vurdering af mængden af ​​kræft, stroma og godartet epitel udført på hver prøve før HR-MAS og microarray analyser (S1-fil). Microarray og HR-MAS-protokoller og analyser er grundigt beskrevet tidligere i Bertilsson

et al

. og Giskeødegård

et al

. henholdsvis [21,22].

komplet

datasæt (95 PCA prøver og 34 normale prøver) indeholdt microarray udtryk målinger for 16,381 gener, og HR MAS metabolitkoncentrationer for 23 forskellige metabolitter målt på præcis de samme vævsprøver. Brugen af ​​humant væv materiale blev godkendt af det regionale udvalg for medicin og sundhed Etik godkendelse nr 4-2007-1890. Samtykke formularer blev opnået fra alle patienter. Andre etiske aspekter vedrørende de specifikke prøver, der anvendes i denne undersøgelse, er blevet beskrevet i tidligere publikationer [20-22]. Den microarray gen eksperiment offentliggøres i Array Express med tiltrædelsen E-mtab-1041. Metabolitkoncentrationer målt på hver prøver er givet i S2 Filer.

Styring indflydelse af stroma væv ved at sortere de oprindelige

komplette

data i,

balanceret

,

ubalanceret

Ustratificerede

datasæt

balanceret

,

ubalanceret

Ustratificerede

datasæt blev skabt ved den følgende fremgangsmåde: cancer og normale prøver blev sorteret uafhængigt efter deres histopatologisk bestemt indhold af stroma.

balanceret

datasæt blev skabt ved at opdele sorteres kræft og normale prøver i to halvdele, og derefter vælge de 47 PCA prøverne med den højeste stroma indhold (øverste halvdel) og de 17 normale prøver med det laveste stroma indhold ( nederste halvdel) fra sorterede lister. Denne procedure minimerer forskellen i gennemsnit stroma indhold mellem PCa og normale prøver for

balanceret

datasæt (Fig 1A). Ligeledes

ubalanceret

datasæt blev skabt ved at vælge 48 PCA prøver med den laveste stroma indhold og de 17 normale prøver med den højeste stroma indhold. I

ubalanceret

datasæt, er forskellen i gennemsnit stroma indhold mellem kræft og normale prøver maksimeret (Fig 1A). Adskillelsen af ​​prøver i

balanceret

ubalanceret

datasæt er givet i S1 File. For at oprette en

Ustratificerede

datasæt med samme statistiske styrke som

balanceret

ubalanceret

datasæt, 50 tilfældige valg af 47 kræft og 17 normale prøver blev trukket fra

komplet

datasæt.

(A) ved at annullere de samme typer af væv i PCa og normale prøver,

balanceret

datasæt sammenligner i gennemsnit 51% kræft til 43% godartet epitel og 8% stroma. Ligeledes

ubalanceret

datasæt sammenligner 75% kræft til 58% stroma og 17% godartet epitel, mens

komplet

Ustratificerede

datasæt sammenligner 63% kræft til 33% stroma og 30% godartet epitel.

balanceret

,

ubalanceret

Ustratificerede

datasæt har samme statistiske styrke. Vores strategi forudser, at differentielt udtrykte gener er identificeret i den afbalancerede datasæt sæt bør afspejle ændringerne i PCa snarere end forskelle i væv sammensætning. (B) Histogram af væv procentvise fordelinger for kræft, stroma og godartet epitel i

balanceret

ubalancerede

datasæt. (C) Procentdel af degs delt mellem

balanceret

ubalanceret

datasæt sammenlignet med den gennemsnitlige procentdel af degs deles mellem de 50 tilfældige delmængder i

Ustratificerede

datasæt. Procenter af delte gener beregnes med et stigende antal af de mest betydningsfulde degs i hvert datasæt. De tilfældige tal blev beregnet som det gennemsnitlige antal gener deles over alle 1225 mulige sammenligninger mellem de 50 tilfældige delmængder. For de 200 mest betydningsfulde degs, blev 20% deles mellem

balanceret

ubalanceret

datasæt, og 39% blev delt for 2000-væsentligste degs. De tilsvarende procenter for forbandede datasæt var 65% og 73%. (D) Microarray sonder med en p-værdi ændrer sig i forskellige størrelsesordener mellem

balanceret

ubalanceret

datasæt langt overstiger p-værdiændringer forventes af chance i

Ustratificerede

datasæt. Af alle sonder, 2830 viste en p-værdi fold ændring på mere end fire størrelsesordener, og 1460 ændrede deres p-værdier med mere end seks størrelsesordener mellem

balanceret

ubalanceret

datasæt i forhold til 42 og 1 prober til

Ustratificerede

datasæt henholdsvis.

differentielt udtrykte gener og metabolitter

råt udtryk værdier blev filtreret, log2 forvandlet og fraktil normaliseret ved hjælp af limma R pakke [23], som beskrevet i Bertilsson

et al

. [21]. Alle operationer blev udført før prøve separationer i

balanceret

,

ubalanceret

Ustratificerede

datasæt. Differentielt udtrykte gener blev identificeret for

komplet

,

Ustratificerede

,

balanceret

ubalancerede

datasæt som beskrevet i Bertilsson

et al

. [21]. P-værdier blev korrigeret for flere test ved brug Benjamini-Hochberg falsk opdagelse sats [24]. For

Ustratificerede

datasæt, blev den gennemsnitlige p-værdi over 50 datasæt anvendes. P-værdier for differentielt udtrykte metabolitter blev beregnet af

t

.

test

funktion i R.

t

.

test

funktion oprindeligt giver en vurdering af, om de to prøvegrupper vise lige varians, som anvendes til at bestemme den optimale signifikanstest. Brug en indledende varians lighed, brugte vi den

t

.

test

funktion med lige varians, hvis p-værdien af ​​den oprindelige test var under 0,05, og testen for ulige varians andet.

Validering af data

for at validere den strategi væv balancering, blev en uafhængig datasæt [11] downloades fra Gene Expression Omnibus (tiltrædelse GEO-id, GSE8218). Disse data sæt bestod af microarray genekspression fra 65 PCA prøver og 71 normale prøver sammen med histopatologisk vurdering af fire forskellige væv komponenter (

prostatakræft

,

stroma

,

epitel fra BPH

og

atrofisk kirtel

). At sammenligne væv sammensætning i valideringen sæt med de vigtigste datasæt (datasættet anvendt i den aktuelle undersøgelse), procentdele af

epitel fra BPH

atrofisk kirtel

blev kombineret i en enkelt komponent, som svarer til godartet epitel i de vigtigste datasæt. Dataset balancering og identifikation af differentielt udtrykte gener blev udført på samme måde som for de vigtigste data. At sammenligne ligheden af ​​differentielt udtrykte gener fremhævet i

balanceret

ubalanceret

datasæt mellem validering og hoveddata, udviklede vi en

Betydning Ratio (SR)

score beregnes for hvert gen: (1) for

balanceret

datasæt og (2) for

ubalanceret

datasæt, hvor

s

B

og

s

S

er p-værdien i

balanceret

ubalanceret

datasæt, hhv. Scoren er indført for at sammenligne de relative p-værdier for hvert gen, og beregnes uafhængigt for validering og de vigtigste data. Gener er rangeret i stigende rækkefølge baseret på SR score for

balanceret

ubalanceret

datasæt i både validering og hoveddata. Et stort antal delte gener blandt de top-rangerede gener i de vigtigste og validering af data viser, at de sammenlignede lister har lignende relative ændringer i p-værdier mellem

balanceret

ubalanceret

datasæt. Salg

Resultater og diskussion

Balancing indholdet af stroma væv, når menneskelige PCA vævsprøver sammenlignes med prøver fra normal prostata væv

prøver fra den oprindelige

komplette

datasæt præsenteres som tre forskelligt arrangeret delmængder,

balanceret

,

stroma

Ustratificerede

, baseret på forskellen i den gennemsnitlige stroma indhold mellem PCa og histopatologisk normale prøver (fig 1A, Methods).

balanceret

datasæt er designet til at have et gennemsnitligt stroma indhold som lige som muligt mellem PCa og normale prøver (37% vs. 45% henholdsvis). Dette var for at understrege de molekylære transformationer mellem cancer og normale væv uden confounding virkning på grund af forskellige mængder af stroma. I modsætning hertil

ubalanceret

datasæt blev skabt med et maksimeret forskel i den gennemsnitlige stroma indhold (14% vs. 72% for PCa og normale prøver henholdsvis) for at understrege de molekylære variationer observeret, når mængden af ​​stroma ikke tegnede sig for . En

Ustratificerede

datasæt blev skabt med de samme væv egenskaber som

komplet

datasæt, men med et reduceret antal prøver til at tillade direkte sammenligning af p-værdier med

afbalanceret

og

ubalanceret

datasæt.

Ustratificerede

datasæt havde en mellemliggende forskel i den gennemsnitlige stroma indhold (26% vs. 59% for PCa og normale prøver henholdsvis), der repræsenterer vævssammensætning i prøver fra en typisk patient kohorte. Der var ingen signifikant forskel i den gennemsnitlige Gleason score mellem PCA prøverne i

balanceret

,

ubalanceret

Ustratificerede

datasæt (7,17, 7,27 og 7,22 henholdsvis). For at forenkle fortolkning af resultaterne, antager vi, at molekylære signaler fra lige store mængder af den samme vævstype i PCa og normale prøver ophæver hinanden i en differentieret analyse. Denne analyse tager ikke hensyn til de ændringer raske stroma og stromogenic kræft. Dog vil det tjene som en god tilnærmelse at studere forstyrrende signaler fra stroma grundet forskellige gennemsnitlige væv sammensætninger i cancer og normale prøver. Hvis vi fjerner bidragene fra lige store mængder af væv, analyse af

komplet

Ustratificerede

datasæt sammenligne den molekylære signal fra 63% kræftvæv i PCA prøver til 33% stroma og 30% godartet epitel i de normale prøver, som repræsenterer en næsten fuldstændig confounding mellem stroma og godartet epitel. I denne indstilling er det umuligt at konkludere, om de observerede differentielt udtrykte gener (degs) og metabolitter skyldes ændringer mellem PCa og normale væv, eller på grund af forskellige mængder af stroma i PCa og normale prøve grupper. I modsætning hertil observerede degs og metabolitter kan henføres direkte til molekylære ændringer mellem kræft og normale væv for

balanceret

datasæt, og kræft og stroma væv i

ubalanceret

datasæt. De differentielle signaler i disse to datasæt sammenligninger fremhæver dermed gener og metabolitter samt relationerne mellem dem, der ellers skjult i

komplet

Ustratificerede

datasæt.

To kriterier blev anvendt til at opdele prøver mellem

balanceret

ubalanceret

datasæt: i) den gennemsnitlige procentdel af stroma bør være så ens som muligt mellem kræft og normale prøver, og ii) hver datasæt bør omfatte så mange prøver som muligt for at sikre maksimal statistisk styrke. At forbedre analysen yderligere, kan en tredje kriterium blive indført, som sikrer, at individuelle prøver i hvert datasæt er homogene med hensyn til procentdelen af ​​stroma. Dette kriterium bør i teorien reducere ekspressionen værdi varians inden for hver gruppe at forbedre differentierede statistikker. På grund af det begrænsede antal af tilgængelige prøver med tilsvarende væv sammensætning, konkluderedes det, at en markering også herunder det tredje kriterium ville kompromittere statistiske styrke af analysen. Ikke desto mindre er de to første kriterier viste sig at være tilstrækkeligt til at fremhæve vigtige forskelle mellem

balanceret

ubalancerede

datasæt.

Et vigtigt element i den

balanceret

og

ubalanceret

datasæt er, at de indirekte også vurdere forskellen mellem godartede epitel og stroma væv. Gener og metabolitter viser forskellen ændring kun i

ubalanceret

datasæt, og ikke i

balanceret

datasæt, er ikke markører for PCa transformation. Disse vil hellere være markører for stroma at ændringer i

komplet

Ustratificerede

datasæt kun på grund af forskelle i mængden af ​​stroma væv. Yderligere gener og metabolitter, som viser lignende ændringer i både

afbalanceret

og

ubalanceret

datasæt er markører for PCa som er upåvirket af tilstedeværelsen af ​​stroma. Endelig gener og metabolitter viser forskellen ændrer kun i

balanceret

datasæt, men ikke i

ubalanceret

datasæt, repræsenterer markører for PCa som er forvirret af tilstedeværelsen af ​​stroma. Disse vurderinger er vigtige, når adskillelse observerede ændringer er direkte relateret til PCa transformation fra ændringer, der følger blot fra forudindtaget mængder af stroma væv. Sådanne fortolkninger vil blive udført i den efterfølgende analyse.

Balanced

og

ubalanceret

datasæt vise forskellige mønstre af genekspression på globalt plan

Betydelige forskelle i gen blev observeret ekspressionsmønstre når man sammenligner degs mellem

balanceret

ubalancerede

datasæt. Et langt lavere procentdel af degs blev delt mellem

afbalanceret

og

ubalanceret

datasæt sammenlignet med den procentdel af degs forventes at forekomme ved en tilfældighed (Fig 1B), hvor den forventede procentdel blev anslået som det gennemsnitlige antal delte gener mellem de 50 tilfældige delmængder i

Ustratificerede

datasæt. Den omstændighed, at

balanceret

ubalanceret

datasæt fange signifikante biologiske forskelle, som sandsynligvis ikke skal overholdes ved et tilfælde blev bekræftet af det store antal af gen sonder med en p-værdi ændrer sig med flere ordrer størrelsesorden mellem

afbalanceret

og

ubalanceret

datasæt sammenlignet med

Ustratificerede

datasæt (figur 1C). Alle tre datasæt de viste forventet op og nedregulering af syv godt validerede gener i PCa (figur C i S3 File). Afslutningsvis de observerede forskelle mellem disse datasæt kan tilskrives forskelle i mængden af ​​stroma væv. Den anvendte strategi af væv afbalancering er i stand til at fremhæve disse forskelle.

balanceret

datasæt fremhæver metabolitter relateret til PCa ændre

I

balanceret

datasæt 17 af de 23 metabolitter målt ved HR-MAS fandtes at vise signifikante ændringer i koncentrationsniveauer mellem PCa og normalt væv (figur 2). Dette er et betydeligt højere antal i forhold til de 8 signifikante metabolitter er identificeret i

Ustratificerede

13 identificeret i

komplet

datasæt. Dette indikerer en høj grad af confounding fra stroma væv i disse datasæt, som specifikt gælder for de ni metabolitter putrescin, spermin, glycin, glutamin, alanin, valin, succinat, isoleucin og citrat, der var betydelig i

afbalanceret

men ikke

Ustratificerede

datasæt. Disse ni metabolitter er således ændringer, der er karakteristiske for PCa men er vanskelige at opdage på grund af confounding fra ubalancerede mængder af stroma væv. Identifikationen af ​​citrat tjener som et proof-of-principle for anvendt analyse strategi, på grund af fraværet af citrat i stroma og reducerede niveauer observeret i PCa væv [22,25]. Derudover ændringer i metabolitter succinat, valin og glycin var ikke påvises i

komplet

datasæt, på trods af den højere statistisk styrke i forhold til den

balanceret

sæt. Ingen metabolitter var specifikke for

ubalanceret

datasæt, muligvis med undtagelse af taurin med borderline signifikans (p = 0,053). Andre typiske metabolit biomarkører for PCa som glukose, laktat og de tre cholin-holdige metabolitter [22,26] blev observeret i alle datasæt, hvilket viser stabilitet som biomarkører uanset væv sammensætning.

Positiv -log10 (p- værdi) tyder på øget koncentration og negativ -log10 (p-værdi) angiver nedsat koncentration i PSA.

Ustratificerede

,

balanceret

ubalanceret

datasæt alle har samme statistiske styrke.

Integration af metabolit og genekspression data peger ændringer i gener involveret i PCa stofskifte

Vi forudser, at udføre differential ekspressionsanalyse i et datasæt balanceret for indholdet af stroma væv mellem PCa og normale prøver fremhæver generne og metabolitter er direkte relevante for PCA ændringer. Desuden er de samtidige gen- og metabolit data målt på præcis de samme prøver lette integrationen af ​​disse data om specifikke metaboliske veje. I denne undersøgelse har vi fokuseret på veje i TCA cyklus polyaminsyntese og fedtsyre syntese, og på degs relateret til metabolitter putrescin, citrat og succinat, da disse veje specifikt blev fremhævet i

balanceret

datasæt. Differentiel ekspression er præsenteret i form af p-værdier. Tilsvarende ændringer med hensyn til gen-rang og fold forandring er præsenteret i figur A og B i S3 Filer og i S4 fil.

Reduceret putrescin niveauer vedrører øget ekspression af

SRM

i polyamin vej .

Øget produktion af polyaminer er vigtigt for kræft progression ved at fremme cellevækst, nedværdigende omgivende væv og aftagende anti-tumor immune funktioner [27]. I polyamin-vejen (fig 3A),

ODC1

konverterer ornithin til putrescin, som yderligere omdannes til spermidin ved SRM. Spermidin omdannes derefter til spermin af

SMS

, alle i en fremadgående reaktion.

SRM

SMS

bistås af

AMD1

i konverteringsprocessen, mens

SAT1

SMOX

er ansvarlige for længere nedstrøms skæbne spermidin og spermin [28]. Tidligere undersøgelser har rapporteret, at gener i polyaminen pathway opreguleres i cancer [29,30]. En overensstemmende opregulering af polyamin-gener vil øge fluxen af ​​alle polyaminer, men ikke nødvendigvis ændre de relative niveauer af individuelle metabolitter. I

balanceret

datasæt, vi oplever en betydelig reduktion niveau for metabolitten putrescin. Denne reduktion falder sammen med en specifik opregulering af

SRM

gen (Fig 4A). Mekanistisk, vil opregulering af

SRM

forbruge putrescin til produktion af spermidin, og uden putrescin udskiftning fra ornitihine ved opregulering af

ODC1

koncentrationen af ​​putrescin bør reduceres. Det er præcis, hvad der observeres fra MR metaboliske målinger. Opregulering af SRM uden overensstemmende opregulering af andre gener i polyamin vej er kun observeret i

balanceret

datasæt, mens en generel opregulering af polyamin- gener er en funktion observeret meste i

ubalanceret

datasæt. Anvendelse af indirekte forhold mellem

balanceret

ubalanceret

datasæt, denne generelle opregulering er mest sandsynligt forårsaget af forskelle mellem godartet epitel og stroma, og opregulering af SRM og overensstemmende putrescin tilbagegang skyldes PCa transformation. Interessant

SRM

er for nylig blevet foreslået som et mål lægemiddel til polyamin pathway i en model for B-cellelymfomer [31]. Desuden er også observeret et signifikant fald i spermin-niveauer (p = 0,047), som passer med en signifikant opregulering af

SAT1

SMOX

, uden signifikant opregulering af

SMS

. Men denne relation er mere subtil. En væsentlig forskel i spermin koncentrationer er tidligere rapporteret at adskille aggressive (Gleason grad ≥7) fra mere indolente former for PCa væv (Gleason kvalitet = 6) [22]. Men i denne sammenligning for confounding af stroma er mindre udtalt, da kun cancer prøver sammenlignes.

(A) Polyamin pathway. (B) TCA cyklus, fedtsyresyntese og glutamin forbrug. Generne op- og nedreguleret i

balanceret

datasæt er fremhævet med rødt og blåt henholdsvis. Gene navne: ODC1: ornithindecarboxylase 1, SRM: spermidin synthase, SMS: spermin synthase, AMD1: adenosylmethionin-decarboxylase 1, SAT1: spermidin /spermin N1-acetyltransferase 1, SMOX: spermin oxidase, ACO1 /2: aconitase 1/2, CS : citratsynthase, ACLY: ATP citratlyase, ACACA /B: acetyl-CoA carboxylase alpha /beta, FASN: fedtsyresyntase, SUCLA2: succinat-CoA-ligase ADP-dannende beta subunit, SUCLG1 /2: succinat-CoA-ligase betaunderenhed , SDHA /B /C /D:. succinatdehydrogenase kompleks underenhed A /B /C /D

(A) Top:

SRM

putrescin i polyaminen vej. I midten:

SUCLA2

og

SDHD

succinat i TCA cyklus. Nederst: Citrat i fedtsyre-syntese. Positiv -log10 (p-værdi) angiver opregulering og negativ -log10 (p-værdi) indikerer nedregulering. Metabolitterne vises på venstre side er en delmængde af metabolitterne vist i fig 2. (B) Validering af betydelige gener i PCa sammenlignet med normale prøver med hensyn til polyaminen pathway, succinat i TCA-cyklus og fedtsyresyntese i en uafhængig datasæt. (C) Gennemsnitlige væv kompositioner i

balanceret

,

ubalanceret

komplette /Ustratificerede

datasæt fra valideringsundersøgelsen. Histogram af væv distributioner er vist i figur D i S3-fil. (D) Antal delte gener blandt de N første gener sorteret efter betydningen forholdet score, når forskellige datasæt sammenlignes. Gener med modsatrettede ændringer (3 i

balanceret

116 i

ubalanceret

datasæt) blev fjernet fra analysen. Antallet delte gener er langt højere, når

balanceret

ubalancerede

datasæt sammenlignes indbyrdes, end når

afbalancerede

sammenlignes med

ubalancerede

datasæt. Dette indikerer, at validering og kontrolforanstaltninger undersøgelser vise en særdeles overensstemmende rangordning af gener for både

balanceret

ubalanceret

datasæt.

Reduceret citrat niveauer vedrører øget fedtsyre syntese.

Markant højere niveauer af citrat i normale prøver var kun påvises i

balanceret

datasæt. I

komplet

datasæt, hvor den statistiske effekt fordobles, gjorde citrat niveauer ikke statistisk signifikans mellem kræft og normale prøver. Citrat normalt konverteret til isocitrat af

ACO1

og

ACO2

i TCA cyklus (Fig 3B), som er den foretrukne form for energiproduktion i de fleste celler.