PLoS ONE: Tydelige og Konkurrencedygtige Regulatory Mønstre af tumorsuppressorgener og Onkogener i æggestokkene Cancer

Abstrakt

Baggrund

Hidtil har forskere fundet adskillige tumorsuppressorgener (GTS) og onkogener ( OCGs), der styrer celledeling og apoptose under udviklingen af ​​kræft. Endvidere kan GTS og OCGs fungere som modulatorer af transkriptionsfaktorer (TFS) til at påvirke genregulering. En omfattende undersøgelse af GTS, OCGs, TFS og deres fælles målgener på netværksplan kan give en dybere forståelse af den post-translationelle modulation af GTS og OCGs til TF genregulering.

Metode /vigtigste resultater

i denne undersøgelse har vi udviklet en ny beregningsmæssige ramme for at identificere målgener af GTS og OCGs hjælp TF’er som broer gennem integration af protein-protein interaktioner og genekspression data. Vi anvendte denne rørledning til kræft i æggestokkene og bygget en tre-lags regulatoriske netværk. I netværket, blev det øverste lag består af modulatorer (GTS og OCGs), det midterste lag indeholdt TF’er, og det nederste lag indeholdt målgener. Baseret på regulatoriske relationer i netværket, vi samlet GTS og OCG profiler og udførte clustering analyser. Interessant, fandt vi GTS og OCGs dannede to adskilte grene. Generne i TSG grenen var signifikant beriget med DNA-skader og reparation, regulering makromolekyle metabolisme, cellecyklus og apoptose, mens generne i OCG grenen blev væsentligt beriget i ErbB-signalvejen. Bemærkelsesværdigt, viste en omvendt funktionel berigelse i form af apoptose og ErbB signalvejen deres særlige mål: de målgener reguleret af OCGs kun blev beriget med anti-apoptose og målgener reguleret af GTS kun blev beriget i ErbB signalvejen

konklusioner /betydning

Denne undersøgelse giver den første omfattende undersøgelse af samspillet mellem GTS og OCGs i en regulerende netværk moduleres af TF’er. Vores ansøgning i kræft i æggestokkene afslørede distinkte regulatoriske mønstre af GTS og OCGs, hvilket tyder på en konkurrencedygtig reguleringsmekanisme virker på apoptose og ErbB signalvejen gennem deres specifikke målgener

Henvisning:. Zhao M, Sun J, Zhao Z ( 2012) Særskilt og Konkurrencedygtige Regulatory Mønstre af tumorsuppressorgener og Onkogener i kræft i æggestokkene. PLoS ONE 7 (8): e44175. doi: 10,1371 /journal.pone.0044175

Redaktør: Szabolcs Semsey, Niels Bohr Instituttet, Danmark |

Modtaget: 28. maj 2012; Accepteret: 30 Juli 2012; Udgivet: 30 august, 2012 |

Copyright: © Zhao 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:. Dette arbejde blev delvist støttet af tilskud fra National Institutes of Health (R01LM011177 og VICC Cancer center Core tilskud P30CA68485). De finansieringskilder havde ingen rolle i studie design, indsamling og analyse af data, beslutning om at offentliggøre, eller forberedelse af manuskriptet. Ingen yderligere ekstern finansiering blev modtaget til denne undersøgelse

Konkurrerende interesser:. Forfatterne har læst tidsskriftets politik og har følgende konflikter: Medforfatter Zhongming Zhao er en PLoS ONE Editorial Board medlem. Dette ændrer ikke forfatternes tilslutning til alle PLoS ONE politikker om datadeling og materialer. Andet end ovenstående, har forfatterne erklæret, at der ikke findes nogen konkurrerende interesser.

Introduktion

Cancer er kendetegnet ved ukontrolleret cellevækst, som er forårsaget af de akkumulerede genomiske mutationer i gener, der normalt spiller vigtige roller i at kontrollere celleproliferation og apoptose [1]. To hovedgrupper af protein-kodende gener påvirke cancercellevækst i modsatte måder. Den første gruppe af gener koder tumorsuppressorer, hvis tab af funktion bidrager til udviklingen af ​​cancer [2]. Den anden gruppe af gener er onkogener, hvis forstærkning af funktion kan udløse kræft udvikling [3]. Herefter vi forkortet disse to typer af gener som GTS og OCGs. Mange GTS er “vogter af celle” på grund af deres kritiske roller i cellecyklus checkpoints og inducere apoptose [2], [4]. For eksempel de velkendte GTS

RB

TP53

betragtes som anti-onkogener på grund af deres virkninger på aktioner mod kendte onkogener i cellevækst [5]. I en normal celle, er OCGs placeret på kromosomer som proto-onkogener. Når det aktiveres af punktmutationer eller andre mekanismer som genamplifikation, kan proto-onkogener omdannes til OCGs at stimulere celleproliferation og fremme celleoverlevelse ved at interferere med apoptose [3].

I de seneste årtier, en væsentlig antallet af GTS og OCGs blev karakteriseret ved deres funktioner i celledeling og apoptose [2], [3], [4]. Men for at de underliggende molekylære mekanismer for disse GTS og OCGs regulerer biologiske processer på transskription niveau er stadig ikke klart, især på de systemer og cellulære niveauer. Det er velkendt, at DNA-bindende transkriptionsfaktorer (TFS) spiller vigtige roller i et gens transkriptionel regulering [6]. TF aktiviteter er primært reguleret af andre molekyler ved den post-translationelle niveau [7]. Tidligere har undersøgelser vist, at GTS, som

RB1 ​​

KL

, kan påvirke aktiviteten af ​​TF’er eller vækstfaktorer som deres post-translationelle modulatorer [8], [9]. I kræft tumorigenese, at flertallet af GTS og OCGs ikke hører til den kategori af TF’er; Således kan de ikke direkte regulerer genekspression. Derfor modulerende TF’er på post-translationel niveau kan give en mekanisme til GTS og OCGs at regulere genekspression indirekte.

Kræft i æggestokkene (forkortet OVC i denne undersøgelse) er den femte hyppigste årsag til kræft-relaterede dødelighed med en prævalens på 1,4% til 2,5% i amerikanske kvinder [10]. Søgningen efter overbevisende kandidatgener i det seneste årti, men langt fra afsluttet eller afgørende, har givet grundlag for systematiske analyser af deres genetiske bidrag til OVC [11]. Derudover har genom-skala teknologier genereret enorme mængder af genekspression profilering og andre genetiske og genomiske data fra hundredvis af OVC prøver [12], [13], [14], [15]. Disse genetiske og højt gennemløb genomiske data har givet os mulighed for at identificere en kritisk regulatorisk netværk, der er afgørende for udviklingen af ​​kræft [16], [17]. Desuden carcinogenese i æggestokkene involverer mange specifikke ætiologiske faktorer såsom hormoner og ægløsning [18], hvilket bringer i tvivl hvordan genet regulatoriske netværk integrerer signaler til at reagere på hormon stimuli. Vores hypotese her var, at en systematisk integration af TF’er og deres potentielle modulatorer (GTS og OCGs) giver en effektiv tilgang til at opdage et gen regulatorisk netværk i OVC. Denne lovgivningsmæssige netværk kan give romanen regulering model af GTS, OCGs og TF’er på genekspression i kritiske tumorigenese processer såsom cellecyklus og hormon stimulus.

Her præsenterer vi et beregningsmæssige tilgang til at konstruere en hierarkisk regulerende netværk fra protein-protein interaktioner (PPI) og genekspression data ved hjælp af TF’er som broer til at knytte vigtige modulatorer (GTS og OCGs) til deres potentielle målgener. Vi anvendte denne fremgangsmåde til at konstruere en trelags tilsynsnetværk i OVC, hvori det øverste lag indeholdt 29 GTS og 13 OCGs, det midterste lag indeholdt 15 TF’er, og det nederste lag omfattede 65 fælles målgener. Yderligere lovgivningsmæssige profil clustering analyser opdelte GTS og OCGs i to forskellige grene. De GTS var hovedsageligt involveret i DNA-skader og reparation, cellecyklus, og apoptose, mens OCGs hovedsageligt blev grupperet sammen i ErbB signalering transduktion og respons på hormon stimuli. Derudover blev OCG-specifikke målgener beriget med negative apoptose regulatorer, mens TSG-specifikke målgener blev beriget i ErbB signalveje. Disse resultater viste en tydelig funktion mønster af GTS og OCGs, ikke kun af deres egne modsatrettede funktioner i udviklingen af ​​kræft, men også af de modsatte berigede funktioner deres specifikke målgener. Vi har for første gang, rapporterede en konkurrencedygtig regulering mønster af GTS og deres mål undersøgt i forhold til OCGs og deres mål; i dette rapporterede fund, fandt vi GTS, OCGS, sammen med deres respektive mål, har tendens til at reagere i opposition ved apoptose og ErbB-signalvejen. Yderligere undersøgelse af dette fund er berettiget.

Materialer og metoder

Gene Indsamling og Curation af GTS, OCGs og TF’er i OVC

For at omfattende indsamle OVC-relaterede gener, vi parset og kurateret fjorten datakilder, herunder kræft mutation database Katalog over somatiske mutationer i cancer (COSMIC, udgave 55) [19], Mendelian Inheritance in Man (OMIM, oktober 2011) [20], Genetic Association database (GAD , oktober 2011) [21], databasen over Funktionel Census of human Cancer Gene (F-Census, oktober 2011) [22], den online Drage database for udforskning af kræft i æggestokkene Gener (DDOC, oktober 2011) [23 ], en omfattende ekspertundersøgelse på OVC-relaterede gener fra naturen anmeldelser Kræft [11], litteraturen database Generif [24], der blev offentliggjort genom-dækkende forening undersøgelser [25], [26], [27], og seks ansøgerlande gen lister produceret af store genomiske platforme om OVC fra The Cancer Genome Atlas (TCGA) [12]. Detaljerne for gen-samling på hver datakilde er beskrevet i tekst S1, og nogle tilgange gen indsamling og anmærkninger blev også anvendt med succes i andre sygdomme for kandidat gen prioritering [28], [29], [30]. Endelig blev 1257 ikke-redundante OVC relaterede gener kurateret til opfølgning analyse (tabel S1).

Vi kurateret manuelt GTS og OCGs fra klassiske anmeldelser på OVC og generel kræft [2], [4], [ ,,,0],11], [31] og ekstraheres kendte menneskelige TF’er fra TRANSFAC professionel database (Slip 2011,4) [32]. Blandt 1257 OVC gener, blev 100 unikke regulatorer tildelt, herunder 35 GTS, 15 OCGs og 50 TF gener.

Netværk Topologiske Analyser og Extraction et undernetværk Centreret af GTS, OCGs og TF’er fra Menneskelig Interactome

Vi hentede ikke-orienteret humant protein-protein-interaktion (PPI) data fra protein Interaction Network Analysis (PINA) platform (juni 2011) [33]. I PINA, de data, der indgår selvstændige interaktioner, forudsagde interaktioner med beregningsmetoder, og interaktioner mellem humane proteiner og proteiner fra andre arter. I vores pipeline, vi kun udnyttet de ikke-redundante menneskelige PPI med eksperimentelle understøtninger efter vi fjernet forudsagde PPI og selvstændige interaktioner, samt PPI involverer proteiner fra andre arter. Denne proces genereres en menneskelig PPI netværk med 11.654 knuder (proteiner) og 72,630 links (PPI).

For at konstruere et undernetværk centreret af GTS, OCGs og TF’er og have overblik for de topologiske netværk egenskaber af disse OVC gener , vi først kortlagt alle de relaterede gener til den menneskelige PPI-netværket. Til sammenligning, vi samlet fem gen lister til at udføre netværk topologiske analyser. Det første datasæt omfattede 467 kendte cancer-gener fra Sanger Cancer Gene Folketælling liste [34], blandt hvilke 378 gener blev kortlagt til det humane PPI netværk. Dernæst vi delte vores indsamlede 1257 OVC gener i fire grupper: kendte GTS, kendt OCGs, TFS og de øvrige fælles OVC gener. I alt blev 33 GTS, 14 OCGs, 50 TF gener og 905 almindelige OVC gener kortlagt til PPI-netværket. Dernæst vi beregnet tre grundlæggende topologiske foranstaltninger for de fem gen lister. Disse foranstaltninger omfattede grad, betweenness centrale, og nærhed centralitet ved hjælp af softwaren Cytoscape [35]. Graden måler forbindelserne for hvert protein i den menneskelige PPI netværk [36]. Den betweenness centrale repræsenterer hvor ofte et protein lokaliserer alle korteste veje mellem to andre proteiner [36]. Nærhed centrale, også kaldet korteste-sti afstand, angiver de korteste trin for én node til at nå en anden [36]. For at sammenligne disse topologiske egenskaber blandt de fem gen lister, vi udførte to-tailed Kolmogorov-Smirnov test (KS tests) implementeret i R-pakken 2.13.2 [37].

For at vurdere betydningen af ​​netværk egenskaber hver OVC TSG, OCG og TF i den menneskelige PPI-netværk, vi anvendt en empirisk re-prøver. Her tager vi GTS gen listen som et eksempel. Dels om de 33 GTS kortlagt til det humane PPI netværk valgte vi tilfældigt 33 knudepunkter fra nogen af ​​de 1257 OVC gener i det humane PPI nettet og beregnet de tre topologiske egenskaber (grad, betweenness og nærhed). Vi gentog denne randomisering proces 10.000 gange. Dernæst talte vi antallet af tilfældige udvalgte node sæt (N), hvis gennemsnitlige grad, betweenness eller nærhed var højere end den observerede gennemsnitlige grad, betweenness og nærhed, hhv. Endelig vi beregnet deres empiriske

P- Drømmeholdet værdi ved hjælp af N /10000 for de tre typer af topologiske egenskaber, hhv. Vi anvendte lignende fremgangsmåder til 14 OCGs, 50 TF’er og 97 regulatoriske gener (33 GTS, 14 OCGs og 50 TF gener). Den opsummeret

P-

værdier blev anført i tabel S6.

Bortset fra disse topologiske analyser, vi udvindes 2024 direkte interaktionskandidater af de 97 regulatoriske gener (33 GTS, 14 OCGs og 50 TF gener) fra det menneskelige PPI-netværket til at danne et undernetværk bestående af 2121 gener til yderligere analyse.

Konstruktion af et hierarkisk Regulatory Network Baseret på genekspression Profiles fra TCGA

for nylig TCGA efterforskere undersøgt genekspression fra 489 high-grade serøse OVC prøver ved hjælp af tre genekspression microarray platforme (Affymetrix Exon 1.0 vifte, Agilent 244 K hele genomet udtryk array, og Affymetrix HT-HG-U133A vifte) [12]. Dernæst har de normaliseret og anslået udtrykket for hver prøve og gen på hver platform for sig. Efter fratrække middelværdien tværs prøver til det samme gen, de delte udtrykket værdi af standardafvigelsen tværs prøver og opnåede relative genekspression scoringer. Endelig blev de relative udtryk data fra tre platforme integreret i et enkelt, samlet data sæt af 11.864 gener ved hjælp af en faktoranalyse model uden batch effekter [12], [38]. De endelige genekspression data overført fra den TCGA websted er formateret som en matrix, der er én række for hvert gen og en kolonne for hver af prøverne (https://tcga-data.nci.nih.gov/docs/publications/ov_2011 /).

Blandt de 2121 gener i subnetværket centreret af OVC GTS, OVC OCGs og OVC TFS 352 gener (29 GTS, 13 OCGs, 36 TF gener og 274 vekselvirkende gener) overlappede 11.864 genet udtryk profiler fra TCGA. Dernæst vi udnyttet software Mindy (Modulator inferens af Network Dynamics) til at forudsige de lovgivningsmæssige forhold mellem GTS, OCGs og TF’er. Mindy blev brugt til at identificere modulatorer af TF’er med udtryk profiler på post-translationel niveau baseret på betinget gensidig information [39]. Mindy kræver fire indgange, herunder en genekspression matrix, et TF af interesse, en liste over potentielle modulator gener, og en liste over potentielle TF mål. Derfor blev et udtryk matrix med 352 gener i hver række og 489 OVC prøver i hver kolonne indsamlet som den første indgang til softwaren Mindy. TFS af interesse var de 36 TF gener fra vores udvundet undernetværk. De potentielle modulatorer indeholdt 29 GTS og 13 OCGs. De resterende 274 interagerende gener i vores undernetværk blev betragtet som potentielle TF mål.

For at reducere falske positiver af TF for målgruppen relationer udledt af Mindy, vi yderligere forudsagt TF-mål-par ved hjælp af MATCH ™ med en kerne score på 1,00 og en matrix score på 0,95 [32], [40]. Tag eksemplet med TF HMGA2: Mindy forudsagde 29 GTS og 13 OCGs at regulere 106 og 79 målgener via modulerende HMGA2 hhv. Vi yderligere forudsagde 82 målgener fra 1257 OVC-relaterede gener ved hjælp af MATCH ™. Efter at have sammenlignet den 82 forudsagt målgener for HMGA2, kun 18 og 13 unikke gener blev co-reguleret af de 29 GTS og 13 OCGs hhv. Endelig overlappende TF målgruppen regler dannede output-netværket indeholder 29 GTS, 13 OCGs, 15 TF gener og 65 fælles målgener. I de lovgivningsmæssige netværk blev 3 GTS, 3 OCGs og 4 TF gener også udledes som target gener for andre TF’er. Derfor blev 112 unikke gener integreret i netværket. Desuden de 4 kendte TF gener

FOXM1

,

MSX1

,

PPARG

STAT5A

, blev tildelt som target gener i vores netværk, som de ikke regulere nogen gener i denne regulatoriske netværk. Den endelige netværk visualisering af 112 gener blev udført ved hjælp af Cytoscape software [35].

Konstruktion og Clustering af TF og Target Gene Profiler af GTS og OCGs

For at analysere de nedstrøms målgener af GTS’er og OCGs konstruerede vi et mål profil for hver GTS eller OCG ved at undersøge målgener som værende til stede eller fraværende som relateret til vores hierarkiske regulatoriske netværk. For en given GTS eller OCG, hvis der er en regulatorisk forhold mellem TSG /OCG og én målgen, den tildelte værdi for målgenet af GTS /OCG ville være en; ellers ville det være tildelt en værdi på nul. For en given TSG /OCG, et mål profil indeholder en streng med 65 indgange med 0 eller 1. Den samme procedure blev anvendt til at konstruere en TF profil for hver GTS eller OCG med 15 registreringer 0 og 1. For at undersøge de lovgivningsmæssige mønstre af GTS og OCGs, hierarkiske klynge analyser blev udført på både målgenet profil og TF profil ved hjælp af R-pakken 2.13.2 [37].

Konstruktion Regulatory undernet på Apoptose, Cell Cycle, hormonstimulation og reproduktion

for at opnå en yderligere forståelse af specifikke funktionelle moduler i vores regulatoriske netværk, vi fokuserede på fire biologiske processer, som omfattede apoptose, cellecyklus, hormon respons, og reproduktion, da de er blevet rapporteret til at spille vigtige roller i OVC og blev også beriget med vores regulatoriske netværk [41], [42], [43]. Vi kompileret fire funktionelle sigt lister på apoptose, cellecyklus, hormon respons, og reproduktion bruger Gene Ontology (GO), Kyoto Encyclopedia of Gener og genomer (Kegg) og SwissProt annotation vilkår fra DAVID online-værktøj [44]. Endelig, på grundlag af de kuraterede funktionelle termer, vi samlet 51 (apoptose), 47 (cellecyklus), 21 (hormon respons), og 16 (reproduktion) OVC gener i vores hierarkisk regulerende netværk.

For ovenstående fire sæt indsamlede gener, kunne de fleste af dem kortlægges til det øverste og nederste lag i vores hierarkiske regulatoriske netværk. For at udtrække subnetværket for hver proces, vi først kortlagt de indsamlede gener til det nederste lag, så fandt TFS (midterste lag), der er knyttet til disse målgener, og endelig rekrutterede de procesrelaterede GTS og OCGs (øverste lag) med links til disse TF’er. Ved hjælp af denne proces, vi opnåede fire undernet.

statistiske tests for beriget Funktionelle GO Vilkår og biologiske veje

For at vurdere funktionen af ​​de interessante gen-apparater, vi gennemførte funktionelle berigelse tests ved hjælp af online-værktøj DAVID [44]. Vi valgte dem, GO vilkår eller veje med en justeret

P

-værdi mindre end 0,05 som beregnet af den hypergeometriske test efterfulgt af Benjamini-Hochberg metoden [45], som blev implementeret i DAVID værktøjet.

for at vurdere funktionel betydning af de 112 gener i vores endelige undernetværk, valgte vi tilfældigt 112 gener fra 1257 OVC gener og sammenligne deres korrigeret

P- Drømmeholdet værdi distribution. I alt har vi udført randomisering ti gange og kommenteret hvert gen listen ved hjælp DAVID. Baseret på Benjamini-Hochberg justeret

P- Drømmeholdet værdi, vi sammenlignede

P- Drømmeholdet værdi fordeling for vores 112 gener og ti tilfældigt udvalgte gen lister (Figur S6).

Resultater

Oversigt over Computational pipeline at konstruere en hierarkisk Regulatory Network

Som vist i figur 1, vores pipeline startede med en samling af kandidatgener, GTS, OCGs, og TF’er for en vis cancer, såsom ovariecancer. Dernæst vi udvundet et undernetværk centreret med disse kendte GTS, OCGs, TF’er og deres direkte interaktionskandidater fra den menneskelige PPI-netværket. Derefter blev genekspressionsprofiler for de involverede i undernet gener indlæses i Mindy at udlede GTS og OCGs som post-translationelle modulatorer af TF’er. Produktionen af ​​Mindy var en regulerende netværk, der omfattede det øverste lag med modulatorer (GTS og OCGs), det midterste lag med TFS og det nederste lag med fælles mål gener af de to øverste lag. For yderligere at reducere de falske positive af TF for målgruppen relationer udledes Mindy, vi krævede, at de forudsagte TF-mål-par også blev bekræftet af TF-target forudsigelse værktøj MATCH ™. Det endelige resultat af denne rørledning var en kombinatorisk regulerende netværk af GTS, OCGs, deres modulerende TFS og regulerer målgener. Vi anvendte denne beregningsmæssige rørledning til vores curated 1257 OVC kandidatgener og endelig bygget en tre-lags regulatoriske netværk, der omfattede 29 GTS, 13 OCGs, 15 TF gener og 65 fælles målgener.

Denne figur viser TSG og OCG regulatoriske netværk konstruktion og identifikation af kritiske nedstrøms veje moduleret af GTS og OCGs. Vores pipeline omfatter fire hovedtrin. 1) Indsamling ovariekræft (OVC) -relaterede gener, tumorsuppressorer (GTS), onkogener (OCGs), og transkriptionsfaktorer (TFS) fra offentlige databaser og litteratur. 2) Udtræk subnetværk centreret om OVC GTS, OCGs og TF’er fra protein-protein interaktion (PPI) data. 3) Integration genom-skala udtryk data til at konstruere en hierarkisk regulerende netværk med OVC-relaterede GTS, OCGs, TF’er og target gener. 4) Analyse nedstrøms veje og undernet med regulerede gener for at undersøge samspillet mellem GTS og OCGs i specifikke biologiske processer. Modulator Inferens ved Network Dynamics (Mindy) er et software-værktøj, der anvendes til identifikation af post-translationelle modulatorer af TF’er baseret på udtryk profiler. Protein Interaction Network Analysis (PINA) er en platform for protein interaktion netværk konstruktion.

GTS, OCGs og TF’er i OVC Show High Connectivity, Betweenness og nærhed Centrality i Human PPI Network

Baseret på en sammenligning af de tre topologiske egenskaber (grad, betweenness centrale, og nærhed centrale) for fem cancer-relaterede gen lister, tjente vi de første indblik i arkitekturen i OVC-relaterede gener i menneskelige PPI (se materialer og metoder) . Figur S1 viser graden fordeling af de fem datasæt og alle proteinerne i humane PPI netværk. Den gennemsnitlige grad af de 97 gener (OVC GTS, OCGs og TFS) var 56,12, hvilket var betydeligt højere end for gener fra kræft gen folketælling (35,33, Kolmogorov-Smirnov test (KS-test),

P

værdi = 3.36 × 10

-2), eller at af 905 OVC fælles gener (21,83, KS test

P

-værdi = 7,12 × 10

-8). For at vurdere betydningen af ​​de beregnede topologiske egenskaber, vi anvendt en empirisk re-sampling tilgang til at beregne empiriske

P-

værdier for hver egenskaber (tabel S6). Bortset

P-

værdi betweenness centrale af TFS (0,08), alle de resterende

P-

værdier var mindre end 0,01. Disse empiriske

P

-værdier foreslog, at de observerede netværksfunktioner usandsynligt blev genereret ved en tilfældighed. Yderligere KS tests viste, at betweenness og nærhed centralities af de 97 gener var alle signifikant højere end de gener fra Cancer Gene Census og 905 OVC fælles gener (

P

-værdier 0,05, tabel S2). Vores sammenligning mellem 97 gener (OVC GTS, OCGs, og TFS) og andre cancer gener underforstået, at disse 97 gener havde højere lokale forbindelser og kortere veje til andre proteiner. På grund af deres høje grad, betweenness og nærhed centralities, måske et undernetværk med deres direkte interaktionskandidater være nok til at karakterisere de regulatoriske egenskaber af de 97 gener.

En OVC-specifik regulering Gene Network moduleres af GTS og OCGs

Med udgangspunkt i de 97 gener, vi integreret de PPI’er, genekspressionsprofiler, og TF-target forudsigelse data fra software Mindy og MATCH ™ (se materialer og metoder). En endelig trelags regulatoriske netværk blev konstrueret, der omfattede 112 unikke gener (29 GTS, 13 OCGs, 15 TF gener og 65 joint målgener) og 353 links (Figur 2A og tabel S3). Funktionelle berigelse analyser viste, at de 112 gener blev beriget i talrige funktionelle kategorier relateret til carcinogenese (tabel S4). De mest berigede funktionelle kategorier var relateret til OVC progression, såsom “regulering af apoptose” (justeret

P

-værdi = 4,84 × 10

-24), “regulering af cellecyklus” (justeret

P

-værdi = 8,10 × 10

-20), “svar på hormon stimulus” (justeret

P

-værdi = 5,31 × 10

-10), og “flercellede organisme reproduktion “(justeret

P

-værdi = 1,06 × 10

-4). For at evaluere de funktionelle Analyseresultaterne for 112 gener, valgte vi tilfældigt ti gen lister med 112 gener fra 1257 OVC gener. Som vist i figuren S6, de fleste af korrigerede

P-

værdier fra funktionel henseende kommenteret for vores 112 gener var mindre end 0,01, hvilket er tydeligt forskellig fra de ti tilfældigt udvalgte gen lister (Kolmogorov-Smirnov test,

P-

værdier 0,05). Disse meget berigede carcinogenese-relaterede funktioner viste, at vores regulatoriske netværk var tæt knyttet til OVC udvikling og kan være nyttigt at identificere centrale cancerogenesis moduler.

(A) Integrerede hierarkisk netværk af ovariecancer (OVC) relateret tumorsuppressorgener (GTS), onkogener (OCGs), og transkriptionsfaktorer (TFS). De knuder i rød (cirkel) repræsenterer OVC-relaterede GTS, knuder i gul (trekant) repræsenterer OVC-relaterede OCGs, knuder i grøn (ottekant) repræsenterer OVC-relaterede TF’er, og knudepunkter i blå (vee) repræsenterer målgener. De links orange repræsenterer reglerne fra GTS eller OCGs til deres modulerende TF’er. De grønne pil linier repræsenterer reglerne fra TFS til deres mål gener. (B) Plot af i grader og ud-grad af de 15 TF’er i tre-lags tilsynsnetværk. I-grad defineres som antallet af knudepunkter, der umiddelbart linker til og regulere knudepunktet af interesse og ud-grad defineres som antallet af knudepunkter, der umiddelbart linker til og reguleres af knudepunktet af interesse. (C) En undernetværk med tre feedback-sløjfer centreret af ETS1. Den farve og form skema af knuder og links er de samme som dem i (A).

Som vist i figur 2B, TFS ‘in-grader fra GTS og OCGs havde en høj korrelation med deres out-grader til deres mål gener (Pearsons korrelationskoefficient = 0,74,

P

-værdi = 1,60 × 10

-3). Her, i-grad defineres som antallet af GTS /OCG knudepunkter, der umiddelbart linker til og regulere TF node, og ud-grad defineres som antallet af målgen knudepunkter, der umiddelbart linker til og er reguleret af TF node. For eksempel er den i grader og ud-grad af TF ETS1 var 34 og 14, henholdsvis; det vil sige, det blev moduleret af de 23 GTS og 11 OCGs mens det regulerede 14 nedstrøms målgener. Derudover blev 14 målgener af ETS1 beriget “tyrosinproteinkinase” baseret på GO annotation (justeret

P

-værdier = 2,15 × 10

-3). Samlet set vores resultater tyder på, at TF’er med flere input i vores regulatoriske netværk kunne regulere flere målgener.

I dette netværk blev alle regulatoriske signaler fra GTS og OCGs videre til det midterste lag (befolket af TF’er) og derefter overført til bundlaget med målgener. Men 10 af de 65 målgener hører også til GTS, OCGs eller TF gener i vores netværk. De 10 gener med flere roller dannet seks lovgivningsmæssige sløjfer mellem TF’er og GTS /OCGs. Løkkerne var E2F3 ↔ CHEK2, ETS1 ↔ EGFR, ETS1 ↔ ERBB2, ETS1 ↔ SPARC, HMGA2 ↔ MYC, og HNF1B ↔ MYC (tabel S5). For eksempel ETS1 dannet tre feedback-sløjfer med gener, der koder EGFR, ERBB2, og SPARC. Blandt de tre gener, EGFR og ERBB2 tilhører den epidermale vækstfaktorreceptor (EGFR) familie (Figur 2C). Vi yderligere rekrutteret direkte interaktionskandidater af ETS1 relateret til tre feedback-sløjfer for at danne et undernetværk. Der var i alt 17 gener i subnetværket specifikt for ETS1, som blev beriget med GO biologiske processer udtryk “regulering af celledeling” (justeret

P

-værdi = 1,94 × 10

-8) og “regulering af cellecyklus” (justeret

P

-værdi = 9,77 × 10

-6). Disse analyser viser, at ETS1 kunne spille en vigtig rolle i celledeling gennem sine interaktioner med EGFR-familien, hvilket er i overensstemmelse med resultaterne fra tidligere undersøgelser af humane cancerceller [46].

GTS og OCGs var involveret i forskellige biologiske processer i OVC

for yderligere at identificere de specifikke biologiske processer, hvor GTS og OCGs deltager i, vi udførte funktionelle berigelse analyser for GTS og OCGs uafhængigt. Resultaterne indikerede, at GTS og OCGs var involveret i forskellige biologiske processer under carcinogenese af OVC (tabel 1). De 29 GTS blev primært involveret i cellecyklus, DNA-skader reaktion, positiv regulering af apoptose, og den negativt regulerer makromolekyle metaboliske proces, mens 13 OCGs var primært involveret i signalveje, såsom ErbB og reaktion på hormon stimulus, og, modsat TSG resultater, negativ regulering af apoptose. Blandt de 112 gener i vores netværk, blev 46 gener kortlagt til Kegg “sti i kræft” (13 GTS, 9 OCGs, 8 TF gener og 16 målgener) (Figur S3). Kortet viste de fleste af GTS og OCGs regulerede vigtige carcinogenese processer. Størstedelen af ​​GTS omgivet processer som cellecyklus, DNA-reparation og apoptose; OCGs havde tendens til at interagere med signalering input, mens TF gener og målgener ofte spredt ud over hele kortet for at forbinde GTS og OCGs.

Tidligere undersøgelser har vist, at GTS er involveret i tumorigenese, fordi deres produkter er generelt involveret i cellecyklus checkpoint, apoptose, eller reparation af beskadiget DNA [2], OCGs koder kromatin remodelers, vækstfaktorer og receptorer, signal transducere og apoptose regulatorer [3]. Vores resultater af funktionelle analyser af OVC GTS og OCGs var i overensstemmelse med deres fælles roller i tumorigenese. Det er værd at bemærke, at vores analyser indikerede, at OCGs havde vigtige roller i processen “respons hormon signaler”, som er vigtigt at fremskynde celleproliferation under OVC udvikling, herunder gonadotropiner, østrogener, androgener, progesteron og insulin [18].