PLoS ONE: differentielt udtrykte gener og Signature Pathways af menneskelig Prostata Cancer

Abstrakt

Genomisk teknologier, herunder microarrays og næste generation sekventering har aktiveret generation af molekylære signaturer for prostatakræft. Lister over differentielt udtrykte gener mellem maligne og ikke-maligne tilstande menes at være frugtbare kilder til formodede prostatakræft biomarkører. Men sådanne lister over differentielt udtrykte gener kan være meget variabel for flere grunde. Som sådan ser på differentiel ekspression i sammenhæng med gensæt og veje har været mere robust. Brug næste generation genomsekvensering data fra The Cancer Genome Atlas, differential genekspression mellem alders- og stage- matchede humane prostata tumorer og ikke-maligne prøver blev vurderet og anvendt til at udforme en sti underskrift prostatakræft. Up- og ned-regulerede gener blev tildelt til veje består af curated grupper af beslægtede gener fra flere databaser. Betydningen af ​​disse veje blev derefter evalueret i henhold til antallet af differentielt udtrykte gener findes i vejen, og deres position i pathway hjælp Gene Set Berigelse Analyse og signalvej Impact Analysis. Den “transformerende vækstfaktor-beta-signalering” og “Ran regulering af mitotiske spindeldannelse” pathways var stærkt associeret med prostatacancer. Flere andre væsentlige veje bekræfter rapporterede resultater fra microarray data, der tyder aktincytoskelettet regulering, cellecyklus, mitogenaktiveret proteinkinase signalering, og calcium-signalering er ligeledes ændres i prostatacancer. Vi har således demonstreret mulighederne for pathway analyse og identificeret et underexplored område (Ran) til undersøgelse i prostatakræft patogenese

Henvisning:. Myers JS, von Lersner AK, Robbins CJ, Sang Q-XA (2015) differentielt udtrykte Gener og Signature Pathways af menneskelig prostatakræft. PLoS ONE 10 (12): e0145322. doi: 10,1371 /journal.pone.0145322

Redaktør: Jian Cao, Stony Brook University, UNITED STATES

Modtaget: Oktober 14, 2015; Accepteret: December 2, 2015; Udgivet: 18. december 2015

Copyright: © 2015 Myers 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: Alle relevante data er inden for papir og dens støtte Information filer

Finansiering:. Dette arbejde blev delvist støttet af Leslie N. Wilson-Delores Auzenne Graduate undervisningsopholdet for mindretal tildelt JSM af Florida State University Graduate School, Forskning Oplev Program for kvinder i matematik, videnskab, og Engineering af Florida State University til AKVL, og tilskud fra Florida State University og en Begavet Stol Professorat i Cancer Research fra anonyme donorer til QXAS. 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

Forkortelser PSA, prostata-specifikt antigen; Degs, differentielt udtrykte gener; MAPK, mitogenaktiveret proteinkinase; TGF-β, transformerende vækstfaktor-beta; TCGA, The Cancer Genome Atlas; FDR, falsk opdagelse sats; PANTHER, proteinanalyse gennem Evolutionære relationer; GO, Gene ontologi; GSEA, Gene Set Enrichment Analyse; Kegg, Kyoto Encyclopedia of Gener og genomer; SPIA, signalvej Impact Analysis; ES, berigelse score; NES, normaliseret berigelse score; pNDE, sandsynligheden for overrepræsentation; pPERT, sandsynligheden for forstyrrelse

Introduktion

Prostatakræft er den anden mest diagnosticeret kræft blandt amerikanske mænd, med over 220.000 nye tilfælde forudsagde i 2015 [1]. Prostata-specifikt antigen (PSA) har været hjørnestenen i prostata kræftscreening i årtier. Men PSA er ikke en ideel biomarkør og udbredt brug af PSA-screening falder i unåde [2-4]. Afhængighed af PSA-screening er problematisk, fordi falske positiver skyldes godartet prostatahyperplasi eller prostatitis og fordi PSA ikke diskriminere indolent sygdom, der fører til overdiagnostik. Udvidelsen af ​​genomisk og proteomisk teknologi og metoder har forbedret karakterisering af tumor biologi, kørsel søgen efter mere præcise kræft biomarkører. Gene og protein udtryk forskelle mellem normale og maligne prostata væv er veldokumenteret og tjene som en pulje til formodede diagnostiske, lagdeling biomarkører prognostisk, og risiko [5-24]. Genmutationer, epigenetiske ændringer og microRNA udtryk forandringer, der sker i kræft initiering og progression er også blevet undersøgt med det mål at biomarkør opdagelse [25-29]. Alligevel er der stadig flere væsentlige hindringer i biomarkør implementering. Lav reproducerbarhed tværs laboratorier, forskelle i eksperimentelle platforme og teknikker, den iboende heterogenitet af prostatakræft, og ubetydelig klinisk anvendelighed eller små gevinster i sensitivitet og specificitet over PSA hæmmer identifikation, validering og implementering af biomarkører [30-35].

Tidligere arbejde har fokuseret på udvælgelse og validering af de enkelte gener som biomarkører. Alligevel heterogenitet prostatakræft gør det yderst usandsynligt at finde et enkelt gen, der er et repræsentativt markør [36]. Screening paneler dannet ved kombination af multiple gener er blevet anvendt til at øge forudsigelseskraft for kræft påvisning, tilbagefald, tilbagefald og overlevelse ud over anvendelsen af ​​PSA eller Gleason score alene [37-40]. Succesen af ​​biomarkør panel tilgang fremgår af den kommercielle lancering af flere screeningsundersøgelser, som har fundet kliniske anvendelighed: ProMark [41], Oncotype DX [42], Prolaris [43], og dechifrere [44]. Disse paneler kan trækkes fra molekylære klassifikationer undersøgelser, der bruger differentieret udtryk at udforme en signatur for kræft.

Men molekylære klassifikationer og gen-signaturer er ikke altid stabile i den forstand, at flere signaturer kan findes for kræft. Store forskelle mellem lister over differentielt udtrykte gener (degs) fra microarray data er blevet fremhævet [45]. I nogle tilfælde var overlapning mellem microarray datasæt så lavt som 5% [46]. Så for hvert sæt af DEGS, kan en anden signatur findes. Således biomarkører valgt fra disse lister ville udføre med varierende grader af succes. Tager listen over DEGS og sammenholde dem til en prognostisk markør kan generere en mere nyttig formodet biomarkør pool fordi så kun gener korreleret med prognose vil omfatte den molekylære signatur. Men Ein-Dor

et al

. viste, at i brystkræft, var der ingen enkelt, unikt sæt af gener, der forudsagde overlevelse fordi ændring af patientpopulationen kunne producere flere sæt af gener af lige prognostisk evne til at forudsige overlevelse [33]. Desuden korrelation med overlevelse blev ikke påkrævet for prognostisk evne [33]. Så det er sandsynligt, at mange paneler udelukke en række andre gener, der kunne være potentielle biomarkører, fordi panelet blev afledt fra et legeme af prøver (selvom det kan være stor) og betragtes kun stærkeste korrelationer.

En alternativ fremgangsmåde er pathway-baseret analyse. I sti analyse, en samling af relaterede gener fra samme vej eller et netværk af interaktion vurderes i stedet for at undersøge en gruppe af potentielt ubeslægtede gener, der optimerer følsomhed og selektivitet diagnose eller prognose. Der er øget overlap mellem data på vejen niveau i forhold til at overlappe mellem lister over degs [46, 47]. Pathway analyse ikke forsømme den kooperative karakter af gener og mener, at ophavsmanden gener involveret i den samme proces ofte er dereguleret sammen. Ved at se på vejen, mindre variationer i instrumentering eller metode er mindre tilbøjelige til at påvirke resultaterne, hvilket fører til mere ensartede resultater på tværs af forskellige sæt af data [48]. vejen tilgang giver således mere robuste resultater, forbedrer klassificering sygdom, og kan afsløre nye indsigter om en sygdom [49-51]. En type pathway analyse begynder med et differentielt udtrykt gen og korrelerer ekspressionen af ​​gener involveret i samme vej eller lignende proces med en særlig diagnostisk eller prognostisk resultat [52-54]. En lignende iteration starter med en sti med kendt betydning i kræft initiering eller progression og evaluerer den prognostiske effekt af de enkelte bestanddele. Dette er gjort for mitogenaktiveret proteinkinase (MAPK) pathway [55], Akt [56], mTOR pathway [57, 58], Toll-lignende receptor-signalvejen [59], og andre onkogene signaturer [60].

i dette papir, omfattende genekspression i human prostatacancer blev karakteriseret ved hjælp af en fordomsfri pathway tilgang. Næste generation sekventering blev anvendt til at opnå en profil af forskellene i RNA-ekspression mellem humane tumorer og ikke-maligne væv fra patienter. Pathway analyse inkluderet Gene Set Berigelse Analyse og signalvej Impact Analysis. To veje var signifikant forbundet med menneske prostata tumors- “Ran regulering af mitosespindelen dannelse” sti og “transformerende vækstfaktor-beta (TGF-β) signalering” sti.

Materialer og metoder

RNA-sekventering data

niveau 3 de-identificerede data for prostatakræft prøver og alle tilgængelige ikke-maligne prøver fra disse prostata cancer patienter blev hentet fra The Cancer Genome Atlas (TCGA) data portal (https: //tcga- data.nci.nih.gov). Niveau 3 beskriver data, som er blevet behandlet og aggregeres til dannelse af gen-ekspressionssignaler til en prøve. For hver prøve, indeholder de data udtryk tæller for op til 20.531 kodende og ikke-kodende RNA-transkripter samt kliniske oplysninger såsom alder, scene, Gleason score, PSA-niveau, og race /etnicitet. Før analyse, tumor- og ikke-maligne prøver blev tilfældigt trukket at opnå en alders- og fase-matchede pool af 225 prøver (S1 Table). blev analyseret i alt 173 prostatakræft prøver og 52 ikke-maligne prøver fra 204 unikke patienter. Patienten kliniske oplysninger er præsenteret i tabel 1.

Differential Gene Expression

R programmering miljø (version 3.1.2) [61] blev anvendt til at behandle rådata, statistisk beregninger, og udfører differentiel ekspression analyse. Efter alders- og scene-matching, blev 393 udskrifter fjernet, fordi de manglede udtryk i de 225 prøver, der udgør datasættet. RNA tæller for de resterende 20,138 transkripter blev afrundet til nærmeste hele tal, og samles i en matrix for at bygge datasættet. Størrelsen af ​​ekspression ændres i forhold til ikke-maligne prøver blev også beregnet ved at tage bunden 2 logaritmen af ​​tumoren /ikke-malign gennemsnitlig ekspression ratio. For gener med ingen ekspression i enten tumor- eller ikke-maligne prøver, log

2 fold ændringer blev justeret ved tilsætning af en til hver middelværdi og derefter beregne forholdet. Alle log

2 værdier citerede er værdier efter, at sådanne justeringer. Negative fold ændringer angivet nedregulering i tumorprøver mens positive værdier angivet opregulering. R pakke DESeq2 (version 1.6.3) [62] blev anvendt til at identificere DEGS i TCGA patient RNA data. Den computing skete på Florida State University High Performance Computing Cluster. DESeq2 returnerede en P-værdi bestemt af Wald statistikker og en justeret P-værdi (Q-værdi) for at korrigere for multiple sammenligninger test ved hjælp af Benjamini-Hochberg metode til at bestemme den falske opdagelse sats (FDR). Degs blev defineret som gener forskellige med en FDR mindre end 1% (Q 0,01).

For at vurdere betydningen af ​​de identificerede degs, analyser blev udført for at søge efter overrepræsenteret veje, gen-sæt berigelse og signalering pathway virkning. Først blev overrepræsenterede elementer identificeret blandt degs. Den proteinanalyse gennem slægtskabsforhold (PANTHER) klassifikationssystem og analyseværktøjer blev brugt til at kategorisere degs ved PANTHER protein klasse, at Gene ontologi (GO) Molekylær Funktion, og GO biologisk proces derefter afgøre, om nogen af ​​disse klasser eller GO vilkår blev overrepræsenteret [ ,,,0],63]. Den PANTHER overrepræsentation Test (release 20.150.430) blev anvendt til at søge i oplysningerne mod PANTHER databasen (PANTHER version 10.0 Udgivet 2015/05/15) og GO-databasen (Udgivet 2015/05/09) for at identificere enten protein klasser eller GO anmærkninger overrepræsenterede i vores data sammenlignet med en reference humane genom. P-værdier blev justeret med en Bonferroni korrektion.

Pathway Analyse

Gene Set Enrichment Analysis (GSEA) [64] blev anvendt til at identificere gengrupper beriget med enten tumoren eller ikke-malign tilstand. Den GSEA analyseværktøj (version 2.2.0) blev hentet fra de overordnede Institute hjemmeside (https://www.broadinstitute.org/gsea/index.jsp). Kuraterede gen sæt BioCarta og Reactome veje blev hentet fra de overordnede Instituts Molekylær Underskrifter Database. En yderligere gen sæt blev konstrueret fra Kyoto Encyclopedia of Gener og genomer (Kegg) veje [65]. Veje med mindst relevans for prostatakræft blev udelukket. De Kegg veje, der indgår i analysen, er opført i Støtte Information (S2 tabel). Hele RNA udtryk tæller matrix blev indlæst i GSEA ansøgning uden at begrænse input til kun degs. Både små ( 5 gener) og store ( 500 gener) gen sæt blev udelukket fra analysen

signalvej Impact Analysis (SPIA) blev anvendt til at vurdere betydningen af ​​berigede veje i form af deres. virkning og evne til at aktivere eller inhibere en vej [66]. SPIA-analyse blev udført under anvendelse af R-pakken “SPIA” (version 2.18.0) [67]. Entrez id’er, log

2 fold ændringer, og Q-værdier for alle gener blev kompileret. Den differentielle ekspression afskæring anvendes i SPIA algoritmen var baseret på FDR-justeret Q-værdi. Analysen blev kørt ved hjælp af den samme skræddersyet liste over veje, som anvendes i GSEA (S2 Table) og opdaterede versioner af disse veje var downloade inden du kører analysen (adgang 2015/07/29).

Resultater

Brug en 1% FDR (Q 0,01), DESeq2 analyse markeret 11.115 gener og udskrifter som statistisk forskellige mellem tumor prøver og ikke-maligne prøver i vores TCGA datasæt (S3 og S4 Tables). Dette dækker 55% af generne og udskrifter sekventeret. Antallet af ned-regulerede gener og udskrifter udgjorde 5379, og antallet af up-regulerede gener og udskrifter i alt 5736. Samlet de største observerede ændringer var i nedregulering af gener og udskrifter (Fig 1). Størrelsen af ​​opregulering af gener og udskrifter var mindre end størrelsen af ​​ned-regulerede gener og vifte af udtryk var også mindre. De tyve mest nedreguleres og de tyve mest avancerede regulerede gener er vist i tabel 2 og tabel 3.

I denne endimensionale scatter plot størrelsen af ​​genekspression ændringer repræsenteret ved log

2 gange nøgletal er vist. Hvert punkt repræsenterer et gen eller transkript. Markant differentielt udtrykte gener og udskrifter er vist som massive røde diamanter. Vejviser

Klassificering og overrepræsentation Analyse

De 11.115 degs blev grupperet efter PANTHER protein klasse, GO Molekylær Funktion og GO biologisk proces anmærkninger. I alt 6,254 degs havde enten PANTHER protein klasse, GO biologisk proces, eller GO Molekylær Funktion anmærkninger og blev yderligere klassificeret. Gruppering ved protein klasse og GO Biologiske Proceskategorier viste sig at være den mest informative (figur 2). Den komplette klassifikationer kan findes i den underbyggende oplysninger (S5 tabel). DEGS repræsenterer et bredt spektrum af proteinklasser er involveret i en bred vifte af processer. Den “nukleinsyrebindende” PANTHER protein klasse indbefatter både RNA og DNA-bindende proteiner, nukleaser, og helicaser. Den “transkriptionsfaktor” protein klasse er underopdelt af strukturelt motiv og indeholder cofaktorer og nukleare hormonreceptorer også. Proteaser og phosphataser findes inden for “hydrolase” protein klasse. De typer “receptor” inkluderet er protein-receptorer, nukleare hormonreceptorer, cytokinreceptorer, ligandstyrede ionkanaler og G-protein-koblede receptorer. Kategorien “Enzyme Modulator” funktioner G-protein, kinase, phosphatase og protease modulatorer. Interessant, de kategorier, var generelt ikke overvejende befolket af nedreguleret eller up-regulerede gener eller udskrifter. For alle proteinklasser undtagen “Nucleic Acid Binding” klasse blev DEGS jævnt fordelt over tumor- og ikke-maligne prøver. I “Nucleic Acid Binding” protein klasse, der var næsten halvanden gang så mange opregulerede gener som nedreguleret. Den overflod af nukleinsyrebindende gener foreslår ændret transkriptionel aktivitet i tumorprøver.

(A) “Nucleic Acid Binding” indbefatter RNA og DNA bindende, nucleaser, og helicaser. “Transskription Factor” omfatter zink finger, helix-turn-helix, høj mobilitet gruppe boks, grundlæggende helix-loop-helix, og grundlæggende leucin lynlås transkriptionsfaktorer; cofaktorer; og nukleare hormonreceptorer. “Hydrolase” angår proteaser, phosphataser, esteraser, lipaser, deaminaser, phosphodiesteraser, glycosidaser, deacetylaser, pyrophosphatases, glucosidaser, galactosidaser, og amylaser. “Receptor” omfatter protein-receptorer, nukleare hormonreceptorer, cytokinreceptorer, ligandstyrede ionkanaler og G-protein-koblede receptorer. “Enzyme Modulator” indbefatter G-protein, kinase, phosphatase og protease modulatorer. (B) “metaboliske proces” funktioner kulhydrat, cellulær aminosyre, lipid, protein og nucleobase-indeholdende forbindelse metabolisme; og tricarboxylsyrecyklen. “Cellulær proces” kategorier er celle-celle signalering, cellecyklus, vækst og spredning, celle komponent bevægelse, og cytokinese. “Biologisk forordningen” omfatter reguleringen af ​​apoptose, stofskifte, cellecyklus, oversættelse, katalytisk aktivitet, og homeostase. “Udviklingsproces” kategorier er systemet, ektoderm, mesoderm og endoderm udvikling; celledifferentiering; død; anatomiske struktur morfogenese; embryo udvikling; kønsbestemmelse; og mønster specifikation processer. “Lokalisering” omfatter transportproteiner, proteiner og RNA lokalisering processer.

De to mest rigelige GO Biologisk Process grupper-“metaboliske proces” og “Cellular proces” -er ikke overraskende, fordi disse indeholder gener er involveret i den mest grundlæggende af livsprocesser. Faktisk har metaboliske ændringer blevet grundigt dokumenteret i tumorer [68-70]. De øgede energiske og biosyntetiske behov prolifererende cancerceller ofte opfyldes gennem metaboliske dysregulering [71-73]. Overskriften “metaboliske proces” indbefatter kulhydratstofskiftet, cellulær aminosyre metabolisme, lipidmetabolisme, nukleobase-indeholdende forbindelse metabolisme, proteinstofskiftet, og tricarboxylsyrecyklen. “Cellulær proces” omfatter celle-cellesignalering, cellecyklus, vækst og proliferation, cellebestanddel bevægelse, og cytokinese. “Biologisk forordningen” omfatter reguleringen af ​​apoptose, stofskifte, cellecyklus, oversættelse, katalytisk aktivitet, og homeostase. Kategorien “Developmental processen” inkorporerer systemet, ektoderm, mesoderm og endoderm udvikling samt celledifferentiering, død, anatomiske struktur morfogenese, embryo udvikling, kønsbestemmelse, og mønster specifikation processer. “Lokalisering” henviser til generelle transport proteiner og specifikke protein og RNA lokalisering processer.

PANTHER s overrepræsentation statistik blev anvendt til at beregne sandsynligheden for, at de tætbefolkede protein klasser og GO grupperinger blandt degs ville forekomme ved tilfældig chance. Mange af de mest udbredte kategorier er overrepræsenteret i dataene, når sammenlignet med en reference-genom (tabel 4). De tre mest udbredte protein classes- “Nucleic Acid Binding”, “Transskription Factor”, og “hydrolase” -were beriget sammen med klasser “transferase” og “Transporter”. De fem mest befolkede GO biologiske processer blev også beriget: “metaboliske proces”, “Cellular processen”, “Biologisk forordning”, “Lokalisering”, og “udviklingsproces”. Den “multicellulær organisme processen”, “Biologisk Adhesion”, “Cellular Component organisationen eller Biogenesis”, og “immunsystem Process” GO biologiske processer blev også beriget. Endelig fem af de øverste seks GO Molekylære funktioner blev beriget: “Binding”, “katalytisk aktivitet”, “Nucleic Acid Binding Transskription Factor Activity”, “Transporter aktivitet”, og “Structural Molecule aktivitet”

Gene Set Berigelse analyse

en begrænsning af en klasse eller sti overrepræsentation analyse er, at det ikke angiver hvilken tilstand er forbundet med overrepræsentation; GSEA gør. Udtrykte gener blev sorteret efter deres korrelation med den maligne fænotype og derefter denne liste blev sammenlignet med sæt af gener i en sti, der forbinder vej berigelse til en fænotype. De mere højt-korrelerede gener i et gensæt, jo højere betydningen af ​​dette gensæt. De gen-sæt med de højeste normaliserede berigelse scores er vist i tabel 5 og andre resultater er anført i underbyggende oplysninger (S7 tabel). Den FDR cutoff blev fastsat til 25% for at maksimere hypotese generation. Kun én pathway blev beriget i tumorprøverne, den “RanMS pathway”, som omfatter de gener, der regulerer dannelsen af ​​den mitotiske spindel ved celledeling. Ti gener i vores liste over DEGS tilhørte denne vej, der hver bidrager til en berigelse i den maligne fænotype (tabel 6). Alle ti blev differentielt udtrykt og opreguleret i de maligne prøver. De resterende veje blev beriget i den ikke-maligne fænotype. Den mest markante pathway beriget i den ikke-maligne fænotype var “calcium-signalering” pathway. Berigelse af calcium signalvej skyldtes 81 DEGS og 19 andre gener eller transskripter (S8 Table). Også beriget i den ikke-maligne fænotype var adskillige andre signalveje (oxytocin, prolactin, cAMP, MAPK, cGMP-PKG, TGF-β, Hippo, og Ras) og veje relateret til celle-celle- og celle-matrix adhæsion (ekstracellulær matrix receptor interaktion, aktincytoskelettet regulering, proteoglycaner, og fokal adhæsion).

signalvej Impact Analysis

SPIA mener om DEGS findes i en vej har en meningsfyldt indvirkning inden for denne vej, og dermed henvender topologi DEGS i veje [66]. Med andre ord, pathway betydning afhænger delvis, hvis antallet af DEGS observeret i en vej er større end observeret ved tilfældig chance. Dette er fanget i sandsynligheden for overrepræsentation. Pathway betydning er også delvist baseret på om DEGS i en særlig bane er på afgørende knudepunkter og kan dermed forstyrre vejen. Dette er sandsynligheden for forstyrrelse. Disse to sandsynligheder kombineres i en global sandsynlighed som justeres ved den falske opdagelse sats. Denne justerede metriske blev brugt til at rangere virkningen af ​​de veje. Mange af de samme veje blev identificeret som betydningsfulde i både GSEA og SPIA analyse (tabel 7). Faktisk blev de 8 mest betydningsfulde pathway resultater fra SPIA alle betydeligt beriget med GSEA. Imidlertid blev kun “calcium signalering” sti højt rangeret i begge analyser. Den eneste vej aktiveres i den maligne tilstand var “TGF-β-signalering” pathway (tabel 8). De andre veje blev alle inhiberet i den maligne tilstand. Svarende til GSEA resultater, flere signalveje (oxytocin, cAMP, MAPK, cGMP-PKG, TGF-β, Hippo, Rap1, ErbB, og Ras) og veje relateret til celle-celle- og celle-matrix adhæsion (proteoglycaner, fokal adhæsion, og aktincytoskelettet forordning) var påvirket. Billeder af veje med degs fremhævet kan tilgås i underbyggende oplysninger (S9 tabel).

Diskussion

Globale udtryk undersøgelser har dokumenteret mange differentielt udtrykte gener i menneskets prostata cancer [7, 9, 13-15, 96-102]. Lucas og Heath samlet en liste over differentielt udtrykte gener med rapporterede prognostisk betydning i prostatakræft [30]. Af de 22 gener, der er anført, blev 19 udtrykkes forskelligt i vores TCGA datasæt, og der var enighed i udtryk mønster mellem 12 gener.

PTEN

,

TMPRSS2

,

MYC

,

Smad4

,

EZH2

,

p53

,

BCL2

,

NPY

,

PLA2G7

,

Ki-67

,

p16

, og

BAX

udtryk i vores resultater matchede hvad der blev præsenteret i litteraturen.

PTEN

, en tumor suppressor, blev nedreguleret i maligne prøver. Sletningen af ​​

PTEN

korrelerer med højere Gleason kvalitet, risikoen for progression, og tilbagefald efter behandlingen, og avancerede lokaliseret eller metastatisk sygdom og død [103, 104].

SMAD

4 blev nedreguleret i vores TCGA prostatakræft data og har også vist sig at være nedreguleret i prostatakræft, herunder avancerede tumorer [105, 106]. Udeladelsen af ​​dette gen har ført til invasive, metastatiske og dødelige prostatakræft i en musemodel [39].

TMPRSS2

var opreguleret, og dette er i overensstemmelse med rapporter om det bliver mere stærkt udtrykt i prostata karcinom i forhold til normal prostata epitel [107, 108].

TMPRSS2

bidrager til invasion og metastase af prostatakræft [109]. Endvidere

TMPRSS2-ERG

gen fusion lover som en potentiel prostatakræft biomarkør [110].

MYC

blev også opreguleret i dette datasæt og overekspression (genamplifikation, mRNA og protein stigning) af

MYC

i prostatakræft er veldokumenteret [111-115].

MYC

genamplifikation blev fundet oftere i metastaser [116, 117], og også korreleret med dårlige prognostiske faktorer som højere Gleason og histopatologiske scores [118], eller større chance for PSA recidiv [114].

EZH2

opregulering er rapporteret her og i litteraturen, hvor en sådan overekspression ført til øget proliferation i prostata celler og er forbundet med aggressiv sygdom og øget risiko for tilbagefald [119]. Ekspressionen af ​​

p53

mRNA blev forøget i maligne prøver i vores TCGA data. I en undersøgelse af prostata cancer patienter,

p53

positivt udtryk blev set i de fleste (69,1%) af patienterne med antallet af positive patienter stigende som scenen og Gleason er øget. P53 var også en uafhængig prædiktor for fornyet [120].

BCL2

mRNA ekspression blev nedsat i TCGA tumorprøver. Fraværet af BCL-2-protein-ekspression er rapporteret i prostatacancer [120, 121]. Endvidere BCL-2-ekspression er negativ i androgen-afhængige, men steg i hormon ufølsomme prostatacancer [122-124] og korreleret med dårlig prognose [125]. Pro-neuropeptid Y blev opreguleret i denne undersøgelse, og i litteraturen [126, 127]. Pro-neuropeptid Y opregulering er associeret med ikke-aggressive tumorer [128] og regulerer proliferation i prostata cancercellelinier [129].

PLA2G7

var opreguleret i vores data. Det er rapporteret at være mere stærkt udtrykt i prostatacancer sammenlignet med benigne prøver [130, 131] og de TCGA undersøgte prøver her. Niveauer af

Ki-67

mRNA blev forøget i tumor versus ikke-maligne prøver fra vores TCGA data i litteraturen i forhold til normalt væv [132]. Endvidere Ki-67-proteinet er forøget i prostatacancer [133-136], prostatacancer metastaser [137, 138] og er en nyttig prognostisk markør [139]. I vores liste over DEGS,

P16

blev opreguleret. For nylig blev p16-ekspression fundet i et stort flertal af prostata væv [140].

BAX

mRNA-ekspression blev øget i denne TCGA datasæt og BAX protein var steget udtryk i prostatakræft [141].

De resterende 7 degs fælles med Lucas og Heath liste vises en uoverensstemmelse i udtryk mønster mellem vores resultater og litteraturen.

TGF-β1

blev ikke differentielt udtrykte men

TGF-β2

blev nedreguleret. Angivelse af

TGF-β1

TGF-β2

blev øget i prostatakræft sammenlignet med normale eller ikke-maligne væv [142-147]. Men

TGF-β3

blev nedreguleret i aftale med andre rapporter om

TGF-β3

udtryk i prostatakræft [97, 148]. Både α og p-isoformer af

IL-1

og

IL-6

blev nedreguleret i denne TCGA datasæt.

IL-1α

IL-6

var opreguleret i prøver prostatakræft [149-153].

IL-6

stimulerede væksten af ​​LNCaP celler [154], og forhøjede

IL-6

blev også forbundet med dårlig prognose i prostatakræft [149, 155-162].

IL-1β

er blevet rapporteret, både up- og nedreguleret i litteraturen. Proteinekspression i patientprøver blev nedreguleret [163], men forhøjede gen og protein ekspression i humane cancerceller og tumorer er også blevet rapporteret [164]. I vores liste over DEGS,

p21

blev nedreguleret. Aaltomaa

et al

. rapporterede p21-proteinekspression i størstedelen af ​​prostatatumorer, men ikke i normale prostataceller epitelceller [165], men andre undersøgelser rapporteret p21 immunofarvning i kun 20% -35% af cancer prøver [166, 167]. Begge

p21

P16

hæmmet vækst i prostata cancer cellelinjer [168]. Vaskulær endotel vækstfaktor A (

VEGF-A

) blev nedreguleret i vores data. Høj udtryk for

VEGF

korreleret med dårlig prognose [169], men nogle undersøgelser rapporteret, at den højere udtryk for

VEGF-A

korreleret med bedre klinisk resultat [170].

TRAIL /TNFSF10

blev opreguleret i vores TCGA data. Mens epithelial ekspression af TRAIL-protein var stærkere i tumorer, blev stromal ekspression af TRAIL nedsat eller fraværende i tumorer [171, 172]. Kun stromale TRAIL udtryk korreleret med recidiv overlevelse [171].

NFKB1

blev nedreguleret i vores data. Men

NFKB1

proteinekspression progressivt i normale, benign prostatahyperplasi og prostatakræft væv [173]. De andre degs med prognostisk betydning i prostatakræft, der ikke udtrykkes forskelligt i vores liste over degs omfatter

IL-7

,

CCL-2

, og

CDH1

.

Sammenligninger mellem DEGS præsenteret heri og degs opført i andre undersøgelser fremhæve varians fra eksperiment til eksperiment.