PLoS ONE: In-Silico Forudsigelse af Key Metaboliske forskelle mellem to ikke-småcellet lungekræft Subtypes

Abstrakt

Metabolisme udtrykker fænotype levende celler og forstå det er afgørende for forskellige applikationer inden for bioteknologi og sundhed. Med den øgede tilgængelighed af metabolomisk proteomisk og, i højere grad, transkriptomisk data, belysning af specifikke metaboliske egenskaber i forskellige scenarier og celletyper er et centralt emne i systembiologi. På trods af potentialet i den elementære flux tilstand (EFM) koncept til dette formål, er dets anvendelse været begrænset hidtil, primært fordi deres beregning har været umuligt for genom-skala metaboliske netværk. I et nyere arbejde, vi bestemt en delmængde af EFMS i menneskelige stofskifte og foreslog en ny protokol til at integrere genekspression data, spotting centrale ‘karakteristiske EFMS “i forskellige scenarier. Vores fremgangsmåde blev anvendt med succes til at identificere metaboliske forskelle blandt adskillige humane raske væv. I denne artikel, evaluerede vi udførelsen af ​​vores tilgang klinisk interessant situation. Især vi identificeret centrale EFMS og metabolitter i adenocarcinom og pladecellekræft undertyper af ikke-småcellet lungekræft. Resultaterne er i overensstemmelse med forudgående kendskab til disse store undertyper af lungekræft i den medicinske litteratur. Derfor dette arbejde udgør udgangspunktet at etablere en ny metode, der kunne føre til at skelne vigtige metaboliske processer mellem forskellige kliniske resultater

Henvisning:. Rezola A, Pey J, Rubio Á, Planes FJ (2014)

i-silico

Forudsigelse af Key Metaboliske forskelle mellem to ikke-småcellet lungekræft undertyper. PLoS ONE 9 (8): e103998. doi: 10,1371 /journal.pone.0103998

Redaktør: Pankaj K. Singh, University of Nebraska Medical Center, USA

Modtaget: Februar 6, 2014 Accepteret: 9 jul 2014; Udgivet: August 5, 2014

Copyright: © 2014 Rezola 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:. Midler var modtaget fra Asociación de Amigos de la Universidad de Navarra til Alberto Rezola og fra den baskiske regering til Jon Pey. 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

Lungekræft er den mest almindelige kræftform i verden både i form af tilfælde og dødsfald og dens højeste incidensrater hører til Europa og Nordamerika [1]. Med fremkomsten af ​​genomenbaserede data er der gjort en stor indsats for at identificere mutationer og onkogener i forskellige lungecancer-undertyper, der sigter på at udvikle mere effektive behandlinger. Men prognosen er stadig fattige og der kræves yderligere forskning for at belyse nye biomarkører og behandlinger, der forbedrer kliniske resultater [2].

I denne sammenhæng studiet af metaboliske processer i kræft er i øjeblikket et varmt emne, som vi har en stigende bevis for dens re-programmering. Bortset fra glucosemetabolisme, den såkaldte Warburg effekt, er der rapporteret ændringer i syntesen af ​​nucleotider, aminosyrer og lipider [3], samt relevante mutationer i metaboliske gener og ophobninger af vigtige metabolitter [4]. Som tumorceller udviser høj genetisk diversitet, identifikation af relevante metaboliske veje i forskellige cancer undertyper er et vigtigt forskningsområde.

High-throughput -omik teknologier har medført en roman scenarie, hvor en mere komplet analyse af metabolisme er mulig. Et stort fremskridt var genopbygningen af ​​det humane genom-skala metaboliske netværk [5], [6], som tillod forskerne at analysere menneskets stofskifte i forskellige scenarier på et hidtil uset niveau af kompleksitet, ved hjælp af teoretiske metoder og genomenbaserede oplysninger [7], [8]. I denne retning, har forskellige netværksbaserede metaboliske pathway begreber blevet indført i de seneste år [9]. De har vist, at cellulær metabolisme involverer en mere kompleks og varieret sti struktur end dem, der præsenteres i kanoniske kort. Især en lovende koncept er, at af Elementary Flux Modes (EFMS), som giver os mulighed for at nedbryde en metabolisk netværk i sin enkleste former for adfærd [10]. Imidlertid har integrationen af ​​genomenbaserede data med EFMS at analysere menneskets stofskifte været begrænset på grund af den omstændighed, at beregningen af ​​EFMS er svært i genom-skala netværk. Dette spørgsmål er for nylig blevet behandlet i [11], hvor en ny protokol til at integrere genekspression data og EFMS foreslås. Denne fremgangsmåde blev anvendt med succes til at identificere metaboliske forskelle blandt flere sunde væv.

Baseret på [11], er vores mål her er at identificere de vigtigste metaboliske veje og metabolitter i to store undertyper af ikke-småcellet lungekræft (NSCLC ): adenocarcinom og pladecellekræft. Især ønsker vi at undersøge, om der kan findes specifikke forskelle mellem disse undertyper kombinerer EFMS og genekspression data. Ifølge forudgående kendskab til disse store undertyper af lungekræft i den medicinske litteratur, vores resultater korrekt skelne vigtige metaboliske processer mellem de forskellige kliniske resultater analyseres.

Materialer og Metoder

Elementary Flux Modes (EFMS ) koncept

for at illustrere begrebet EFMS, vi brugte figur 1, som repræsenterer et forenklet metaboliske system involverer glykolyse og TCA

Forkortelser:. Ac, acetat; AcCoA, acetyl-CoA; Cit, citrat; D-Lac, laktat; D-Glc, glucose; OAA, oxaloacetat, Pyr, pyruvat, CO2, kuldioxid.

En EFM er teknisk set en minimal delmængde af enzymer i stand til at udføre i vedvarende steady-state. Steady-state indebærer, at metabolitter inden for grænserne af systemet, f.eks

pyruvat

(Pyr), skal være i støkiometrisk balance, dvs. flow i skal være lig til at flyde ud. Denne tilstand kræver definitionen af ​​metabolitter kunne udveksles uden for systemet, nemlig her indgangene er

glukose

(D-Glc) og

acetat

(Ac), mens udgangene

laktat

(D-Lac) og

kuldioxid

(CO2). Hertil kommer, “minimal” betyder, at fjernelsen af ​​et enzym fører til pathway forstyrrelser. I vores eksempel i figur 1, har vi 3 EFMS. EFM1 repræsenterer anaerob glykolyse; EFM2 aerob glykolyse via TCA-cyklus; EFM3 TCA cyklus fodret af acetat. Det er let at kontrollere, at de opfylder de ovennævnte betingelser. For flere tekniske detaljer, se venligst [10].

Bemærk at EFMS er minimale former for adfærd og kombinationer er også mulige. Men i forskellige scenarier nogle af dem kan have forrang for andre. For eksempel kræftceller producere energi primært via anaerob glykolyse (EFM1), selv når der er tilstrækkelig

ilt

er tilgængelig (Warburg effekten). Bemærk, at EFMS typisk har forskellige indgange (substrater) og udgange (udskilte metabolitter). I denne artikel, vi sigter mod at udnytte denne idé at adskille forskellige kliniske scenarier baseret på genekspression data.

Menneskelig EFMS indsamling og lungekræft data

Her brugte vi en delmængde af 5875 EFMS tidligere bestemt i [11] fra Recon 1 menneskelige stofskifte netværk [5], som indeholder 2469 biokemiske reaktioner og 1587 metabolitter. Denne delmængde af EFMS indebærer en forskelligartet liste over metaboliske veje potentielt aktive i forskellige menneskelige fysiologiske forhold (se [11] for mere detaljerede oplysninger om dette sæt af EFMS).

På den anden side, genekspression data blev ekstraheret fra Gene Expression Omnibus (GEO) database [12]. Især vi overvejet 58 humane NSCLC tumor vævsprøver fra [13], og 6 normale lunge vævsprøver (KN) fra [14]. 40 NSCLC tumor vævsprøver blev taget fra patienter klinisk diagnosticeret som adenocarcinom (AD), mens de øvrige 18 tumor vævsprøver fra patienter med pladecellekræft (SQ). Alle disse prøver blev hybridiseret i en Affymetrix matrix HGU 133 plus, som indeholder 54.675 prober til 20.283 gener. Vi beskriver nedenfor forskellige metoder, der anvendes til at analysere disse data.

Differential udtryk analyse

Vi bestemt hvilke gener var overudtrykt, uændret eller under-udtrykt i AD med hensyn til SQ (upAD) og omvendt (upSQ). Bemærk, at over-udtrykte gener i AD er ned-udtrykt i SQ, og vice versa, som kan iagttages i den første kolonne i tabel 1. Desuden genekspression data fra raske væv kan ikke direkte sammenlignes med data fra kræft væv som de tilhører en anden datakilde. Dette udgør ikke et problem, da vi er fokuseret på at belyse forskellene mellem AD og SQ.

Til denne opgave brugte vi limma pakke i R statistisk software [15], dvs. flere lineære regressioner og empiriske Bayes statistik, der bestemmer sandsynligheden for et gen ikke bliver differentielt udtrykt mellem begge betingelser (

s

-værdi). Derefter blev falsk opdagelse sats (FDR) teknik anvendes til at korrigere effekten af ​​flere hypoteser test, omdanne tidligere

s

-værdier i

q

-værdier [16]. Vi betragtede differentielt udtrykt gener dem med en

q

-værdi mindre end 5%. Bemærk, at denne tærskel er arbitrær, men jo mindre tærskel, jo større konfidensniveauet. Bestemmelsen af ​​op- og ned-regulerede gener er ligetil baseret på lineære regressionskoefficienter.

Absolut ekspressionsanalyse

Vi definerer absolut udtryk analyse som klassificeringen af ​​gener som nuværende eller fraværende i en bestemt biologisk prøve. Her har vi især klassificeret gener i tre stater: sær- deles, normally- og ydmyg-udtryk. Denne diskrete klassifikation af gener blev lavet for hver gruppe: AD, SQ og CN. Bemærk, at denne analyse blev udført for hver gruppe for sig og ingen sammenligning mellem grupperne blev foretaget, dvs. absolut ekspression af gener er en funktionel egenskab for hver gruppe.

Til dette formål vi først klassificeret gener i hver prøve som aktiv eller inaktive baseret på Gene Expression Stregkode model [17]. Så, for at opnå den ønskede klassifikation tre niveau, vi definerede et gen som meget (ydmyge), udtrykt hvis alle sonder indeholder sådant gen er aktive (inaktiv) i det samlede sæt af prøver, og moderat til udtryk på anden måde. En mindre streng tærskel (f.eks 95% af sonderne stedet 100%) kan vælges, men det konfidensniveau gen høj og lav udtryk vil blive nedsat

Data transformation:. Fra gener til reaktioner

Differential og absolut genekspression fører til en opreguleret /højt udtrykt, uændret /normalt-udtrykt og nedreguleret /ydmyg-udtrykte gen klassificering.

for at kortlægge dette gen udtryk klassificering i det sæt af metaboliske reaktioner, der indgår i det sæt af EFMS valgt, vi brugte de booleske love, også kendt som Gene-Protein-reaktion (GPR) regler, rapporteret i [5], som tidligere gjort i [11], [ ,,,0],18]. Bemærk her, at genopbygningen Recon 1 human metaboliske netværk annotates 1496 gener hvoraf 1451 er fundet i HGU 133 plus array.

Baseret på disse GPR regler og genekspression kategorisering, får vi en tre-niveau metabolisk reaktion klassificering, dvs. opreguleret /højt udtrykte, uændret /normalt udtrykte og ned-reguleret /ydmyg-udtrykte reaktioner.

Karakteristisk og differentieret EFMS

Vi kortlagt reaktionerne klassificering i det sæt af 5876 EFMS i hvert scenario: AD, SQ, KN, upAD og upSQ. For AD, SQ og KN scenarier, vi bestemt en delmængde af karakteristiske EFMS med tilgangen præsenteres i [11]. Vi definerer karakteristiske EFMS som dem betydeligt beriget med højt udtrykte reaktioner og involverer et lille antal ydmyge udtrykte reaktioner. Denne definition fokuserer på absolutte udtryk data (se forrige “Absolute udtryk analyse” underafsnit).

Dette koncept kan udvides til differentierede udtryk data, i vores tilfælde ved hjælp af gen-sæt opnået for upAD og upSQ scenarier. Især definerer vi differentielle EFMS som dem betydeligt beriget med over-udtrykte reaktioner og involverer et lille antal under-udtrykt reaktioner. Bemærk, at brugen af ​​differentielle ekspression involverer flere teoretiske problemstillinger, fx gener konsekvent højt udtrykte kan have en lille fold forandring.

Som kombinationen af ​​differentierede EFMS med karakteristisk EFMS er en mere præcis metode, i dette papir, vi opfandt udtrykket “prominente” EFMS for de EFMS, der er karakteristiske og forskellen på samme tid, dvs de er væsentlige, både i absolutte og forskellen analyser.

Resultater og diskussion

Omkring 70% af diagnosticerede lungekræft er ikke-småcellet lungekræft (NSCLC) og tilhører to undertyper, især AD og SQ. Formålet med dette arbejde er at belyse specifikke metaboliske egenskaber og forskelle mellem AD og SQ lungekræft. Med henblik herpå blev metoden præsenteret ovenfor anvendt.

Tabel 1 opsummerer resultaterne for absolut og differential ekspressionsanalyse gennemført. Interessant nok i tabel 1 fandt vi, at antallet af ringe udtrykte gener og reaktioner i KN er betydeligt højere end i to cancerpatienter scenarier. Dette kan tyde på, at omprogrammering af kræft stofskifte øger systemisk robusthed, sandsynligvis aktivering tavshed veje, der sikrer og optimerer spredning. Bemærk dog, at i langt mindre omfang antallet af højt udtrykte reaktioner er højere i KN. Disse indsigter kan indikere, at metabolismen hos CN er mere specifikke end i cancer og præsenterer mindre variabilitet tværs prøver i det aktive sæt enzymer. Den samme konklusion opnås med moderat udtrykte gener. På den anden side, hvis vi fokuserer på den differentielle analyse, fandt vi, som forventet ved konstruktion, at op-regulerede gener i upAD er nedreguleret i upSQ, og omvendt, f.eks den delmængde af 1725 opreguleret gener i AD (1 i upAD) matcher delmængde af down-regulerede gener i SQ (-1 i upSQ). Men den samme ikke ske på reaktionerne niveau som følge af GPR regler, som illustrerer reglernes kompleksitet af stofskiftet.

Vi valgt som differential og karakteristiske EFMS for hvert scenario dem med en FDR lavere end 20%. kan findes det samlede antal statistisk signifikante EFMS i tabel 1. Især fandt vi et betydeligt antal karakteristiske EFMS i hver tilstand og, som diskuteret i [11], deres antal var ikke nødvendigvis proportional med antallet af sær- deles og ydmyg-udtryk (op- og ned-reguleret) reaktioner. Det er derfor ikke overraskende, at flere karakteristiske EFMS findes i SQ end i AD, da antallet af karakteristiske og differentieret EFMS afhænger forbinde sær- deles og ydmyg-udtrykte (op- og ned-reguleret) reaktioner i vores sæt EFMS [11]. For at visualisere og fortolke forskellen og karakteristiske EFMS, vi kortlagt dem i Venn diagrammer er vist i figur 2.

Figur 2.A viser antallet af karakteristiske EFMS der overlapper i KN, SQ og AD . Som delvist ventet, kan det konstateres, at den metaboliske aktivitet i kræft væv (AD og SQ) er mere ens end i sundt væv (CN). Især er en fælles undergruppe af 109 karakteristiske EFMS fundet for AD og SQ. Blandt disse 56 ikke involveret i KN, som kan repræsentere en kerne metabolisk netværk af lungekræft metabolisme. De øvrige 53 EFMS er fælles for vores tre scenarier, afslører ligheder mellem kræft og sunde væv.

For at afsløre mere specifikke veje og metabolitter i AD og SQ, vi sammenlignet karakteristisk og differentierede EFMS af SQ og AD, som vist i figurerne 2.B og 2.C hhv. Som bemærket ovenfor, vi betragtes som SQ fremtrædende disse EFMS karakteristiske i SQ og opreguleret i SQ; analogt, AD fremtrædende EFMS er karakteristiske i AD og opreguleret i AD. Vi identificerede 46 SQ fremtrædende EFMS og 13 e.Kr. fremtrædende EFMS, dvs. karakteristiske EFMS som samtidig differentierede EFMS. Men fra disse EFMS, 20 SQ fremtrædende EFMS og 13 AD prominente EFMS fandtes at være karakteristisk i begge cancervæv. Dette indebærer, at, selv om den er til stede i begge væv, deres aktivitet er højere i SQ og AD hhv. Desuden har vi opdaget en klar falsk positiv i SQ differential EFMS, dvs. en EFM udtrykkes forskelligt i SQ, som kun er karakteristisk i AD, og ​​to falske positiver i AD differential EFMS.

AD og SQ fremtrædende input /output metabolitter

resultaterne ovenfor viser, at vores tilgang er i stand til at skelne prominente EFMS i AD og SQ lungekræft. For at omsætte denne information i mere praktisk indsigt, vi fokuseret på input og output metabolitter er involveret i disse 46 SQ og 13 AD prominente EFMS hhv. Til illustration, overveje figur 3, som viser en SQ fremtrædende EFM forbrugende

glycerol

(Glyc) og

L-alanin Hotel (ala-L), input metabolitter, og producerer

L- serin

(ser-L) og

L-lactat

(lac-L), output metabolitter.

Ellipses repræsenterer metabolitter og pile repræsenterer reaktioner. Hvide og sorte prikker inden pilene repræsenterer reversible og irreversible reaktioner, hhv. Hver metabolit er afbildet med dens tilsvarende rum vist i parentes: [e], ekstracellulær, og [c], cytosol. Grå og hvide ellipser repræsenterer eksterne og interne metabolitter henholdsvis. Nomenklatur for metabolitter og reaktioner blev taget fra [5], og det er inkluderet i File S1.

Da disse EFMS blev opnået fra en menneskelig genom-skala metaboliske netværk, disse input og output metabolitter hovedsageligt svarer til substrater (uptake) og udskilles produkter i lungekræft og derfor kunne måles i bio-væske og blive opdaget som biomarkører. Derfor kunne denne tilgang supplerer metabolomiske studier.

Vi her analyserede input /output metabolitter er involveret i AD og SQ prominente EFMS. Især vi identificeret input /output metabolitter til stede i 46 SQ og upSQ EFMS, men ikke i upAD og om muligt (ikke i) AD og KN. Disse metabolitter betegnes SQ fremtrædende. Vi hypotesen for SQ prominente metabolitter en højere optagelse (input) og udskillelse (udgange) flux end i AD, og ​​derfor kunne de anvendes til at skelne SQ og AD. Det samme kan gøres for 13 AD og upAD EFMS. Der blev imidlertid ikke resultaterne af interesse i denne sag.

Tabel 2 viser en oversigt over de mest relevante SQ fremtrædende optagelses- og sekretion metabolitter opnået. Fuldstændige oplysninger kan findes i File S1. Baseret på litteratur, vi diskuterer under tidligere værker som til rollen af ​​disse metabolitter.

En højere intracellulær overflod

methylglyoxal

i SQ sammenlignet med AD tidligere er blevet rapporteret i [19 ], der udgør en klar succes for vores tilgang. Hertil kommer en høj ekspression af

deaminoneuraminic ACI

d i både SQ og AD væv blev fundet i [20]. Men vores tilgang forudsagde en mere relevant rolle i SQ, som kræver yderligere forskning skal valideres. Bemærk også, at både

methylglyoxal

deaminoneuraminic ACI

d typisk indarbejdet i forskellige proteiner og deres tilstedeværelse i forskellige kropsvæsker er ikke blevet undersøgt.

I betragtning af de resultater præsenteres i [ ,,,0],19], kan man stille spørgsmålstegn ved årsagen til, hvorfor

deaminoneuraminic syre

er ikke involveret i den delmængde af karakteristiske EFMS i AD. Det bemærkes, at vores kilde til beviser er genekspression data. I SQ fandt vi et regulært udtryk mønster for gener involveret i EFMS producerer

deaminoneuraminic syre

, men ikke i AD. Dette udelukker ikke betydningen af ​​

deaminoneuraminic syre

i AD, som kan forekomme efter transkriptionelle ændringer.

Med hensyn til

tetrahydrofolat

og

heptaglutamyl folat

, en anden udførelse af

folat

metabolisme i AD og SQ er for nylig blevet belyst [21]. I dette arbejde, er det rapporteret, at

gamma-glutamyl hydrolase

enzym, som fjerner polyglutamatformer kæder fra polyglutamylated folat, lette udslip af folat fra i cellerne, er højere i SQ end AD. Dette er især i overensstemmelse med vores hypotese.

I [22], fandt de en højere, men ikke-signifikant niveau af

L-Phenylalanin

,

glutamat

glycerol

i serum fra AD-patienter. Dette er i tråd med vores resultater, der antyder en større cellulære optagelse af disse metabolitter i SQ. For andre aminosyrer optræder i vores sæt EFMS (

L-alanin

,

glutamin

L-serin

), som ikke er vist i tabel 2, sammenligningen mellem AD og SQ er ikke tilgængelig i [22]. Men de fandt en signifikant ændring af deres serumniveauer mellem lungekræft og raske patienter.

For resten af ​​metabolitterne er yderligere forskning nødvendig for at validere deres funktion i AD og SQ. Men bortset fra

D-mannose

, vi kunne finde klar sammenslutning af disse metabolitter med kræft. For eksempel i [23], en højere frigivelse af

acetone

blev fundet i pust af patienter med lungecancer end hos raske frivillige. Derudover et lavere

acetoacetat

blev fundet i maligne pleurale effusioner [24]. På den anden side, ophobning af

alfa-N-phenylacetyl-L-glutamin

tidligere er blevet fremsat den hypotese som en urin biomarkør for blærecancer [25], og derfor udgør en attraktiv hypotese at blive udforsket.

Bemærk her, at, som vist i figur 1, kan EFMS kombinere forskellige kanoniske metaboliske veje og stykker af dem. I vores sæt af 46 SQ prominente EFMS, de hyppigste kanoniske veje er nedbrydningen af ​​

glycerol

D-mannose

samt biosyntesen af ​​

serin

glutamin

.

i betragtning af de resultater, der er fastsat i tabel 2, er det klart, at EFMS er mere informativ end kanoniske veje, som listen over potentielle metabolitter er bredere, når EFMS direkte afhørt. Dette viser potentialet i vores tilgang med respekt metoder baseret på kanoniske veje.

Konklusioner

Begrebet Elementary Flux-tilstand er ikke ny i Systembiologi [10]. Imidlertid har deres beregning ikke været muligt i genom-skala netværk indtil for nylig, som har begrænset deres anvendelse til at analysere genomenbaserede data. Med fremkomsten af ​​optimering teknikker [26] – [29], udførelsen af ​​algoritmer til at beregne EFMS i genom-skala metaboliske netværk er hurtigt bedre. Disse fremskridt har tilladt os at bestemme en betydelig sæt EFMS i forskellige organismer, som vist i [11] for human metabolisme. Baseret på dem og genomenbaserede data, vil et mere præcist billede af metaboliske processer opnås på forskellige scenarier.

I denne artikel har vi identificeret centrale EFMS i både AD og SQ NSCLC baseret på genekspression data, at finde en forskellige metaboliske signatur. Til det formål har vi brugt og udvidet strategi, der fremlægges i [11], med et gen klassifikation baseret på i) absolut og ii) differential udtryk analyse, som supplerer hinanden og giver os mulighed for at have mere præcise resultater.

Der har været megen debat i litteraturen om sammenhængen mellem mRNA og protein niveauer, samt metaboliske flusmidler. I hvilket omfang transkriptom data korrelerer med proteomisk og fluxomic data er stadig et åbent spørgsmål [30]. Imidlertid har forskellige nyere artikler vist relevansen af ​​genekspression data til at forudsige metaboliske fænotyper, f.eks [7], [31], som illustrerer værdien af ​​tilgange som den, der præsenteres her. Bemærk også, at vores fremgangsmåde er generel og kan anvendes på proteom og metabolomisk datasæt, overvinde post-transkriptionelle forandringer.

Vores tilgang blev anvendt til at identificere input og output metabolitter med en anden aktivitet i AD og SQ NSCLC. Vi fandt en række af disse metabolitter, at finde en god overensstemmelse med tidligere rapporterede litteratur. Vores tilgang, baseret på EFMS og genekspression data, åbne nye muligheder for at studere nye biomarkører (metabolitter), der karakteriserer forskellige kliniske resultater. Bemærk, at mængden af ​​genekspression data i forskellige cancercellelinier og patienter er massiv [12]. Ved hjælp af denne data i forbindelse med den tilgang, der præsenteres her kunne vejlede metabolomiske eksperimenter og biomarkør opdagelse i plasma /urinprøver, især i betragtning af vanskeligheden ved at fortolke metabolomics spektre i ikke-målrettede tilgange.

Støtte oplysninger

fil S1.

Indeholder fire Excel-regneark definerer i) navne og forkortelser på de reaktioner og nedbrydningsprodukter, der er involveret i det anvendte rekonstruktion menneskelige stofskifte netværk [5], ii) beskrivelse af EFMS udvalgt som karakteristisk /forskellen fra en almindelig sæt samlet i [11] , iii) aktivitet EFMS udvalgt som karakteristisk /forskellen i forskellige lungekræft scenarier, og iv) en udvidelse af tabel 2, herunder fuldstændige oplysninger om SQ og AD specifikke optagelse og udskilles metabolitter

doi:. 10,1371 /journal.pone. 0103998.s001

(XLSX)

tak

forfatterne vil gerne takke professor Rubén Pío for hans nyttige kommentarer i den biologiske diskussion af resultaterne.