PLoS ONE: Undersøgelse microRNA-Target Interaktion-Understøttet Væv i Human Cancer Væv baseret på miRNA og Target Gene Expression Profiling

Abstrakt

Nylige undersøgelser har afsløret, at en lille ikke-kodende RNA, microRNA (miRNA) ned -regulates dets mRNA-mål. Denne virkning anses for en vigtig rolle i forskellige biologiske processer. Mange undersøgelser har været afsat til at forudsige miRNA-target interaktioner. Disse undersøgelser viser, at samspillet kun kan være funktionel i nogle specifikke væv, som afhænger af de særlige kendetegn ved en miRNA. Ingen systematiske metoder er blevet etableret i litteraturen at undersøge sammenhængen mellem miRNA-target interaktioner og vævsspecificitet gennem microarray data. I denne undersøgelse, foreslår vi en metode til at undersøge miRNA-target interaktion-støttede væv, der er baseret på eksperimentelt validerede miRNA-target interaktioner. De væv specificitet resultater efter vores metode er i overensstemmelse med de eksperimentelle resultater i litteraturen.

Tilgængelighed og implementering

Vores analyseresultater er tilgængelige på https://tsmti.mbc.nctu.edu . .tw /og https://www.stat.nctu.edu.tw/hwang/tsmti.html

Henvisning: Hsieh WJ, Lin FM, Huang HD, Wang H (2014) Undersøgelse af microRNA-Target Interaktion-Understøttet Væv i human Cancer Væv baseret på miRNA og Target Gene Expression Profiling. PLoS ONE 9 (4): e95697. doi: 10,1371 /journal.pone.0095697

Redaktør: Yan Xu, The Perinatal Institute, Cincinnati Børnehospital Medical Center og University of Cincinnati, USA

Modtaget 15. november, 2013 ; Accepteret: 28 mar 2014; Udgivet: 22 April, 2014

Copyright: © 2014 Hsieh 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:. Forfatterne vil gerne takke National Science Rådet for Kina for økonomisk støtte denne forskning under kontrakt nr NSC 98-2311-B-009-004-MY3, NSC 99-2627-B-009-003, NSC 101-2311 -B-009-003-MY3, NSC 100-2627-B-009-002, NSC 101-2118-M-009-006-MY2, NSC 101-2811-M-009 til 064 og NSC 102-2911-I -009-101. Dette arbejde blev støttet delvist af UST-UCSD International Center of Excellence i Advanced Bio-engineering sponsoreret af Taiwan National Science Råd I-ris Program under Grant Antal: NSC 101-2911-I-009-101, og Veterans General Hospitals og University System of Taiwan (VGHUST) fælles Forskningscenter Program under Grant Antal: VGHUST101-G5-1-1 og VGHUST103-G5-1-2. Dette arbejde blev også delvist støttet af MOE ATU og National Center for teoretiske Sciences. 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

MicroRNA er en kort ikke-kodende RNA, som er ca. 22 nt, der undertrykker genekspressioner via translationel undertrykkelse eller mRNA nedbrydning ved binding til 3′-utranslaterede regioner (3’UTR). Opdagelsen af ​​den første miRNA fra Caenorhabditis elegans i 1993 inspirerede en lang række miRNA undersøgelser [1]. På nuværende tidspunkt har omkring 21.264 miRNA blevet opdaget i mange arter.

For at undersøge reguleringen mellem miRNA og gener, er miRNA target sites normalt forudsagt af miRNA target forudsigelsesværktøjer. Mange beregningsmæssige mål forudsigelsesværktøjer, såsom Miranda [2], TargetScanS [3] – [5] og RNAhybrid [6], er blevet udviklet. Desuden har flere statistiske metoder også blevet anvendt til at opbygge et netværk af associationer mellem miRNA og deres mål mRNA’er [7] – [10]. Normalt miRNA target forudsigelsesværktøjer forudser mange potentielle target sites. For at reducere antallet af falsk positive target sites, forudsagde miRNA target sites bør bekræftes ved eksperimenter. Generelt kan miRNA målgruppen interaktioner (MTIs) bekræftes ved reporter assays, Western blot, microarray eksperimenter, pSILAC eller QRT-PCR. Desuden har mange databaser, såsom miRTarBase [11], TarBase [12], miRecords [13] og miR2Disease [14], er designet til opbevaring af eksperimentelt valideret MTIs. Især har den (version 2.1) database miRTarBase indsamlet ca. 3500 manuelt kurateret eksperimentelt valideret MTIs, herunder 657 miRNA og 2.297 målgener blandt 17 arter fra 985 forskningsartikler [11]. Den TarBase 5.0 Databasen har lagret ca. 514 MTIs der blev udvundet fra 203 papirer [12]. The miRecord database, som omfatter 1.529 eksperimentelle interaktioner, er sammensat af eksperimentelt validerede miRNA og forudsagte MTIs [13]. Den miR2Disease databasen beregnet til lagring af eksperimentelt valideret MTIs, som er dereguleret i forskellige humane sygdomme [14]. Blandt disse databaser, miRTarBase giver mere opdateret MTIs end de andre databaser.

Det er vigtigt, er blevet observeret miRNA at være vævsspecifik i mange undersøgelser. For eksempel kan kun påvises MIR-122 i levervæv og kan ikke påvises i alle andre væv [15]; ekspressionen af ​​MIR-122 i hepatocellulært carcinom er relativt lavere end det i sund lever [16]; MIR-1 og MIR-143 er fortrinsvis udtrykkes i hjerte og colonvæv, henholdsvis [15], [17]; MIR-126 er en endotel-specifikke miRNA, der regulerer vaskulær integritet og angiogenese [18]; MIR-195 og MIR-200C er specifikt udtrykt i lungevæv [19]. Desuden er nogle miRNA er biomarkører til detektering kræftformer, såsom miR-221, -100, -125b og -21 i bugspytkirtelkræft [20].

Selv om mange forskere har vist, at mange miRNA har vævsspecifikke udtryk [15] – [20], ikke systematiske metoder er blevet etableret i litteraturen at undersøge de meget negative sammenhænge mellem en miRNA og sit mål gener i en gruppe af specifikke væv gennem microarray data. Analyse af korrelationen af ​​udtryk mellem miRNA og mRNA er en af ​​de metoder, der er anvendt til at øge tilliden hos forudsagte miRNA target sites [21] – [28]. I denne undersøgelse har vi udviklet en statistisk metode til at bestemme microRNA-target interaktion-støttede væv (MTI-støttede væv) baseret på eksperimentelt validerede miRNA-target interaktioner. De MTI-understøttede væv af en miRNA er en gruppe af væv, at denne miRNA og dens mål udtrykker i disse væv.

Den største Formålet med denne undersøgelse er at undersøge MTI-støttede væv, der er baseret på eksperimentelt validerede miRNA-target interaktioner i miRTarBase databasen. Hos https://tsmti.mbc.nctu.edu.tw, vi kort beskrive, hvordan anvendes den foreslåede metode til identifikation MTI-understøttede væv. De store analytiske resultater og materialerne i dette papir præsenteres på dette website.

Materialer og metoder

opfattelse af den foreslåede procedure er kort vist i figur 1. Vi bruger datasæt [29 ] til at illustrere vores metoder. Datasættet omfatter miRNA udtryk profiler og mRNA-ekspression profiler for 89 prøver af 11 organer fra tumor eller normalt væv. Prøverne af 11 organer er opsummeret i tabel 1, herunder 68 tumorvæv og 21 normale væv. De mRNA ekspression profiler, der blev offentliggjort i 2005, består af to microarray platforme, GPL80 og GPL98, som repræsenterer 16,063 gener på tværs 89 væv [29]. Fordi partielle mRNA ekspressionsniveauer mangler, er kun 12.766 af disse gener anvendes i vore studier. De miRNA udtryk profiler (GSE2564) er sammensat af de udtryk data for 288 miRNA tværs 249 væv [29]. Efter fjerne dubletter og redundante data, vi bruger kun data for 163 miRNA tværs 89 væv. Med data for en miRNA, vi agter at undersøge MTI-understøttede væv til at afgøre, om miRNA er funktionel på tværs af disse væv baseret på eksperimentelt valideret MTIs. Som nævnt i indledningen, at miRTarBase database er mere informativ end andre databaser. Vi anvender miRTarBase version 2.1 database [11] for at opnå eksperimentelt valideret MTIs, som kan tilgås på “https://mirtarbase.mbc.nctu.edu.tw/cache/download /2.1/miRTarBase_MTI.xls”. Ifølge de miRNA, der blev optaget i GSE2564, vi vælger 743 eksperimentelt valideret MTIs og analysere sammenhænge mellem miRNA og mRNA udtryk profiler på tværs af forskellige væv sæt.

Eksperimentelt valideret MTIs deler de samme miRNA blev udvalgt fra miRTarBase databasen . De korrelationer af MTIs tværs af en kombination af væv, som blev udvalgt af vores metode, er stærkt negative.

Før analysere udtryk data, vi først normalisere miRNA og mRNA udtryk data på tværs 89 væv. Data pre-forarbejdningsmetode findes i den supplerende data. Nogle data forbehandling Resultaterne er præsenteret i figurerne S1 og S2 i File S1. Når dataene forbehandling, de øverste 23 miRNA med et mål, der er større end eller lig med 10 og med en række af væv med ekspressionsniveauer, der var større end 7,25 udvælges og er anført i tabel 2. Ekspressionsniveauet af 7,25 er cutoff, der blev brugt i Huang

et al.

(2007) [7]. I tabel 2, fire miRNA, HSA-miR-122, HSA-miR-124, HSA-miR-155 og HSA-miR-133a, ignoreres fordi der ikke er nok prøver til disse miRNA, der kunne bruges til analyse. Derfor analyserer vi 19 miRNA i denne undersøgelse.

Før indføre metoden, vi først beskrive motivationen for at foreslå metoden. Tidligere undersøgelser har vist, at miRNA nedregulere deres mål [16], [30], hvilket resulterer i en negativ sammenhæng af microarray udtryk mellem en miRNA og sit mål interaktioner. Figur S1 i File S1 viser imidlertid, at de absolutte værdier af de fleste sammenhænge af miRNA og deres mål samspil på tværs af alle 89 væv ikke er væsentligt større. Vi har derfor konkludere, at nedregulering af et miRNA forekommer i nogle væv.

For en miRNA, vi først finde de tilknyttede interaktioner gennem microarray datasæt og miRTarBase databasen og derefter beregne sammenhænge mellem miRNA og deres mål. Således er en miRNA forbundet med en sammenligningstabel sæt, som omfatter korrelationerne mellem denne miRNA og dens mål. Fordi der er mere end et mål interaktion, der er forbundet med en miRNA, vores mål er at integrere flere korrelationskoefficienter mellem denne miRNA og deres mål for at finde MTI-understøttede væv. Derfor, for at bestemme MTI-understøttede væv af denne miRNA, vi foreslår at bruge et kriterium, der er baseret på de to faktorer i sammenhængen sætter: (i) den gennemsnitlige korrelationskoefficient og (ii) andelen af ​​negative korrelationskoefficienter. På grund af den nedregulering af miRNA til målet interaktion, for et sæt ægte MTI-understøttede væv af en miRNA, forventer vi, at udtrykket data mellem denne miRNA og sit mål interaktioner ville være stærkt negativt korreleret. Derfor forventer vi, at de sande MTI-understøttede væv bør opfylde den hypotese, at de gennemsnitlige korrelationskoefficienter er stærkt negativ, og at andelen af ​​negative korrelationskoefficienter er stort.

For at beskrive den foreslåede metode, vi først indføre nogle notationer. Vi betegner de 89 væv som og de 19 miRNA som. Udtrykket værdi af en miRNA og et mRNA på tværs af de 89 væv betegnes som og. Lad betegne mål-interaktions (mRNA) tal, der svarer til denne miRNA fra miRTarBase databasen.

Lade,, være et sæt af væv i 89 væv, hvor er størrelsen af ​​prøvesættet A. Korrelationskoefficienten af miRNA

m

og mRNA

y

tværs af et prøvesæt

a

defineres aswhere og betegne midlerne til og

y

tværs væv i sættet, hhv.

Lad betegne de korrelationskoefficienter på denne miRNA og sit mål interaktioner på tværs af væv i sættet, og lad betegne gennemsnittet af disse korrelationskoefficienter tværs vævet sæt. Desuden lad være antallet af negative værdi af korrelationskoefficienterne. Derefter definerer vi den negative korrelationskoefficienten forhold som.

For miRNA, målet med denne undersøgelse er at finde et væv sat sådan, at er stærkt negativ. Endvidere fordi der er korrelationskoefficienter for dette mRNA, må vi kræve, at andelen af ​​negative korrelationskoefficienter blandt disse korrelationskoefficienter er større end en tærskel. Det vil sige, vi har til hensigt at finde et væv sæt sådan, at er lille. Således foreslår vi at bruge tabsfunktion. (1) for at vælge et væv sæt, således at et minimum af tab funktionen forekommer ved, hvor

en

er en konstant mellem 0 og 1, dvs.

(2) i tabet funktion (1),

en

bruges til at justere vægten af ​​og. At finde opfylder betingelsen (2), er det vanskeligt direkte at beregne værdien for alle sæt. For et sæt med elementer, der er kombinationer. Fordi det udvalg af værdien fra 2 til 89 Der er i alt ofpossible markeringer af et sæt. Beregningen kompleksitet er for høj til at opnå den sande. Fordi den samlede mulige kombination er for stor, kan vi let slappe betingelsen (2) til at være (3) hvor S er et sæt af

O

, som er begrænset til at have elementer i stedet for elementer, hvor. I den følgende analyse, er valgt til at være. At vælge en passende værdi, havde vi testet mange forskellige værdier og fandt, at det udvalgte væv for at bruge er næsten den samme med de valgte væv ved at bruge for mange tilfælde. Således vi vedtager i denne analyse.

Når der udtages prøver væv sæt, der kan vedtages en heuristisk metode eller en brute-force-metoden. Hvis meget tillid MTI-understøttede væv til en miRNA er tilgængelige fra litteraturen eller andre ressourcer, foreslår vi direkte vælge væv sæt, herunder disse væv i gennemførelsen algoritmen, som kan beskære søgningen rummet. Ellers er brute-force sampling foreslået for at undgå at få ikke objektive resultater. Da den foreslåede prøvetagning størrelse er, er det ikke meget tidskrævende at gennemføre den algoritme, når vi bruger brute-force prøveudtagningsmetode.

De trin for at finde den under forudsætning (3) præsenteres i det følgende algoritme . Før forud for algoritmen, skal vi angive den konstante i stand (1).

For at evaluere resultaterne af vores foreslåede algoritme, vi vedtager en permutation test og en clustering analyse [31] for at vise overlegenhed i den foreslåede algoritme. Begge metoder er beskrevet i den supplerende data. Nogle sammenligning Resultaterne er præsenteret i figur S3 i File S1 og tabel S1 i File S1. Resultaterne af de to metoder opretholde vores foreslåede algoritme som en effektiv metode til at vælge gyldige MTI-understøttede væv af en miRNA

2.1 Algoritmer

Algoritme for væv forudsigelse:.. Korrelation tabsfunktion algoritme

Lad os antage, at en miRNA

m

har MTIs

Trin 1:. tilfældigt vælge et sæt

O

med væv

Trin 2:. Beregn sammenhængene mellem denne miRNA og mRNA på tværs af væv i

O

. Derefter beregne middelværdien af ​​disse sammenhænge, ​​og andelen af ​​negative sammenhænge, ​​

Trin 3:. Brug værdier og beregne (1)

Trin 4:. Gentag trin 1-3 gange. Vi får værdier

Step5:. Find ud af den mindste værdi af værdierne, siger. Liste vævet sæt, siger, svarende til denne værdi, der er

Trin 6:. Gentag trin 1-5 for forskellige til at opnå forskellige værdier. Find den mindste værdi af disse s, siger. Derefter vævet sæt svarende til denne værdi er MTI-understøttede væv sæt.

Ud over kun overvejer korrelationer af udtrykkene mellem miRNA og mRNA, DNA-kopi-nummer og promotor methylering på mRNA gen locus på mRNA-ekspression kan påvirke miRNA-mRNA-ekspression forening. Vi har givet R-koder, som omfatter de andre faktorer i tab funktion. Læserne kan få adgang til R-koder på https://tsmti.mbc.nctu.edu.tw/lossfunction2.txt.

Da algoritmen er baseret på tabet funktion (1) for at evaluere resultaterne af den korrelation, kaldte vi denne algoritme korrelationen tabsfunktion algoritme. De forskellige trin i vores algoritme er beskrevet i flowdiagrammet i figur 2.

Praktisk, for en miRNA og dens mål, vi er ikke sikker på hvor mange væv skal vælges. Først begynder vi ved at vælge 3 væv fra alle væv, men ikke vælger en væv, fordi sammenhængen mellem en miRNA og dens mål på tværs af en væv ikke kan beregnes. For at finde den optimale væv antal forskellige miRNA, vi vælger vævet nummer fra 3 til 15.

I figur 3, vi illustrere tabet af funktionsværdier med af hver miRNA og dens mål på tværs af 5 væv, 8 væv , 11 væv og 15 væv hhv. Fra beregningsresultaterne, finder vi, at tabet funktionen værdi på tværs af mere end 15 væv er større end tabet funktionen værdi på tværs mindre end 15 væv. Derfor mener vi ikke, er tilfældet med væv, der er større end 15, og kun valgte 3 til 15 væv tal for at finde den optimale væv nummer. Resultaterne viser, at det optimale væv nummer, der er afledt af algoritmen afhænger af miRNA.

Denne artikel præsenterer primært resultaterne, når. Vi har benyttet andre værdier såsom i tabsfunktion at vælge væv. Resultaterne for er de samme som for. Fordi bruges til at justere vægten mellem middelværdien af ​​de sammenhænge og andelen af ​​positive korrelationer 1-, og vi er mere bekymring andelen af ​​positive sammenhænge, ​​vi lægger mere vægt på andet semester. I denne undersøgelse, hvis resultater under anvendelse føre til gode resultater. Derfor er en foreslået værdi i at bruge denne algoritme. For andre reelle anvendelser af denne algoritme, kan læserne bruge træningsdata til at opnå en passende værdi.

Desuden at foretage en mere objektiv analyse i udvælgelsen af ​​MTI-understøttede væv, i stedet for at vælge et væv sæt blandt væv sæt til 15, som minimerer tabet funktion (1), foreslog vi en metode til at rangere væv ved følgende to trin. Det første skridt er at finde de 13 væv sæt, som minimerer tab funktionen svarer til til 15 hhv. Det andet skridt er at rangordne vævene dukket op i disse 13 væv sæt i henhold til deres forekomst numre blandt de 13 væv sæt. Vævet med den mest forekomst frekvens er rangeret først og så videre. De ranking resultater er vist i tabel 3, der kan give oplysninger om betydningen af ​​MTI-understøttede væv.

Resultater

Brug af algoritmen, vi får MTI-understøttede væv til 19 miRNA, der er angivet i tabel 2. i det følgende bruger vi HSA-miR-17 som et eksempel til at beskrive analyseresultatet. Figur 4 præsenterer grunde til tæthedsfunktionen for korrelation og Heatmap af HSA-miR-17. Figur 4 (a) viser tætheden plot af korrelationer (optrukket linje) af alle 743 eksperimentelt valideret MTIs tværs af alle 89 væv og densiteten plot af korrelationer (stiplet linie) mellem HSA-MIR-17 og dens mål øverst 6 MTI- understøttede væv. Den fuldt optrukne linie er symmetrisk og centraliseret til nul; imidlertid den punkterede linje er højre skævt. Tilsyneladende, den højre skæve tæthed plot af sammenhængene mellem HSA-miR-17 og dens mål på tværs af de top 6 MTI-understøttede væv viser, at de fleste sammenhænge er negative, hvilket er i overensstemmelse med nedbrydningen adfærd mellem en miRNA og sine mål. I modsætning hertil, at korrelationerne af alle 743 eksperimentelt valideret MTIs på tværs af alle 89 væv er nær nul indikerer, at nedreguleringen opførsel af en miRNA med sine mål vises kun på tværs af MTI-understøttede væv.

a . Sammenligning af korrelation tætheder for alle 743 eksperimentelt valideret MTIs (fuldt optrukket linie) og HSA-miR-17 med 24 mål på tværs af de top 6 MTI-understøttede væv (stiplet linje). b. Udtrykket profiler af HSA-miR-17 og 24 mål på tværs af de top 6 MTI-understøttede væv. Korrelationerne mellem ekspressionsprofilen af ​​HSA-MIR-17 og profiler af målgener blev kommenteret siden af ​​genet symbol. Green repræsenteret lav ekspression og rød repræsenterede høj ekspression i tilsvarende gener og væv.

Figur 4 (b) er et eksempel, der viser, at udtrykket profiler af de fleste HSA-MIR-17 målgener negativt korreleret med ekspressionsprofilen af ​​HSA-mIR-17. I figur 4 (b), er udtryk profiler af HSA-miR-17 og 24 målgener tværs af de top 6 MTI-understøttede væv præsenteret. Sammenhængen mellem de udtryk profiler af HSA-MIR-17 og hver målgen kommenteret siden af ​​genet symbol i figur 4 (b). De fleste af udtryk profiler af HSA-MIR-17 målgener er negativt korreleret med ekspressionen profilen af ​​HSA-MIR-17. Ekspressionsprodukterne profiler af HSA-MIR-17 målgen TGFBR2 er positivt korreleret med miRNA ekspressionsprofil. Skønt det er blevet eksperimentelt valideret, at disse målgener kunne inhiberes af HSA-MIR-17, TGFBR2 ikke. Årsagen til den positive sammenhæng mellem HSA-MIR-17 og disse gener kunne være, at disse gener reguleres af andre stærkere regulatoriske faktorer. For at understøtte vores mistanke, vi genvurdere studier af HSA-miR-17 forordning om TGFBR2, som viser, at TGFBR2 udtryk ikke kunne påvises på grund af mikrosatellit-ustabilitet og mutationer [32] -. [34]

Desuden korrelation density plots af andre 18 miRNA og deres mål (aT https://tsmti.mbc.nctu.edu.tw) afslører lignende resultater til det i HSA-mIR-17. For eksempel den foreslåede algoritme søger ud 5 top specifikke væv til HSA-miR-21, som har det største mål nummer (43 mål) blandt de miRNA, der er blevet behandlet i denne undersøgelse. Derudover har vi også finde de øverste 8 MTI-understøttede væv til HSA-lad-7a og sine mål. Begge korrelation tæthed plots tværs MTI-understøttede væv er højre skæve og er større end de parceller på tværs af alle 89 væv. Ud over resultaterne af sammenhængen tæthed, vi observerer, at det udvalgte væv antal afhænger af miRNA. I afsnittet Metoder, viser vi, at det optimale væv nummer, som er afledt af algoritmen, er afhængig af de miRNA. På grund af den begrænsede plads, vi kun give udarbejdelsen på eksemplet MIR-17 i detaljer. For andre miRNA, beregner vi gennemsnitlig korrelation mellem en miRNA og dens mål på tværs af alle 89 væv og gennemsnitlig korrelation mellem en miRNA og dens mål på tværs af udvalgte MTI-understøttede væv. Så vi bruger værdien af ​​den anden gennemsnitlige korrelation minus den første gennemsnitlige korrelation som en parameter for at kvantificere kvalitetsforbedring. Resultaterne er vist i tabel 2. Værdierne er intervallet fra -0,32 til -0,68. Værdien for miR-17 er -0,536. Det afslører, at den gennemsnitlige korrelation mellem en miRNA og dens mål på tværs af udvalgte MTI-understøttede væv er stærkere negativ korreleret end den gennemsnitlige korrelation mellem en miRNA og dens mål på tværs af alle 89 væv.

Fordi top 6 MTI-støttede væv, der er blevet udvalgt til HSA-miR-17 omfatter tumorvæv, som kan forespørges med ekstreme udtryk niveauer, vi udvider de top 6 MTI-understøttede væv til andre væv med samme organ som de top 6 MTI-understøttede væv. De øverste 6 MTI-understøttede væv til HSA-miR-17 omfatter tumorvæv og normalt væv. Tumorvæv er sammensat af prostata-, bryst- og livmoder væv. Normale væv er sammensat af bryst- og livmoder væv. Antallet af væv udvides til 24, fordi det totale antal af tumor prostatavæv, tumorvæv /normalt brystvæv og tumor /normal uterus væv er 24. Her har vi igen undersøge ekspressionsniveauerne for 24 væv af HSA-mir-17. Kun 19 ekspressionsniveauerne er større end 7,25. En væv elimineres, hvis dens miRNA ekspression niveau, der svarer til vævet er mindre end 7,25, hvilket er cutoff, der blev brugt i Huang et al. [7]. Figur 5 viser korrelationen tæthed plot (grøn stiplet linje) for de udvidede resultater. Sammenligning figur 4 (a) med figur 5, vi tilføjer en grøn stiplet linie i figur 5, som er korrelationen tæthed plot af HSA-MIR-17 og dens mål på tværs af de 19 udvidede væv. Den grønne stiplede linje er altid mellem den sorte fuldt optrukne linie og den røde stiplede linie. Resultatet viser klart, at den analyse, der er baseret på 6 MTI-understøttede væv fører til det bedste resultat, efterfulgt af de udvidede væv, som er bedre end den analyse, der er baseret på 89 væv.

Sammenligning af korrelation tætheder for alle 743 eksperimentelt valideret MTIs på tværs af alle 89 væv (sort optrukket linie), HSA-miR-17 med 24 mål på tværs af de top 6 MTI-understøttede væv (rød stiplet linie), HSA-miR-17 med 24 mål på tværs 19 udvidet væv (grøn stiplet linje) og HSA-miR-17 med 95 forudsagde mål på tværs af de top 6 MTI-understøttede væv (blå stiplet linie).

desuden har vi også undersøge målet forudsigelse, der er baseret på de udvalgte væv. Ved at søge efter den konserverede 8mer og 7mer websteder, der matcher frø region hver miRNA fra TargetScanS forudsigelse værktøjet [3] – [5], har vi 95 forudsagt mål for HSA-miR-17 fra vores datasæt, som er baseret på den top 6 MTI-understøttede væv. Den blå stiplede linie i figur 5 er korrelationen tæthed af HSA-miR-17 og 95 forudsagde mål på tværs af de top 6 MTI-understøttede væv. Selv om en lille del af korrelationer er positive korrelationer, de fleste af korrelationerne er mere negativ end på tværs af alle 89 væv. Ikke desto mindre er korrelationen tætheden af ​​HSA-miR-17 og 95 forudsagde mål på tværs af de top 6 MTI-understøttede væv (blå stiplet linie) ikke har en bedre ydeevne end den, der opnås ved hjælp af 24 eksperimentelt valideret MTIs tværs af de top 6 MTI-understøttede væv (rød stiplet linie) og der opnås ved anvendelse 24 eksperimentelt valideret MTIs tværs 19 udvidede væv (grøn stiplet linie). Vedtagelsen 95 forudsagt mål for HSA-miR-17 på tværs af de top 6 MTI-understøttede væv kan stadig forbedre sammenhænge, ​​der ikke er nær nul. Ved den udvidede sag og den forudsagte fald konkluderes, at den foreslåede algoritme er pålidelig til valg MTI-understøttede væv.

Diskussion

Vores tilgang er fokuseret på at opdage MTI-understøttede væv til en miRNA baseret på eksperimentelt validerede målgener. vi finder Men nogle mRNA’er ikke nedreguleret ved deres eksperimentelt valideret miRNA. Flere potentielle årsager er beskrevet. Første, kan mRNA-ekspression reguleres af flere faktorer, herunder DNA kopital, transkriptionel regulering og post-transkriptionel regulering. Da vores tilgang vælger en gruppe af forskellige væv, kunne miRNA repression evne være mindre end andre reguleringsmekanismer i en del af udvalgte væv. For det andet, nogle miRNA ikke kun nedregulere deres målgener, men også op-regulere deres målgener [35]. miRTarBase omfatter ikke nogen oplysninger om en miRNA opregulerer eller nedregulerer sit mål gener. Det er meningen, at miRNA i miRTarBase kun ned kan -regulate sit mål gener. Ikke desto mindre har mange miRNA blevet rapporteret, at miRNA kan opregulere deres målgener [35] – [38]. For eksempel registrering af MIRT004506 i miRTarBase er, at MIR-466l opregulerer IL-10 via binding AU-rige region i 3’UTR [36]. Derfor er nogle opregulering fænomener opdaget fra korrelation tæthed plots tværs af MTI-understøttede væv.

Fra korrelation tæthed plots tværs af MTI-støttede væv i tabel 2, finder vi, at flere eksperimentelt valideret MTIs er positivt korreleret med miRNA udtryk profiler. Først MIR-145 positivt korreleret til målgenet IRS1 med en korrelation på 0,55. En tidligere rapport viser, at MIR-145 kan nedregulere proteinniveauet af IRS1 men kan ikke nedregulere mRNA for IRS1 [39]. Derfor er den negative korrelation mellem miR-145 og IRS1 ikke observeret. Ligeledes har nogle cellelinier, såsom BCT-20, ikke udtrykke IRS1. Således kan ikke observeres den nedregulering af IRS1 af miR-145 [40]. Den anden ikke-negativt korreleret MTI er MIR-1 og SERP1. Undersøgelsen, som ikke undersøge interaktionen mellem miR-1 og SERP1, viser, at den nedregulering af SERP1 af miR-1 er ikke signifikant [41]. Den miRTarBase Databasen kan optage mange eksperimentelt valideret MTIs hvis target gener er signifikant nedreguleret med de tilsvarende miRNA. Det er vanskeligt at fastslå årsagen til nogle positivt korreleret eksperimentelt valideret MTIs, såsom den eksperimentelt valideret MTI mellem miR-1 og FOXP1. Der kræves mere avancerede eksperimenter for at udforske disse MTIs.

Figur 6 (a) er en udvidet illustration af figur 4. Vi indsamler udtryk profiler, som er udtaget prøver fra de samme organer, der er angivet i figur 4. Vi observerer flere konfliktfyldte sammenhænge i eksperimentelt valideret MTIs. For det første korrelation mellem ekspressionen af ​​CDKN1A og HSA-miR-17 er 0,23, og sammenhængen mellem de udtryk for RUNX1 og HSA-miR-17 er 0,04. Tidligere undersøgelser har vist, at CDKN1A og RUNX1 er reguleret af flere miRNA [42], [43]. På grund af vores fremgangsmåde, som kun anført én miRNA og dens tilsvarende målgener, ekspressionen af ​​CDKN1A og RUNX1 kunne ikke blot negativt korrelere med ekspressionen af ​​HSA-MIR-17. To konfliktramte undersøgelser viser, at HSA-miR-17 kan eller ikke kan hæmme oversættelsen af ​​PTEN. Olive et al. (2009) konkluderede, at PTEN kunne undertrykkes af MIR-19, men ikke af HSA-MIR-17, i B-celle-lymfom [44]. Det eksperiment, der er rapporteret af Trompeter et al. (2007) viser, at PTEN signifikant undertrykt af HSA-MIR-17 i HEK293T celler og nyreceller [45]. NCOA3 (AIB1) er ikke korreleret med ekspressionen af ​​HSA-MIR-17. Udtrykket korrelationer er negative i bryst væv og er i overensstemmelse med den undersøgelse, der viste, at NCOA3 er nedreguleret af HSA-miR-17 [46]. Imidlertid er disse interaktioner ikke negativt korreleret med resten af ​​vævene. Dette fænomen viser, at en miRNA-target interaktion er MTI-støttede vævsspecifik og afslører, at vores tilgang kan omfatte væv, hvis eksperimentelt valideret MTIs er ikke funktionel. Fordi frøet regionen MIR-17, MIR-106a og MIR-20a er identiske, kan ekspressionen korrelation af HSA-MIR-17 og dets målgener påvirkes af andre miRNA. Således kan vores tilgang afgøre, hvilke målrette gener overvejende reguleret af HSA-miR-17 og finde de ikke-MTI-understøttede væv.

a. Ekspressionsprodukterne profiler af HSA-MIR-17 og 24 mål på tværs 19 udvidede væv. Korrelationerne mellem udtrykket profiler af HSA-MIR-17 og målgener blev kommenteret siden af ​​gen symboler. b. Figur S1. en. b. Figur S2. Figur S3.