Krooninen sairaus

tiivistelmä

Aminoasyyli-tRNA syntetaaseja (ARSs) ja ARS-vuorovaikutuksessa monitoiminen proteiinit (AIMPs) näytteille merkittävä toiminnallinen monipuolisuus kuin niiden katalyyttinen toimintaansa proteiinisynteesiä. Niiden ei-kanoninen toiminnot on patologisesti yhdistetty syöpiin. Täällä kuvattu meidän integroiva genominlaajuisia analyysi ARSs näyttää syöpään liittyvää toimintaa glioblastoma multiforme (GBM), aggressiivinen pahanlaatuisen primäärisen aivokasvaimen. Ensin valitaan 23 ARS /AIMPs (jäljempänä yhdessä ARSN), 124 syöpään liittyvä druggable kohdegeenien (DTGS) ja 404 proteiini-proteiini interactors (PPI) on ARSs käyttäen NCI: n syöpää geeni indeksi. 254 GBM Affymetrix microarray data Cancer Genome Atlas (TCGA) käytettiin tunnistamaan koetinsarjojen joiden ilmentyminen oli voimakkaimmin korreloivat eloonjäämisen (Kaplan-Meier tonttien vs. selviytymistä kertaa, log-rank t-testiä 0,05). Analyysissä tunnistettiin 122 koetinsarjojen kuin selviytymisen allekirjoitukset, mukaan lukien 5 ARSN (VARS, QARS, CARS, NARS, FARS), ja 115 DTGS ja protonipumpun estäjien (PARD3, RXRB, ATP5C1, HSP90AA1, CD44, THRA, TRAF2, KRT10, MED12 jne). Huomattavaa on, että 61 selviytyminen liittyviä koettimet ilmennetty eri kolmessa eri ennusteen alaryhmiä GBM potilaiden ja osoittivat korrelaation vakiintuneiden prognoosimarkkereina kuten ikä ja fenotyyppisiä molekyylitason allekirjoitukset. CARS ja FARS osoitti myös huomattavasti korkeampi yhdessä erilaisten molekyylien verkkojen GBM potilailla. Yhdessä meidän havainnot osoittavat näyttöä varten ARSN biologia-hallitseva osuus biologiassa GBM.

Citation: Kim YW, Kwon C, Liu JL, Kim SH, Kim S (2012) Cancer Association Study of Aminoasyyli -tRNA -syntetaasi Signaling Network glioblastoma. PLoS ONE 7 (8): e40960. doi: 10,1371 /journal.pone.0040960

Editor: Natarajan Kannan, University of Georgia, Yhdysvallat

vastaanotettu: 9. maaliskuuta, 2012 Hyväksytty: 15 Kesäkuu 2012; Julkaistu: 31 elokuu 2012

Copyright: © Kim et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tukivat Global Frontier Kohdeapuraha (NRF-M1AXA002-2010-0029785) National Research Foundation rahoittama opetus-, tiede- ja teknologia Korean. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Nisäkkäiden aminoasyyli-tRNA-syntetaaseja (ARSs) ja ARS-vuorovaikutuksessa monitoiminen proteiinit (AIMPs) suorittaa ensimmäisen vaiheen proteiinisynteesiä kataly- ligaatio aminohappojen niiden samankaltaisiin tRNA: ihin. Kuitenkin ne sisältävät myös muita verkkotunnuksia liity katalyyttinen toiminta muodostaa erilaisia ​​komplekseja keskenään tai muiden solua sääteleviä tekijöitä. Tämä rakenteellinen monimutkaisuus näyttää olevan yhteydessä toimiva monipuolisuutta, ja niiden laajennettu toiminnot on liitetty erilaisia ​​ihmisen sairauksia, mukaan lukien syöpiä [1]. Useat ARSs on osoitettu olevan poikkeuksellisen ylös- tai alaspäin säädeltyjä hepatoomaa, paksusuolen syöpä, Burkettin lymfooman, eturauhasen adenokarsinooma, rintasyöpä, sarkooma, peräsuolen adenokarsinooma ja aivolisäkkeen adenooma [2] – [5]. Lisäksi toiminnallinen solukasvun säätelyssä, erilaistumista, Silmukointi, sytokiinien toimintaa, ja angiogeneesin ARSs eri tautitilojen, kuten rintasyövän, paksusuolisyövän, eturauhassyöpä, ja munuaisten syöpä on tutkittu [6] – [10 ]. Yliekspressio MRS raportoitiin myös pahanlaatuinen kuitu- histiocytomas, sarkoomat, pahanlaatuiset gliooma ja glioblastomas [1]. Nämä kasvaimet ovat monistaminen kromosomin 12q13-lokuksen, jossa geeni MRS päällekkäinen geeni CHOP, joka toimii inhibiittorina C /EBP12. Tämä vahvistus todennäköisesti johtaa yli-ilmentyminen MRS ja CHOP, joka voi edistää suotuisan miljöön syövän etenemistä [11]. Huolimatta että ARSs on yhdistetty ihmisen syövissä, niiden biologinen merkitys ei ole vielä täysin ymmärretty.

Tässä kuvattu meidän integroiva genominlaajuisia analyysi ARSs näyttää syöpään liittyvän sääntelyn toimintaa, jossa painotetaan glioblastoma multiforme (GBM) [12] käyttäen NCI: n syöpään geeni-indeksi (CGI) [13] ja The Cancer Genome Atlas (TCGA) tietokantaan [14]. Ensin valitaan 23 ARS /AIMPs (ARSN), 124 syöpään liittyvä druggable tavoite geneset (DTG) ja 404 proteiini-proteiini interactors (PPI) on ARSs. Sitten me määritetty kunkin geneset useita prognostisia molekyyli- allekirjoitukset GBM (GEO liittymistä # GSE4271), mukaan lukien Proneuraaliset (PN), proliferatiivinen (Prolif) ja mesenkymaaliset (Mes) [15] ja tunnistettiin selviytymisen liittyviä geenejä, jotka ilmentyvät differentiaalisesti kesken näytteet kussakin alatyyppi verrattuna muihin alatyyppeihin. Osoitimme useiden ehdokkaiden jotka ovat todennäköisesti vuorovaikutuksessa aminoasyyli-tRNA-syntetaasin ja niiden erilaiset osallistumisen kussakin yksittäisessä alatyyppiä. Siten meidän tutkimus osoittaa mahdollisen panoksen ARSs kanssa PPI-geenin sarjat fenotyyppiin GBM.

Tulokset

ARSN Näyttää Potentiaalisesti Assosiaatio Syövät kautta Vuorovaikutus DTGS

tutkia mahdollisia yhdistys ARS perheen syöpään systeemisen tason, vertasimme ilmaus profiilit koodaavat geenit 20 ihmisen soluliman ARSs ja AIMP1-3 (AIMPs) kanssa tunnettujen DTGS saatu US National Cancer Instituten syöpä geenirekisterin (CGI). Yksityiskohtaisen analyysin menettelyt on esitetty kuviossa 1. Me valitaan 124 DTGS joka voi olla vuorovaikutuksessa 23 ARS /AIMPs, ja 404-geenien proteiini-proteiini-interaktoreita ARSs. Vertailun, myös valitut 1874 kuin syöpään liittyvien geenien (nonCAGs) (kukin geneset on esitetään taulukossa S1). Ensimmäisessä esimerkki CGI, The genesets käytettiin osoittamaan, syöpään liittyvän sääntely toimintaa Cytoscape. Olemme luokiteltu data kymmeneen syöpä ryhmiin (aivot, paksusuoli, munuaiset, kohdunkaula, hematopoieettisen ja lymfaattisen, maksa, eturauhas-, keuhko-, rinta-, ja mahasyövän).

Käyttämällä syöpään liittyvien vuorovaikutukset ARSs ja AIMPs, ja kolme genesets, odotetusti, suuri määrä linjan, joka perustuu solmun ARSN-DTGS osoittaa korkeampi assosiaatio ARSN ja DTGS kuin ARSN-PPI (kuviot S1, S2, S3, S4). Syöpä-yhdistys kartta perustettiin myös näyttää kuinka paljon ARSs ja AIMPs voisi olla eri tavalla vuorovaikutuksessa kymmeneen eri syöpiä (kuviot S5, S6, S7, S8, S9, S10, S11, S12, S13, S14). Neljä suurta syöpä sarjaa kytketty osien syövän yhdistyksen vuorovaikutusverkosto esitettiin kuviossa 2. syöpä solmukokoa osoittaa, kuinka monta vuorovaikutuksia ruskea solmuun geeni. Niistä komponentit ARSN, suhteellisesti suurempi syöpään liittyvä verkko osoitettiin GARS, MARS, WARS, RARS, CARS, AIMP1 (SCYE1) ja AIMP3 (EEF1E1) (vihreä solmut). Myös AIMP1, MARS, ja RARS on suhteellisesti suurempi yhdessä syöpiin, mikä osoittaa niiden potentiaalista merkitystä syövän biologian ja tarpeet patologisen mekaaniset tutkimukset.

3501 geenit valittiin manuaalinen curation, kliininen tutkimus ja syy-yhteyttä syöpä. Käyttäen 11 julkisessa tietokannassa osoittaa kuratoi yhteisvaikutuksia ihmisen proteiineja (HPRD, BioGRID, Kegg, Reactome, BIND, minttu, ehjä, InnateDB, DIP, STRING, ja PharmDB), me edelleen valittu 124 DTGS ja 404 geenejä kuin PPI-lääkkeet ja ARSs. Käyttämällä syöpään liittyvän vuorovaikutusten analyysi, syöpää yhdistys kartta perustettiin näyttämään kuinka paljon ARSs ja AIMPs voisi olla eri tavalla vuorovaikutuksessa kymmeneen eri syöpiä. Jokainen ruskea solmu osoittaa kunkin geenin vastaavien syövän ja jokainen solmu koko ilmaisee asteen syövän riippuvaisen co-yhdistys geenin. Viiva osoittaa yhteistyötä yhdistyksen välillä kymmenen syövät ja seitsemän ARSN. Syöpä solmukokoa osoittaa, kuinka monta vuorovaikutuksia ruskea solmuun geeni. Seitsemän komponentit ARSN (vihreä solmut) osoittavat suhteellisesti suurempi syöpään liittyvän verkon.

Korrelaatio Kartta Allekirjoitukset Määrittele ARSN alaluokkien Glioblastoma

syöpään liittyvä systemaattinen analyyseja ARSs ja AIMPs, sovelsimme genesets on 254 GBM Affymetrix U133plus2 mikrosirun aineisto on TCGA. Tässä aineisto tunnistimme 846 tuloksena koetinsarjojen lukien 168 DTGS ja 678 PPI-lääkkeiden, jotka voivat suoraan vuorovaikutuksessa ARSs ja AIMP1-3. Vertailun vuoksi myös valittu 978 koetinsarjojen keskuudessa 1874 nonCAGs (kukin probeset eritellään taulukossa S2). Ymmärtää ARSN keskinäiset DTGS /PPI-lääkkeet /nonCAGs ja visualisoida suhde genesets, korrelaatio kartta tehtiin. Ensinnäkin DTGS probeset on ryhmitelty pohjalta Pearsonin korrelaatiokertoimet, jotka liittyvät niiden ilmentymismalleja yli 254 GBM kudosten ekspressiomalleja ARSN saman kudoksen asettaa, kuten on esitetty kuviossa 3a. Sitten klusteroitu PPI-lääkkeiden ja nonCAGs pohjalta näiden korrelaatiokertoimet. Tässä analyysissä punainen väri osoittaa, että kahden geenin yleensä ylös tai alas-säädellä yhdessä (positiivisesti); sininen väri kertoo päinvastainen suuntaus (negatiivisesti). Hankeryhmien kartta geneset-geneset korrelaatio oli suhteellisen positiivinen tai negatiivinen korrelaatio kahden geenin sarjaa. Kolmen vuorovaikutusta sarjaa, jossa korrelaatiokerroin sääntö yli 0,4 suoritetaan merkittävästi, tutkimme taajuus yli 0,4 määritettävä mahdollisesti asetettu ollut suhteellisen korkeita taajuuksia merkittävä korrelaatio. Taajuus histogrammit on esitetty kuvassa S15. Sillä ARSN-DTG set, korrelaatiokerroin yli 0,4 oli suhteellisen korkealla taajuudella 0,35% vs. 0,51%: n ARSN-PPI. Sillä ARSN-nonCAG setti, suhteellisen alhainen taajuus 0,09% näytettiin. Myös erot mediaaniarvot joukossa sarjat ovat tilastollisesti merkitsevä (P 0,001, yksisuuntainen ANOVA).

(a) Havaitsimme 846 tuloksena koetinsarjojen lukien 168 DTGS ja 678 PPI-lääkkeiden, jotka voivat suoraan vuorovaikutuksessa jossa ARSN käyttäen 254 GBM Affymetrix U133plus2 microarray aineisto in TCGA. Vertailun, myös valittu 978 koetinsarjojen keskuudessa 1874 nonCAGs. Ymmärtää ARSN-DTGS /PPI-lääkkeet /nonCAGs vuorovaikutusta ja visualisoida suhdetta genesets, korrelaatio kartta tehtiin perusteella niiden vastaavuus tasoilla jokaisen sarjan. Koetin sarjaa esitetään matriisimuodossa, jossa rivit edustavat yksittäisiä geenejä DTGS, PPI-lääkkeiden ja nonCAGs vastaavasti ja pylväät edustavat kukin geeni ARSN. Kukin solu matriisissa edustaa korrelaatiotason geenin käytettäessä ARSN. Punainen väri osoittaa, että geeni on yleensä ylös tai alas-säädellä yhdessä; Sininen väri kertoo päinvastainen suuntaus (Mitä tummempi, sitä voimakkaampi yhdistyksen kahden geenejä). (B) hierarkinen klusterointi analyysi osoitti, että ARSN yhtyi kolmeen ryhmään 31 DTGS (FDR 0,005). 31 DTGS tuotettiin on valvottu hierarkkinen klusterointi analyysi. (C) Hierarkkinen klusterointi ARSN perustuu 16 DTGS perustuu epälineaarista yhdistyksen kahden geenin ilmentymisen sarjaa. 16 DTGS korreloivat kolme alaryhmiin ARSN.

selvästi ymmärtää molekyylitason vuorovaikutuksista kunkin geneset teimme valvottu hierarkkinen klusterointi analyysit kartan avulla, joka osoittaa, että kolme klustereita johtavat alhainen väärien löytö korko ( FDR 0,005), mikä näyttää tarjoavan merkittäviä interaktiivisia erityispiirteet kunkin klusterin (kuva 3b). ARSN yhtyi kolmeen ryhmään. Ensimmäinen ARSN alaryhmä näyttää liittyvän läheisesti DTGS. Havaitsimme, että useat ARSN kuten WARS, RARS ja AIMP1 osoittivat erittäin merkittävää yhteyttä 31 DTG geenejä (taulukko S3) (positiivinen yhteys 21 DTGS ja negatiivinen yhdessä 10 DTGS), mikä viittaa niiden mahdollinen panos GBM biologia. Toinen alaryhmä sisältää 11 ARSN (EPR, VARS, NARS, LARS, FARS, KARS, YARS, MARS, AIMP3, ja AIMP2) ja osoitti päinvastaiseksi biologisia toimintoja 31 DTGS verrattuna ensimmäiseen ryhmään. Kuitenkin kolmas ryhmä myös 9 ARSN (AAR, DARS, SARS, GARS infuusioreaktiot, tervat, QARS, Hars, ja CARS) oli suhteellisen alhainen korrelaatiokertoimet. Nykyinen microarray data klusterointi menetelmät rajoittuvat lineaarisen yksittäisten geenien ilmentymisen arvoja ja fenotyypin. Ymmärtää epälineaarinen assosiaatiot geeniekspressiota ja fenotyypin, että ei voi olla lineaarinen yhdistyksiä, käytimme kvantitatiivinen (numeerinen) piirre analyysi, jossa voisimme tehdä suhteet perustuvat epälineaarista yhdistyksen kahden geenin ilmentymisen sarjaa. Tämä menetelmä on hyödyllinen työkalu havaitsemiseksi geeniluokkaa korreloi määrällisiä piirre ja tutkia malleja geenin luokan -alueella. Tässä analyysissä 16 DTGS (taulukko S4) korreloivat kolme alaryhmiä ARSN (kuvio 3c, P 0,05). Tulokset kahdesta yhdistyksen menetelmistä oli sama määrä klusterin kanssa samankaltaista suuntausta yhdistysten. 9 DTGS (UBE2I, KRAS, MARCKS, NFKB1, NR3C1, TP53, VKORC1, YY1, ja HLA-B) ollessa päällekkäin lineaarisen ja epälineaarinen yhdistyksiä. Toisaalta, 4 geenit (NF1, CYP1A2, TGFB2, ja CTGF) ei tunnisteta differentiaalisesti vuorovaikutuksessa ARSN lineaarisen yhdistys menetelmällä. Emme kuitenkaan voineet osoittaa, jos epälineaarinen profiilit heijastavat yleisiä suuntauksia yhdistysten, joten lisätutkimuksia tarvitaan. Vertaileva analyysi yhdistyksen kuvion välinen PPI-lääkkeiden ja yksittäisten ARSN oli kuvassa S16 ja S17. Tällöin ARSN jaettiin kahdella ryhmällä, osoittavat erittäin positiivinen ja negatiivinen yhdessä 119 PPI geenejä. Mutta se oli alhainen vääriä löytö määrä (FDR 0,014, mikä näyttää tarjoavan heikko interaktiivisia erityispiirteet PPI verrattuna DTGS. Epälineaarinen yhdistys analyysi osoitti myös kaksi ryhmää ARSN joilla on erittäin merkittävää yhteyttä 117 PPI geenejä. Yhdessä nämä tulokset osoittivat, että ARSNs ehdottaa mahdollisia mekanismeja ja prosesseja mukana DTGS asetuksessa.

ARSN Expression ja Korrelaatio Survival potilailla, joilla GBM

tunnistaa geeniekspressiomalleja että luokitella GBM kasvaimia osaksi ARSN biologia-hallitseva ryhmiä, käytimme 846 koetinsarjojen edellä kuvatulla tavalla. ensin tunnistetaan koetinsarjojen jonka ilmentyminen vahvimmin korreloi elinaika (Kaplan-Meier tonttien vs. selviytymistä kertaa, log-rank t-testiä 0,05). Tämä analyysi tunnistaa, että 122 tuloksena koetin sarjaa ARSN (VARS, QARS, CARS, NARS, FARS), DTGS (PDE4A, NF1, NBN, CETP, Smad3, HIST3H2A, TFRC, PTPRC, MTAP jne), ja protonipumpun estäjien (PARD3, RXRB, ATP5C1, HSP90AA1, CD44, THRA, TRAF2, KRT10, MED12 jne), jotka korreloivat selviytymisen potilailla, joilla GBM (taulukko S5). Vaikutus useiden geenien ilmaisujen eloonjääminen kuvioissa S18, S19, S20. Sitten suoritimme valvottu klustereiden kanssa 122 probesets ja GBM näytteet (GEO liittymistä # GSE4271) osoittaa tunnettuja glioblastoma alatyyppejä kuten Proneuraaliset (PN; mediaanielossaolosta PN alaluokka on 174,5 viikkoa), Proliferatiivisia (Prolif; 60,5 viikkoa) ja mesenkyymikasvaimia (Mes; 65,0 viikkoa) [15]. Kuten kuviossa 4a, tämä analyysi osoitti, että 61 koetinsarjojen joukossa 122 koetinsarjojen oli differentiaalisesti ilmaistut kolmen erillisen alaryhmiin perustuu tilastolliseen cut-off (P ​​= 0,01), kuten autoja ja FARS, ja 59 koetinsarjojen (taulukko S6 ). Käyttäen 61 probeset allekirjoituksena, PN-alatyyppi oli hallitseva piirre ekspressiokuviota geenin sarjaa verrattuna Prolif ja Mes alatyyppejä, mikä viittaa ennustetaan johdonmukaisesti kuviot 61 koetin asettaa ilme allekirjoitus. Voit selvittää, CARS ja FARS myötävaikuttaa eroihin biologisia ominaisuuksia GBM kasvaimia, tutkimme ilmaus kaksi ARSs. Kuten on esitetty kuviossa 4b, CARS yliekspressoitiin Prolif ja Mes alatyyppejä, kun taas FARS yliekspressoitiin PN-alatyypin. Kaplan-Meier tontteja ja log-rank selviytymisen analyysit osoittivat, että mediaani elinaika alle ilmaisi CARS ryhmä oli pidempi (66,9 viikkoa) kuin yli-ilmaisivat ryhmä (51,4 viikkoa). Myös mediaani elinaika yliekspressoitujen FARS ryhmä oli pidempi (59,2 viikkoa) kuin alle ilmaistuna ryhmä (50,0 viikkoa).

(a) Havaitsimme koetinsarjojen joiden ilmentymistä voimakkaimmin korreloivat selviytyminen (Kaplan-Meier tonttien vs. selviytymistä kertaa, log-rank t-testiä 0,05). Tämä analyysi tunnistettu, että 122 tuloksena koetin sarjaa ARSN, DTGS, ja protonipumpun estäjien jotka korreloivat selviytymisen potilailla, joilla GBM. Sitten suoritimme valvottu klustereiden kanssa probesets ja GBM alatyyppejä kuten Proneuraaliset (PN), proliferatiivinen (Prolif) ja mesenkymaaliset (Mes). Tämä analyysi osoitti, että 61 probeset kuten allekirjoituksen geenit ilmentyvät differentiaalisesti kolmen erillisen alaryhmään. 61 koetinsarjojen esitetään matriisimuodossa, jossa rivit edustavat yksittäisiä geenejä ja pylväät edustavat kukin kudosta. Kukin solu matriisissa edustaa ilmentymistason geenin yksilön kudoksessa. Punainen ja vihreä soluja heijastavat korkea ja matala ilme tasolla, vastaavasti. (B) Kasvaimen alaryhmiä erottuvat CARS ja FARS. Rekit tarkoittavat keskiarvoja. CARS on rikastunut Mes ja Prolif alaryhmiä, kun taas FARS PN alaryhmä. Jokainen Kaplan-Meier juoni kokonaiselinaika 130 GBM potilailla ryhmitelty ilmentymisen CARS ja FARS. Ero kahden ryhmän välillä oli merkittävää, kun P-arvo oli alle 0,05. (C) Hierarkkinen ryhmittely GSE4290 aineisto 81 GBM näytteitä potilaista, joilla GBM ja 23 ei-tuumorikudoksista perustuu 61 koetinsarjojen. Jokainen geeni ilmentää tila näytettiin Täydennyskuvio S21-S23. Yhdeksän koettimet merkittävästi yli-ilmentyy ei-kasvain näytteissä, joissa 2 antureista ei näy tässä analyysissä.

Voit etsiä ilmaus 61 koetinsarjojen normaaleissa aivoissa kudoksissa, arvioimme koetinsarjojen ” ilmaisun allekirjoituksia muiden riippumattomien julkisten GBM geeniekspression aineistoja (esim GSE4290 aineisto) [16]. Vuonna GSE4290 aineisto, ilmaus tasot 61 koetinsarjojen olivat erilaiset joukon välillä ei kasvainten ja GBM kasvaimet (kuvio 4c). CARS yliekspressoitiin GBM kasvaimissa, vaikka FARS ei merkittävästi yli-ilmennetään joko kudosta. Kiinnostaa, että GSE4290 kerättyä astrocytomas (II ja III) ja oligodendroglioomat (II ja III), ei korrelaatioita havaittiin kanssa 61 koetinsarjojen (kuviot S21, S22, S23), mikä viittaa siihen, että 61 koetin asettaa allekirjoitus oli spesifinen GBM.

CARS ja FARS korrelaatiot eri Molecular Networks potilailla, joilla GBM

tutkimiseksi, onko mitään eroa vuorovaikutuksen verkostoja CARS ja FARS kolmessa alatyyppiä, valitsimme 48 geenit (taulukko S7), joka voi suoraan vuorovaikutuksessa CARS ja FARS käyttämällä aiemmin julkaistuja tietoja [1]. Sitten suoritimme valvottu klustereiden kanssa 48 geenien ja GBM näytteet (GEO liittymistä # GSE4271). Kuten on esitetty kuviossa 5a, tämä analyysi osoitti, että 24-koettimia (16-geenien) joukossa 48 geenit ilmentyvät differentiaalisesti kolmen erillisen alaryhmien (P = 0,001). Kuvassa 5b, useita interactors, kuten PACSIN2 ja SMAD9, olivat yli-ilmentynyt PN alatyyppi, kun taas HNRNPR ja GMP: t olivat yli-ilmentynyt Prolif alatyyppiä. Käyttäen 16 geenejä kuin molekyylien vuorovaikutus allekirjoitus autojen ja FARS, PN-alatyypin osoitti eri piirteen ekspressiokuvion kunkin interaktoreiden verrattuna Prolif ja Mes alatyyppejä, mikä viittaa siihen, eri vuorovaikutuskuviot kahden ARSs jokaisen alatyypin. Havaita eroja toiminnalliset profiilit, otimme differentiaalisesti ilmentyvien geenien yhteydessä esillä interactome tiedon käyttäen Ingenuity Pathways Analysis työkalut (

P

kaikille 0,05), mikä osoittaa, että RNA aineenvaihduntaa (FARSB , SMAD9, FARS2, MAPK3, HNRNPR, ja RARS) oli merkitsevästi liittyvät PN ja Prolif alatyyppejä. Huomattavasti sääteli molekyylitason toimintoja PN alatyypin oli reseptorin signalointi proteiinin aktiivisuuden ja proteiini fosforylaatioreitti (SMAD9, MAPK3, ja MAP3K5). Tämä analyysi osoitti, että molekyylien vuorovaikutus erot CARS ja FARS kunkin alatyypin saattaa liittyä eroihin kliinisiä tuloksia GBM potilaista. Yhdessä tutkimuksessa tunnistettiin erittäin yhdistetyn verkon kromosomipoikkeavuuksien, kuten 61 koetinsarjojen (59 PPI-lääkkeet ja 2 ARSs) kanssa alassäädetty CARS ja säädelty FARS, joka ehdotti, että ero kytkennät saattavat olla tärkeitä rooleja säilyminen pitkällä aikavälillä potilaiden GBM. Siten tulokset viittaavat siihen, mahdollisen panoksen ARSs kanssa vuorovaikutuksessa geenin sarjat fenotyyppiin GBM.

Keskustelu

Viimeaikaiset todisteet osoittavat, että aminoasyyli-tRNA-syntetaasit (ARSs) näytteille merkittävä toiminnallinen monipuolisuus ja niiden ei-kanoninen toiminnot on patologisesti yhdistetty syöpiin. Tämä tutkimus osoittaa, että integroiva genominlaajuisia analyysi ARSs osoittaa syöpään liittyvää toimintaa GBM ja vahvistetaan 61 koetinsarjojen kuin selviytymisen allekirjoitukset, jotka ilmentyvät eri kolmessa eri ennusteen alaryhmien sairastavilla potilailla GBM. Vuorovaikutus verkostojen CARS ja FARS paljastaa molekyylien vuorovaikutus erot CARS ja FARS kussakin alatyyppiä, mikä viittaa mahdolliset erot kliinisiä tuloksia GBM. Tämä työ osoittaa korkeampi yhdessä eri molekyyli- verkkojen olevan ARSs biologiassa GBM, ja voi tuottaa keskeisiä biologisia mekanismeja ero alatyypeistä.

ARSs ja AIMPs on tutkittu terapeuttisina kohteina syöpää vastaan ​​verkko kartoitus kriteerit ja tunnettujen kestävä proteiini-proteiini-vuorovaikutuksen tekijöitä useimmat näistä genesets, mutta nämä on jätetty huomiotta, koska ei ole korrelaatioiden genotyypin-fenotyypin tietyissä kliinisissä tilanteissa [1]. Laajalle levinnyt hyväksymistä, että muita kuin perinteisiä toimintoja ARSs on validoitu on kannustanut kiinnostusta tutkia syystä, että on olemassa monia sairauksia, joihin liittyy ARSN [17], [18]. Vaikka lukuisia geneettisiä muutoksia on kuvattu ARSN [18], [19], kuten markkereita ovat osoittautuneet ei-välttämättömien ohjaamisessa tauti monimutkaisuutta. Mielenkiintoista, viimeaikainen ilmaisun profilointi tutkimukset ovat osoittaneet, että sääntely molekyyli verkot voivat olla avaintekijöitä ohjata kasvaimien syntyyn [1], [10], [20]. Nykyisessä tutkimuksessa olemme tunnistetun mahdollisen molekyylien vuorovaikutus verkkoja liittyy kasvaimen monimutkaisuutta sekä sairauden alaluokkaa GBM signalointireittejä.

ARSN Näyttää syöpään liittyvän vuorovaikutukset

Vertasimme ilmaus profiilit geenit, jotka koodaavat 23 ARSN kanssa DTGS saatu NCI: n syövän geeni-indeksi (CGI) ja perusti syöpää yhdistys kartta osoittaa, kuinka paljon ARSs ja AIMPs voisi olla eri tavalla vuorovaikutuksessa kymmeneen eri syöpiä. Vahva assosiaatio ARSN ja kymmenen syövät on yhdenmukainen aiempien havaintojen [1]. Edellisessä analyysissä 23 ARSN osoittivat ekspressioprofiileja jotka ovat samanlaisia ​​kuin Rannikkotoimintaryhmät kymmenessä eri syöpätyyppejä ja jotka ovat selvästi erotettavissa rakenteessa nonCAGs (yhdistetty

P

0,0001). ARSN osoitti suurta yhdistyksen useimmilla testatuista syöpien, paitsi haima, eturauhanen, maksa, ja syöpien, mikä oli sopusoinnussa tuloksemme. Syyt yhdistys ARSN joitakin syöpätyyppejä (esim lymfoomat, rinta), mutta ei muita (esim haiman, eturauhasen) pitäisi tutkia tarkemmin. Niistä komponentit ARSN, meidän kaksi tulosta, sekä GARS ja AIMP1 osoitti suhteellisesti suurempi syöpään liittyvän verkkoon, mikä osoittaa niiden potentiaalista merkitystä syövän biologian. Vaikka onkin pystytty ymmärtämään rooli AIMP1 syövässä [21], [22], GARS toimintoja syöpäbiologian ei ole määritelty. Useat aiemmat tutkimukset ovat GRS liittyvä fenotyyppejä että 11 erillistä Mutanttialleelit varten GRS ihmisen väestöstä aiheutti CMT (Charcot-Marie-Tooth) hermosolujen tauti [19] ja GRS säätelyyn ylöspäin autoimmuunipotilailla [23] ja viat GARS aiheuttavat distaalisten spinaalimuskulaarisen neuropatia tyyppi 5 [24]. Yhdenmukainen vakiintunut korrelaatiot GRS useisiin sairauksiin, olemme jo havainneet, että GRS proteiineja tai fragmentteja aktiivisuutta apoptoosin syöpäsolujen erikseen. Edellisessä tutkimuksessa GRS erittämät proteiinit makrofagit oli kiinnitetty syöpäsoluja ja jotka osallistuvat tiettyihin syövänvastainen toimintaa siten, kaspaasi 3 aktivaation ja MAPK inaktivaatio [25], [26]. Vaikka nykyinen analyysi hyödyntää laajamittaisesti analyysi, nämä molekyylit edustavat erityistä kiinnostusta uusia merkkiaineita, jotka liittyvät syövän hoitomuotoja.

(a) Havaitsimme koetinsarjojen jonka ilmentyminen vahvimmin korreloi CARS ja FARS kussakin alatyyppi. Tämä analyysi tunnistettu, että 88 tuloksena koetin sarjaa 48 geenejä. Sitten suoritimme valvottu klustereiden kanssa probesets ja GBM alatyyppejä kuten Proneuraaliset (PN), proliferatiivinen (Prolif) ja mesenkymaaliset (Mes). Tämä analyysi osoitti, että 24 probeset kuten allekirjoituksen geenit ilmentyvät differentiaalisesti kolmen erillisen alaryhmien (P = 0,001). 24 koetinsarjojen esitetään matriisimuodossa, jossa rivit edustavat yksittäisiä geenejä ja pylväät edustavat kukin kudosta. Kukin solu matriisissa edustaa ilmentymistason geenin yksilön kudoksessa. Punainen ja vihreä soluja heijastavat korkea ja matala ilme tasolla, vastaavasti. (B) Kasvaimen alaryhmiä erottuvat interaktoreita CARS ja FARS. Rekit tarkoittavat keskiarvoja.

toteaminen ARSN Biology liittyvien Potilas alatyyppiä Glioblastoma

GBM-liittyvä systemaattinen analyyseja ARSs ja AIMPs, suoritimme ARSN-DTGS /PPI-lääkkeitä /nonCAGs vuorovaikutus analysoi ja visualisoidaan suhteesta useilla korrelaatiota karttoja, joiden ohjelmiston merkittävä positiivinen tai negatiivinen korrelaatio ARSN ja kahden muun geenin sarjaa. Pearsonin korrelaatiokerroin on yksi kätevä, joilla arvioidaan geeniekspression yhtäläisyyksiä. Meidän datajoukon (254 GBM Affymetrix U133plus2 microarray aineisto), käytimme tarpeeksi määrä aineisto koska pienemmän näytteen numero on taipumus tuottaa suurempia amplitudi korrelaatioarvojen tahansa kahden geenien [27]. Lisäksi emme integroida muita aineisto käyttäen julkista tietokantaa, koska valinta GeneChip- normalisoinnin menetelmää voimakkaasti vaikuttanut suorituskykyyn koekspressointi tietoja. Käytimme Pearson korrelaatiokerroin itse vertailla kunkin aineisto ja osoitti eroja aineistot tilastollisesti merkitsevä (P 0,001, yksisuuntainen ANOVA). WARS, RARS ja AIMP1 ensimmäisessä ryhmässä osoitti erittäin liittyy korrelaatio 31 DTGS. Vaikka useimmat ARSN jäsenet toisen ryhmän osoitti heikkoa korrelaatiota, MARS kolmannessa ryhmässä erottui selvästi negatiivinen korrelaatio kanssa DTGS. Kaksi erittäin liittyvien ryhmää ilmeni aktivoitumista ANSN ja DTGS geeniekspression osoitus proteiinien biosynteesin ja solujen lisääntymistä vastaavasti. Aiemmat tutkimukset ovat osoittaneet yli-ilmentyminen MRS gliooman ja glioblastomas [11], mutta eivät ole ilmoittaneet syy syövän. Huomattavaa on, että WRS- ja MRS-ohjatuissa ryhmissä on ominaista toinen allekirjoitus analyysi, joka on liittynyt malleja geenin luokan yhdistys tyyppejä. Tässä analyysissä geenit ajo glioblastomas kuten KRAS, NF1, MARCKS, TGFb2, TP53, ja NFKB1 oli differentiaalisesti korreloivat kolme luokkaa ARSN osoittaa hyvin samankaltainen ryhmien edellä mainittujen [28] – [33]. Nämä tulokset osoittivat, että ARSNs ehdottaa mahdollisia mekanismeja ja prosesseja mukana syöpään liittyvän sääntelyn GBM biology [34].

Useat kliiniset tiedot, kuten kasvain vaiheessa ja arvosana ovat voimakkaita ennustavat tulos potilailla, joilla on syöpiä [35 ], [36]. Vaikka nämä tekijät eivät ennusta säilymisen tai vaste potilailla, joilla on edennyt sairaus [36], DNA-siru analyyseille on tunnistettu geenejä, joiden ekspressiotasoja korreloi selviytymisen syöpiin [37]. Useat geenien ilmentyminen tutkimuksissa on todettu ennustetekijöiden geeni sarjaa käyttämällä tilastollista cut-off yksin, mutta näitä geenejä ei ole validoitu tarkemman diagnoosin ja ennusteen. Tunnistaa kliinisesti merkittävää geeniekspressioprofiilien korreloi pysyvyyttä ja ARSN biologia-hallitseva alaryhmien GBM kasvaimissa, ensin tunnistettu koetinsarjojen jonka ilmentyminen vahvimmin korreloi selviytymisen, joka osoittaa 122 tuloksena koetinsarjojen sairastavilla potilailla GBM. Käyttäen tunnettuja glioblastoma alatyyppejä kuten PN, Prolif ja Mes [15], huomasimme, että klusterin 61 allekirjoituksen geenit ilmentyvät differentiaalisesti kolmen erillisen alaryhmään. PN-alatyyppi oli hallitseva piirre ekspressiokuviota 61 geenin sarjaa, kun taas Prolif alatyypin näyttää samanlainen Mes alatyyppi. Prolif ja Mes alatyypit voisi näyttää vaihtelee pelkkä laajuus ilmaisuaan 61 allekirjoitusten verrattuna PN alatyypin eikä täysin vastakkain säännelty verrattuna 35 allekirjoitusta geenejä raportoitu aiemmin [15]. Kuitenkin 61 koetinsarjojen merkittävästi korreloi selviytymisen joukossa 846 anturi asetetaan, jotka voivat suoraan vuorovaikutuksessa ARSN, ja differentiaalisesti ilmaistu kolmen erillisen alaryhmiin perustuu tilastolliseen cut-off (P ​​= 0,01). Tämä tutkimus siis viittaa siihen, että molekyylien vuorovaikutus eroja ARSN kunkin alatyypin saattaa liittyä eroihin kliinisiä tuloksia GBM potilaista. Myös erittäin toisiinsa verkon 61 koetinsarjojen saattaa korreloi vakiintunut paremmin selviytymisen markkereita PN kuten nuorempina ja luokan III kaltainen histologia [15]. Huomattavaa on, että ilmaus CARS ja FARS näyttää olevan ainutlaatuinen kasvaimia PN alatyyppiä. Sitten käytimme vuorovaikutuksen verkostoja CARS ja FARS tutkia molekyylien vuorovaikutus erot CARS ja FARS kussakin alatyyppiä, mikä viittaa mahdolliset erot kliinisiä tuloksia GBM potilaista. Meidän proteiini vuorovaikutus verkkoon perustuva lähestymistapa on tutkia verkottuneiden proteiineja vastaavat tiettyjä solutoiminnoille [38]. Käyttämällä PPI verkoissa tunnistettu sairauteen liittyvien geenien voisi olla toiminnallisesti liittyvien ja paljastaa keskeisiä biologisia mekanismeja ero alatyypeistä [39], [40].

merkitsevästi yhteydessä CARS ja FARS, ja PN allekirjoitus tukee luokitusta, joka yhdistää olemassaolo ARSN biologia-hallitseva alaryhmä, ei ole kuvattu muissa tutkimuksissa. Siten 61 geeni allekirjoitukset saattavat korreloi vakiintunut selviytymisen merkkiaineiden PN [41], mutta tässä tutkimuksessa ei näytä selvästi hypoteesi selittää suhdetta kahden huonon ennusteen alatyyppiä kanssa allekirjoitukset. Siten lisätutkimukset ja toistettavia tuloksia ovat tarpeen evaluoida ARSN biologia-hallitseva alaryhmä biologiassa GBM.