Krooninen sairaus

tiivistelmä

Background

Haimasyöpä on neljänneksi suurin syy syövän kuolemaan Yhdysvalloissa ja etiologia tämän erittäin tappava tauti ei ole hyvin määritelty. Tunnistaa geneettinen alttius tekijöitä haimasyöpä, teimme koulutusjakson analyysi genomin laajuinen yhdistys tutkimuksessa (GWAS) dataa 3141 haimasyövän potilaille ja 3367 säätimet Euroopan syntyperä.

Methods

käyttäminen geeni asetettu harjun regressio assosiaatiotutkimuksissa (GRASS) menetelmällä, analysoitiin 197 väyliä tunnistetaan Kioton Encyclopedia of Genes and Genomes tietokantaan. Käytimme logistista ytimen kone (LKM) testi tunnistaa suuria vaikuttavat geenien kuhunkin reittiin. Teimme toiminnallinen rikastamiseen analyysi merkittävimmistä geenit (

P

0,01) käyttäen Tietokanta Annotation, visualisointi, ja Integrated Discovery (DAVID).

Tulokset

kaksi polut olivat merkitsevästi yhteydessä haimasyövän riskiä säätämisen jälkeen monimuuttujille (

P

0,00025) ja replikointi testaus: neuroaktiivisiksi ligandi-, (

Ps

0,00002) ja hajuaistin transduktioreaktiotie (

P

= 0,0001). LKM testi tunnistaa neljä geeniä, jotka liittyivät merkittävällä tavalla haimasyövän riskiä jälkeen Bonferroni korjauksen (

P

1 x 10

-5):

ABO, HNF1A, OR13C4,

ja

SHH.

Functional rikastukseen analyysi käyttäen DAVID johdonmukaisesti löytyi G-proteiiniin kytketty reseptori-signalointireitin (mukaan lukien sekä neuroaktiivisiksi reseptori-vuorovaikutuksen ja hajuaistin transduktioreittejä) on merkittävin koulutusjakson haimasyövän riskiä tässä tutkimuksessa väestön .

Johtopäätös

Nämä uudet havainnot tarjoavat uusia näkökulmia geneettinen alttius ja molekyylitason mekanismeja haimasyövän.

Citation: Wei P, Tang H, Li D (2012) oivalluksia Haimasyöpä etiologia päässä Pathway Analysis genominlaajuisten Association Study Data. PLoS ONE 7 (10): e46887. doi: 10,1371 /journal.pone.0046887

Editor: Zhongming Zhao, Vanderbilt University Medical Center, Yhdysvallat

vastaanotettu: 22 kesäkuu 2012; Hyväksytty: 06 syyskuu 2012; Julkaistu: 04 lokakuu 2012

Copyright: © Wei 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 National Institutes of Health kautta täydentävää avustusta RO1 CA98380-05 (DL) ja läpi MD Anderson Cancer Centerin Support Grant (CA016672). P.W. oli osittain tuettu NIH R01HL106034-01. 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

Haimasyöpä on neljänneksi suurin syy syöpään liittyvät kuolemat Yhdysvalloissa, mikä vastaa yli 37660 kuolemantapausta vuodessa [1]. Koska mitään tehokasta seulontatestiä olemassa haimasyöpä, on tärkeää tunnistaa geneettiset tekijät edistää tämän syövän. Viimeaikaiset genomin laajuinen yhdistys tutkimukset (GWAS) ja post-GWAS analyysit ovat tunnistaneet kromosomi alueista

ABO

,

NR5A2,

ja

CLPTM1L-TERT

geenit [2] , [3], sekä

HNF1A

geeni [4], kuten alttius loci haimasyöpä. Kuitenkin yhden markkerin assosiaatio testit ovat rajalliset valtuudet tunnistaa geenejä, jotka aidosti liittyvät tautinsa mutta ei voi tehdä tiukkoja genominlaajuisten merkitys kynnysarvon GWAS. Niinpä monet tärkeät tautigeenejä saattaa silti jäädä tunnistamatta tätä lähestymistapaa. Lisäksi syövän kehittymisen tyypillisesti toimintahäiriö useita toiminnallisesti liittyvien geenien toimii yhtäpitävästi verkossa tai reittejä [5]. Täten polku analyysi GWAS tietoja, jotka yhdessä arvioi useita variantteja vuorovaikutuksessa geenien ja useiden geenien biologisessa reitissä täydentävänä lähestymistapa yhden markkerin assosiaatio testien [6], voi olla potentiaalia paljastaa polygeenisiä perusteella taudin alttius . Pathway-pohjainen GWAS analyysit ovat antaneet uusia oivalluksia etiologiaa syöpien, kuten paksusuolen syöpä [7], keuhkosyöpä [8], ja melanooma [9], ja muut monimutkaisia ​​sairauksia, kuten skitsofrenia [10], kaksisuuntainen mielialahäiriö [11 ], ja nivelreuma [12]. Tuoreessa tutkimuksessa analysoitiin GWAS data keskittyy 23 valitaan polkuja tai ryhmiä geenien ja tunnistaa haiman kehittämisen takaamiseksi geenejä herkkyystekijöitä haimasyövän [13]. Vaikka tämä tieto tukee ehdokas koulutusjakson analyysi hyödyllisenä lähestymistapa geneettiseen yhdistys tutkimuksessa, sitä rajoittaa useissa reitit /geenit tutkitaan, mikä viittaa siihen, että kattavampi agnostikko analyysin kaikkien tunnettujen reittien saattaa olla potentiaalia paljastaa uusia geenejä, jotka olivat aikaisemmin ei pidetä haimasyövän.

Gene asetettu harjanteen regressio assosiaatiotutkimuksissa (GRASS) on yksi äskettäin kehitetty polku lähestymistavat [7]. Ruoho, pääkomponenttianalyysi (PCA) käytetään kuvaamaan geneettistä vaihtelua geeni vähentää dimensionaalisuus yhden nukleotidin polymorfismi (SNP) tiedot ja laillistettu logistinen regressio suoritetaan arvioimaan yhdistys polkuja tautiin. Tässä tutkimuksessa ensin käytetty nurmi GWAS tietojen arvioimiseksi yhdistyksen polkuja haimasyöpä. Sitten käytimme logistinen ytimen kone (LKM) menetelmän seuloa suuria edistävät geenit kunkin reitin [14]. Lopuksi teimme toiminnallinen rikastamiseen analyysi merkittävimmistä geenit käyttäen Tietokanta Annotation, visualisointi, ja Integrated Discovery (DAVID) menetelmää [15], [16]. Tässä tutkimuksessa ensimmäinen kattava analyysi GWAS tietojen haimasyövän avulla agnostikko lähestymistapaa, olemme tunnistaneet uusia reittejä ja geenejä, jotka liittyvät merkittävästi sairauden riskin. Nämä havainnot voivat avata uusia väyliä tutkimuksen molekyylitason mekanismi ja etiologia haimasyövän.

Methods

Tutkimus väestö- ja tietolähteen

Tutkimusjoukkoon sisältyi yhteensä 7019 yksilöiden: 1871 tapaukset ja 2026 välillä PanScan1 lukien 12 sisäkkäisiä tapausverrokkitutkimukset ja yksi sairaala-pohjainen tapaus verrokkitutkimuksen ja 1528 tapauksissa ja 1594 kontrollit PanScan2 lukien 6 tapausverrokkitutkimukset on haimasyöpä [2], [3] . Tapauksia määritellään ensisijaisiksi adenokarsinooma puute haimassa. Kontrollit, jotka olivat vapaita haimasyövän aikaan rekrytointi, oli sovitettu tapauksiin mukaan syntymävuosi, sukupuoli, ja itse ilmoitettu rodun /etnisyyden. GWAS oli tehty National Cancer Instituten Core genotyypin Facility käyttäen HumanHap550, HumanHap550-Duo, ja ihmisen 610-Quad paneelit (kaikki Illumina, San Diego, CA) [2], [3]. Alkuperäinen GWAS tietoja ladataan Tietokanta genotyypit ja Fenotyypit (dbGaP) [17]. Perusteella Kansainvälisen HapMap Project genotyyppitietoja (vaihe 3 julkaisu # 3, NCBI rakentaa 36, ​​dbSNP B126, 2010-05-28) kolmen ryhmissä (CEU, JPT /CHB, ja YRI) [18] ja pieniä alleelin taajuus ( MAF) 5%, valitsimme 10155 SNP kanssa

r

2 0,004 käyttää väestön rakenteen analyysi [19]. Kaikkiaan 6508 yksilöiden (3141 tapausta ja 3367 tarkastuksiin) Euroopan syntyperä (eli 0,75-1 samankaltaisuutta CEU) valittiin lähtöpisteestä Tutkimuksen populaatio 7019 yksilöiden nykyisessä koulutusjakson analyysi.

laadunvalvonta

alkuperäinen GWAS data siirretään laadunvalvonta ennen lähetetty dbGaP. Me karsittiin genotyyppi tiedot edelleen ilman 13822 SNP kanssa puhelutaajuuden 98%, 45653 SNP kanssa MAF 5%, ja 38857 SNP poiketen Hardy-Weinberg tasapaino (

P

0,001), kuten sekä SNP geenin aavikkoalueilla, jolloin 82881 SNP viime kädessä peräisin aloittava numero 468111 SNP.

jotta voitaisiin arvioida vaikutusta väestörakenne, teimme quantile-kvantiili (QQ) juoni ja laskettiin inflaatiotekijä () yksilöiden Euroopan syntyperä vain. Inflaatiotekijä laskettiin menetelmän mukaan de Bakker et al. [20], oikaistu otoskoko 1000 tapauksia ja 1000 tarkastuksia kaavalla: Missä, ja ovat todellinen määrä käytetään laskettaessa; 1000 on otoskoko korjattava. QQ tontti näyttää vähän inflaation testisuureen verrattuna odotettua jakelu (λ = 1,03), ilman mahdollisuutta mahdollisten väestörakennetta tapausten ja kontrollien välillä.

Geenit kanssa -log10 (

P

) 1 eivät sisälly tontteja. Selvyyden vuoksi kaikki geenit on merkitty. Katso lisätietoja taulukot S1 ja S3.

Väylät ja geenit

Yhteensä 214 ihmisen biologisen reittejä luetellaan Kyoto Encyclopedia of Genes and Genomit (Kegg) [ ,,,0],21]. Kun jätetään väyliä 10 tai 500 geenit kartoitettiin 197 väyliä käyttäen GRASS lähestymistapaa [22]. Havaitsimme 19058 Reference Sequence (RefSeq) geenien GWAS tietoja ihmisen genomia 18 (hg18) tietokantaan Kalifornian yliopiston Santa Cruz (UCSC) Taulukko Browser tiedonhaun väline [23]. Testasimme 5127 geenien 197 väyliä yhdistyksen haimasyöpä. Kullekin geenialueen, me sisältyvät SNP 20 kb ylävirtaan tai alavirtaan geenin tässä tutkimuksessa.

Kiinteä viiva ja katkoviiva, vastaavasti, näyttää suorat ja epäsuorat vuorovaikutukset geenien.

tilastolliset menetelmät

käyttää GRASS testata yhdistyksen kunkin koulutusjakson haimasyöpä. Genotyyppitietoja koodattiin additiivisen mallin avulla Plink versio 1.07 [24] kanssa 0 homotsygootti yleisen alleelin, 1 heterotsygoottianalyysiin, ja 2 homotsygoottisia mutantti alleeli. Grass testaa hypoteesia, että yksikään SNP: iden tietyn reitin liittyi taudin [6]. Jotta vältettäisiin kohtuuttoman vaikutuksen vaihtelevia geenin ja koulutusjakson kokoja, GRASS käyttää normalisoitu geenin tason tilastotiedot ja näyte (kohde) yhdistelmää. Yksityiskohdat ruoho on kuvattu aiemmin [7]. Lyhyesti, menetelmä koostuu kolmesta vaiheesta. Ensinnäkin, PCA käytetään yhteenveto SNP kunkin geenin korreloimattomia (ortogonaalinen) lineaarikombinaatioita alkuperäisen SNP, nimeltään eigenSNPs osuus ≥95% geneettisen vaihtelun. Lukumäärä Tuloksena eigenSNPs on yleensä paljon pienempi kuin alkuperäisen genotyyppi SNP ja toimii ennustajia siinä regularisoitua logistiikkaregressiomallin. Rangaistu uskottavuusfunktio käytetään arvioitaessa regressiokertoimet on eigenSNPs. Toinen, standardoitu geeni-tason tilaston lasketaan regressio kertoimien eigenSNPs. Tilastotieto, analoginen z-tilastoa, määritellään aswhere

on neliöjuuri summattu potenssiin regressio kerroin kunkin eigenSNP arvioitu alle optimaalisen virityksen parametrin; ja arvioida muunnelmia, ovat keskiarvo ja keskihajonta alle nollahypoteesin, että geeni ei liittynyt tauti. Siten jokainen geeni, riippumatta sen koosta, se nostaa myös geeniperimä yhdistyksen tilastotieto, kuten alla on kuvattu. Kolmannessa vaiheessa laskemalla geeniperimä (reitti) yhdistys tilastollinen () ja p-arvo. on neliöjuuri summattu neliö standardoitujen geenin tason tilastoja;

P

arvo arvioidaan käyttäen, jossa lasketaan pois permutoiduista tiedot ja B on määrä yhdistelmää. Koska suuri määrä geenejä ja reitit analysoitiin, käytimme Bonferronin korjauksen säätää useita vertailuja. Merkitys kynnys oli

P

0,00025 (0,05 /197). Koska intensiivinen laskennan aiheutuvista GRASS otimme kaksivaiheisesta permutaatio testimenettelyä, samanlainen kuin toteutetaan Plink [24]: ensin suoritetaan 5000 permutaatioiden jokaiseen geeni asettaa tässä tutkimuksessa, ja niille geeni, joissa on p- arvo on alle 0,00025, lisäsimme permutaatioiden lukumäärä 50000.

soveltanut LKM testi arvioida yhdistyksen kunkin geenin haimasyöpä aikaisemmin kuvatulla [14]. Lyhyesti, tämä menetelmä käsittää kaksi vaihetta: muodostetaan SNP vahvistaa kunkin geenin ja testaus yhdistys SNP, joissa on taudin tilasta. Geeni tietokanta, geenialueen määritelmä, ja genotyyppi koodausta käytetään tässä olivat samat kuin ruoho. LKM malli yhdistää säännöllinen logistinen malli, jossa on puoliksi selvä ytimen toiminto (lineaarinen ydin käytettiin tässä), joka on suunniteltu erityisesti geneettisiä tietoja. Varianssi-osat pisteet testi Zhang ja Lin [25] käytettiin testaamaan geeni-tauti yhdistyksen. Tässä analyysissä testasimme yhdistysten 5127 geenien (vuonna 197 väyliä) haimasyöpä säätämisen jälkeen iän (10 vuotta ryhmät), sukupuoli, tutkimus (kategorinen), ja viisi pääkomponentit (kvantitatiivinen) syömällä väestörakenteesta saadaan alkaen PCA analyysin avulla EIGENSTRAT [26]. P-arvot alkaen KLM analyysin oikaistiin monimuuttujille käyttäen Bonferronin korjausta. Merkitys kynnys oli

P

9,75 x 10

-6 (0,05 /5127).

Lopuksi täydentävä lähestymistapa GRASS polku analyysi, tutkimme funktionaalisen rikastamiseen merkittävimmistä geenien geenipohjaisten yhdistyksen testit (

P

≤0.01 in LKM) käyttämällä web-saatavilla bioinformatiikan työkalu DAVID [15], [16]. David koostuu integroidun biologisen tietämyskannat ja analyysityökaluja, joilla pyritään systemaattisesti talteen biologisen merkityksen ja yliedustettuina biologisia toimintoja suurten geenistä tai proteiini luetteloita perustuu hypergeometrisen (Fisherin tarkka) testi. Käytimme Kegg, GO ja Interpro [27] tietokantoihin määritellä geenin sarjaa. Lisäksi DAVID ryhmät funktionaalisesti samankaltainen geenin sarjaa klustereiksi vähentää tarpeettomia luonne geenin toiminnallisen annotation järjestelmiin, kuten hierarkkisesti järjestäytynyt GO.

Koska replikointi vaivaa, olemme analysoineet tietoja PanScan1 (1796 tapausta ja 1880 tarkastukset) ja PanScan2 (1345 tapausta ja 1487 tarkastukset) erikseen. Olemme myös satunnaisesti jakaa koko aineisto kahteen ryhmään ja toteutettiin erillinen analyysi kussakin ryhmässä. Suoritimme meta-analyysi

P

arvot yksittäisten kohortin /ryhmä käyttäen Stouffer n z-menetelmällä, joka on osoitettu olevan tehokas meta-analyysi GWAS [28]. Testimuuttuja yhdistämiseen p-arvoja kahdesta erillisestä kohortteja tietyn reitin lasketaan kaavalla, jossa on käänteinen standardin normaalin kumulatiivisen toiminta. Yleinen meta-analyysi

P

arvo lasketaan. Lopuksi sovelsi GRASS menetelmä testata kaksi suurinta merkittävää väyliä (kuten esitetään yksityiskohtaisesti tulokset) käyttäen Wellcome Trust Case valvonta Consortium (WTCCC) GWAS data [29] empiirisesti vaikutusten arvioimiseksi reitin kokoa ja osoittavat spesifisyyttä tuloksemme .

tulokset

Väylät Associated haimasyöpä

Analysoimme 197 väyliä kanssa 5127 geenejä käyttämällä GRASS lähestymistapaa ja totesi, että kuusi reittejä liittyi merkittävästi haimasyöpä jälkeen Bonferronin korjaus (

P

2,5 x 10

-4) (taulukko 1). Kolme reitit olivat merkittäviä osoitteessa

P

arvojen 0,0001: neuroaktiivisiksi ligandi-, pitkäaikainen masennus, ja aikuistyypin diabetes nuoren (MODY) polkuja. Kolme polkuja oli vähäisempi

P

arvo ≥0.0001 mutta 0,00025: haju transduktio, Fc epsilon RI signalointi, ja sileän lihaksen supistumista reittejä. Lisäksi edellä mainittujen kuuden polkuja, The glyserofosfolipidi aineenvaihduntaa, haiman eritystä ja endoteelikasvutekijä (VEGF) signalointipolkujen liittyivät haimasyöpä osoitteessa

P =

0,0004 (taulukko S1, saatavilla verkossa).

Pathway replikointi Results

Kaksi kuudesta merkittävä polkuja, eli hajuaistin transduktioreaktiotie ja neuroaktiiviset ligandi-reitin olivat pysyvästi pieni

P

arvot poikki PanScan1 ja PanScan2 ikäluokat, mutta ei molempia

P

arvot olivat merkittävästi toistuvassa testaus korjausten todennäköisesti johtuu paljon pienempi otoskoko kussakin kohortissa ja tuloksena alemman tilastollinen teho (taulukko 2). Meta-analyysi

P

arvot näiden kahden reitin (1 x 10

-5 ja 1 x 10

-5, vastaavasti) olivat merkittäviä jälkeen Bonferronin korjauksen. MODY polku jäi merkittävä PanScan1 (

P

= 0,00006), mutta ei PanScan2 (

P

= 0,91), ja meta-analyysi

P

arvo oli 0,0589. Kaikki kolme jäljellä merkittävät väyliä yhdistettyyn GRASS analyysissä oli

P

arvot 0,1 vuonna PanScan1 ja PanScan2 kohortti (taulukko 2). Kun satunnaisesti jakaa aineisto kahteen ryhmään, kaikki kuusi polkuja oli

P

arvo 0,05 yhdessä kaksi ryhmää muttei molempien; ja mikään meta-analyysi

P

arvot oli merkittävä säätämisen jälkeen monimuuttujille (taulukko S2). Tutkia, merkitystä hajuaistin transduktioreaktiotie (353 geenit ja 1122 eigenSNPs) ja neuroaktiiviset ligandireseptori vuorovaikutuksen reitin (263 geenit ja 1374 eigenSNPs) oli yksinkertaisesti johtuu niiden suuren koon, testasimme nämä reitit soveltamalla ruohon WTCCC GWAS tiedot ja sai

P

arvon 0,5652 ja 0,2332 kaksisuuntainen mielialahäiriö ja 0,246 ja 0,0062 Crohnin tauti, vastaavasti, (kukin sairaus oli 2000 tapausta ja 3000 tarkastukset). Nämä tulokset yhdessä johdonmukaisesti pieni

P

arvot poikki PanScan1 ja PanScan2, osoittavat, että merkittävä

P

arvo on kahden reitin ruoho analyysi on epätodennäköistä johtuen reitin kokoa. Lisäksi tutkimiseksi jos reitin tulokset olivat pääasiassa GWAS top osumia raportoitu PanScan1 ja PanScan 2, poistimme geeni

NR5A2

päässä MODY polku ja uudelleen suoritetaan GRASS analyysi 50000 permutaatioista. P-arvo yhdistetyn aineisto, PanScan1 ja PanScan2 alaryhmä oli 0,4 x 10

-4, 0,6 x 10

-4, ja 0,88, tässä järjestyksessä. Vastaavat

P

arvot olivat 0,6 x 10

-4, 0,6 x 10

-4 ja 0,91 Analyysin mukaan lukien

NR5A2

geeni, mikä viittaa siihen, että polku analyysi purkaa signaalit riippumattomia muiden mukaan yhden SNP-analyysi. Huomaa, että muut GWAS top osumia kuten

ABO

ja

TERT1

eivät kuuluneet mihinkään 197 polkuja.

Major edistäminen geenejä Pathways

soveltamalla LKM menetelmä, tunnistimme 365 geenien kanssa nimellinen merkitys (

P

0,05) ja 118 geenien

P

0,01 varten 197 väyliä (taulukko S3 saatavilla verkossa). Suurin edistää geenien kunkin kuuden merkittävän reitit tunnistetaan RUOHON on lueteltu taulukossa 1. Tärkeimmät geenit edistävät 197 polkuja ja kuusi merkittäviä reitit on esitetty kuviossa 1 ja 2, vastaavasti. Kun olemme oikaistu monimuuttujille, neljä geenit edelleen merkittäviä (

P

9,75 x 10

-6):

ABO

,

HNF1A

,

OR13C4

, ja

SHH

geenejä (taulukko 3). Näiden lisäksi neljästä geenistä,

ABL1

,

MYC, HNF4G

,

NR5A2

(a GWAS ylhäältä osuma) ja

ADPGK

oli

P

arvot 0,0001.

Functional Enrichment analyysi Merkittävät Genes

Lopuksi teimme toiminnallinen rikastamiseen analyysi käyttäen DAVID, on joukko 118 geenien kanssa

P

0,01 LKM analyysiin. Neljäkymmentäneljä klustereita tunnistettiin perusteella Kegg, GO ja Interpro luokkia. Klustereita geenien kanssa

P

0,01 DAVID lueteltu taulukossa 4 (katso taulukko S4 yksityiskohtainen luettelo geenien kussakin klusterissa). Superperheen rodopsiinin kaltaisen G-proteiiniin kytkettyjen reseptorien (GPCR: t), käsitys haju ja haju transduktio oli merkittävin ryhmä geenien perusteella Interpro (

P

= 1,61 x 10

– 13), GO (

P

= 1,30 x 10

-7) ja Kegg (2,38 x 10

-3) tietokannat, vastaavasti, kaikuvat havaintomme ruohosta. Geenit sisäisen tasapainon ylläpitämiseksi prosessissa myös yliedustettuina haimasyövän (taulukko 4). Biologinen suhde kartan yläosassa 81 geenit (

P

0,05 vuonna LKM) kuudesta merkittäviä reittejä on esitetty kuvassa 3, joka luotiin kekseliäisyyttä Pathway ja analyysi ohjelmistojen [30].

keskustelu

tässä GWAS koulutusjakson analyysi tunnistimme kahta uutta polkuja, eli neuroaktiiviset ligandireseptori vuorovaikutusta ja hajuaistin transduktioreittejä jotka liittyvät merkittävästi haimasyövän riskeistä säätämisen jälkeen monimuuttujille ja replikointi testaus. Näitä havaintoja tukee myös toiminnallisia rikastamiseen analyysi. Havaitsimme myös neljä geenejä, jotka liittyvät merkittävästi haimasyövän riskeistä, mukaan lukien kolme aiemmin sekaantunut geenien

ABO

,

HNF1A

, ja

SHH

[2] – [4] sekä uutta geeniä

OR13C4

. Nämä havainnot tarjoavat uuden provosoiva oivalluksia polygeenisiä perusteella haimasyövän herkkyys ja verestä.

GPCR-proteiini superperheen transmembraanisen reseptorien osuus ~ 4% koko ihmisen perimän ja 50% modernin terapeuttisten kohteiden [ ,,,0],31]. Geenit neuroaktiivisten reseptori-vuorovaikutus ja hajuaistin transduktioreittejä ovat olennaisimpia GPCR: (taulukko S4). Neuroaktiivisiksi ligandi-reitin säilyi merkitsevänä säätämisen jälkeen useita testaukseen PanScan1 (

P

= 0,0006), mutta ei PanScan2 (

P

= 0,002). Kuitenkin P arvo meta-analyysi oli erittäin merkitsevä (

P

1 x 10

-5). Vaikuttavista geenejä tämän reitin, esim.

CCKBR, CHRM5, EDNRA, LPAR1

,

SSTR2 /3

, ja

SCTR

, on erilaisia ​​toimintoja säätelevät hormonaaliset ja exocrine toimintoja haima, jotka ovat erittäin merkityksellisiä haimasyövän [32], [33], [34], [35].

Ihmisillä on 700 hajuaistin reseptorin (OR) geenejä (joista ≥50% ovat toiminnallisia) [36]. Geneettiset variantit tai geenejä ja toimintahäiriöiden OR signalointi on aiemmin skitsofreniaan liittyviä [37], sikiön hemoglobiini sirppisoluanemiaa [38], ja leviämisen syöpäsolujen [39]. Vaikka yhteyksiä haju- transduktion ja haimasyövän edelleen selvittämättä, aiemman Sekvensointianalyysin ihmisen haiman kasvainten teki monia somaattiset mutaatiot tai geenejä, joista seitsemän tunnistettujen geenien nykyisessä analyysi:

OR13C3

,

OR13C5

,

OR10P1

,

OR1J2

,

OR4A16

,

OR51F2

, ja

OR5D13

[40] . Expression vähintään kaksi OR-geenejä, on raportoitu ihmisen haiman kudoksista [41]. Kaksi ylintä vaikuttavat geenien hajuaistin transduktioreaktiotie,

OR13C4

ja

OR13C3

, sijoittui kolmanneksi ja viidenneksi merkittävin geenien joukossa 5127 geenit analysoitiin tässä tutkimuksessa. Vuonna replikointi tutkimuksessa, hajuaistin transduktioreaktiotie pysyi yhtenä top polkuja johdonmukainen pieni

P

arvoja PanScan1 ja PanScan2 kohortti, jolla on merkittävä meta-analyysi

P

arvo säätämisen jälkeen useita testaus. Toisaalta, emme löytäneet mitään yhteyttä tämän reitin bipolar tai Crohnin taudin WTCCC GWAS tietojen analysointi. Kaikki nämä tiedot viittaavat siihen, että yhdistys haju transduktioreaktiotie ja haimasyövän tuskin johtua sattumasta. Edelleen replikointi tämän yhdistyksen muissa aineisto ja toiminnalliset tutkimukset biologisten ja molekyylien väliset haju- transduktion signalointi ja haimasyövän ovat perusteltuja. GPCR: t ovat ensimmäinen portti, jonka kautta ulkopuolella signaalit lähetetään soluun. Korkea-aktiiviset GPCR: ien voivat edistää transduktio ulkopuolella haitallisia signaaleja, kuten insuliinin, glukoosin tai syöpää soluun ja aiheuttaa kaskadin vasteita, jotka liittyvät karsinogeneesiin.

Näiden lisäksi kahta reittiä, neljä ylimääräistä väyliä myös läpäissyt Bonferronin korjauksen monimuuttujille eli MODY, Fc epsilon RI, pitkäaikainen masennus ja sileän lihaksen supistumista reittejä. Kuitenkin MODY polku oli erittäin merkittävä PanScan1 mutta ei ollut merkittävä PanScan2. Vähäisemmälle tai heikompi geeni riskin yhdistys PanScan2 on aiemmin havaittu muita geenejä [3], [4]. Tämä ero saattaa liittyä siihen, että PanScan1 yhdistettiin 12 kohorttitutkimuksessa ja yhdessä tapauksessa verrokkitutkimuksessa kun PanScan2 vedettiin kahdeksasta tapausverrokkitutkimukset. Koska nopea kuolemantapauksen haimasyövän, tapaus verrokkitutkimuksen voivat kantaa selviytymisen bias jos testaus geenit liittyvät selviytymisen. Vaikka meta-analyysi ei osoittanut merkittävää

P

arvo, tämän reitin on todettu merkittävin polku yhdessä haimasyövän erillisessä analyysin PanScan tietoja käyttämällä kahta eri tilastollisia menetelmiä [13]. MODY geenit ovat tärkeä osa transkription verkko, joka säätelee haiman kehitys ja erilaistuminen varhaisella iällä ja ylläpitää haiman homeostaasin aikuisiässä [42], [43], [44]. Kolme MODY geenit (

HNF1A

,

HNF4G

, ja

NR5A2

) olivat kärjessä 10 geenit

P

arvojen 0,0001 in LKM analyysi . Erityisesti vielä kaksi top 10 geenejä,

SHH

ja

MYC

, tiedetään myös keskeisessä asemassa haiman kehitys [45]. Geenit mukana elimessä kehittämiseen ja erilaistuminen voi edistää kykyä syöpäsolujen lisääntyä ja hengissä sekä alter solu plastisuus, mikä uudelleenohjelmointi solujen tilaan, joka voi aiheuttaa kasvain. MODY geenit voivat myös edistää haimasyövän muuttamalla riskiä sairastua diabetekseen [46] ja lihavuus [47], [48], tai säätelemällä epiteelisolujen kasvua ja erilaistumista, rasva-aineenvaihduntaan [49], proteiini fukosyloitu- [50], ja tulehdus [51].

Fc epsilon RI on suuri affiniteetti reseptoria IgE, ja syöttösolujen aktivaation välittämiä Fc epsilon RI on keskeinen tapahtuma allerginen tulehdusreaktio. Lisääntyvä todistusaineisto osoittaa, että tulehdus ympärillä kasvain, kuten tunkeutumisen syöttösolut, tilat kasvaimen kasvua ja angiogeneesiä haimasyövän [52], [53]. Kuitenkin tämän reitin yhdessä pitkäaikaisen masennuksen ja sileän lihaksen supistumista reittejä ei ole johdonmukaisia ​​tuloksia replikointi tutkimuksissa. Siten nämä tiedot on käsiteltävä varoen.

Verrattuna havainnot aiemmin raportoitu ehdokas polku /geenin analyysi [13], meidän havainnot polkuja, jotka olivat mukana molemmissa tutkimuksissa olivat täysin johdonmukaista, eli positiivinen toteamuksen haima kehitykseen (aka MODY) polku /geenien ja negatiivinen havainnot DNA korjaukseen, apoptoosin, insuliini signalointi, Wnt, lovi ja siili polkuja /geenejä.

Tämä on ylivoimaisesti suurin tutkimus haiman syöpä kaikkein kattava analyysi kaikista biologisten reittien identifioitu Kegg käyttäen agnostikko lähestymistapaa. Käyttämällä PCA ruoho vähentää huomattavasti dimensio on GWAS tietojen ja lisääntynyt todennäköisyys erottamisesta muista hyödyllistä tietoa. Käyttämällä LKM menetelmää voitti vaikutteita positiivisten ja negatiivisten vaikutusten SNP ja meille mahdollisuuden tunnistaa uusia geenejä lisäksi jäljitellä geenialueille löysi edellinen marginaalinen-yhdistyksen tutkimuksia [54]. Suorittamalla GRASS analyysin kaksi erillistä ikäluokat olemme osoittaneet johdonmukaista havaintoja joitakin merkittäviä reittejä. Edelleen replikointi Näiden havaintojen tulevissa ylimääräisiä haimasyövän GWAS data on perusteltua. Kaiken kaikkiaan reitin analyysiin, jossa intensiivinen ohjaus väärät positiiviset löydökset on suuri potentiaali paljastaa geeni piirteet, jotka liittyvät tautiin ilman a priori. Oikeaa käyttöä tämän työkalun voi avata uusia väyliä tutkimuksen molekyylimekanismeja haimasyövän ja potentiaalisia kohteita ehkäisyyn ja hoitoon tämän taudin.

tukeminen Information

Taulukko S1.

Luettelo 197 biologisten reittien analysoitu tässä tutkimuksessa.

doi: 10,1371 /journal.pone.0046887.s001

(XLS) B Taulukko S2.

tulokset GRASS analyysin alaryhmiin ja WTCCC GWAS aineisto.

doi: 10,1371 /journal.pone.0046887.s002

(XLS) B Taulukko S3.

Luettelo 5127 geenien analysoitu tässä tutkimuksessa.

doi: 10,1371 /journal.pone.0046887.s003

(XLS) B Taulukko S4.

Luettelo geenien kunkin klusterin tunnistettu DAVID analyysiin.

doi: 10,1371 /journal.pone.0046887.s004

(XLS) B

Kiitokset

Kiitos kaikille avustajat PanScan GWAS. Kiitämme tohtori Yuxin Fu hänen neuvoja väestörakenteeseen analyysin ja Mr. Jin Yu avusta kanssa intensiivinen laskenta käyttäen klusterijärjestelmän yliopiston Texas, School of Public Health at Houston.