مقالة منهجية

تطوير خلاصة وافية لسرطان الخلايا الحرشفية المريئي

1.1K مشاهدة

⸱

DOI:

10.3791/65480

⸱

أبريل 12, 2024

 , 
1Amity Centre of Nanotechnology, Amity University Haryana, 2Amity Stem Cell Institute, Amity Medical School, Amity University Haryana, 3Clinical Biosamples & Research Services (CBRS)

في هذه المقالة

ملخص

يصف هذا البروتوكول أداة مفيدة لتحديد التغيرات الجزيئية المهمة في السرطان ويؤدي إلى تطوير مناهج تشخيصية وعلاجية جديدة لسرطان الخلايا الحرشفية المريئي.

الملخص

يصنف سرطان المريء (EC) على أنه8 أكثر الأورام الخبيثة عدوانية ، ولا يزال علاجه صعبا بسبب نقص المؤشرات الحيوية التي تسهل الكشف المبكر. يتجلى EC في شكلين نسيجيين رئيسيين - السرطان الغدي (EAD) وسرطان الخلايا الحرشفية (ESCC) - كلاهما يظهر اختلافات في الإصابة عبر مجموعات سكانية متميزة جغرافيا. تعمل التقنيات عالية الإنتاجية على تغيير فهم الأمراض ، بما في ذلك السرطان. يتمثل التحدي الكبير الذي يواجه المجتمع العلمي في التعامل مع البيانات المتناثرة في الأدبيات. لمعالجة هذا الأمر ، تم اقتراح خط أنابيب بسيط لتحليل مجموعات بيانات المصفوفات الدقيقة المتاحة للجمهور وجمع الجزيئات المنظمة تفاضليا بين السرطان والظروف العادية. يمكن أن يكون خط الأنابيب بمثابة نهج قياسي لتحليل التعبير الجيني التفاضلي ، وتحديد الجينات التي يتم التعبير عنها بشكل تفاضلي بين السرطان والأنسجة الطبيعية أو بين الأنواع الفرعية المختلفة للسرطان. يتضمن خط الأنابيب عدة خطوات ، بما في ذلك المعالجة المسبقة للبيانات (بما في ذلك مراقبة الجودة وتطبيع بيانات التعبير الجيني الخام لإزالة الاختلافات التقنية بين العينات) ، وتحليل التعبير التفاضلي (تحديد الجينات المعبر عنها بشكل تفاضلي بين مجموعتين أو أكثر من العينات باستخدام الاختبارات الإحصائية مثل اختبارات t، ANOVA ، أو النماذج الخطية) ، والتحليل الوظيفي (باستخدام أدوات المعلوماتية الحيوية لتحديد المسارات والوظائف البيولوجية المخصبة في الجينات المعبر عنها تفاضليا) ، والتحقق من الصحة (بما في ذلك التحقق باستخدام مجموعات بيانات مستقلة أو طرق تجريبية مثل qPCR أو الكيمياء المناعية). باستخدام خط الأنابيب هذا ، يمكن إنشاء مجموعة من الجزيئات المعبر عنها تفاضليا (DEMs) لأي نوع من أنواع السرطان ، بما في ذلك سرطان المريء. يمكن استخدام هذه الخلاصة لتحديد المؤشرات الحيوية المحتملة والأهداف الدوائية للسرطان وتعزيز فهم الآليات الجزيئية الكامنة وراء المرض. بالإضافة إلى ذلك ، سيساعد الفحص الخاص بالسكان لسرطان المريء باستخدام خط الأنابيب هذا في تحديد أهداف دوائية محددة لمجموعات سكانية متميزة ، مما يؤدي إلى علاجات مخصصة للمرض.

المقدمة

من المثير للقلق أن EC هو ثامن أكثر أنواع السرطان شيوعا في جميع أنحاء العالم وسادس سبب رئيسي للوفاة في جميع أنحاء العالم. الصين والهند وإيران لديها معدلات إصابة ووفيات مرتفعة بشكل مثير للقلق. هناك نوعان رئيسيان من السرطان الغدي المريئي (EAC أو EAD) ، وسرطان الخلايا الحرشفية المريئي (ESCC) 1. تعد EAC أكثر شيوعا في العالم الغربي ، في حين أن ESCC أكثر شيوعا في البلدان الشرقية ، وخاصة الصين وإيران2. ترتبط العديد من عوامل الخطر ب EC ، بما في ذلك تعاطي التبغ والكحول والسمنة ومرض الارتجاع المعدي المريئي (GERD). بالإضافة إلى ذلك ، ترتبط العوامل الغذائية مثل نقص الفواكه والخضروات واستهلاك المشروبات الساخنة والأطعمة بمخاطر ESCC في المناطق عالية الخطورة. التشخيص والعلاج المبكر مهمان لتحسين نتائج المرضى الذين يعانون من EC3،4. لذلك ، من المهم زيادة الوعي بعوامل الخطر وعلامات وأعراض EC ، وتشجيع الفحص المنتظم للأفراد المعرضين لمخاطر عالية. علاوة على ذلك ، قد تساعد الجهود المبذولة لمعالجة عوامل الخطر القابلة للتعديل ، مثل تعاطي التبغ والكحول والعادات الغذائية غير الصحية ، في تقليل حدوث EC. يحدث EAD في خلايا الغدد المنتجة للمخاط في الجزء السفلي من المريء ، بالقرب من المعدة. غالبا ما يرتبط بالارتجاع المعدي المريئي ، حيث يعود حمض المعدة ومحتوياته إلى المريء. في المقابل ، ينشأ ESCC من خلايا مسطحة ورقيقة تبطن الجزء العلوي من المريء5. وهو أكثر شيوعا في المناطق التي ينتشر فيها تعاطي التبغ والكحول على نطاق واسع ، مثل الصين وإيران.

من بين الحالات المختلفة المتعلقة بالمريء ، مريء باريت (BE) ، وهي حالة يتم فيها استبدال بطانة المريء بخلايا غدية ، هي مقدمة معروفة ل EAC6. تجدر الإشارة إلى أن BE يمكن أن يتطور بدون ارتجاع المريء ، لكن وجود ارتجاع المريء يزيد من خطر الإصابة بالارتجاع المعدي المريئي بمقدار 3 إلى 5 أضعاف. بالإضافة إلى ذلك ، يزيد وجود BE من خطر الإصابة ب EAC بمقدار 50-100 ضعف7. علاوة على ذلك ، تم ربط الأطعمة والسوائل الساخنة أو الحارة ب ESCC ، ولكن ليس ب EAC. يعد فهم عوامل الخطر للإصابة بالعدوى الكهربية أمرا مهما للوقاية منها واكتشافها مبكرا. قد تساعد الجهود المبذولة لمعالجة عوامل الخطر القابلة للتعديل ، مثل تعاطي التبغ واستهلاك الكحول والسمنة والعادات الغذائية غير الصحية ، في تقليل حدوث EC. علاوة على ذلك، قد يؤدي الفحص والترصد الروتيني للأفراد المعرضين لمخاطر عالية، مثل المصابين بعسر البلع أو BE، إلى تحسين النتائج من خلال تمكين الكشف المبكر والعلاج.

من المؤكد أن الدراسات التي يحركها omics ، بما في ذلك علم الجينوم ، والنسخ ، والبروتينات ، والميثيلوميكس ، والميرنالوميكس ، والتمثيل الغذائي ، قد ساهمت بشكل كبير في فهمنا ل ECs ، وخاصة ESCC8،9،10،11،12،13. سمحت هذه الدراسات بتحديد المؤشرات الحيوية الجديدة والأهداف العلاجية المحتملة والمسارات الجديدة المشاركة في تطوير وتطور ESCC. ومع ذلك ، فإن البيانات الناتجة عن هذه الدراسات منتشرة في جميع أنحاء الأدبيات ، مما يجعل من الصعب على المجتمع العلمي الوصول إلى هذه المعلومات واستخدامها. لذلك ، من المهم إنشاء مستودع أو قاعدة بيانات تجمع البيانات التي تم الحصول عليها من دراسات عالية أو منخفضة الإنتاجية حول سرطانات معينة. يمكن تبسيط هذه الحزمة وصنعها من خلال تنفيذ بعض المبادئ التوجيهية الأساسية. وتشمل هذه المبادئ التوجيهية اختيار الدراسات ذات الصلة، واستخراج البيانات من هذه الدراسات وتنظيمها، وضمان جودة البيانات واتساقها. وبالإضافة إلى ذلك، ينبغي تحديث الخلاصة بانتظام لتشمل دراسات وبيانات جديدة فور توافرها. يمكن للباحثين استخدام منصة واحدة لاسترداد وتحليل البيانات حول سرطان معين من خلال إنشاء خلاصة وافية أو قاعدة بيانات تجمع البيانات من دراسات مختلفة. سيساعد هذا في تسريع الجهود البحثية ويؤدي في النهاية إلى علاجات أكثر فعالية ونتائج أفضل لمرضى السرطان.

يتضمن تطوير خلاصة السرطان بيانات من كل من الدراسات منخفضة الإنتاجية والإنتاجية العالية. ستكون هذه الخلاصة مصدرا قيما للباحثين الذين يتطلعون إلى تحديد الأهداف التشخيصية أو العلاجية المحتملة للسرطان. تتمثل إحدى طرق بناء هذه المجموعة في مراجعة دراسات المصفوفات الدقيقة المتاحة في مستودعات متاحة للجمهور مثل Gene Expression Omnibus (GEO). يمكن أن توفر دراسات المصفوفات الدقيقة معلومات حول مستويات التعبير الجيني في الخلايا السرطانية ، ويمكن استخدام هذه البيانات لتحديد الجينات المعبر عنها تفاضليا (DEGs) التي قد تلعب دورا في تطور السرطان وتطوره.

ومع ذلك ، تجدر الإشارة إلى أن الدراسات المختلفة ربما استخدمت طرقا مختلفة لتحليل بياناتها ، مما قد يؤدي إلى تحديد DEGs مختلفة. لذلك ، من المهم مراجعة كل دراسة بعناية والنظر في أي تحيز أو قيود محتملة عند تجميع البيانات للخلاصة. بمجرد جمع البيانات في منصة مشتركة ، يمكن للباحثين استخدامها لتحديد الأهداف الجزيئية المحتملة لمزيد من الدراسة. وتشمل هذه فحص التعبير عن جين معين في العينات السريرية أو إجراء دراسات ميكانيكية لفهم كيفية مشاركة جين أو بروتين معين في تطور السرطان وتطوره. بشكل عام ، سيكون إنشاء مجموعة بيانات السرطان مصدرا قيما لباحثي السرطان ويساعد في تحديد أهداف جديدة للتشخيص والتدخلات العلاجية.

البروتوكول

1. التنظيم اليدوي للجزيئات المنظمة تفاضليا في ESCC

  1. العثور على دراسات ذات إنتاجية منخفضة ذات صلة باستخدام PubMed
    ملاحظة: من المهم فهم الفرق الأساسي بين تقنيات الإنتاجية المنخفضة مقابل تقنيات الإنتاجية العالية. في السابق ، تتم دراسة عدد محدود فقط من العينات ، وعادة ما تستغرق العملية وقتا طويلا ، وعلى النقيض من ذلك ، يكون لاحقا أسرع ويمكن تحليل عدد العينات دفعة واحدة وهو أعلى بكثير من الطرق منخفضة الإنتاجية مثل اللطخة الشمالية ، واللطخة الغربية هي تقنيات منخفضة الإنتاجية ، في حين أن المصفوفة الدقيقة (cDNA) ، والبروتينات الكمية القائمة على LC-MS / MS هي تقنيات عاليةالإنتاجية 14. تعد محركات البحث مثل NCBI-PubMed (انظر جدول المواد) مصدرا جيدا للعثور على الدراسات ذات الصلة بأي سرطان ، حيث إنها مورد متاح للجمهور لعلماء الطب الحيوي للعثور على الأدبيات حول أي أمراض مثل ESCC. للعثور على الدراسات ذات الصلة ، يجب اتباع الخطوات التالية.
    1. انقر فوق محرك بحث Google (انظر جدول المواد) لفتحه. يتم استخدام هذا أيضا من قبل الباحثين ، حيث توجد مجلات غير مفهرسة في PubMed ، ولكنها لا تزال مقالات ذات نوعية جيدة. من الجيد دائما البحث في أكثر من محرك بحث لإبطال احتمالية فقدان أي مقالة مهمة.
    2. حدد شريط البحث في PubMed واستخدم عوامل التشغيل المنطقية (AND ، OR ، NOT). يقوم المشغلون المنطقيون بتحسين الباحثين إلى الكلمات الرئيسية ذات الصلة التي يستخدمها الباحثون للعثور على النتائج.

2. العثور على الدراسات ذات الصلة باستخدام PubMed

  1. اكتب عنوان ويب NCBI (راجع جدول المواد) وانقر لفتحه.
  2. حدد PubMed من قائمة الشريط اليسرى علامة التبويب جميع قواعد البيانات .
  3. اكتب في شريط البحث ، الكلمات الرئيسية ذات الصلة ، والتي ستجلب المقالات ذات الصلة. يجب استخدام الكلمات الرئيسية بالاشتراك مع المشغلين المنطقيين لأنها يمكن أن تساعد في الحصول على المقالات التي ترتبط ارتباطا وثيقا بالسرطان / المرض المعني (على سبيل المثال ، سرطان الخلايا الحرشفية للمريء).

3. العثور على الدراسات ذات الصلة باستخدام التعبير الجيني الشامل (GEO)

ملاحظة: الجامع للتعبير الجيني (GEO) هو مستودع متاح مجانا لتخزين البيانات على المصفوفات الدقيقة للحمض النووي. يعد عدد كبير من البيانات المتاحة في GEO مصدرا جيدا للتنقيب عن البيانات لتحديد الجزيئات المنظمة بشكل تفاضلي بين السرطان / الأمراض مقابل الظروف العادية.

  1. اكتب عنوان ويب GEO (راجع جدول المواد)، وانقر لفتحه.
  2. اكتب سرطان الخلايا الحرشفية المريئي و الإنسان العاقل واضغط على Enter.
    ملاحظة: لعمل خلاصة وافية للجينات المنظمة تفاضليا للسرطان ، من المهم اختيار الدراسات ذات الصلة حيث سيختار الباحثون الجزيئات التي يتم تنظيمها بشكل تفاضلي بين السرطان مقابل الظروف العادية. الجانب الأساسي هو تحديد معايير اختيار الجزيئات بناء على تغيير الطيات. سيشير تغيير الطية إلى ما إذا كان الجين / البروتين قد تم تنظيمه أو تنظيمه بشكل أقل. يمكن أن يؤدي تغيير الطي وقيم قطع القيمة p إلى تغيير معنى البيانات بشكل كبير في تجربة معينة بما في ذلك microarray RNAseq أو دراسات البروتينات15.

4. تحليل المصفوفات الدقيقة باستخدام GEO2R

ملاحظة: أول شيء هو العثور على الدراسات ذات الصلة باستخدام عوامل التشغيل المنطقية (و ، أو ، لا). سيتم استخدامها مع الكلمات الرئيسية "سرطان الخلايا الحرشفية المريئي" أو "ESCC" أو "سرطان الخلايا الحرشفية المريئي". GEO2R (انظر جدول المواد) عبارة عن حزمة لغة R متاحة مجانا ومتكاملة مع GEO ، مما يتيح للمستخدمين تحليل البيانات من دراسات المصفوفات الدقيقة بطريقة سهلة الاستخدام. يتفاعل مع معرفات إدخال GEO ويوفر واجهة لإجراء تحليل معقد قائم على R لتحديد DEGs باستخدام حزم Bioconductor R للنهاية الخلفية. لا تقوم هذه الحزمة بتحويل بيانات GEO فحسب ، بل تقدم أيضا مخرجاتها في شكل جداول .txt ، والتي يمكن تعديلها بشكل أكبر وفقا لاحتياجات المستخدمين16. تقدم حزمة GEO2R الجينات بترتيب ذي دلالة إحصائية بناء على قيمة p ، ولكن يمكن فرز الترتيب بناء على تغيير السجل2 أضعاف. بالإضافة إلى ذلك ، يمكن للمستخدمين عرض ملفات تعريف التعبير الجيني كصور ملف تعريف GEO. على عكس أدوات التحليل الأخرى ، فإن GEO2R مستقل عن سجلات مجموعة البيانات المحددة ويمكنه استجواب البيانات الفعلية المقدمة من قبل المحققين مباشرة. يمكن تحليل أكثر من 90٪ من دراسات GEO باستخدام هذه الطريقة17. يظهر سير عمل GEO2R مع الخطوات المتضمنة في تحليل بيانات المصفوفات الدقيقة باستخدام GEO2R في الشكل 1.

  1. افتح موقع GEO2R على الويب.
  2. أدخل انضمام GSE باستخدام GEO في مساحة البحث المسماة "انضمام GEO" وانقر فوق الزر تعيين. إنشاء تسميات السرطان ثم طبيعية.
  3. قم بتعيين العينات بناء على النوع عن طريق تعيين السرطان أولا متبوعا بالوضع الطبيعي.
  4. انقر فوق تحليل دون تغيير أي معلمات افتراضية.
  5. انقر فوق قائمة الجينات الكاملة وقم بتنزيل البيانات بتنسيق ملف .tsv. يجب تحويل .tsv إلى .xlsx قبل معالجة البيانات بشكل أكبر.
  6. قم بتحويل تغيير أضعاف السجل2 إلى تغيير أضعاف باستخدام الصيغة [= (2) ^ (Nx) ، حيث N هو موضع الخلية] في برنامج Excel.
  7. علاوة على ذلك ، قم بإخضاع البيانات التي تم الحصول عليها في الخطوة 4.6 للحصول على DEGs من خلال تطبيق معدل اكتشاف خاطئ (FDR) بنسبة 5٪ أو قيمة p معدلة (صفة p-value) <0.05 ، وتغيير أضعاف بمقدار >2.0 ضعف للجينات المنظمة ، وتغيير <0.5 ضعفا للجينات التي تم تنظيمها منخفضا.
    ملاحظة: FDR هو تصحيح يتم تطبيقه على قيم p لحساب الاختبارات المتعددة ، ولا يمكن التعامل مع هذين الاثنين على أنهما مترادفان لبعضهما البعض. يعد تعديل FDR أمرا بالغ الأهمية للتحكم في معدل الاكتشافات الخاطئة عند إجراء عدد كبير من اختبارات الفرضيات.
  8. حدد قائمة الجينات الفريدة مقارنة بالدراسة المنشورة سابقا عن طريق إخضاع DEGs باستخدام أداة مولد Venn Diagram المتاحة مجانا عبر الإنترنت (Pangloss) لإنشاء مخطط Venn لفصل DEGs الشائعة والفريدة (انظر جدول المواد).
  9. علاوة على ذلك ، قم بإخضاع قائمة الجينات الفريدة لتحديد علم الوجود الجيني.
    ملاحظة: يمكن إنشاء وظائف GO المختلفة مثل علم الوجود الجيني: الوظيفة الجزيئية (GO: MF) ، وعلم الوجود الجيني: العمليات البيولوجية (GO: BP) ، وعلم الوجود الجيني: المكون الخلوي (GO: CC) باستخدام إما g: Profiler (انظر جدول المواد) ، أو PANTHER (انظر جدول المواد) ، وكلاهما متاح مجانا عبر الإنترنت. تم إجراء التحليل المستند إلى GO باستخدام g: Profiler.
  10. للحصول على توزيع DEGs في الجينوم على الكروموسومات الفردية ، استخدم ShinyGO (انظر جدول المواد).
  11. الصق قائمة الجينات الفريدة بأكملها التي تم الحصول عليها من GEO2R في علامة تبويب بحث ShinyGO ، وكانت أفضل الأنواع المطابقة المختارة هي Homo sapiens. كان الحد الأقصى ل FDR المستخدم 5٪.
  12. قم بإجراء اختيار DEGs التي تم الحصول عليها من GEO2R لمزيد من دراسة التحقق على مستوى البروتين. تم عرض سير العمل لاستخراج المعلومات الإضافية ولكن الهامة حول DEGs في الشكل 2.

5. العثور على اسم مستعار لجين / بروتين

  1. افتح صفحة HPRD (انظر جدول المواد) ، وانقر فوق الزر استعلام .
  2. أدخل اسم البروتين أو معرف HPRD في علامة تبويب البحث المعنية ، واضغط على زر البحث في الأسفل
    ملاحظة: ستكون هناك صفحة مفتوحة تحتوي على علامة تبويب تسمى "أسماء بديلة" ، انقر فوقها وسيظهر الاسم المستعار لهذا الجين أو البروتين.

6. العثور على رمز الجين الرسمي ل DEGs

  1. للعثور على رمز الجين الرسمي ، افتح لجنة تسميات الجينات HUGO (HGNC) (انظر جدول المواد).
  2. اكتب الاسم الذي تم الحصول عليه في تحليل GEO2R في شريط البحث في صفحة HGNC وانقر على رمز البحث . ستظهر نتائج البحث رمز الجين الرسمي الذي يتطابق معه المصطلح تماما.
  3. انقر فوق هذا الرابط واكتشف "رمز الجين" الرسمي المذكور هناك.

7. إيجاد موضع الجينات ل DEGs

  1. افتح صفحة الجينات من خلال زيارة الرابط على NCBI.
  2. اكتب رمز الجين الرسمي للجين وانقر على بحث.
  3. في النتيجة ، تحقق بعناية من الجين والكائن الحي الذي ينتمي إليه. بمجرد التأكد من المطابقة الصحيحة ، انقر فوق الرابط وتابع ذلك.
    ملاحظة: باختصار ، تحت عنوان "السياق الجيني" سيكون هناك موقع هو في الواقع موضع الجينات.

8. العثور على معلومات حول DEGs على OMIM Pagegene locus of the DEGs

  1. افتح صفحة OMIM (انظر جدول المواد).
  2. أدخل الاسم أو رمز الجين لمعلومات الجينات وخاصة "النمط الجيني الظاهري".
  3. انقر فوق زر البحث وستظهر النتائج للجين محل الاهتمام. توفر الشاشة معلومات حول "العلاقة بين الجين والنمط الظاهري".

9. إيجاد توطين البروتين والمجال والفكرة والطبيعة الإفرازية للبروتين المشفر بواسطة الجين

  1. افتح صفحة HPRD (انظر جدول المواد).
  2. بمجرد الفتح ، أدخل اسم البروتين أو معطر HPRD في علامة تبويب البحث المعنية واضغط على زر البحث في الأسفل.
  3. ستكون هناك صفحة مفتوحة تحتوي على علامة تبويب تسمى "ملخص". انتقل إلى أسفل الصفحة وتحقق من علامة تبويب الترجمة لمعرفة الترجمة "الثانوية" الأساسية والبديلة.
    ملاحظة: في نفس الصفحة ، يوجد أسفل "التوترين" علامة تبويب "المجالات والزخارف" حيث يتم سرد المجالات والزخارف الخاصة بالبروتين محل الاهتمام (إن وجدت). مرة أخرى في نفس الصفحة ، بجوار علامة التبويب "المجالات والزخارف" ، توجد علامة تبويب "تعبير" مع علامة تبويب فرعية "موقع التعبير". يمكن اعتبار أي بروتين تم الإبلاغ عن التخلص منه في أي سائل بيولوجي "إفرازا" بطبيعته. إذا تم الإبلاغ عن البروتين ذي الأهمية في أي من السوائل البيولوجية مثل البلازما والمصل والسائل المنوي والدموع الإضافية ، فسيتم إدراجه هناك.

10. اختيار الكرز للبروتين للتحقق من صحته ، ومزيد من التقييم لتشخيص أو تشخيص الورم الخبيث المعني

ملاحظة: بمجرد تحديد الجزيئات الفريدة ، فإن التحدي الأكبر هو كيفية التحقق من صحتها. عادة ، توفر دراسة المصفوفات الدقيقة تعبيرا على مستويات mRNA ، ولكن لتشخيص المرض أو التشخيص ، فإن قراءة مستويات البروتين أمر بالغ الأهمية. لنفس الشيء ، يجب فحص العينات المشتقة من المرضى أو المرضى أو خطوط الخلايا من نفس السرطان لمعرفة ما إذا كان الجزيء قد تم التعبير عنه بالفعل هناك وما إذا كان قادرا على التمييز بين السرطان مقابل الطبيعي ، أو التشخيص الجيد مقابل السيئ ، أو التمييز بين المراحل المبكرة إلى المتأخرة من الأمراض. للتحقق من صحة الجزيء المرشح ، تعد اللطخة الغربية ، وفحوصات الممتز المناعي المرتبطة بالإنزيم ، مثل ELISA ، أو الترسيب المناعي ، أو الكيمياء المناعية ، أو الكيمياء المناعية ، أو الفحص تقنيات مفيدة18،19،20. في الوقت نفسه ، تتطلب كل هذه المقايسات أجساما مضادة للكشف عن المستضد الموجود في العينات. الأجسام المضادة هي عناصر مكلفة ، لذلك من الأفضل دائما اختيار الأجسام المضادة بناء على النقاط التالية:

  1. تحقق مما إذا كان الجسم المضاد قد أبلغ بالفعل عن أي أوراق بحثية منشورة مسبقا في أورام خبيثة أخرى.
  2. إذا لم يكن الأمر كذلك ، فتحقق من شركة مزود الأجسام المضادة ومعرفة ما إذا كانوا يقدمون ورقة بيانات مع صورة للبقعة ، أو كيمياء الخلايا المناعية ، أو الكيمياء المناعية.
    ملاحظة: إذا كان المرء يرغب في إجراء الكيمياء المناعية ، ولكن الجسم المضاد متاح لمقايسة ELISA فقط ، فقد يكون هذا خطرا لاستخدام الجسم المضاد خاصة إذا كان الجزيء المستهدف عبارة عن جزيء يحمل مجال الغشاء ولكن ليس ببتيد الإشارة. أيضا ، إذا كان الجسم المضاد أحادي النسيلة أو متعدد النسيلة ، فمن الأفضل تفضيل الجسم المضاد أحادي النسيلة.

النتائج

على سبيل المثال ، تم استخدام GSE161533 الانضمام إلى GEO لدراسة الجينات المستكشفة تفاضليا في ESCC. تم عرض النتائج التمثيلية للتحليل في الشكل 3. يولد GEO2R مؤامرة بركانية مفيدة لتحديد الأحداث التي تختلف اختلافا كبيرا بين مجموعتين من الأشخاص التجريبيين. تقدم مؤامرة البركان التوزيع الجيني الكلي مع -log10 الأهمية المحولة (p-value) على المحور y ، وتغييرات الطي (مع تغيير الطية المحولة في السجل2 ) على المحور x (الشكل 3 أ) ، وهو مفيد لتصور الجينات التي يتم التعبير عنها بشكل تفاضلي. يتم التعبير عن الجينات المميزة بشكل تفاضلي بشكل كبير عند صفة افتراضية. قطع قيمة p يبلغ 0.05 (أزرق = مخفضة للتنظيم ، أحمر = منظم).

يعرض مخطط متوسط الفرق (MD) تغيير السجل2 أضعاف مقابل. متوسط قيم التعبير في log2 وهو مفيد لتصور الجينات التي يتم التعبير عنها بشكل تفاضلي. في مخطط MD ، تتغير الجينات حيث يتحول السجل2 إلى الطي على المحور y ، وتسجل متوسط تعبير القيمة على المحور x (الشكل 3 ب). يتم التعبير عن الجينات المميزة بشكل تفاضلي بشكل كبير عند صفة افتراضية. قطع قيمة p يبلغ 0.05 (أزرق = منظم ، أحمر = منظم). تواجه مخططات البراكين نفس المشكلات مثل مخططات MA من حيث عرض المعلومات من معالجتين فقط في وقتواحد 21.

علاوة على ذلك ، تم استخدام التقريب والإسقاط المنتظم للمشعب (UMAP) 22 لتقييم العلاقة بين ESCC والعينات العادية (الشكل 3 ج). على الرغم من أن معظم العينات كانت في الفئات المعنية ، فقد تم العثور على عينتين من ESCC في العينات العادية.

قدم GEO2R مخططا لكثافة التعبير التفاعلي ثنائي الأبعاد (الشكل 3D) ، والذي أظهر بشكل فعال كثافة التعبير في مجموعة البيانات. هذه المخطط مفيدة لتحديد ما إذا كان التطبيع ضروريا ل DEGs. في هذا المخطط ، يشير المحور y إلى الكثافة ، بينما يشير المحور x إلى شدة كل من ESCC (اللون الأخضر) والعادي (اللون البنفسجي).

تم عرض توزيع القيم عبر عينات مختلفة بما في ذلك ESCC والعادي في مخطط الصندوق. تعطي هذه التوزيعات تلميحا إذا كانت العينات مناسبة بالفعل لتحليل التعبير التفاضلي. تشير القيم المركزية المتوسطة بوضوح إلى أن البيانات تطبيع وقابلة للمقارنة (الشكل 3E).

يتم تصفية الجينات المحددة بناء على p < 0.05 ومعايير تغيير الطية. تمت إزالة الجينات التي لم تتغير (مع تغيير الطي بين <2.0->0.50) من التحليل. علاوة على ذلك ، عند مقارنتها بدراسة منشورة سابقا ، فإن الجينات الشائعة التي تم العثور عليها هي 514 فقط ، لكن العدد الفريد للجينات التي تم الحصول عليها هو 1193. من المهم ملاحظة أن تحديد الجينات الفريدة باستخدام GEO2R يمكن أن يساعد ليس فقط في تقليل التكرار ولكن أيضا في إثراء الخلاصة.

وقد وردت قائمة جزئية بالأهداف الإنمائية للألفية، في حين وردت قائمة كاملة بالأهداف المطلوبة في الملف التكميلي 1. تنتمي بعض الجينات المنظمة إلى المصفوفة خارج الخلية ، مثل MMP18،23،24 ، MMP1223،25 ، SPP18،26 ، POSTN9 ، و VCAN8،27. من بين الجينات الأخرى المدرجة في الجدول 1 ، CMPK2 و AURKA28،29 و CHEK127 و CDK130 يتم تنظيمها و EMP127 و PTK631،32 و GPX327 و DPT33 و FHL134،35 و CRNN8،36 يتم تنظيمها في ESCC مقارنة بالظهارة العادية. تم تنظيم POSTN (بيريوستين) في ESCC وتم الإبلاغ عنه أيضا في حالة سرطان المريء الغدي. أفادت دراسة سابقة حول ESCC أن تعبير بروتين POSTN لم يلاحظ فقط في المنطقة اللحمية ولكن أيضا في الخلايا السرطانية مما يشير إلى وجود تفاعل بين الورم والبيئةالدقيقة 9. السيحاق هو بروتين تفرز بشكل أساسي بواسطة الخلايا الوسيطة ويلعب دورا مهما في تنظيم بانيات العظم والتصاقها وتمايزها ، وكذلك في إصلاح الجروح. بالإضافة إلى ذلك ، تورط الزمحاق في تطور الورم ورم خبيث في أنواع مختلفة من السرطان ، بما في ذلك ESCC. أظهرت الدراسات أن البيريوستين يشارك في الانتقال الظهاري إلى اللحمة المتوسطة (EMT) في السرطانات وتكوين الأوعية الدموية ، مما يعزز هجرة الخلايا ، والحركة ، والالتصاق ، ونمو الخلايا النقيلية للأورام. في مريء باريت ، وهي حالة سرطانية في المريء ، هناك تنظيم كبير ل POSTN ، الجين الذي يرمز إلى السمحاق ، مقارنة بأنسجة المريء الطبيعية37. في التهاب المريء اليوزيني ، وهو مرض التهابي يصيب المريء ، يتم تنظيم كل من بيريوستين mRNA ومستويات التعبير عن البروتين مقارنة بظهارة المريء الطبيعية. وبالمثل ، في ESCC ، وجد أن POSTN يتم تنظيمه بمقدار 11 ضعفا في تحليل التعبير الجيني9. تشير هذه النتائج إلى أن POSTN قد يكون بمثابة مؤشر حيوي محتمل ل ESCC والسرطانات الأخرى. علاوة على ذلك ، تم الإبلاغ عن المستويات المتزايدة من POSTN في المصل في مرضى سرطان الثدي المقطرين مع نقائل العظام ، مما يعكس أنه يمكن أيضا إجراء مزيد من التحقيق في POSTN كمؤشر حيوي نقيلي محتمل في مصل مرضى ESCC. بشكل عام ، يبدو أن POSTN يلعب أدوارا مهمة في تطور الورم وقد يكون له آثار سريرية محتملة على تشخيص السرطان والتشخيص والعلاج.

يظهر التوزيع الكروموسومي ل DEGs على الكروموسومات الفردية أن الحد الأقصى لعدد الجينات كان من الكروموسومات 1-6 و X (الشكل 4). أظهر تحليل المسار المستند إلى ShinyGO أن عددا من المسارات الحاسمة تظهر عند تحليل DEGs. كان بعض هذه المسارات مسار إشارات IL-17 ، وهضم البروتين وامتصاصه ، وتفاعل مستقبلات ECM ، ومسار إشارات TNF ، ومسار إشارات المستقبلات الشبيهة بالحصيلة ، ومسار إشارات الكيموكين ، وتفاعل مستقبلات السيتوكين والسيتوكين ، وأمراض الكبد الكحولية ، والحمض النووي الريبي الصغير في السرطان ، وخلل تنظيم النسخ في السرطان ، ودورة الخلية ، ومسار إشارات المستقبلات الشبيهة ب NONO في ESCC. علاوة على ذلك ، تم إثراء مصطلحات GO في DEGs باستخدام g: تحليل ملفات التعريف. تم إثراء مصطلحات GO المختلفة للوظيفة الجزيئية (GO: MF) والمكونات الخلوية (GO: CC) والعمليات البيولوجية (GO: BP) (الشكل 5). وترد في الجدول 2 قائمة بشروط شروط النفاذ هذه.

figure-results-1
الشكل 1: التمثيل التخطيطي لمعالجة الدراسات حول سرطان الخلايا الحرشفية للمريء المتاح في التعبير الجيني الشامل باستخدام برنامج GEO2R. تم عرض خطوات مختلفة متضمنة في تحديد الجينات المنظمة تفاضليا (DEGs) أو الجزيئات المنظمة تفاضليا (DEMs) في المخطط بما في ذلك معايير الاختيار ل DEGs بناء على تغيير الطية >2.0 ضعفا و ص < 0.05 للتنظيم ، و <0.5 و p-value <0.05 للتنظيم المنخفض. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: التمثيل التخطيطي للعثور على معلومات إضافية حول الجينات المنظمة تفاضليا في سرطان الخلايا الحرشفية للمريء المتاحة باستخدام الموارد الأخرى المتاحة للجمهور. بالإضافة إلى ذلك ، فإن المعلومات DEGs ضرورية في اتخاذ قرار بشأن DEGs يجب اختيارها لمزيد من التحقق والتقييم في البيئة السريرية. يمكن الحصول على معلومات مثل استخراج الاسم المستعار ، ورمز الجين الرسمي ، وموقع الكروموسوم / موضع الجين ، و OMIM ، والمجال / الشكل ، والطبيعة الإفرازية للبروتين ، وتوافر الجسم المضاد المناسب للتحقق من الصحة عند مستويات البروتين من مصادر مختلفة عبر الإنترنت. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: توزيع الدراسة مع انضمام GEO GSE161533 باستخدام برنامج GEO2R لتحديد DEGs بين ESCC مقابل العادي. تم استخدام برنامج GEO2R مع المعلمات الافتراضية التي تؤدي إلى (أ) مخطط بركان يمثل توزيع الجينات مع -log10 الأهمية المحولة (p-value) على المحور y ، وتغييرات الطي (مع تغيير الطية المحول في السجل2 ) على المحور x ، (B) مؤامرة MD-plot تعرض السجل2 تغيير الطية مقابل متوسط قيم التعبير log2 لتصور الجينات المعبر عنها تفاضليا ، (ج) يظهر UMAP (التقريب والإسقاط المشعب الموحد) فصل العينات بناء على أنواعها ، (د) يكمل مخطط كثافة التعبير لأنه يتحقق من تطبيع البيانات قبل تحليل التعبير التفاضلي ، (ه) مخطط الصندوق الذي يظهر قيما متمركزة على المتوسط عبر العينات للإشارة إلى أن تطبيع البيانات قابل للمقارنة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: توزيع DEGs على مواقع كروموسومية مختلفة باستخدام أداة تخصيب ShinyGO. (أ) تم تحديد الجينات الفريدة عن طريق إنشاء مخطط Venn لمقارنة الدراسات الحالية مقابل الدراسات المنشورة سابقا. (ب) توزيع DEGs على الكروموسومات المختلفة في الجينوم. (ج) إثراء مسار DEGs باستخدام تحليل التخصيب القائم على ShinyGO. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: مؤامرات مانهاتن لتوضيح إثراء مصطلح GO للجينات المستهدفة باستخدام g: Profiler. تم تحليل الجينات المعبر عنها تفاضليا بواسطة g: Profiler والإثراء في شروط GO (MF: وظيفة جزيئية; BP: عملية بيولوجية. CC: المكون الخلوي) ومسارات KEGG عبر مسارات Reactome (REAC) و WiKi-Pathways (WP) وعامل النسخ (TF) وقاعدة هدف microRNA (MIRNA) تم تصويرها بيانيا في مؤامرة مانهاتن حيث المحور x هو المصطلحات الوظيفية GO الملونة حسب الفئة. تمثل كل نقطة ملونة مصطلح GO. يعرض المحور y قيم p المعدلة-log 10. يتم عرض مصطلحات GO ذات الدلالة الإحصائية ل ESCC على المحور x. MF: الوظيفة الجزيئية. BP: عملية بيولوجية. CC: المكون الخلوي. ميرنا: MicroRNA. HP: النمط الظاهري البشري. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 1: قائمة جزئية بالجينات المعبر عنها تفاضليا في ESCC. الرجاء النقر هنا لتنزيل هذا الجدول.

الجدول 2: إثراء مصطلحات GO في ESCC باستخدام g: Profiler. الرجاء النقر هنا لتنزيل هذا الجدول.

الملف التكميلي 1: القائمة الكاملة للجينات المعبر عنها تفاضليا في ESCC. الرجاء النقر هنا لتنزيل هذا الملف.

المناقشة

منذ إشراك تقنيات OMICS عالية الإنتاجية في بيولوجيا السرطان ، زاد معدل توليد البيانات بشكل كبير. هذا يشكل تحديا للباحثين ، خاصة أولئك الذين ليس لديهم طبيعة بارعة في الكمبيوتر. للتغلب على مر السنين ، توصل علماء المعلوماتية الحيوية إلى فكرة تطوير قاعدة بيانات لتوفير البيانات بطريقة منظمة. ولد هذا استجابة إيجابية من الباحثين ، وخاصة أولئك الذين لا يهتمون بالتكنولوجيا. علاوة على ذلك ، فإن بيانات OMICS المتناثرة هنا وهناك في الأدبيات لا تفيد أي شخص. لذلك ، للاستفادة الصحيحة من ذلك ، كانت هناك دائما حاجة إلى منصة مشتركة حيث يمكن للباحثين ذوي الاهتمامات المتخصصة الذهاب والوصول إلى البيانات. هناك عدد من قواعد البيانات حول السرطان المختلفة بما في ذلك ONCOMINE38 و ESCC ATLAS39 وقاعدة بيانات سرطان البنكرياس (PCD) 40 و DDEC41.

ينشأ مفهوم الجينات المعبر عنها تفاضليا (DEGs) من تحليل بيانات تسلسل الحمض النووي الريبي ، حيث يتم تحديد الجينات التي لها تغييرات كبيرة في مستويات التعبير عبر حالتين أو أكثر (مثل السرطان مقابل الطبيعي ، أو العلاج مقابل السيطرة). تم تطوير العديد من الأدوات لتحديد DEGs ، والتي تجري اختبارات إحصائية بناء على التقديرات الكمية للجينات المعبر عنها التي تم تقييمها من التحليلات الحسابية إما لقراءات تسلسل الحمض النووي الريبي الخام أو نسب الشدة المتولدة بين المسبار والتسلسل المستهدف في مجموعة السرطان مقابل المجموعة الطبيعية. توفر هذه الأدوات معلومات تتعلق بمستوى التعبير وحجم الاختلاف الزوجي لكل جين. تعد تحليلات التعبير الجيني التفاضلي (DGE) مفيدة لفهم الآليات الجينية التي تساهم في اختلافات النمط الظاهري في الكائنات الحية. تم تطبيق تحليلات DGE لدراسة مجموعة متنوعة من العمليات البيولوجية ، بما في ذلك اكتشاف أصل الورم و / أو تحليل الميكروبيوم. من خلال تحديد DEGs ، يمكن أن توفر هذه التحليلات نظرة ثاقبة للعوامل الوراثية الأساسية التي تساهم في هذه العمليات البيولوجية المشاركة في تكوين الأورامESCC 21.

طريقة أداة GEO2R ، وهي متاحة للجمهور وهي الطريقة الأكثر تفضيلا لأن معظم الدراسات المتاحة في الأدبيات قد تم تحليلها باستخدام خوارزميات مختلفة ، مما أدى إلى اختلافات كبيرة في تحليل البيانات. لذلك ، لتجنب هذه الاختلافات ، تم استخدام هذه المنصة سهلة الاستخدام لأنها مجانية وسهلة الاستخدام. يسمح هذا بإجراء مقارنات بين حالات مثل "السرطان مقابل الطبيعي" أو "العلاج مقابل عدم العلاج".

في هذه الحالة ، تم اختيار ESCC لأنه سرطان ناشئ يصيب الجهاز الهضمي (GI) في الهند والصين. نختار GSE161533 انضمام GEO لتحليلها باستخدام GEO2R لتحديد DEGs بين ESCC vs. عادي. تم اختيار الدراسة لأنها لم تشمل مرضى ESCC الذين تلقوا سابقا العلاج الكيميائي أو العلاج الإشعاعي. يفضل استخدام العينات المقترنة إذا كانت متوفرة (ESCC وطبيعية مجاورة من نفس المريض) لأي تحليل. وذلك لأن جينوم ESCC والأنسجة الطبيعية من نفس المريض من المتوقع أن تكون متشابهة جدا لأنها تأتي من نفس الخلفية الجينية ولأن الأنسجة في نفس البيئة. يساعد استخدام العينات المقترنة على تجنب التحيز في التحليل الذي قد يتم تقديمه إذا كنت ستقارن ESCC والأنسجة الطبيعية من مرضى مختلفين من خلفيات وراثية مختلفة. يسمح استخدام العينات المقترنة بتحديد أكثر دقة للاختلافات في التعبير الجيني بين ESCC والأنسجة الطبيعية داخل نفس المريض ، مما قد يساعد في تحسين خصوصية النتائج. يستخدم هذا النهج بشكل متكرر في دراسات التعبير الجيني للتحكم في التباين الفردي وتعزيز القوة التحليلية.

أخذنا جميع بيانات العينة من الأشخاص المشاركين في الدراسة واستخدمنا منصة GEO2R لتحليل بيانات التعبير الجيني. أولا ، قمنا بتعيين عينات من السرطان ، تليها عينات طبيعية. بعد تعيين هذه العينات ، تم استخدام المعلمات الافتراضية المتوفرة في قاعدة بيانات GEO2R لتحديد عينات السرطان أو العلاج والعينات الطبيعية أو الضابطة. للتمييز بين السرطان والعينات الطبيعية ، تم تعيين عتبة قيمة p المعدلة (صفة P Val) أقل من 0.05 وعتبة تغيير الطية >2.0 للجينات المنظمة ، وعتبة قيمة p المعدلة (adj. P Val) أقل من 0.05 وعتبة تغيير الطية <0.5 للجينات التي تم تنظيمها بشكل منخفض. تم استخدام هذه العتبات بشكل شائع في دراسات التعبير الجيني لتحديد الجينات المعبر عنها تفاضليا بين السرطان مقابل الطبيعي. من المهم ملاحظة أن اختيار عتبات الأهمية يمكن أن يؤثر على عدد وهوية الجينات المحددة على أنها معبرا عنها بشكل تفاضلي. بالإضافة إلى ذلك ، من المهم إجراء تقييم دقيق للأهمية البيولوجية للجينات المحددة وإجراء المزيد من دراسات التحقق لتأكيد النتائج.

في الأدبيات ، كان هناك اتجاه للإبلاغ فقط عن الجينات التي لديها تغيير بمقدار 2 ضعف على الأقل للتنظيم ، و < 0.5 ضعف للجينات الخاضعة للتنظيم ، خاصة في دراسات المصفوفات الدقيقة والبروتينات42. في الدراسات السابقة ، تم اعتبار تغيير الطية بمقدار >1.5 ضعفا على أنه تغيير منظم ويبلغ <0.67 ضعفا للجينات التي تم تنظيمها43،44 ، لكن اتجاهات الأدبيات في العقد الماضي تظهر بوضوح أن تغيير الطيات الأعلى مفضل إلى حد كبير لأنه عندما يتم إجراء تجارب التحقق من الصحة على المرشحين ذوي القيمة المنخفضة ، تكون هذه إما ضعيفة أو لا توجد علاقة بين بيانات mRNA ومستويات البروتين45. هناك جانب مظلم لاختيار تغيير الطية الأعلى هو أنك في بعض الأحيان تفوتك بعض الجزيئات ذات الصلة بيولوجيا بالمرض أو السرطان ، ولكن تم حذفها فقط بسبب القطع المفضل لعمل قائمة DEGs / DEMs. علاوة على ذلك ، فإن الأدبيات متحيزة نحو الإبلاغ عن أن DEGs تفضل بشكل خاص الجزيئات المنظمة أو المعبر عنها بشكل مفرط بدلا من الجزيئات التي لم يتم التعبير عنها بشكل كاف. علاوة على ذلك ، إذا كان التعبير عن الجزيئات يتوافق مع نفس أنماط التنظيم أو الإفراط في التعبير في دراسات متعددة ، بغض النظر عما إذا كانت لنفس السرطان أو المرض ، فهذا نهج مفضل بين العلماء. بالإضافة إلى ذلك ، إذا لوحظ نفس النمط من الإفراط في التعبير في أمراض متعددة وتم الإبلاغ عنه في الأدبيات ، فإنه مقبول مرة أخرى على نطاق واسع في المجتمع العلمي.

علاوة على ذلك ، فإن تشابه الأمراض يتوقف على ما إذا كان يتم استخدام بيانات المصفوفات الدقيقة أو الأدبيات للمقارنة. أخيرا ، تظهر الأوصاف المحددة بشكل فضفاض لمقادير التعبير التفاضلي في الأدبيات ارتباطا محدودا فقط ببيانات تغيير الطية الدقيقة46.

علاوة على ذلك ، يمكن أن توفر الخلاصة معلومات إضافية من قواعد البيانات مثل NCBI Entrez gene47 و HGNC48 و OMIM49 و HPRD50،51 و Ensemble52 و KEGG53 و WikiPathways54 و GO55 و miRBase56 و DGV57. أثناء استخدام GEO2R ، يوضح تقييم UMAP كيفية ارتباط العينات. في التحليل الحالي ، تمتلئ عينتان من ESCC بعينات طبيعية تشير إلى وجود خطأ في أخذ العينات أو أن عينات ESCC غير متجانسة بما يكفي لتظهر في مجموعة العينات العادية.

أداة GEO2R سهلة الاستخدام ويمكن الوصول إليها بسهولة ، ولكن لديها بعض القيود. يفتقر GEO2R إلى القدرة على إنشاء مخططات PCA وخرائط حرارية أو تصفية العينات بعد مراقبة الجودة. يوفر فقط مخطط Venn واحد لمقارنات العينة داخل نفس السلسلة. يقتصر GEO2R على ملفات Series Matrix ، مما يمنع المقارنات عبر السلاسل. بالإضافة إلى ذلك ، يحلل GEO2R بيانات المصفوفات الدقيقة فقط وليس لديه ضوابط جودة لطبيعية العينة أو قابلية المقارنة المتبادلة. لا يسمح GEO2R بعدد غير محدود من نتائج البحث ويعرض فقط أفضل 250 جينا لأي مقارنة زوجية معينة داخل مجموعة بيانات. كما أنه يحلل مجموعات البيانات ذات التكرارات غير الكافية للعينات لتحليل إحصائي قوي. يوفر GEO2R البيانات في تغيير طي السجل ، مما تطلب منه التحويل إلى تغيير الطي إما باستخدام r أو في ورقة Excel. أيضا ، لتمثيل الجينات المنظمة لأعلى وخفض ، يتعين على المرء استخدام برنامج آخر آخر أو أداة عبر الإنترنت لعمل خريطة تمثيلية58،59،60.

باختصار ، يتم توفير خط أنابيب بسيط في هذه المقالة ، والذي يمكن استخدامه لعمل خلاصة وافية لأي نوع من الأورام الخبيثة مع تعديلات طفيفة. الخلاصة الوافية هي حاجة الساعة لدعم علماء الطب الحيوي خاصة لاكتشاف المؤشرات الحيوية من خلال توفير الجزيئات المرشحة للتحقق من صحتها في البيئة السريرية لاستخدامها إما للتشخيص أو التشخيص.

الإفصاحات

المؤلفون ليس لديهم ما يكشفون عنه.

شكر وتقدير

حصلت MKK على منحة زمالة TARE (منحة # TAR / 2018/001054) (منحة # 5/13/55/2020 / NCD-III) من مجلس أبحاث العلوم والهندسة (SERB) ، وقسم العلوم والتكنولوجيا ، والمجلس الهندي للبحوث الطبية (ICMR) ، حكومة الهند ، نيودلهي ، على التوالي.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
NCBI-PUBMEDNCBIبالإشارة إلى القسم 1. مطلوب للبحث في الأدبيات
جهاز كمبيوتر محمول / ماك بوك أو كمبيوتر شخصي مزود بمرفق إنترنت ومتصفح ويب.
ز:البنية التحتية لملف التعريفELIXIRhttps://biit.cs.ut.ee/gprofiler/gostبالإشارة إلى القسم 4.10. مطلوب لإثراء GO: MF ، GO: BP ، و GO: CC
التعبير الجيني الشاملNCBIhttps://www.ncbi.nlm.nih.gov/geo/بالإشارة إلى القسم 3.1. مطلوب للبحث في قاعدة بيانات دراسة المصفوفات
الدقيقة GEO2RNCBIhttps://www.ncbi.nlm.nih.gov/geo/geo2r/بالإشارة إلى القسم 3.2. مطلوب لتحليل البيانات باستخدام أداة GEO2R
Googlehttps://www.google.comبالإشارة إلى القسم 1.1. مطلوب للبحث في الأدبيات
HGNCHGNC هي لجنة تابعة لمنظمة الجينوم البشري (HUGO)https://www.genenames.orgبالإشارة إلى القسم 6.1 المطلوب لمعرفة رمز الجين الرسمي ل DEGs & nbsp ؛
HPRDللمعلوماتية الحيوية ، Bangluru  ؛ http://hprd.orgبالإشارة إلى القسم 5.1 المطلوب للحصول على معلومات حول بنية البروتين   ؛
OMIM  جامعة جونز هوبكنز ، بالتيمورhttp://www.omim.org/entryبالإشارة إلى القسم 8.1 المطلوب لمعرفة معرف OMIM لجين معين / برنامج DEG
Panglossالذي طوره كريس سيدلhttp://www.pangloss.com/seidel/Protocols/venn.cgiبالإشارة إلى القسم 4.9. مطلوب لإنشاء مخطط فين
PANTHERThomas في جامعة جنوب كاليفورنياhttp://www.pantherdb.org/geneListAnalysis.doبالإشارة إلى القسم 4.10. مطلوب لإثراء GO: MF ، GO: BP ، و GO: CC
ShinyGO   ؛جامعة ولاية ساوث داكوتاhttp://bioinformatics.sdstate.edu/goبالإشارة إلى القسم 4.10. مطلوب لتخصيص DEGs على الكروموسومات
https://ncbi.nlm.nih.gov/pubmed معهد مختبر

المراجع

  1. Zeng, H., et al. Esophageal cancer statistics in China, 2011: Estimates based on 177 cancer registries. Thorac Cancer. 7 (2), 232-237 (2016).
  2. Zhang, H., Jin, G., Shen, H. Epidemiologic differences in esophageal cancer between Asian and Western populations. Chin J Cancer. 31 (6), 281-286 (2012).
  3. Chen, C., et al. Consumption of hot beverages and foods and the risk of esophageal cancer: a meta-analysis of observational studies. BMC Cancer. 15, 449(2005).
  4. Yousefi, M., et al. Esophageal cancer in the world: incidence, mortality and risk factors. Biomedical Research and Therapy. 5 (7), 2504-2517 (2018).
  5. Jemal, A., Center, M. M., DeSantis, C., Ward, E. M. Global patterns of cancer incidence and mortality rates and trends. Cancer Epidemiol Biomarkers Prev. 19 (8), 1893-1907 (2010).
  6. Kambhampati, S., Tieu, A. H., Luber, B., Wang, H., Meltzer, S. J. Risk factors for progression of barrett's esophagus to high grade dysplasia and esophageal adenocarcinoma. Sci Rep. 10 (1), 4899(2020).
  7. Schuchert, M. J., Luketich, J. D. Management of Barrett's esophagus. Oncology (Williston Park). 21 (11), 1382-1389 (2007).
  8. Kashyap, M. K., et al. Genomewide mRNA profiling of esophageal squamous cell carcinoma for identification of cancer biomarkers. Cancer Biol Ther. 8 (1), 36-46 (2009).
  9. Kashyap, M. K., et al. Overexpression of periostin and lumican in esophageal squamous cell carcinoma. Cancers (Basel). 2 (1), 133-142 (2010).
  10. Zhu, Z. J., et al. Untargeted metabolomics analysis of esophageal squamous cell carcinoma discovers dysregulated metabolic pathways and potential diagnostic biomarkers. J Cancer. 11 (13), 3944-3954 (2020).
  11. Wang, H., et al. DNA methylation markers in esophageal cancer: an emerging tool for cancer surveillance and treatment. Am J Cancer Res. 11 (11), 5644-5658 (2021).
  12. Wu, B. L., et al. MiRNA profile in esophageal squamous cell carcinoma: downregulation of miR-143 and miR-145. World J Gastroenterol. 17 (1), 79-88 (2011).
  13. Meng, X. R., Lu, P., Mei, J. Z., Liu, G. J., Fan, Q. X. Expression analysis of miRNA and target mRNAs in esophageal cancer. Braz J Med Biol Res. 47 (9), 811-817 (2014).
  14. Churko, J. M., Mantalas, G. L., Snyder, M. P., Wu, J. C. Overview of high throughput sequencing technologies to elucidate molecular pathways in cardiovascular diseases. Circ Res. 112 (12), 1613-1623 (2013).
  15. Dalman, D. A., Nimishakavi, G., Duan, Z. H. Fold change and p-value cutoffs significantly alter microarray interpretations. BMC Bioinformatics. 13, 11(2012).
  16. Gentleman, R. C., et al. Bioconductor: open software development for computational biology and bioinformatics. Genome Biol. 5 (10), 80(2004).
  17. Barrett, T., et al. NCBI GEO: archive for high-throughput functional genomic data. Nucleic Acids Res. 37, D885-D890 (2009).
  18. Kume, H., et al. Discovery of colorectal cancer biomarker candidates by membrane proteomic analysis and subsequent verification using selected reaction monitoring (SRM) and tissue microarray (TMA) analysis. Mol Cell Proteomics. 13 (6), 1471-1484 (2014).
  19. Jin, G., Wong, S. T. C. Chapter 3 - Proteomics-Based Theranostics. , (2014).
  20. Del Campo, M., et al. Facilitating the validation of novel protein biomarkers for dementia: an optimal workflow for the development of sandwich immunoassays. Front Neurol. 6, 202(2015).
  21. McDermaid, A., Monier, B., Zhao, J., Liu, B., Ma, Q. Interpretation of differential gene expression results of RNA-seq data: review and integration. Brief Bioinform. 20 (6), 2044-2054 (2019).
  22. McInnes, L., Healy, J., Saul, N., Großberger, L. UMAP: Uniform Manifold Approximation and Projection. Journal of Open Source Software. 3 (29), 861(2018).
  23. Xu, G., et al. Upregulated expression of MMP family genes is associated with poor survival in patients with esophageal squamous cell carcinoma via regulation of proliferation and epithelial-mesenchymal transition. Oncol Rep. 44 (1), 29-42 (2020).
  24. Chen, Y. K., et al. Plasma matrix metalloproteinase 1 improves the detection and survival prediction of esophageal squamous cell carcinoma. Sci Rep. 6, 30057(2016).
  25. Han, F., Zhang, S., Zhang, L., Hao, Q. The overexpression and predictive significance of MMP-12 in esophageal squamous cell carcinoma. Pathol Res Pract. 213 (12), 1519-1522 (2017).
  26. Kita, Y., et al. Expression of osteopontin in oesophageal squamous cell carcinoma. Br J Cancer. 95 (5), 634-638 (2006).
  27. Chen, F. F., Zhang, S. R., Peng, H., Chen, Y. Z., Cui, X. B. Integrative genomics analysis of hub genes and their relationship with prognosis and signaling pathways in esophageal squamous cell carcinoma. Mol Med Rep. 20 (4), 3649-3660 (2019).
  28. Tong, T., et al. Overexpression of Aurora-A contributes to malignant development of human esophageal squamous cell carcinoma. Clin Cancer Res. 10 (21), 7304-7310 (2004).
  29. Du, R., et al. Bioinformatics and experimental validation of an AURKA/TPX2 axis as a potential target in esophageal squamous cell carcinoma. Oncol Rep. 49 (6), 116(2023).
  30. Zhang, H. J., et al. Overexpression of cyclin-dependent kinase 1 in esophageal squamous cell carcinoma and its clinical significance. FEBS Open Bio. 11 (11), 3126-3141 (2021).
  31. Ma, S., et al. Identification of PTK6, via RNA sequencing analysis, as a suppressor of esophageal squamous cell carcinoma. Gastroenterology. 143 (3), 675-686 (2012).
  32. Chen, Y. F., et al. Downregulated expression of PTK6 is correlated with poor survival in esophageal squamous cell carcinoma. Med Oncol. 31 (12), 317(2014).
  33. Tao, Y., et al. Identification of distinct gene expression profiles between esophageal squamous cell carcinoma and adjacent normal epithelial tissues. Tohoku J Exp Med. 226 (4), 301-311 (2012).
  34. Kashyap, M. K., et al. Evaluation of protein expression pattern of stanniocalcin 2, insulin-like growth factor-binding protein 7, inhibin beta A and four and a half LIM domains 1 in esophageal squamous cell carcinoma. Cancer Biomark. 12 (1), 1-9 (2013).
  35. Wei, X., Zhang, H. Four and a half LIM domains protein 1 can be as a double-edged sword in cancer progression. Cancer Biol Med. 17 (2), 270-281 (2020).
  36. Pawar, H., et al. Downregulation of cornulin in esophageal squamous cell carcinoma. Acta Histochem. 115 (2), 89-99 (2013).
  37. Hao, Y., et al. Gene expression profiling reveals stromal genes expressed in common between Barrett's esophagus and adenocarcinoma. Gastroenterology. 131 (3), 925-933 (2006).
  38. Rhodes, D. R., et al. ONCOMINE: a cancer microarray database and integrated data-mining platform. Neoplasia. 6 (1), 1-6 (2004).
  39. Tungekar, A., et al. ESCC ATLAS: A population wide compendium of biomarkers for Esophageal Squamous Cell Carcinoma. Sci Rep. 8 (1), 12715(2018).
  40. Thomas, J. K., et al. Pancreatic cancer database: an integrative resource for pancreatic cancer. Cancer Biol Ther. 15 (8), 963-967 (2014).
  41. Essack, M., et al. DDEC: Dragon database of genes implicated in esophageal cancer. BMC Cancer. 9, 219(2009).
  42. Sharma, L., Kashyap, M. K., Sharma, D. Non-alcoholic Fatty Liver Disease (NAFLD): A systematic review and meta-analysis from an omics perspective. Gene Expression. 22 (2), 79-91 (2023).
  43. Mamber, S. W., Gurel, V., Rhodes, R. G., McMichael, J. Effects of Streptolysin O on extracellular matrix gene expression in normal human epidermal keratinocytes. Dose Response. 9 (4), 554-578 (2011).
  44. Pang, S., et al. Differential expression of long non-coding RNA and mRNA in children with Henoch-Schönlein purpura nephritis. Exp Ther Med. 17 (1), 621-632 (2019).
  45. Tan, P. K., et al. Evaluation of gene expression measurements from commercial microarray platforms. Nucleic Acids Res. 31 (19), 5676-5684 (2003).
  46. Rodriguez-Esteban, R., Jiang, X. Differential gene expression in disease: a comparison between high-throughput studies and the literature. BMC Med Genomics. 10 (1), 59(2017).
  47. Maglott, D., Ostell, J., Pruitt, K. D., Tatusova, T. Entrez Gene: gene-centered information at NCBI. Nucleic Acids Res. 3535, D26-D31 (2007).
  48. Gray, K. A., Yates, B., Seal, R. L., Wright, M. W., Bruford, E. A. Genenames.org: the HGNC resources in 2015. Nucleic Acids Res. 43, Database issue D1079-D1085 (2015).
  49. McKusick, V. A. Mendelian Inheritance in Man and its online version, OMIM. Am J Hum Genet. 80 (4), 588-604 (2007).
  50. Keshava Prasad, T. S., et al. Human Protein Reference Database--2009 update. Nucleic Acids Res. 37, Database issue D767-D772 (2009).
  51. Peri, S., et al. Human protein reference database as a discovery resource for proteomics. Nucleic Acids Res. 32, Database issue D497-D501 (2004).
  52. Hubbard, T., et al. The Ensembl genome database project. Nucleic Acids Res. 30 (1), 38-41 (2002).
  53. Kanehisa, M., Goto, S. KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 28 (1), 27-30 (2000).
  54. Pico, A. R., et al. WikiPathways: pathway editing for the people. PLoS Biol. 6 (7), 184(2008).
  55. Ashburner, M., et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nat Genet. 25 (1), 25-29 (2000).
  56. Griffiths-Jones, S., Grocock, R. J., van Dongen, S., Bateman, A., Enright, A. J. miRBase: microRNA sequences, targets and gene nomenclature. Nucleic Acids Res. 34, Database issue D140-D144 (2006).
  57. MacDonald, J. R., Ziman, R., Yuen, R. K., Feuk, L., Scherer, S. W. The Database of Genomic Variants: a curated collection of structural variation in the human genome. Nucleic Acids Res. 42, Database issue D986-D992 (2014).
  58. Amaral, M. L., Erikson, G. A., Shokhirev, M. N. BART: bioinformatics array research tool. BMC Bioinformatics. 19 (296), 2018(2018).
  59. Wiese, L., Wiese, I., Lietz, K. Software quality assessment of a web application for biomedical data analysis. 25th International Database Engineering & Applications Symposium. , 84-93 (2021).
  60. Davis, S., Meltzer, P. S. GEOquery: a bridge between the Gene Expression Omnibus (GEO) and BioConductor. Bioinformatics. 23 (14), 1846-1847 (2007).

إعادة الطباعة والأذونات

الوسوم

التعبير الجيني التفاضليتحليل المصفوفات الدقيقةمسار المعلوماتية الحيويةالجينات ذات التعبير التفاضليتحديد المؤشرات الحيويةتحليل المسارات الوظيفيةالفحص الخاص بمجموعات سكانية محددةالمؤشرات الحيوية للسرطانتقنيات الإنتاجية العالية
تطوير خلاصة وافية لسرطان الخلايا الحرشفية المريئي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.