Methodenartikel

Entwicklung eines Kompendiums für Plattenepithelkarzinome der Speiseröhre

1.1K Aufrufe

⸱

DOI:

10.3791/65480

⸱

12. April 2024

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

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt ein nützliches Instrument zur Identifizierung signifikanter molekularer Veränderungen bei Krebs und führt zur Entwicklung neuer diagnostischer und therapeutischer Ansätze für das Plattenepithelkarzinom der Speiseröhre.

Zusammenfassung

Speiseröhrenkrebs (EC) rangiert aufPlatz 8 der aggressivsten bösartigen Erkrankungen, und seine Behandlung bleibt aufgrund des Mangels an Biomarkern, die eine Früherkennung erleichtern, eine Herausforderung. EC manifestiert sich in zwei histologischen Hauptformen - Adenokarzinom (EAD) und Plattenepithelkarzinom (ESCC) - beide weisen Unterschiede in der Inzidenz in geografisch unterschiedlichen Populationen auf. Hochdurchsatztechnologien verändern das Verständnis von Krankheiten, einschließlich Krebs. Eine große Herausforderung für die wissenschaftliche Gemeinschaft ist der Umgang mit verstreuten Daten in der Literatur. Um dies zu erreichen, wird eine einfache Pipeline für die Analyse öffentlich zugänglicher Microarray-Datensätze und die Sammlung von differentiell regulierten Molekülen zwischen Krebs und normalen Erkrankungen vorgeschlagen. Die Pipeline kann als Standardansatz für die differentielle Genexpressionsanalyse dienen, um Gene zu identifizieren, die zwischen Krebs und normalem Gewebe oder zwischen verschiedenen Krebssubtypen unterschiedlich exprimiert werden. Die Pipeline umfasst mehrere Schritte, darunter die Datenvorverarbeitung (einschließlich Qualitätskontrolle und Normalisierung von Genexpressionsrohdaten, um technische Abweichungen zwischen den Proben zu beseitigen), die differentielle Expressionsanalyse (Identifizierung von Genen, die zwischen zwei oder mehr Gruppen von Proben unterschiedlich exprimiert werden, mithilfe statistischer Tests wie t-Tests, ANOVA oder lineare Modelle), Funktionsanalyse (Verwendung von Bioinformatik-Tools zur Identifizierung angereicherter biologischer Signalwege und Funktionen in differentiell exprimierten Genen) und Validierung (einschließlich Validierung mit unabhängigen Datensätzen oder experimentellen Methoden wie qPCR oder Immunhistochemie). Mit dieser Pipeline kann eine Sammlung von differentiell exprimierten Molekülen (DEMs) für jede Art von Krebs, einschließlich Speiseröhrenkrebs, generiert werden. Dieses Kompendium kann genutzt werden, um potenzielle Biomarker und Wirkstoffziele für Krebs zu identifizieren und das Verständnis der molekularen Mechanismen, die der Krankheit zugrunde liegen, zu verbessern. Darüber hinaus wird das populationsspezifische Screening von Speiseröhrenkrebs mit Hilfe dieser Pipeline dazu beitragen, spezifische Wirkstoffziele für verschiedene Populationen zu identifizieren, was zu personalisierten Behandlungen für die Krankheit führt.

Einleitung

Es ist alarmierend, dass EC die achthäufigste Krebserkrankung weltweit und die sechsthäufigste Todesursache weltweit ist. China, Indien und der Iran haben alarmierend hohe Inzidenz- und Sterblichkeitsraten. Es gibt zwei Haupttypen von EC: das Adenokarzinom der Speiseröhre (EAC oder EAD) und das Plattenepithelkarzinom der Speiseröhre (ESCC)1. EAC ist in der westlichen Welt verbreiteter, während ESCC in östlichen Ländern, insbesondere in China und Iran, häufiger vorkommt2. Mehrere Risikofaktoren sind mit EC assoziiert, darunter Tabak- und Alkoholkonsum, Fettleibigkeit und gastroösophageale Refluxkrankheit (GERD). Darüber hinaus sind Ernährungsfaktoren wie der Mangel an Obst und Gemüse sowie der Verzehr von heißen Getränken und Lebensmitteln in Hochrisikogebieten mit dem ESCC-Risiko verbunden. Eine frühzeitige Diagnose und Behandlung sind wichtig, um die Ergebnisse von Patienten mit EC 3,4 zu verbessern. Daher ist es wichtig, das Bewusstsein für die Risikofaktoren, Anzeichen und Symptome von EC zu schärfen und ein regelmäßiges Screening von Hochrisikopersonen zu fördern. Darüber hinaus können Bemühungen, veränderbare Risikofaktoren wie Tabak- und Alkoholkonsum und ungesunde Ernährungsgewohnheiten anzugehen, dazu beitragen, die Inzidenz von EC zu verringern. EAD tritt in den Zellen der schleimproduzierenden Drüsen im unteren Teil der Speiseröhre in der Nähe des Magens auf. Es ist oft mit GERD verbunden, bei dem Magensäure und Inhalt in die Speiseröhre zurückkehren. Im Gegensatz dazu entsteht ESCC aus flachen, dünnen Zellen, die den oberen Teil der Speiseröhre auskleiden5. Er tritt häufiger in Gebieten auf, in denen Tabak- und Alkoholkonsum weit verbreitet sind, wie z. B. in China und im Iran.

Unter den verschiedenen Erkrankungen im Zusammenhang mit der Speiseröhre ist der Barrett-Ösophagus (BE), eine Erkrankung, bei der die Schleimhaut der Speiseröhre durch Drüsenzellen ersetzt wird, ein bekannter Vorläufer von EAC6. Es ist erwähnenswert, dass sich BE ohne GERD entwickeln kann, aber das Vorhandensein von GERD erhöht das Risiko, an BE zu erkranken, um das 3- bis 5-fache. Darüber hinaus erhöht das Vorhandensein von BE das Risiko, an EAC zu erkranken, um das 50- bis 100-fache7. Darüber hinaus wurden scharfe oder scharfe Speisen und Flüssigkeiten mit ESCC in Verbindung gebracht, nicht jedoch mit EAC. Das Verständnis der Risikofaktoren für EC ist wichtig für die Prävention und Früherkennung. Bemühungen, veränderbare Risikofaktoren wie Tabakkonsum, Alkoholkonsum, Fettleibigkeit und ungesunde Ernährungsgewohnheiten anzugehen, können dazu beitragen, die Inzidenz von EC zu verringern. Darüber hinaus können routinemäßige Screenings und Überwachungen bei Hochrisikopersonen, wie z. B. Personen mit Dysphagie (BE), die Ergebnisse verbessern, indem sie eine frühzeitige Erkennung und Behandlung ermöglichen.

Es ist sicherlich wahr, dass Omics-getriebene Studien, einschließlich Genomik, Transkriptomik, Proteomik, Methylomik, miRNAomics und Metabolomik, wesentlich zu unserem Verständnis von ECs beigetragen haben, insbesondere ESCC 8,9,10,11,12,13. Diese Studien haben die Identifizierung neuartiger Biomarker, potenzieller therapeutischer Ziele und neuer Signalwege ermöglicht, die an der Entwicklung und dem Fortschreiten von ESCC beteiligt sind. Die aus diesen Studien generierten Daten sind jedoch in der gesamten Literatur verstreut, was es für die wissenschaftliche Gemeinschaft schwierig macht, auf diese Informationen zuzugreifen und sie zu nutzen. Daher ist es wichtig, ein Repositorium oder eine Datenbank zu erstellen, in der Daten aus Hoch- oder Niedrigdurchsatzstudien zu bestimmten Krebsarten zusammengestellt werden. Ein solches Paket kann gestrafft und erstellt werden, indem einige grundlegende Richtlinien implementiert werden. Zu diesen Richtlinien gehören die Auswahl relevanter Studien, die Extraktion und Organisation von Daten aus diesen Studien sowie die Sicherstellung von Datenqualität und -konsistenz. Darüber hinaus sollte das Kompendium regelmäßig aktualisiert werden, um neue Studien und Daten aufzunehmen, sobald diese verfügbar sind. Forscher können eine einzige Plattform verwenden, um Daten zu einer bestimmten Krebsart abzurufen und zu analysieren, indem sie ein Kompendium oder eine Datenbank erstellen, die Daten aus verschiedenen Studien kombiniert. Dies wird dazu beitragen, die Forschungsbemühungen zu beschleunigen und letztendlich zu effektiveren Behandlungen und besseren Ergebnissen für Krebspatienten zu führen.

In die Entwicklung des Krebskompendiums fließen Daten aus Niederdurchsatz- und Hochdurchsatzstudien ein. Dieses Kompendium wird eine wertvolle Ressource für Forscher sein, die potenzielle diagnostische oder therapeutische Ziele für Krebs identifizieren möchten. Eine Möglichkeit, diese Sammlung aufzubauen, besteht darin, Microarray-Studien zu überprüfen, die in öffentlich zugänglichen Repositorien wie Gene Expression Omnibus (GEO) verfügbar sind. Microarray-Studien können Informationen über die Genexpressionsniveaus in Krebszellen liefern, und diese Daten können verwendet werden, um differentiell exprimierte Gene (DEGs) zu identifizieren, die eine Rolle bei der Entwicklung und dem Fortschreiten von Krebs spielen können.

Es ist jedoch zu beachten, dass verschiedene Studien möglicherweise unterschiedliche Methoden zur Analyse ihrer Daten verwendet haben, was zur Identifizierung unterschiedlicher DEGs geführt haben kann. Daher ist es wichtig, jede Studie sorgfältig zu überprüfen und mögliche Verzerrungen oder Einschränkungen zu berücksichtigen, wenn Daten für das Kompendium zusammengefasst werden. Sobald die Daten auf einer gemeinsamen Plattform gesammelt sind, können die Forscher sie nutzen, um potenzielle molekulare Ziele für weitere Studien zu identifizieren. Dazu gehören die Untersuchung der Expression eines bestimmten Gens in klinischen Proben oder die Durchführung mechanistischer Studien, um zu verstehen, wie ein bestimmtes Gen oder Protein an der Entstehung und dem Fortschreiten von Krebs beteiligt ist. Insgesamt wird die Erstellung eines Krebsdatensatzes eine wertvolle Ressource für Krebsforscher sein und dazu beitragen, neue Ziele für Diagnosen und therapeutische Interventionen zu identifizieren.

Protokoll

1. Manuelle Kuration der differentiell geregelten Moleküle in ESCC

  1. Suche nach relevanten Niederdurchsatzstudien mit PubMed
    HINWEIS: Es ist wichtig, den grundlegenden Unterschied zwischen Techniken mit niedrigem und hohem Durchsatz zu verstehen. Bei ersterem wird nur eine begrenzte Anzahl von Proben untersucht, und der Prozess ist in der Regel zeitaufwändig, im Gegensatz dazu ist später schneller und die Anzahl der Proben kann in einem Durchgang analysiert werden, was deutlich höher ist als bei Niedrigdurchsatzmethoden wie dem Northern Blot, und Western Blot sind Techniken mit niedrigem Durchsatz, während cDNA-Microarrays und LC-MS/MS-basierte quantitative Proteomik Hochdurchsatztechniken sind14. Suchmaschinen wie NCBI-PubMed (siehe Materialtabelle) sind eine gute Quelle, um Studien zu finden, die für Krebs relevant sind, da es sich um eine öffentlich zugängliche Ressource für biomedizinische Wissenschaftler handelt, um Literatur zu Krankheiten wie ESCC zu finden. Um relevante Studien zu finden, müssen die folgenden Schritte befolgt werden.
    1. Klicken Sie auf die Suchmaschine Google (siehe Materialverzeichnis), um sie zu öffnen. Dies wird auch von den Forschern genutzt, da es Zeitschriften gibt, die nicht in PubMed indiziert sind, aber dennoch Artikel von guter Qualität sind. Es ist immer gut, mehr als eine Suchmaschine zu durchsuchen, um die Wahrscheinlichkeit, einen wichtigen Artikel zu verpassen, zunichte zu machen.
    2. Wählen Sie die Suchleiste von PubMed und verwenden Sie boolesche Operatoren (AND, OR, NOT). Boolesche Operatoren verfeinern die Suchenden auf relevante Schlüsselwörter, die von den Forschern verwendet werden, um die Ergebnisse zu finden.

2. Relevante Studien mit PubMed finden

  1. Geben Sie die NCBI-Webadresse ein (siehe Materialtabelle) und klicken Sie darauf, um sie zu öffnen.
  2. Wählen Sie PubMed aus dem Menü in der linken Seitenleiste auf der Registerkarte Alle Datenbanken aus.
  3. Geben Sie in die Suchleiste die relevanten Schlüsselwörter ein, mit denen die relevanten Artikel abgerufen werden. Die Schlüsselwörter müssen in Kombination mit den booleschen Operatoren verwendet werden, da diese dazu beitragen können, die Artikel zu erhalten, die in engem Zusammenhang mit dem betreffenden Krebs / der betreffenden Krankheit stehen (z. B. Plattenepithelkarzinom der Speiseröhre).

3. Suche nach relevanten Studien mit Genexpression Omnibus (GEO)

HINWEIS: Gene expression omnibus (GEO) ist ein frei verfügbares Repository zum Speichern von Daten auf DNA-Microarrays. Die Fülle der in GEO verfügbaren Daten ist eine gute Ressource für Data Mining, um unterschiedlich regulierte Moleküle zwischen Krebs/Krankheiten und normalen Erkrankungen zu identifizieren.

  1. Geben Sie die GEO-Webadresse ein (siehe Materialtabelle) und klicken Sie darauf, um sie zu öffnen.
  2. Geben Sie Plattenepithelkarzinom der Speiseröhre UND Homo sapiens ein und drücken Sie die Eingabetaste.
    HINWEIS: Um ein Kompendium unterschiedlich regulierter Gene für Krebs zu erstellen, ist es wichtig, die relevanten Studien auszuwählen, aus denen die Forscher die Moleküle auswählen, die zwischen Krebs und normalen Erkrankungen unterschiedlich reguliert sind. Der Hauptaspekt besteht darin, die Kriterien für die Auswahl von Molekülen auf der Grundlage der Faltungsänderung festzulegen. Die Faltungsänderung zeigt an, ob ein Gen/Protein hoch- oder herunterreguliert ist. Die Faltungsänderung und die p-Wert-Cutoff-Werte können die Bedeutung der Daten in einem bestimmten Experiment, einschließlich Microarray-RNAseq oder Proteomik-Studien, erheblich verändern15.

4. Microarray-Analyse mit GEO2R

HINWEIS: Als erstes müssen relevante Studien mit booleschen Operatoren (AND, OR, NOT) gefunden werden. Diese werden in Kombination mit den Schlüsselwörtern "Plattenepithelkarzinom der Speiseröhre", "ESCC" oder "Plattenepithelkarzinom der Speiseröhre" verwendet. GEO2R (siehe Materialtabelle) ist ein frei verfügbares R-Sprachpaket, das in GEO integriert ist und es Benutzern ermöglicht, Daten aus Microarray-Studien auf benutzerfreundliche Weise zu analysieren. Es interagiert mit GEO-Eintrags-IDs und bietet eine Schnittstelle für die Durchführung komplexer R-basierter Analysen zur Identifizierung von DEGs unter Verwendung von Bioconductor R-Paketen für das Backend. Dieses Paket transformiert nicht nur die GEO-Daten, sondern stellt auch ihre Ausgabe in Form von .txt Tabellen dar, die je nach den Bedürfnissen der Benutzer weiter modifiziert werden können16. Das GEO2R-Paket präsentiert Gene in einer Reihenfolge statistischer Signifikanz basierend auf dem p-Wert, aber die Reihenfolge kann auf der Grundlage derlogarithmischen 2-fachen Änderung sortiert werden. Darüber hinaus können Benutzer Genexpressionsprofile als GEO-Profilbilder anzeigen. Im Gegensatz zu anderen Analysewerkzeugen ist GEO2R unabhängig von ausgewählten Datensatzdatensätzen und kann die von den Prüfärzten direkt übermittelten tatsächlichen Daten abfragen. Mehr als 90 % der GEO-Studien können mit dieser Methode analysiert werden17. Der Arbeitsablauf von GEO2R mit den Schritten zur Analyse von Microarray-Daten mit GEO2R ist in Abbildung 1 dargestellt.

  1. Öffnen Sie die GEO2R-Website.
  2. Geben Sie den GSE-Beitritt über den GEO in das Suchfeld mit der Bezeichnung "GEO-Beitritt" ein und klicken Sie auf den Button Setzen. Erstellen Sie die Labels Krebs und dann normal.
  3. Weisen Sie Proben basierend auf dem Typ zu, indem Sie zuerst Krebs und dann Normal zuweisen.
  4. Klicken Sie auf Analysieren , ohne die Standardparameter zu ändern.
  5. Klicken Sie auf die vollständige Genliste und laden Sie die Daten im .tsv-Dateiformat herunter. .tsv muss vor der Weiterverarbeitung der Daten in .xlsx umgewandelt werden.
  6. Konvertieren Sie die logarithmusmäßige 2-fache Änderung in eine Faltungsänderung, indem Sie die Formel [=(2)^(Nx), wobei N die Position der Zelle] in Excel verwenden.
  7. Des Weiteren werden die in Schritt 4.6 erhaltenen Daten zur Ermittlung der DEGs verwendet, indem eine Falschentdeckungsrate (FDR) von 5 % oder ein angepasster p-Wert (angepasster p-Wert) <0,05 und eine >2,0-fache Änderung für hochregulierte Gene und eine <0,5-fache Änderung für herunterregulierte Gene angewendet wird.
    HINWEIS: FDR ist eine Korrektur, die auf p-Werte angewendet wird, um Mehrfachtests zu berücksichtigen, und diese beiden können nicht als Synonyme miteinander behandelt werden. Die FDR-Anpassung ist entscheidend, um die Rate falscher Entdeckungen bei der Durchführung einer großen Anzahl von Hypothesentests zu kontrollieren.
  8. Identifizieren Sie die einzigartige Genliste im Vergleich zur zuvor veröffentlichten Studie, indem Sie die DEGs mit einem online frei verfügbaren Venn-Diagramm-Generator-Tool (Pangloss) unterziehen, um das Venn-Diagramm für die Segregation von gemeinsamen und einzigartigen DEGs zu generieren (siehe Materialtabelle).
  9. Unterziehen Sie außerdem die einzigartige Genliste, um die Genontologie zu identifizieren.
    HINWEIS: Verschiedene GO-Funktionen wie Gene Ontology: Molecular Function (GO: MF), Gene Ontology: Biological Processes (GO: BP) und Gene Ontology: Cellular Component (GO: CC) können entweder mit g: Profiler (siehe Materialtabelle) oder PANTHER (siehe Materialtabelle) generiert werden, beide sind online frei verfügbares Programm. Die GO-basierte Analyse, die mit g: Profiler durchgeführt wird.
  10. Um die Verteilung der DEGs im Genom auf einzelne Chromosomen zu erhalten, verwenden Sie ShinyGO (siehe Materialtabelle).
  11. Fügen Sie die gesamte einzigartige Genliste, die Sie von GEO2R erhalten haben, in die ShinyGO-Suchregisterkarte ein, und die am besten passende Spezies wurde ausgewählt: Homo sapiens. Der verwendete FDR-Grenzwert lag bei 5 %.
  12. Durchführung der Auswahl von DEGs, die aus GEO2R für weitere Validierungsstudien auf Proteinebene gewonnen wurden. Der Arbeitsablauf für die Extraktion der zusätzlichen, aber entscheidenden Informationen zu den DEGs ist in Abbildung 2 dargestellt.

5. Alias für ein Gen/Protein finden

  1. Öffnen Sie die HPRD-Seite (siehe Materialverzeichnis) und klicken Sie auf die Schaltfläche Abfrage .
  2. Geben Sie den Proteinnamen oder HPRD-Identifikator in der jeweiligen Suchregisterkarte ein und klicken Sie unten auf die Schaltfläche Suchen
    HINWEIS: Es wird eine Seite geöffnet, die eine Registerkarte mit der Bezeichnung "ALTERNATIVE NAMEN" enthält, klicken Sie darauf und der Alias für dieses Gen oder Protein wird angezeigt.

6. Offizielles Gensymbol für die DEGs finden

  1. Um das offizielle Gensymbol zu finden, öffnen Sie das HUGO Gene Nomenclature Committee (HGNC) (siehe Materialtabelle).
  2. Geben Sie den in der GEO2R-Analyse erhaltenen Namen in die Suchleiste der HGNC-Seite ein und klicken Sie auf das Suchsymbol . Die Suchergebnisse zeigen, zu welchem offiziellen Gensymbol der Begriff genau passt.
  3. Klicken Sie auf diesen Link und finden Sie dort das erwähnte offizielle "Gensymbol" heraus.

7. Suche nach Genorten der DEGs

  1. Öffnen Sie die Gen-Seite, indem Sie den Link auf NCBI besuchen.
  2. Geben Sie das offizielle Gensymbol des Gens ein und klicken Sie auf Suchen.
  3. Überprüfen Sie im Ergebnis sorgfältig das Gen und den Organismus, zu dem es gehört. Sobald Sie sich vergewissert haben, dass die richtige Übereinstimmung vorliegt, klicken Sie auf den Link und fahren Sie fort.
    HINWEIS: Zusammenfassend lässt sich sagen, dass unter der Überschrift "Genomischer Kontext" eine Lokalisation angegeben wird, bei der es sich tatsächlich um einen Genort handelt.

8. Auffinden von Informationen über DEGs auf dem OMIM Pagegene-Locus der DEGs

  1. Öffnen Sie die Seite OMIM (siehe Materialtabelle).
  2. Geben Sie den Namen oder das Gensymbol der Geninformation ein, insbesondere "Gen-Phänotyp".
  3. Klicken Sie auf die Schaltfläche "Suchen " und die Ergebnisse werden für das gewünschte Gen angezeigt. Das Display gibt Auskunft über die "Gen-Phänotyp-Beziehung".

9. Auffinden der Proteinlokalisation, der Domäne und des Motivs sowie der sekretorischen Natur des vom Gen kodierten Proteins

  1. Öffnen Sie die Seite HPRD (siehe Materialtabelle).
  2. Geben Sie nach dem Öffnen den Proteinnamen oder den HPRD-Detektor in den jeweiligen Suchtab ein und klicken Sie unten auf die Schaltfläche Suchen .
  3. Es wird eine Seite geöffnet, die eine Registerkarte mit der Bezeichnung "Zusammenfassung" enthält. Gehen Sie auf der Seite ganz nach unten und überprüfen Sie die Registerkarte "Lokalisierung ", um die primäre und die alternative "sekundäre" Lokalisierung zu kennen.
    HINWEIS: Auf der gleichen Seite befindet sich unter "Lokalisierung" ein Reiter "Domänen und Motive", in dem Domänen und Motive für das Protein von Interesse aufgelistet sind (falls vorhanden). Wiederum auf der gleichen Seite, neben dem Reiter "Domänen und Motive", befindet sich ein Reiter "Ausdruck" mit dem Unterreiter "Ausdrucksseite". Jedes Protein, von dem berichtet wurde, dass es in einer biologischen Flüssigkeit detetciert ist, kann in der Natur als "sekretorisch" angesehen werden. Wenn in einer der biologischen Flüssigkeiten wie Plasma, Serum, Sperma, Tränen von Interesse berichtet wurde, wird es dort aufgeführt.

10. Rosinenpickerei für das Protein zur Validierung und weitere Beurteilung zur Diagnose oder Prognose der interessierenden Malignität

HINWEIS: Sobald einzigartige Moleküle identifiziert sind, besteht die größte Herausforderung darin, sie zu validieren. Normalerweise liefert die Microarray-Studie eine Expression auf mRNA-Ebene, aber für die Diagnose oder Prognose der Krankheit ist das Auslesen der Proteinspiegel von entscheidender Bedeutung. Für dasselbe müssen Proben oder Zelllinien desselben Krebses von Patienten oder Patienten gescreent werden, um festzustellen, ob das Molekül tatsächlich dort exprimiert wird und ob es in der Lage ist, zwischen Krebs und normaler oder guter und schlechter Prognose zu unterscheiden oder zwischen frühen und späten Stadien der Krankheit zu unterscheiden. Zur Validierung des Kandidatenmoleküls sind Western Blot, enzymgebundene Immunsorbent-Assays, d. h. ELISA, Immunpräzipitation, Immunhistochemie, Immunzytochemie oder Assay nützliche Techniken 18,19,20. Gleichzeitig benötigen alle diese Assays Antikörper, um das in den Proben vorhandene Antigen nachzuweisen. Antikörper sind teure Artikel, daher ist es immer besser, Antikörper auf der Grundlage der folgenden Punkte auszuwählen:

  1. Überprüfen Sie, ob der Antikörper bereits über zuvor veröffentlichte Forschungsarbeiten zu anderen Malignomen berichtet hat.
  2. Wenn nicht, wenden Sie sich an das Antikörperanbieterunternehmen und prüfen Sie, ob es ein Datenblatt mit einem Bild des Blots oder der Immunzytochemie oder Immunhistochemie zur Verfügung stellt.
    HINWEIS: Wenn man Immunhistochemie betreiben möchte, der Antikörper aber nur für den ELISA-Assay zur Verfügung steht, kann dies ein Risiko für die Verwendung des Antikörpers darstellen, insbesondere wenn das Zielmolekül ein Transmembrandomänen-tragendes Molekül, aber nicht das Signalpeptid ist. Auch wenn der Antikörper monoklonal oder polyklonal ist, ist es besser, einen monoklonalen Antikörper zu bevorzugen.

Ergebnisse

Als Beispiel wurde der GEO-Beitritt GSE161533 verwendet, um differentiell erforschte Gene in ESCC zu untersuchen. Die repräsentativen Ergebnisse der Analyse sind in Abbildung 3 dargestellt. GEO2R generiert ein Vulkandiagramm, das nützlich ist, um Ereignisse zu identifizieren, die sich zwischen zwei Gruppen von Versuchspersonen signifikant unterscheiden. Das Vulkandiagramm zeigt die Gesamtgenverteilung mit einer transformierten Signifikanz von -log10 (p-Wert) auf der y-Achse und Faltenänderungen (mit einer transformierten Faltungsänderungvon log 2) auf der x-Achse (Abbildung 3A) und ist nützlich für die Visualisierung der Gene, die differentiell exprimiert werden. Hervorgehobene Gene werden bei einem standardmäßigen p-Wert-Cut-off von 0,05 signifikant differentiell exprimiert (blau = herunterreguliert, rot = hochreguliert).

Ein Diagramm der mittleren Differenz (MD) zeigt eine logarithmisch2-fache Änderung vs. Durchschnittliche log 2-Expressionswerte und ist nützlich für die Visualisierung der Gene, die differentiell exprimiert werden. In der MD-Grafik falten sich die Gene, bei denen log2 transformiert wurde, auf der y-Achse und die Expression des Durchschnittswerts auf der x-Achse (Abbildung 3B). Die hervorgehobenen Gene werden signifikant differentiell bei einem standardmäßigen adj. p-Wert-Cutoff von 0,05 exprimiert (blau = herunterreguliert, rot = hochreguliert). Vulkandiagramme stoßen auf die gleichen Probleme wie MA-Diagramme, wenn es darum geht, Informationen von nur zwei Behandlungen gleichzeitig anzuzeigen21.

Darüber hinaus wurde die Uniform Manifold Approximation and Projection (UMAP)22 verwendet, um die Verwandtschaft zwischen ESCC und normalen Stichproben zu beurteilen (Abbildung 3C). Obwohl die meisten Proben den jeweiligen Kategorien zugeordnet waren, wurden in den normalen Stichproben zwei ESCC-Proben gefunden.

GEO2R präsentierte ein interaktives 2D-Expressionsdichtediagramm (Abbildung 3D), das die Expressionsdichte im Datensatz effektiv demonstrierte. Dieses Diagramm ist nützlich, um zu bestimmen, ob eine Normalisierung für DEGs erforderlich ist. In diesem Diagramm steht die y-Achse für die Dichte, während die x-Achse die Intensität sowohl für ESCC (grüne Farbe) als auch für normale (violette Farbe) angibt.

Die Verteilung der Werte auf verschiedene Stichproben, einschließlich ESCC und Normal, wurde im Boxplot dargestellt. Diese Verteilungen geben Aufschluss darüber, ob die Proben tatsächlich für die differentielle Expressionsanalyse geeignet sind. Die medianzentrierten Werte zeigen deutlich, dass die Daten normalisiert und kreuzvergleichbar sind (Abbildung 3E).

Die identifizierten Gene werden anhand von p < 0,05 und Fold-Change-Kriterien gefiltert. Die unveränderten Gene (mit Faltenveränderung zwischen <2,0 und >0,50) wurden aus der Analyse entfernt. Im Vergleich zu einer zuvor veröffentlichten Studie wurden nur 514 häufig gefundene Gene gefunden, aber die einzigartige Anzahl der erhaltenen Gene beträgt 1193. Es ist wichtig zu beachten, dass die Identifizierung einzigartiger Gene mit GEO2R nicht nur dazu beitragen kann, die Redundanz zu verringern, sondern auch das Kompendium zu bereichern.

Eine unvollständige Liste der DEG wurde in Tabelle 1 erwähnt, während eine vollständige Liste der DEG in der Zusatzdatei 1 enthalten ist. Einige der hochregulierten Gene gehören zur extrazellulären Matrix, wie z.B. MMP1 8,23,24, MMP1223,25, SPP1 8,26, POSTN9 und VCAN 8,27. Zu den anderen Genen, die in Tabelle 1 aufgeführt sind, gehören CMPK2, AURKA28,29, CHEK127 und CDK130 sind hochreguliert und EMP127, PTK631,32, GPX327, DPT33, FHL134,35 und CRNN 8,36 sind bei ESCC im Vergleich zu normalen Epithelien herunterreguliert. POSTN (Periostin) wurde bei ESCC hochreguliert und auch bei Adenokarzinomen der Speiseröhre berichtet. Eine frühere Studie an ESCC berichtete, dass die Expression von POSTN-Proteinen nicht nur in der Stromaregion, sondern auch in den Tumorzellen beobachtet wurde, was darauf hindeutet, dass es eine Wechselwirkung zwischen Tumor und Mikroumgebunggibt 9. Periostin ist ein Protein, das hauptsächlich von mesenchymalen Zellen sezerniert wird und eine entscheidende Rolle bei der Regulation, Adhäsion und Differenzierung von Osteoblasten sowie bei der Wundheilung spielt. Darüber hinaus wurde Periostin mit der Tumorprogression und Metastasierung bei verschiedenen Krebsarten, einschließlich ESCC, in Verbindung gebracht. Studien haben gezeigt, dass Periostin an der epithelialen zu mesenchymalen Transition (EMT) bei Krebserkrankungen und der Tumorangiogenese beteiligt ist und die Zellmigration, Motilität, Adhäsion und das metastasierende Zellwachstum von Tumoren fördert. Im Barrett-Ösophagus, einer Krebsvorstufe der Speiseröhre, kommt es zu einer signifikanten Hochregulierung von POSTN, dem Gen, das für Periostin kodiert, im Vergleich zu normalem Speiseröhrengewebe37. Bei der eosinophilen Ösophagitis, einer entzündlichen Erkrankung der Speiseröhre, sind sowohl die Periostin-mRNA- als auch die Proteinexpression im Vergleich zum normalen Ösophagepithel hochreguliert. In ähnlicher Weise wurde bei ESCC festgestellt, dass POSTN in der Genexpressionsanalyse 11-fach hochreguliert ist9. Diese Ergebnisse deuten darauf hin, dass POSTN als potenzieller Biomarker für ESCC und andere Krebsarten dienen könnte. Darüber hinaus werden die erhöhten Serum-POSTN-Spiegel bei Brustkrebspatientinnen berichtet, die mit Knochenmetastasen diagonalisiert wurden, was darauf hindeutet, dass POSTN auch als potenzieller metastasierender Biomarker in den Seren von ESCC-Patientinnen weiter untersucht werden könnte. Insgesamt scheint POSTN eine wichtige Rolle bei der Tumorprogression zu spielen und kann potenzielle klinische Auswirkungen auf die Diagnose, Prognose und Behandlung von Krebs haben.

Die chromosomale Verteilung der DEGs auf den einzelnen Chromosomen zeigt, dass die maximale Anzahl von Genen von den Chromosomen 1-6 und X stammte (Abbildung 4). Die ShinyGO-basierte Signalweganalyse zeigte, dass bei der DEGs-Analyse eine Reihe entscheidender Signalwege auftauchen. Einige davon waren der IL-17-Signalweg, die Proteinverdauung und -absorption, die EZM-Rezeptor-Interaktion, der TNF-Signalweg, der Toll-like-Rezeptor-Signalweg, der Chemokin-Signalweg, die Zytokin-Zytokin-Rezeptor-Interaktion, die Alkohol-Leber-Erkrankung, microRNAs bei Krebs, transkriptionelle Dysregulation bei Krebs, der Zellzyklus und der NONO-ähnliche Rezeptor-Signalweg bei ESCC. Darüber hinaus erfolgte die Anreicherung von GO-Begriffen in DEGs mit Hilfe der g: Profiler-Analyse. Verschiedene GO-Begriffe für molekulare Funktionen (GO: MF), zelluläre Komponenten (GO: CC) und biologische Prozesse (GO: BP) wurden angereichert (Abbildung 5). Die Liste dieser GO-Bedingungen ist in Tabelle 2 enthalten.

figure-results-1
Abbildung 1: Schematische Darstellung für die Verarbeitung der Studien zum Plattenepithelkarzinom der Speiseröhre, die im Genexpressions-Omnibus mit dem Programm GEO2R verfügbar sind. Verschiedene Schritte bei der Identifizierung von differentiell regulierten Genen (DEGs) oder differentiell regulierten Molekülen (DEMs) wurden in dem Schema gezeigt, einschließlich Auswahlkriterien für die DEGs basierend auf der Faltungsänderung >2,0-fach und p < 0,05 für hochregulierte und <0,5 und p-Wert <0,05 für herunterregulierte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-2
Abbildung 2: Schematische Darstellung zur Suche nach zusätzlichen Informationen zu differentiell regulierten Genen beim Plattenepithelkarzinom der Speiseröhre, die unter Verwendung anderer öffentlich zugänglicher Ressourcen verfügbar sind. Darüber hinaus müssen Informationen, die für die Entscheidung über DEGs entscheidend sind, für die weitere Validierung und Bewertung im klinischen Umfeld ausgewählt werden. Informationen wie die Extraktion des Aliasnamens, das offizielle Gensymbol, die Chromosomenlage/der Genort, OMIM, die Domäne/das Motiv, die sekretorische Natur des Proteins und die Verfügbarkeit geeigneter Antikörper für die Validierung auf Proteinebene können aus verschiedenen Online-Ressourcen abgerufen werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-3
Abbildung 3: Verteilung der Studie mit GEO-Beitritt GSE161533 Verwendung des GEO2R-Programms zur Identifizierung von DEGs zwischen ESCC und Normal. Das GEO2R-Programm wurde mit Standardparametern verwendet, die zu folgendem Ergebnis führen: (A) Vulkandiagramm, das die Genverteilung mit -log10 transformierter Signifikanz (p-Wert) auf der y-Achse darstellt, und Faltenänderungen (mit log2 transformierter Faltungsänderung) auf der x-Achse, (B) MD-Plot-Diagramm, das die logarithmisch-fache Änderung im Vergleich zu den durchschnittlichenlogarithmischen Expressionswerten 2 zur Visualisierung differentiell exprimierter Gene anzeigt, (C) UMAP (Uniform Manifold Approximation and Projection) zeigt die Segregation der Stichproben basierend auf ihren Typen, (D) Das Expressionsdichtediagramm ergänzt sich, da es die Normalisierung der Daten vor der differentiellen Expressionsanalyse überprüft, (E) Boxplot mit medianzentrierten Werten über die Stichproben, um anzuzeigen, dass die Normalisierung der Daten vergleichbar ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-4
Abbildung 4: Verteilung der DEGs auf verschiedene chromosomale Loci mit dem ShinyGO-Anreicherungstool. (A) Einzigartige Gene wurden durch die Erstellung eines Venn-Diagramms identifiziert, um aktuelle mit zuvor veröffentlichten Studien zu vergleichen. (B) Die Verteilung der DEGs auf den verschiedenen Chromosomen im Genom. (C) Anreicherung des Signalwegs für DEGs mit ShinyGO-basierter Anreicherungsanalyse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-results-5
Abbildung 5: Manhattan-Diagramme zur Veranschaulichung von GO-Term-Anreicherungen von Zielgenen mit g: Profiler. Die differentiell exprimierten Gene wurden mittels g: Profiler und der Anreicherung in GO-Begriffen (MF: molekulare Funktion; BP: biologischer Prozess; CC: zelluläre Komponente) und KEGG-Signalwege über Reactome-Signalwege (REAC), WiKi-Signalwege (WP), Transkriptionsfaktor (TF) und microRNA-Zielbase (MIRNA) wurden grafisch in einem Manhattan-Diagramm dargestellt, wobei die x-Achse die GO-Funktionsterme ist, die nach Kategorien eingefärbt sind. Jeder farbige Punkt steht für einen GO-Begriff. Die y-Achse zeigt die angepassten-log 10p-Werte. Die GO-Terme, die für ESCC statistisch signifikant sind, werden auf der x-Achse angezeigt. MF: Molekulare Funktion; BP: Biologischer Prozess; CC: Zelluläre Komponente; MIRNA: MikroRNA; HP: Menschlicher Phänotyp. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Tabelle 1: Unvollständige Liste differentiell exprimierter Gene in ESCC. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 2: Anreicherung von GO-Begriffen in ESCC mit g: Profiler. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Ergänzende Datei 1: Vollständige Liste der differentiell exprimierten Gene in ESCC. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Seit der Einbeziehung von Hochdurchsatz-OMICS-Techniken in die Krebsbiologie hat sich die Rate der Datengenerierung deutlich erhöht. Dies stellt eine Herausforderung für Forscher dar, insbesondere für diejenigen, die nicht mit Computern vertraut sind. Um dies im Laufe der Jahre zu überwinden, kamen Bioinformatiker auf die Idee, eine Datenbank zu entwickeln, um Daten auf organisierte Weise bereitzustellen. Dies stieß bei Forschern auf positive Resonanz, vor allem bei denen, die sich nicht für Technik interessieren. Darüber hinaus sind verstreute OMICS-Daten hier und da in der Literatur für niemanden von Nutzen. Um dies richtig zu nutzen, war daher schon immer eine gemeinsame Plattform erforderlich, auf der Forscher mit speziellen Interessen auf die Daten zugreifen können. Es gibt eine Reihe von Datenbanken zu verschiedenen Krebsarten, darunter ONCOMINE38, ESCC ATLAS39, Pankreaskrebsdatenbank (PCD)40 und DDEC41.

Das Konzept der differentiell exprimierten Gene (DEGs) ergibt sich aus der Analyse von RNA-Sequenzierungsdaten, bei denen Gene identifiziert werden, die signifikante Veränderungen des Expressionsniveaus bei zwei oder mehr Erkrankungen (z. B. Krebs vs. normal oder Behandlung vs. Kontrolle) aufweisen. Zur Bestimmung von DEGs wurden mehrere Werkzeuge entwickelt, die statistische Tests auf der Grundlage von Quantifizierungen der exprimierten Gene durchführen, die aus den computergestützten Analysen von RNA-Seq-Rohwerten oder Intensitätsverhältnissen zwischen der Sonde und der Zielsequenz in der Krebs- und Normalgruppe ausgewertet wurden. Diese Werkzeuge liefern Informationen über das Expressionsniveau und die paarweise Größe der Differenz für jedes Gen. Analysen der differentiellen Genexpression (DGE) sind nützlich, um die genetischen Mechanismen zu verstehen, die zu phänotypischen Unterschieden in Organismen beitragen. DGE-Analysen wurden eingesetzt, um eine Vielzahl biologischer Prozesse zu untersuchen, einschließlich der Erkennung des Tumorursprungs und/oder der Mikrobiomanalyse. Durch die Identifizierung von DEGs können diese Analysen Einblicke in die zugrunde liegenden genetischen Faktoren geben, die zu diesen biologischen Prozessen beitragen, die an der ESCC-Tumorgenese beteiligt sind21.

Die GEO2R-Tool-Methode, die öffentlich verfügbar ist und die am meisten bevorzugte Methode ist, da die meisten in der Literatur verfügbaren Studien mit unterschiedlichen Algorithmen analysiert wurden, was zu großen Unterschieden in der Datenanalyse führte; Um diese Unterschiede zu vermeiden, wurde daher diese benutzerfreundliche Plattform verwendet, da sie kostenlos und einfach zu bedienen ist. Dies ermöglicht Vergleiche zwischen Erkrankungen wie "Krebs vs. Normal" oder "Behandlung vs. keine Behandlung".

In diesem Fall wurde ESCC gewählt, weil es sich um eine neu auftretende Krebserkrankung des Magen-Darm-Trakts in Indien und China handelt. Wir wählen GEO-Zugangs GSE161533 um mit GEO2R zu analysieren und DEGs zwischen ESCC und DEGs zu identifizieren. normal. Die Studie wurde ausgewählt, weil sie keine ESCC-Patienten umfasste, die zuvor eine Chemo- oder Strahlentherapie erhalten hatten. Es wird bevorzugt, für jede Analyse gepaarte Proben zu verwenden, sofern verfügbar (ESCC und benachbarte Normale vom selben Patienten). Dies liegt daran, dass das Genom von ESCC und normales Gewebe desselben Patienten sehr ähnlich sein dürfte, da sie aus demselben genetischen Hintergrund stammen und sich die Gewebe in derselben Umgebung befinden. Die Verwendung gepaarter Proben hilft, Verzerrungen in der Analyse zu vermeiden, die auftreten könnten, wenn Sie ESCC und normales Gewebe von verschiedenen Patienten mit unterschiedlichem genetischen Hintergrund vergleichen würden. Die Verwendung gepaarter Proben ermöglicht eine genauere Identifizierung der Unterschiede in der Genexpression zwischen ESCC und normalem Gewebe innerhalb desselben Patienten, was dazu beitragen kann, die Spezifität der Ergebnisse zu verbessern. Dieser Ansatz wird häufig in Genexpressionsstudien verwendet, um die individuelle Variabilität zu kontrollieren und die analytische Aussagekraft zu verbessern.

Wir haben alle Stichprobendaten der an der Studie beteiligten Probanden entnommen und die GEO2R-Plattform verwendet, um die Genexpressionsdaten zu analysieren. Zuerst ordneten wir Krebsproben zu, gefolgt von normalen Proben. Nach der Zuweisung dieser Proben wurden die in der GEO2R-Datenbank verfügbaren Standardparameter verwendet, um Krebs- oder Behandlungsproben und die Normal- oder Kontrollproben zu identifizieren. Zur Unterscheidung zwischen Krebs- und Normalproben wurde eine adjustierte p-Wert-Schwelle (adj. P Val) von weniger als 0,05 und eine Fold-Change-Schwelle von >2,0 für hochregulierte Gene und eine adjustierte p-Wert-Schwelle (adj. P Val) von weniger als 0,05 und eine Fold-Change-Schwelle von <0,5 für herunterregulierte Gene festgelegt. Diese Schwellenwerte wurden häufig in Genexpressionsstudien verwendet, um differentiell exprimierte Gene zwischen Krebs und normalem Krebs zu identifizieren. Es ist wichtig zu beachten, dass die Wahl der Signifikanzschwellen die Anzahl und Identität der als differentiell exprimiert identifizierten Gene beeinflussen kann. Darüber hinaus ist es wichtig, die biologische Relevanz der identifizierten Gene sorgfältig zu evaluieren und weitere Validierungsstudien durchzuführen, um die Ergebnisse zu bestätigen.

In der Literatur gab es einen Trend, nur die Gene mit mindestens 2-facher Veränderung für hochregulierte und <0,5-fache Veränderung für herunterregulierte Gene zu berichten, insbesondere in Microarray- und Proteomik-Studien42. In früheren Studien wurde eine Faltungsänderung von >1,5-fach und eine <0,67-fache Veränderung für herunterregulierte Gene als hochreguliert angesehen 43,44, aber Literaturtrends in den letzten zehn Jahren zeigen deutlich, dass eine höhere Faltungsänderung bevorzugt wird, vor allem deshalb, weil bei Validierungsexperimenten mit Kandidaten mit niedrigem Faltungswert diese entweder schwach sind oder keine Korrelation zwischen mRNA und Proteinspiegeln gefunden wurdeDaten 45. Es gibt eine Schattenseite bei der Wahl einer höherfaltigen Veränderung darin, dass man manchmal einige Moleküle übersieht, die bei der Krankheit oder dem Krebs biologisch relevant sind, aber einfach weggelassen werden, weil der Cutoff bevorzugt wird, um in die Liste der DEGs/DEMs aufgenommen zu werden. Darüber hinaus ist die Literatur dahingehend verzerrt, dass DEGs insbesondere hochregulierte oder überexprimierte Moleküle gegenüber unterexprimierten bevorzugen. Wenn die Expression von Molekülen in mehreren Studien den gleichen Mustern der Hoch- oder Überexpression entspricht, unabhängig davon, ob es sich um denselben Krebs oder dieselbe Krankheit handelt, ist dies ein bevorzugter Ansatz unter Wissenschaftlern. Wenn das gleiche Muster der Überexpression bei mehreren Krankheiten beobachtet und in der Literatur berichtet wird, wird es in der wissenschaftlichen Gemeinschaft wieder weitgehend akzeptiert.

Darüber hinaus hängt die Ähnlichkeit von Krankheiten davon ab, ob Microarray-Daten oder Literatur für den Vergleich herangezogen werden. Schließlich weisen lose definierte Beschreibungen differentieller Expressionsgrößen in der Literatur nur eine begrenzte Korrelation mit Microarray-Faltungsänderungsdatenauf 46.

Darüber hinaus kann ein Kompendium zusätzliche Informationen aus Datenbanken wie NCBI Entrez Gen47, HGNC48, OMIM49, HPRD50,51, Ensemble52, KEGG53, WikiPathways54, GO55, miRBase56 und DGV57 liefern. Bei der Verwendung von GEO2R zeigt eine Bewertung von UMAP, wie Proben zusammenhängen. In der aktuellen Analyse sind zwei ESCC-Proben mit normalen Proben gefüllt, was darauf hindeutet, dass entweder ein Stichprobenfehler vorliegt oder die ESCC-Proben heterogen genug sind, um in der Gruppe der normalen Proben aufzutauchen.

Das GEO2R-Tool ist benutzerfreundlich und leicht zugänglich, hat jedoch einige Einschränkungen. GEO2R ist nicht in der Lage, PCA-Plots und Heatmaps zu generieren oder Proben nach der Qualitätskontrolle zu filtern. Es bietet nur ein einziges Venn-Diagramm für Stichprobenvergleiche innerhalb derselben Reihe. GEO2R ist auf Serienmatrix-Dateien beschränkt, wodurch serienübergreifende Vergleiche verhindert werden. Darüber hinaus analysiert GEO2R nur Microarray-Daten und verfügt nicht über Qualitätskontrollen für die Normalität oder Vergleichbarkeit der Proben. GEO2R erlaubt keine unbegrenzte Anzahl von Suchergebnissen und zeigt nur die Top 250 Gene für einen bestimmten paarweisen Vergleich innerhalb eines Datensatzes an. Es analysiert auch Datensätze mit unzureichenden Stichprobenreplikaten für eine robuste statistische Analyse. GEO2R lieferte Daten in logarithmischen Faltungsänderungen, die entweder mit r oder in einer Excel-Tabelle in Faltenänderung umgewandelt werden mussten. Um hoch- und herunterregulierte Gene darzustellen, muss man auch eine andere Software oder ein anderes Online-Tool verwenden, um die Heatmap 58,59,60 zu erstellen.

Zusammenfassend wird in diesem Artikel eine einfache Pipeline bereitgestellt, die verwendet werden kann, um mit geringfügigen Modifikationen ein Kompendium für jede Art von Malignität zu erstellen. Kompendium sind das Gebot der Stunde, um biomedizinische Wissenschaftler insbesondere bei der Entdeckung von Biomarkern zu unterstützen, indem die Kandidatenmoleküle für die Validierung im klinischen Umfeld für ihre Verwendung entweder für die Prognose oder Diagnose bereitgestellt werden.

Offenlegungen

Die Autoren haben nichts offenzulegen.

Danksagungen

MKK ist Empfänger des TARE-Stipendiums (Grant # TAR/2018/001054) (Grant # 5/13/55/2020/NCD-III) des Science and Engineering Research Board (SERB), Department of Science and Technology, bzw. des Indian Council of Medical Research (ICMR), Government of India, New Delhi.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
NCBI-PUBMEDNCBIBezugnehmend auf Abschnitt 1. Erforderlich für die Literaturrecherche
Ein Laptop/Macbook oder Personal Computer mit Internetanschluss und einem Webbrowser.
g:ProfilerELIXIR infrastructurehttps://biit.cs.ut.ee/gprofiler/gostBezieht sich auf Abschnitt 4.10. erforderlich für die Anreicherung von GO:MF, GO:BP und GO:CC
Genexpression OmnibusNCBIhttps://www.ncbi.nlm.nih.gov/geo/Bezieht sich auf Abschnitt 3.1. erforderlich für die Suche in der Microarray-Studiendatenbank
GEO2RNCBIhttps://www.ncbi.nlm.nih.gov/geo/geo2r/Unter Bezugnahme auf Abschnitt 3.2. erforderlich für die Analyse der Daten mit dem GEO2R-Tool
GoogleGooglehttps://www.google.comBezugnehmend auf Abschnitt 1.1. erforderlich für die Literaturrecherche
HGNC HGNCist ein Gremium der Human Genome Organisation (HUGO)https://www.genenames.orgUnter Bezugnahme auf Abschnitt 6.1 erforderlich, um das offizielle Gensymbol der DEGs zu kennen 
HPRDInstitut für Bioinformatik, Bangluru  http://hprd.orgUnter Bezugnahme auf Abschnitt 5.1, der für Informationen über die Proteinarchitektur erforderlich ist 
OMIM  Johns Hopkins University, Baltimorehttp://www.omim.org/entryUnter Bezugnahme auf Abschnitt 8.1 erforderlich, um die OMIM-ID eines bestimmten Gens zu kennen /
DEG Pangloss ProgramEntwickelt von Chris Seidelhttp://www.pangloss.com/seidel/Protocols/venn.cgiBezugnahme auf Abschnitt 4.9. erforderlich für die Erstellung des Venn-Diagramms
PANTHERThomas Labor an der University of Southern Californiahttp://www.pantherdb.org/geneListAnalysis.doUnter Bezugnahme auf Abschnitt 4.10. erforderlich für die Anreicherung von GO:MF, GO:BP und GO:CC
ShinyGO South Dakota State Universityhttp://bioinformatics.sdstate.edu/goUnter Bezugnahme auf Abschnitt 4.10. erforderlich für die Zuteilung von DEGs auf den Chromosomen
https://ncbi.nlm.nih.gov/pubmed

Referenzen

  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).

Nachdrucke und Genehmigungen

Tags

Differenzielle GenexpressionMicroarray-AnalyseBioinformatik-Pipelinedifferenziell exprimierte GeneBiomarker-Identifizierungfunktionelle Signalweganalysepopulationsspezifisches ScreeningKrebsbiomarkerHochdurchsatztechnologien
Entwicklung eines Kompendiums für Plattenepithelkarzinome der Speiseröhre
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.