Article de méthode

Développement d’un compendium pour le carcinome épidermoïde de l’œsophage

1.1K vues

⸱

DOI :

10.3791/65480

⸱

12 avril 2024

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

Dans cet article

Résumé

Ce protocole décrit un outil utile pour identifier les changements moléculaires significatifs dans le cancer et conduit au développement de nouvelles approches diagnostiques et thérapeutiques pour le carcinome épidermoïde de l’œsophage.

Résumé

Le cancer de l’œsophage (CE) se classe au 8erang des tumeurs malignes les plus agressives, et son traitement reste difficile en raison du manque de biomarqueurs facilitant la détection précoce. La CE se manifeste sous deux formes histologiques majeures - l’adénocarcinome (EAD) et le carcinome épidermoïde (ESCC) - tous deux présentant des variations d’incidence entre des populations géographiquement distinctes. Les technologies à haut débit transforment la compréhension des maladies, y compris le cancer. Un défi important pour la communauté scientifique est de traiter des données éparpillées dans la littérature. Pour résoudre ce problème, un pipeline simple est proposé pour l’analyse d’ensembles de données de microréseaux accessibles au public et la collecte de molécules régulées différemment entre le cancer et les conditions normales. Le pipeline peut servir d’approche standard pour l’analyse différentielle de l’expression génique, en identifiant les gènes exprimés de manière différentielle entre le cancer et les tissus normaux ou entre différents sous-types de cancer. Le pipeline comprend plusieurs étapes, notamment le prétraitement des données (impliquant le contrôle de la qualité et la normalisation des données brutes d’expression génique pour éliminer les variations techniques entre les échantillons), l’analyse de l’expression différentielle (identification des gènes exprimés de manière différentielle entre deux ou plusieurs groupes d’échantillons à l’aide de tests statistiques tels que les tests tl’analyse fonctionnelle (à l’aide d’outils bioinformatiques pour identifier les voies et les fonctions biologiques enrichies dans les gènes exprimés de manière différentielle) et la validation (impliquant la validation à l’aide d’ensembles de données indépendants ou de méthodes expérimentales telles que la qPCR ou l’immunohistochimie). À l’aide de ce pipeline, une collection de molécules exprimées de manière différentielle (MNE) peut être générée pour tout type de cancer, y compris le cancer de l’œsophage. Ce recueil peut être utilisé pour identifier des biomarqueurs potentiels et des cibles médicamenteuses pour le cancer et améliorer la compréhension des mécanismes moléculaires sous-jacents à la maladie. De plus, le dépistage du cancer de l’œsophage à l’échelle d’une population à l’aide de ce pipeline aidera à identifier des cibles médicamenteuses spécifiques pour des populations distinctes, ce qui conduira à des traitements personnalisés de la maladie.

Introduction

Il est alarmant de constater que la CE est le huitième cancer le plus répandu dans le monde et la sixième cause de décès dans le monde. La Chine, l’Inde et l’Iran ont des taux d’incidence et de mortalité alarmants. Il existe deux principaux types de CE : l’adénocarcinome de l’œsophage (EAC ou EAD) et le carcinome épidermoïde de l’œsophage (ESCC)1. L’EAC est plus fréquente dans le monde occidental, tandis que l’ESCC est plus fréquente dans les pays orientaux, en particulier la Chine et l’Iran2. Plusieurs facteurs de risque sont associés à la contraception d’urgence, notamment la consommation de tabac et d’alcool, l’obésité et le reflux gastro-œsophagien (RGO). De plus, des facteurs alimentaires tels que le manque de fruits et de légumes et la consommation de boissons et d’aliments chauds sont associés au risque d’ESCC dans les zones à haut risque. Un diagnostic et un traitement précoces sont importants pour améliorer les résultats des patients atteints de CE 3,4. Par conséquent, il est important de sensibiliser les gens aux facteurs de risque, aux signes et aux symptômes de la contraception d’urgence et d’encourager le dépistage régulier des personnes à risque élevé. De plus, les efforts visant à s’attaquer aux facteurs de risque modifiables, tels que la consommation de tabac et d’alcool et les habitudes alimentaires malsaines, peuvent aider à réduire l’incidence de la CE. L’EAD se produit dans les cellules des glandes productrices de mucus dans la partie inférieure de l’œsophage, près de l’estomac. Il est souvent associé au RGO, dans lequel l’acide gastrique et son contenu retournent dans l’œsophage. En revanche, l’ESCC provient de cellules plates et minces qui tapissent la partie supérieure de l’œsophage5. Il est plus fréquent dans les régions où la consommation de tabac et d’alcool est répandue, comme la Chine et l’Iran.

Parmi les diverses affections liées à l’œsophage, l’œsophage de Barrett (EB), une condition dans laquelle la muqueuse de l’œsophage est remplacée par des cellules glandulaires, est un précurseur connu de l’EAC6. Il convient de noter que l’EB peut se développer sans RGO, mais la présence d’un RGO augmente le risque de développer un EB de 3 à 5 fois. De plus, la présence d’EB augmente le risque de développer une EAC de 50 à 100 fois7. De plus, les aliments et les liquides chauds ou épicés ont été associés à l’ESCC, mais pas à l’EAC. Comprendre les facteurs de risque de la contraception d’urgence est important pour sa prévention et sa détection précoce. Les efforts visant à s’attaquer aux facteurs de risque modifiables, tels que le tabagisme, la consommation d’alcool, l’obésité et les habitudes alimentaires malsaines, peuvent aider à réduire l’incidence de la contraception d’urgence. De plus, le dépistage et la surveillance systématiques des personnes à haut risque, telles que celles atteintes de dysphagie, peuvent améliorer les résultats en permettant une détection et un traitement précoces.

Il est certainement vrai que les études omiques, y compris la génomique, la transcriptomique, la protéomique, la méthylomique, la miRNAomique et la métabolomique, ont grandement contribué à notre compréhension des CE, en particulier ESCC 8,9,10,11,12,13. Ces études ont permis d’identifier de nouveaux biomarqueurs, des cibles thérapeutiques potentielles et de nouvelles voies impliquées dans le développement et la progression de l’ESCC. Cependant, les données générées par ces études sont dispersées dans la littérature, ce qui rend difficile l’accès et l’utilisation de ces informations par la communauté scientifique. Par conséquent, il est important de créer un référentiel ou une base de données qui compile les données obtenues à partir d’études à haut ou à faible débit sur des cancers spécifiques. Un tel forfait peut être rationalisé et réalisé en mettant en œuvre quelques directives de base. Ces lignes directrices comprennent la sélection d’études pertinentes, l’extraction et l’organisation des données de ces études, ainsi que la garantie de la qualité et de la cohérence des données. De plus, le recueil devrait être mis à jour régulièrement pour inclure les nouvelles études et les nouvelles données au fur et à mesure qu’elles deviennent disponibles. Les chercheurs peuvent utiliser une seule plateforme pour récupérer et analyser des données sur un cancer spécifique en créant un recueil ou une base de données qui combine les données de différentes études. Cela contribuera à accélérer les efforts de recherche et, en fin de compte, à mener à des traitements plus efficaces et à de meilleurs résultats pour les patients atteints de cancer.

L’élaboration du recueil sur le cancer intègre des données provenant d’études à faible et à haut débit. Ce recueil constituera une ressource précieuse pour les chercheurs qui cherchent à identifier des cibles diagnostiques ou thérapeutiques potentielles pour le cancer. Une façon de constituer cette collection est d’examiner les études sur les microréseaux disponibles dans des dépôts accessibles au public, tels que Gene Expression Omnibus (GEO). Les études sur microréseaux peuvent fournir des informations sur les niveaux d’expression génique dans les cellules cancéreuses, et ces données peuvent être utilisées pour identifier les gènes exprimés de manière différentielle (DEG) qui peuvent jouer un rôle dans le développement et la progression du cancer.

Cependant, il convient de noter que différentes études auraient pu utiliser des méthodes différentes pour analyser leurs données, ce qui aurait pu conduire à l’identification de différents DEG. Par conséquent, il est important d’examiner attentivement chaque étude et de tenir compte de tout biais ou limite potentiel lors de la regroupement des données pour le compendium. Une fois que les données sont rassemblées sur une plate-forme commune, les chercheurs peuvent les utiliser pour identifier des cibles moléculaires potentielles pour une étude plus approfondie. Il s’agit notamment d’examiner l’expression d’un gène particulier dans des échantillons cliniques ou de mener des études mécanistes pour comprendre comment un gène ou une protéine particulière est impliqué dans le développement et la progression du cancer. Dans l’ensemble, la création d’un ensemble de données sur le cancer constituera une ressource précieuse pour les chercheurs en cancérologie et aidera à identifier de nouvelles cibles pour le diagnostic et les interventions thérapeutiques.

Protocole

1. Curation manuelle des molécules régulées différentiellement dans l’ESCC

  1. Trouver des études pertinentes à faible débit à l’aide de PubMed
    REMARQUE : Il est important de comprendre la différence fondamentale entre les techniques à faible débit et les techniques à haut débit. Dans le premier cas, seul un nombre limité d’échantillons est étudié, et le processus prend généralement du temps, en revanche, il est plus rapide et le nombre d’échantillons peut être analysé en une seule fois, ce qui est nettement plus élevé que dans les méthodes à faible débit telles que le transfert de Northern et le transfert Western sont des techniques à faible débit, tandis que les microréseaux d’ADNc et la protéomique quantitative basée sur LC-MS/MS sont des techniques à haut débit14. Les moteurs de recherche comme NCBI-PubMed (voir la table des matériaux) sont une bonne source pour trouver des études pertinentes pour n’importe quel cancer, car il s’agit d’une ressource accessible au public pour les scientifiques biomédicaux pour trouver de la littérature sur des maladies comme l’ESCC. Pour trouver des études pertinentes, les étapes suivantes doivent être suivies.
    1. Cliquez sur le moteur de recherche Google (voir Table des matériaux) pour l’ouvrir. C’est également ce qu’utilisent les chercheurs, car il existe des revues qui ne sont pas indexées dans PubMed, mais qui sont tout de même des articles de bonne qualité. Il est toujours bon de chercher plus d’un moteur de recherche pour annuler la probabilité de manquer un article important.
    2. Sélectionnez la barre de recherche de PubMed et utilisez des opérateurs booléens (AND, OR, NOT). Les opérateurs booléens affinent les chercheurs aux mots-clés pertinents utilisés par les chercheurs pour trouver les résultats.

2. Trouver des études pertinentes à l’aide de PubMed

  1. Tapez l’adresse Web NCBI (voir la table des matériaux) et cliquez pour l’ouvrir.
  2. Sélectionnez PubMed dans le menu de gauche de l’onglet Toutes les bases de données .
  3. Tapez dans la barre de recherche, les mots-clés pertinents, qui récupéreront les articles pertinents. Les mots-clés doivent être utilisés en combinaison avec les opérateurs booléens car ceux-ci pourraient aider à obtenir les articles qui sont étroitement liés au cancer / à la maladie en question (par exemple, le carcinome épidermoïde de l’œsophage).

3. Trouver des études pertinentes à l’aide de l’omnibus d’expression génique (GEO)

REMARQUE : Gene expression omnibus (GEO) est un référentiel disponible gratuitement pour le stockage de données sur des microréseaux d’ADN. La pléthore de données disponibles dans GEO est une bonne ressource pour l’exploration de données afin d’identifier les molécules régulées différemment entre le cancer/les maladies et les conditions normales.

  1. Tapez l’adresse Web GEO (voir la Table des matériaux) et cliquez pour l’ouvrir.
  2. Tapez Carcinome épidermoïde de l’œsophage ET Homo sapiens et appuyez sur Entrée.
    REMARQUE : Pour faire un recueil des gènes régulés différentiellement pour le cancer, il est important de sélectionner les études pertinentes à partir desquelles les chercheurs sélectionneront les molécules qui sont régulées de manière différentielle entre le cancer et les conditions normales . L’aspect principal est de définir les critères de sélection des molécules en fonction du fold-change. Le changement de pli indiquera si un gène/protéine est régulé à la hausse ou à la baisse. Le changement de pli et les valeurs limites de la valeur p peuvent modifier considérablement la signification des données dans une expérience donnée, y compris les études de détection d’ARN ou de protéomique15.

4. Analyse des microréseaux à l’aide de GEO2R

REMARQUE : La première chose à faire est de trouver des études pertinentes à l’aide d’opérateurs booléens (AND, OR, NOT). Ceux-ci seront utilisés en combinaison avec les mots-clés « carcinome épidermoïde de l’œsophage », « ESCC » ou « carcinome épidermoïde de l’œsophage ». GEO2R (voir la table des matériaux) est un progiciel en langage R disponible gratuitement qui est intégré à GEO, permettant aux utilisateurs d’analyser les données des études de microréseaux de manière conviviale. Il interagit avec les ID d’entrée GEO et fournit une interface pour effectuer une analyse complexe basée sur R afin d’identifier les DEG à l’aide de packages Bioconductor R pour le back-end. Ce package transforme non seulement les données GEO, mais présente également leur sortie sous forme de tables .txt, qui peuvent être modifiées en fonction des besoins des utilisateurs16. Le package GEO2R présente les gènes dans un ordre de signification statistique basé sur la valeur p, mais l’ordre peut être trié en fonction de la variation logarithmique de2 fois. De plus, les utilisateurs peuvent afficher les profils d’expression génique sous forme d’images de profil GEO. Contrairement à d’autres outils d’analyse, GEO2R est indépendant des enregistrements d’ensembles de données sélectionnés et peut interroger directement les données réelles soumises par les enquêteurs. Plus de 90 % des études GEO peuvent être analysées à l’aide de cette méthode17. La figure 1 illustre le flux de travail de GEO2R avec les étapes nécessaires à l’analyse des données de microréseaux à l’aide de GEO2R.

  1. Ouvrez le site Web de GEO2R.
  2. Entrez l’accession GSE à l’aide du GEO dans l’espace de recherche intitulé « Accession GEO » et cliquez sur le bouton Définir. Créez des étiquettes cancer puis normal.
  3. Attribuez des échantillons en fonction du type en attribuant d’abord Cancer suivi de Normal.
  4. Cliquez sur Analyser sans modifier les paramètres par défaut.
  5. Cliquez sur la liste complète des gènes et téléchargez les données au format de fichier .tsv. .tsv doit être converti en .xlsx avant de poursuivre le traitement des données.
  6. Convertissez le changement de pli logarithmique2 en changement de pli en utilisant la formule [=(2)^(Nx), où N est la position de la cellule] dans l’excel.
  7. Soumettez ensuite les données obtenues à l’étape 4.6 pour obtenir les DEG en appliquant un taux de fausses découvertes (FDR) de 5 % ou une valeur p ajustée (valeur p ajustée) <0,05, et un changement de >2,0 pour les gènes régulés à la hausse et < changement de 0,5 pour les gènes régulés à la baisse.
    REMARQUE : Le FDR est une correction appliquée aux valeurs p pour tenir compte de plusieurs tests, et ces deux ne peuvent pas être traités comme synonymes l’un de l’autre. L’ajustement du FDR est crucial pour contrôler le taux de fausses découvertes lors de l’exécution d’un grand nombre de tests d’hypothèses.
  8. Identifiez la liste de gènes unique par rapport à l’étude précédemment publiée en soumettant les DEG à l’aide d’un outil générateur de diagrammes de Venn en ligne disponible gratuitement (Pangloss) pour générer le diagramme de Venn pour la ségrégation des DEG communs et uniques (voir la table des matériaux).
  9. De plus, soumettez la liste de gènes unique pour identifier l’ontologie génétique.
    REMARQUE : Différentes fonctions GO telles que Ontologie des gènes : Fonction moléculaire (GO : MF), Ontologie des gènes : Processus biologiques (GO : BP) et Ontologie des gènes : Composant cellulaire (GO : CC) peuvent être générées à l’aide de g : Profiler (voir la table des matériaux) ou PANTHER (voir la table des matériaux), les deux étant des programmes en ligne disponibles gratuitement. L’analyse basée sur GO réalisée à l’aide de g : Profiler.
  10. Pour obtenir la distribution des DEG dans le génome sur des chromosomes individuels, utilisez ShinyGO (voir Tableau des matériaux).
  11. Collez toute la liste de gènes uniques obtenue à partir de GEO2R dans l’onglet de recherche ShinyGO, et l’espèce la mieux adaptée sélectionnée était Homo sapiens. Le seuil utilisé par le RAD était de 5 %.
  12. Effectuer la sélection des DEG obtenus à partir de GEO2R pour une étude de validation plus poussée au niveau des protéines. Le flux de travail permettant d’extraire les informations supplémentaires mais cruciales sur les DEG a été illustré à la figure 2.

5. Trouver un alias pour un gène/protéine

  1. Ouvrez la page HPRD (voir la table des matériaux) et cliquez sur le bouton Requête .
  2. Entrez le nom de la protéine ou l’identifiant HPRD dans l’onglet de recherche correspondant, appuyez sur le bouton Rechercher en bas
    REMARQUE : Il y aura une page ouverte avec un onglet étiqueté comme « NOMS ALTERNATIFS », cliquez dessus et l’alias de ce gène ou protéine apparaîtra.

6. Trouver un symbole génétique officiel pour les DEG

  1. Pour trouver le symbole officiel du gène, ouvrez le HUGO Gene Nomenclature Committee (HGNC) (voir la table des matériaux).
  2. Tapez le nom obtenu dans l’analyse GEO2R dans la barre de recherche de la page HGNC et cliquez sur le symbole de recherche . Les résultats de la recherche montreront à quel symbole génétique officiel le terme correspond exactement.
  3. Cliquez sur ce lien et découvrez-y le « symbole génétique » officiel mentionné.

7. Trouver le locus génétique des DEG

  1. Ouvrez la page du gène en visitant le lien sur NCBI.
  2. Tapez le symbole officiel du gène et cliquez sur rechercher.
  3. Dans le résultat, vérifiez soigneusement le gène et l’organisme auquel il appartient. Une fois que vous vous êtes assuré que la correspondance est correcte, cliquez sur le lien et poursuivez votre chemin.
    REMARQUE : En résumé, sous la rubrique « Contexte génomique », il y aura un emplacement qui est en fait le locus du gène.

8. Trouver des informations sur les DEG sur OMIM Pagegene locus des DEG

  1. Ouvrez la page OMIM (voir Table des matériaux).
  2. Entrez le nom ou le symbole du gène de l’information du gène, en particulier « gène-phénotype ».
  3. Cliquez sur le bouton de recherche et les résultats apparaîtront pour le gène d’intérêt. L’écran fournit des informations sur la « relation gène-phénotype ».

9. Trouver la localisation, le domaine et le motif de la protéine, ainsi que la nature sécrétoire de la protéine codée par le gène

  1. Ouvrez la page HPRD (voir la table des matériaux).
  2. Une fois ouvert, entrez le nom de la protéine ou l’indicateur HPRD dans l’onglet de recherche correspondant et appuyez sur le bouton Rechercher en bas.
  3. Il y aura une page ouverte qui aura un onglet étiqueté « Résumé ». Descendez tout en bas de la page et vérifiez l’onglet de localisation pour connaître la localisation principale et la localisation « secondaire » alternative.
    REMARQUE : Sur la même page, sous « localisation », il y a un onglet « Domaines et motifs » où sont répertoriés les domaines et les motifs de la protéine d’intérêt (le cas échéant). De nouveau sur la même page, à côté de l’onglet « Domaines et Motifs », il y a un onglet « Expression » avec un sous-onglet « site d’expression ». Toute protéine dont il a été signalé qu’elle était décomposée dans un liquide biologique peut être considérée comme « sécrétoire » par nature. Si une protéine d’intérêt a été signalée dans l’un des fluides biologiques tels que le plasma, le sérum, le sperme, les larmes supplémentaires, elle y sera répertoriée.

10. Sélection de la protéine pour la validation, et évaluation plus approfondie pour le diagnostic ou le pronostic de la malignité d’intérêt

REMARQUE : Une fois que des molécules uniques sont identifiées, le plus grand défi est de savoir comment les valider. Habituellement, l’étude des microréseaux fournit l’expression aux niveaux de l’ARNm, mais pour le diagnostic ou le pronostic de la maladie, la lecture des niveaux de protéines est cruciale. Pour la même raison, des échantillons ou des lignées cellulaires de patients ou dérivés de patients du même cancer doivent être examinés pour savoir si la molécule y est réellement exprimée et si elle est capable de faire la distinction entre le cancer et le pronostic normal, ou le bon et le mauvais pronostic, ou de différencier les stades précoces et tardifs des maladies. Pour valider la molécule candidate, le Western blot, les dosages immuno-enzymatiques, c’est-à-dire ELISA, l’immunoprécipitation, l’immunohistochimie, l’immunocytochimie ou le dosage sont des techniques utiles 18,19,20. Dans le même temps, tous ces tests nécessitent des anticorps pour détecter l’antigène présent dans les échantillons. Les anticorps sont des articles coûteux, il est donc toujours préférable de sélectionner des anticorps en fonction des points suivants :

  1. Vérifiez si l’anticorps a déjà signalé des articles de recherche publiés précédemment sur d’autres tumeurs malignes.
  2. Si ce n’est pas le cas, vérifiez la société du fournisseur d’anticorps et voyez s’ils fournissent une fiche technique avec une photo du blot, ou de l’immunocytochimie, ou de l’immunohistochimie.
    REMARQUE : Si l’on souhaite faire de l’immunohistochimie, mais que l’anticorps n’est disponible que pour le test ELISA, cela peut constituer un risque d’utiliser l’anticorps, en particulier si la molécule cible est une molécule portant un domaine transmembranaire mais pas le peptide signal. De plus, si l’anticorps est monoclonal ou polyclonal, il est préférable de préférer un anticorps monoclonal.

Résultats

À titre d’exemple, le GSE161533 d’accession au GEO a été utilisé pour étudier des gènes explorés de manière différentielle dans l’ESCC. Les résultats représentatifs de l’analyse sont présentés dans la figure 3. GEO2R génère un graphique volcanique qui est utile pour identifier les événements qui diffèrent significativement entre deux groupes de sujets expérimentaux. Le graphique Volcano présente la distribution globale des gènes avec la signification transformée en -log10 (valeur p) sur l’axe des y, et les changements de pli (avec le changement de pli transformé en log2 ) sur l’axe des x (Figure 3A), et il est utile pour visualiser les gènes qui sont exprimés de manière différentielle. Les gènes mis en évidence sont exprimés de manière différentielle de manière significative à un seuil de valeur p ajusté par défaut de 0,05 (bleu = régulé à la baisse, rouge = régulé à la hausse).

Un graphique de différence moyenne (MD) affiche le log2 fois la variation vs. valeurs moyennes d’expression de log2 et est utile pour visualiser les gènes qui sont exprimés de manière différentielle. Dans le graphique MD, les gènes où logarithmique2 transformé se plient changent sur l’axe des y et logarithme l’expression de la valeur moyenne sur l’axe des x (figure 3B). Les gènes mis en évidence sont exprimés de manière différentielle de manière significative à un seuil de valeur p ajusté par défaut de 0,05 (bleu = régulé à la baisse, rouge = régulé à la hausse). Les graphiques de volcans rencontrent les mêmes problèmes que les graphiques de MA en termes d’affichage d’informations provenant de seulement deux traitements à la fois21.

De plus, l’UMAP (Uniform Manifold Approximation and Projection)22 a été utilisé pour évaluer la parenté entre l’ESCC et les échantillons normaux (figure 3C). Bien que la plupart des échantillons appartenaient aux catégories respectives, deux échantillons ESCC ont été trouvés dans les échantillons normaux.

GEO2R a présenté un graphique interactif de la densité d’expression en 2D (Figure 3D), qui a démontré efficacement la densité d’expression dans l’ensemble de données. Ce graphique est utile pour déterminer si la normalisation est nécessaire pour les DEG. Dans ce graphique, l’axe des y indique la densité, tandis que l’axe des x indique l’intensité pour l’ESCC (couleur verte) et la normale (couleur violette).

La distribution des valeurs sur différents échantillons, y compris l’ESCC et la normale, a été illustrée dans la boîte à moustaches. Ces distributions donnent une indication si les échantillons sont réellement adaptés à l’analyse d’expression différentielle. Les valeurs centrées sur la médiane indiquent clairement que les données sont normalisées et comparables (figure 3E).

Les gènes identifiés sont filtrés sur la base de p < 0,05 et de critères de changement de pli. Les gènes inchangés (avec changement de pli entre <2,0 et >0,50) ont été retirés de l’analyse. De plus, par rapport à une étude publiée précédemment, les gènes communs trouvés ne sont que de 514, mais le nombre unique de gènes obtenus est de 1193. Il est important de noter que l’identification de gènes uniques à l’aide de GEO2R peut aider non seulement à réduire la redondance, mais aussi à enrichir le compendium.

Une liste partielle des DEG a été mentionnée dans le tableau 1, tandis qu’une liste complète des DEG est fournie dans le fichier supplémentaire 1. Certains des gènes régulés à la hausse appartiennent à la matrice extracellulaire, tels que MMP1 8,23,24, MMP1223,25, SPP1 8,26, POSTN9 et VCAN 8,27. Parmi les autres gènes énumérés dans le tableau 1, citons CMPK2, AURKA28,29, CHEK127 et CDK130 sont régulés à la hausse et EMP127, PTK631,32, GPX327, DPT33, FHL134,35 et CRNN 8,36 sont régulés à la baisse dans l’ESCC par rapport aux épithéliums normaux. POSTN (Periostin) a été régulé à la hausse dans l’ESCC et a également été signalé dans le cas de l’adénocarcinome de l’œsophage. Une étude antérieure sur l’ESCC a rapporté que l’expression de la protéine POSTN n’était pas seulement observée dans la région stromale, mais également dans les cellules tumorales, suggérant qu’il existe une interaction entre la tumeur et le microenvironnement9. La périostine est une protéine qui est principalement sécrétée par les cellules mésenchymateuses et qui joue un rôle crucial dans la régulation, l’adhésion et la différenciation des ostéoblastes, ainsi que dans la réparation des plaies. De plus, la périostine a été impliquée dans la progression tumorale et les métastases dans divers cancers, y compris l’ESCC. Des études ont montré que la périostine est impliquée dans la transition épithéliale à mésenchymateuse (EMT) dans les cancers et l’angiogenèse tumorale, favorisant la migration cellulaire, la motilité, l’adhésion et la croissance cellulaire métastatique des tumeurs. Dans l’œsophage de Barrett, un état précancéreux de l’œsophage, il y a une régulation positive significative de POSTN, le gène qui code pour la périotine, par rapport au tissu œsophagien normal37. Dans l’œsophagite à éosinophiles, une maladie inflammatoire de l’œsophage, les niveaux d’expression de l’ARNm et des protéines de la périostine sont régulés à la hausse par rapport à l’épithélium œsophagien normal. De même, dans l’ESCC, il a été constaté que POSTN est 11 fois régulé à la hausse dans l’analyse de l’expression génique9. Ces résultats suggèrent que POSTN pourrait servir de biomarqueur potentiel pour l’ESCC et d’autres cancers. De plus, l’augmentation des taux sériques de POSTN est signalée chez les patientes atteintes d’un cancer du sein diagonalisé avec des métastases osseuses, ce qui reflète le fait que POSTN pourrait également être étudié davantage en tant que biomarqueur métastatique potentiel dans le sérum des patientes ESCC. Dans l’ensemble, les POSTN semblent jouer un rôle important dans la progression tumorale et peuvent avoir des implications cliniques potentielles pour le diagnostic, le pronostic et le traitement du cancer.

La distribution chromosomique des DEG sur les chromosomes individuels montre que le nombre maximal de gènes provenait des chromosomes 1 à 6 et X (Figure 4). L’analyse des voies basée sur ShinyGO a montré qu’un certain nombre de voies cruciales apparaissent lors de l’analyse des DEG. Il s’agit notamment de la voie de signalisation IL-17, de la digestion et de l’absorption des protéines, de l’interaction ECM-récepteur, de la voie de signalisation TNF, de la voie de signalisation des récepteurs de type Toll, de la voie de signalisation des chimiokines, de l’interaction cytokine-récepteur des cytokines, de la maladie hépatique liée à l’alcool, des microARN dans le cancer, de la dérégulation transcriptionnelle dans le cancer, du cycle cellulaire et de la voie de signalisation du récepteur de type NONO dans l’ESCC. De plus, l’enrichissement des termes GO dans les DEG a été réalisé à l’aide de l’analyse g : Profiler. Différents termes GO pour la fonction moléculaire (GO : MF), les composants cellulaires (GO : CC) et les processus biologiques (GO : BP) ont été enrichis (Figure 5). La liste de ces termes GO est fournie dans le Tableau 2.

figure-results-1
Figure 1 : Représentation schématique pour le traitement des études sur le carcinome épidermoïde de l’œsophage disponibles dans l’omnibus d’expression génique à l’aide du programme GEO2R. Différentes étapes impliquées dans l’identification des gènes régulés différentiellement (DEG) ou des molécules régulées différentiellement (DEM) ont été montrées dans le schéma, y compris les critères de sélection des DEG basés sur le changement de pli >2,0 fois et p < 0,05 pour la régulation positive, et <0,5 et la valeur p <0,05 pour la régulation négative. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-2
Figure 2 : Représentation schématique pour trouver des informations supplémentaires sur les gènes régulés différentiellement dans le carcinome épidermoïde de l’œsophage disponibles à l’aide d’autres ressources accessibles au public. De plus, l’information sur les DEG est cruciale pour décider si les DEG doivent être sélectionnées pour une validation et une évaluation plus poussées dans le cadre clinique. Des informations telles que l’extraction du pseudonyme, le symbole officiel du gène, l’emplacement du chromosome/locus du gène, l’OMIM, le domaine/motif, la nature sécrétoire de la protéine et la disponibilité de l’anticorps approprié pour la validation aux niveaux de protéine peuvent être obtenues à partir de différentes ressources en ligne. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-3
Figure 3 : Distribution de l’étude avec l’accession au GEO GSE161533 l’utilisation du programme GEO2R pour l’identification des DEG entre ESCC et normale. Le programme GEO2R a été utilisé avec des paramètres par défaut qui donnent lieu à (A) un graphique Volcano représentant la distribution des gènes avec une signification transformée en -log10 (valeur p) sur l’axe des y, et des changements de pli (avec un changement de pli transformé en log2) sur l’axe des x, (B) un graphique en MD affichant le changement de log2 en fonction des valeurs moyennes d’expression du log2 pour visualiser les gènes exprimés de manière différentielle, (C) UMAP (Uniform Manifold Approximation and Projection) montre la ségrégation des échantillons en fonction de leurs types, (D) Le graphique de densité d’expression complète car il vérifie la normalisation des données avant l’analyse différentielle de l’expression, (E) Boîte à moustaches montrant les valeurs centrées sur la médiane à travers les échantillons pour indiquer que la normalisation des données est comparable entre eux. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-4
Figure 4 : Distribution des DEG sur différents loci chromosomiques à l’aide de l’outil d’enrichissement ShinyGO. (A) Des gènes uniques ont été identifiés en générant un diagramme de Venn pour comparer les études actuelles et les études publiées précédemment. (B) La distribution des DEG sur les différents chromosomes du génome. (C) Enrichissement de la voie pour les DEG à l’aide de l’analyse d’enrichissement basée sur ShinyGO. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-results-5
Figure 5 : Graphiques de Manhattan pour illustrer l’enrichissement en termes GO des gènes cibles à l’aide de g : Profiler. Les gènes exprimés de manière différentielle ont été analysés par g : Profiler et l’enrichissement en termes GO (MF : fonction moléculaire ; BP : processus biologique ; CC : composant cellulaire) et les voies KEGG à travers les voies Reactome (REAC), WiKi-Pathways (WP), le facteur de transcription (TF) et la base cible de microARN (MIRNA) ont été représentées graphiquement dans le graphique de Manhattan où l’axe des x est les termes fonctionnels GO colorés par catégorie. Chaque point coloré représente un terme GO. L’axe des y montre les valeurs p ajustées -log10. Les termes GO qui sont statistiquement significatifs pour l’ESCC sont représentés sur l’axe des abscisses. MF : Fonction moléculaire ; BP : Procédé biologique ; CC : Composant cellulaire ; MIRNA : MicroARN ; HP : Phénotype humain. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Tableau 1 : Liste partielle des gènes exprimés différentiellement dans l’ESCC. Veuillez cliquer ici pour télécharger ce tableau.

Tableau 2 : Enrichissement des termes GO dans ESCC à l’aide de g : Profiler. Veuillez cliquer ici pour télécharger ce tableau.

Fichier supplémentaire 1 : Liste complète des gènes exprimés différentiellement dans l’ESCC. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Depuis l’implication des techniques OMICS à haut débit dans la biologie du cancer, le taux de génération de données a été considérablement augmenté. Cela pose un défi aux chercheurs, en particulier à ceux qui ne sont pas doués pour l’informatique. Pour surmonter au fil des ans, les bioinformaticiens ont eu l’idée de développer une base de données pour fournir des données de manière organisée. Cela a suscité une réponse positive de la part des chercheurs, en particulier de ceux qui ne s’intéressent pas à la technologie. De plus, les données OMICS éparpillées ici et là dans la littérature ne sont d’aucune utilité pour personne. Par conséquent, pour en faire bon usage, il a toujours été nécessaire de disposer d’une plate-forme commune où les chercheurs ayant des intérêts spécialisés peuvent aller accéder aux données. Il existe un certain nombre de bases de données sur différents cancers, notamment ONCOMINE38, ESCC ATLAS39, la base de données sur le cancer du pancréas (PCD)40 et DDEC41.

Le concept de gènes exprimés différentiellement (DEG) découle de l’analyse des données de séquençage de l’ARN, où les gènes qui présentent des changements significatifs dans les niveaux d’expression dans deux conditions ou plus (telles que le cancer par rapport à la normale, ou le traitement par rapport au contrôle) sont identifiés. Plusieurs outils ont été développés pour déterminer les DEG, qui effectuent des tests statistiques basés sur des quantifications des gènes exprimés évaluées à partir des analyses computationnelles des lectures brutes de séquençage de l’ARN ou des rapports d’intensité générés entre la sonde et la séquence cible dans le groupe cancer par rapport au groupe normal. Ces outils fournissent des informations relatives au niveau d’expression et à l’amplitude de la différence par paire pour chaque gène. Les analyses d’expression différentielle des gènes (DGE) sont utiles pour comprendre les mécanismes génétiques qui contribuent aux différences phénotypiques dans les organismes. Les analyses DGE ont été appliquées pour étudier une variété de processus biologiques, y compris la détection de l’origine tumorale et/ou l’analyse du microbiome. En identifiant les DEG, ces analyses peuvent donner un aperçu des facteurs génétiques sous-jacents qui contribuent à ces processus biologiques impliqués dans la tumorigenèse de l’ESCC21.

La méthode de l’outil GEO2R, qui est accessible au public et qui est la méthode la plus préférée car la plupart des études disponibles dans la littérature ont été analysées à l’aide d’algorithmes différents, ce qui a conduit à d’énormes différences dans l’analyse des données ; Par conséquent, pour éviter ces différences, cette plateforme conviviale a été utilisée car elle est gratuite et facile à utiliser. Cela permet des comparaisons entre des affections telles que « Cancer vs normal » ou « Traitement vs absence de traitement ».

Dans ce cas, l’ESCC a été choisi parce qu’il s’agit d’un cancer émergent du tractus gastro-intestinal (GI) en Inde et en Chine. Nous choisissons les GSE161533 d’accession GEO à analyser à l’aide de GEO2R pour identifier les DEG entre ESCC vs. normal. L’étude a été choisie parce qu’elle n’incluait pas de patients ESCC qui avaient déjà reçu un traitement de chimiothérapie ou de radiothérapie. Il est préférable d’utiliser des échantillons appariés s’ils sont disponibles (ESCC et normaux adjacents du même patient) pour toute analyse. En effet, le génome de l’ESCC et des tissus normaux du même patient devrait être très similaire puisqu’ils proviennent du même patrimoine génétique et que les tissus se trouvent dans le même environnement. L’utilisation d’échantillons appariés permet d’éviter les biais dans l’analyse qui pourraient être introduits si vous deviez comparer l’ESCC et les tissus normaux de différents patients avec des antécédents génétiques différents. L’utilisation d’échantillons appariés permet d’identifier plus précisément les différences d’expression génique entre l’ESCC et les tissus normaux chez le même patient, ce qui peut aider à améliorer la spécificité des résultats. Cette approche est fréquemment utilisée dans les études d’expression génique pour contrôler la variabilité individuelle et améliorer la puissance analytique.

Nous avons pris toutes les données de l’échantillon des sujets impliqués dans l’étude et avons utilisé la plateforme GEO2R pour analyser les données d’expression génique. Nous avons d’abord attribué des échantillons de cancer, puis des échantillons normaux. Après l’attribution de ces échantillons, les paramètres par défaut disponibles dans la base de données GEO2R ont été utilisés pour identifier les échantillons de cancer ou de traitement et les échantillons normaux ou de contrôle. Pour différencier les échantillons de cancer des échantillons normaux, un seuil de valeur p ajustée (adj. P Val) inférieur à 0,05 et un seuil de changement de pli de >2,0 ont été fixés pour les gènes régulés à la hausse, et un seuil de valeur p ajustée (adj. P Val) de moins de 0,05 et un seuil de changement de pli de <0,5 pour les gènes régulés à la baisse. Ces seuils ont été couramment utilisés dans les études d’expression génique pour identifier les gènes exprimés de manière différentielle entre le cancer et la normale. Il est important de noter que le choix des seuils de signification peut affecter le nombre et l’identité des gènes identifiés comme étant exprimés de manière différentielle. De plus, il est important d’évaluer soigneusement la pertinence biologique des gènes identifiés et d’effectuer d’autres études de validation pour confirmer les résultats.

Dans la littérature, on a eu tendance à ne rapporter que les gènes présentant un changement d’au moins 2 fois pour les gènes régulés à la hausse et de <0,5 fois pour les gènes régulés à la baisse, en particulier dans les études de microréseaux et de protéomique42. Dans des études antérieures, un changement de pliage de >1,5 fois était considéré comme régulé à la hausse et un changement de <0,67 pour les gènes régulés à la baisse43,44, mais les tendances de la littérature au cours de la dernière décennie montrent clairement qu’un changement de pli plus élevé est préféré en grande partie parce que lorsque des expériences de validation sont effectuées sur des candidats à faible valeur de pliage, celles-ci sont soit faibles, soit aucune corrélation n’a été trouvée entre les données sur les niveaux d’ARNm et de protéines45. Il y a un côté sombre dans le choix d’un changement de pli plus élevé, c’est que parfois vous manquez certaines molécules qui sont biologiquement pertinentes dans la maladie ou le cancer, mais qui sont simplement omises en raison de la coupure préférée pour faire la liste des DEG / DEM. De plus, la littérature est biaisée en ce sens que les DEG préfèrent particulièrement les molécules régulées à la hausse ou surexprimées plutôt que les molécules sous-exprimées. De plus, si l’expression des molécules se conforme aux mêmes modèles de régulation à la hausse ou de surexpression dans plusieurs études, qu’elles soient pour le même cancer ou la même maladie, il s’agit d’une approche privilégiée par les scientifiques. De plus, si le même modèle de surexpression est observé dans plusieurs maladies et rapporté dans la littérature, il est à nouveau largement accepté dans la communauté scientifique.

De plus, la similitude des maladies dépend de l’utilisation de données de microréseaux ou de littérature pour la comparaison. Enfin, les descriptions vaguement définies des amplitudes d’expression différentielle dans la littérature ne montrent qu’une corrélation limitée avec les données de changement de pliage des microréseaux46.

De plus, un compendium peut fournir des informations supplémentaires à partir de bases de données telles que NCBI Entrez gene47, HGNC48, OMIM49, HPRD50,51, Ensemble52, KEGG53, WikiPathways54, GO55, miRBase56 et DGV57. Lors de l’utilisation de GEO2R, une évaluation d’UMAP montre comment les échantillons sont liés. Dans l’analyse actuelle, deux échantillons ESCC sont remplis d’échantillons normaux, ce qui suggère qu’il y a soit une erreur d’échantillonnage, soit que les échantillons ESCC sont suffisamment hétérogènes pour apparaître dans le groupe des échantillons normaux.

L’outil GEO2R est convivial et facilement accessible, mais il présente certaines limites. GEO2R n’a pas la capacité de générer des tracés PCA et des cartes thermiques ou de filtrer des échantillons après le contrôle qualité. Il ne fournit qu’un seul diagramme de Venn pour les comparaisons d’échantillons au sein d’une même série. GEO2R est limité aux fichiers Series Matrix, ce qui empêche les comparaisons entre séries. De plus, GEO2R n’analyse que les données des microréseaux et ne dispose pas de contrôles de qualité pour la normalité des échantillons ou la comparabilité croisée. GEO2R ne permet pas un nombre illimité de résultats de recherche et n’affiche que les 250 premiers gènes pour une comparaison par paires donnée dans un ensemble de données. Il analyse également les ensembles de données avec des réplications d’échantillon insuffisantes pour une analyse statistique robuste. GEO2R fournit des données en log fold change, ce qui nécessite qu’il soit converti en fold-change soit à l’aide de r, soit dans une feuille excel. De plus, pour représenter les gènes régulés à la hausse et à la baisse, il faut utiliser un autre logiciel ou un outil en ligne pour créer une carte thermique 58,59,60.

En résumé, un pipeline simple est fourni dans cet article, qui peut être utilisé pour faire un compendium pour tout type de malignité avec des modifications mineures. Compendium sont besoin de l’heure pour soutenir les scientifiques biomédicaux, en particulier pour la découverte de biomarqueurs en fournissant les molécules candidates pour la validation dans le cadre clinique pour leur utilisation soit pour le pronostic, soit pour le diagnostic.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Remerciements

MKK est récipiendaire de la bourse TARE (Subvention # TAR/2018/001054) et de la subvention extra-muros (Subvention # 5/13/55/2020/NCD-III) du Conseil de recherche scientifique et technique (SERB), Département des sciences et de la technologie, et du Conseil indien de la recherche médicale (ICMR), Gouvernement de l’Inde, New Delhi, respectivement.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
NCBI-PUBMEDNCBISe référant à la section 1. requis pour la recherche dans la littérature
Un ordinateur portable/macbook ou un ordinateur personnel avec une connexion Internet et un navigateur Web.
g :ProfilerELIXIR infrastructurehttps://biit.cs.ut.ee/gprofiler/gostSe référant à la section 4.10. requise pour l’enrichissement de GO :MF, GO :BP et GO :CC
Gene expression omnibusNCBIhttps://www.ncbi.nlm.nih.gov/geo/Se référant à la section 3.1. requise pour la recherche dans la base de données d’étude de microarrays
GEO2RNCBIhttps://www.ncbi.nlm.nih.gov/geo/geo2r/Se référant à la section 3.2. nécessaire pour l’analyse des données à l’aide de l’outil GEO2R
GoogleGoogle https://www.google.comSe référant à la section 1.1. requise pour la recherche dans la littérature
HGNCHGNC est un comité de l’Organisation du génome humain (HUGO)https://www.genenames.orgSe référant à la section 6.1 nécessaire pour connaître le symbole officiel du gène des DEGs  ;
Institut HPRD de bioinformatique, Bangluru  ; http://hprd.orgSe référer à la section 5.1 requis pour des informations sur l’architecture des protéines.
OMIM&nbsp ; Université Johns Hopkins, Baltimorehttp://www.omim.org/entrySe référant à la section 8.1 requis pour connaître l’ID OMIM d’un gène particulier /
DEG Programme PanglossDéveloppé par Chris Seidelhttp://www.pangloss.com/seidel/Protocols/venn.cgiSe référant à la section 4.9. requis pour générer le diagramme de Venn
PANTHERThomas lab à l’Université de Californiedu Sudhttp://www.pantherdb.org/geneListAnalysis.doSe référant à l’article 4.10. requis pour l’enrichissement de GO :MF, GO :BP et GO :CC
ShinyGO  ;Université d’État du Dakota du Sudhttp://bioinformatics.sdstate.edu/goSe référant à la section 4.10. requis pour l’attribution des DEG sur les chromosomes
https://ncbi.nlm.nih.gov/pubmed

Références

  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).

Réimpressions et autorisations

Étiquettes

Expression différentielle des gènesanalyse par puces à ADNpipeline bioinformatiquegènes différentiellement exprimésidentification de biomarqueursanalyse des voies fonctionnellesdépistage spécifique à une populationbiomarqueurs du cancertechnologies à haut débit
Développement d’un compendium pour le carcinome épidermoïde de l’œsophage
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d’utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.