Summary
Hier wird ein Protokoll vorgestellt, um die überexprimierten Treibergene zu entdecken, die die etablierten krebsstammähnlichen Zellen, die aus kolorektalen HT29-Zellen gewonnen wurden, aufrecht erhalten. RNAseq mit verfügbarer Bioinformatik wurde durchgeführt, um Genexpressionsnetzwerke zu untersuchen und zu untersuchen, um einen potenziellen Mechanismus zu erhellen, der am Überleben von gezielten Tumorzellen beteiligt ist.
Abstract
Krebsstammzellen spielen eine wichtige Rolle gegen klinische Therapien und tragen zum Tumorrückfall bei. Es gibt viele Onkogene, die an der Tumorgenesese und der Initiierung von Krebsstammeigenschaften beteiligt sind. Da die Genexpression bei der Bildung von Darmkrebs-abgeleiteten Tumorsphären unklar ist, braucht es Zeit, um die Mechanismen zu entdecken, die an einem Gen nach dem anderen arbeiten. Diese Studie zeigt eine Methode, um schnell die Treibergene zu entdecken, die am Überleben der darmkrebsstammzellen in vitro beteiligt sind. Kolorektal-HT29-Krebszellen, die den LGR5 exprimieren, wenn sie als Sphäroide kultiviert werden und eine Erhöhung der CD133-Stammtonmarker begleiten, wurden ausgewählt und in dieser Studie verwendet. Das vorgestellte Protokoll wird verwendet, um RNAseq mit verfügbarer Bioinformatik durchzuführen, um die überexprimierten Treibergene bei der Bildung von kolorektalen HT29-abgeleiteten stammähnlichen Tumorsphären schnell aufzudecken. Die Methodik kann schnell untersuchen und potenzielle Treibergene in anderen Krankheitsmodellen entdecken.
Introduction
Darmkrebs (CRC) ist eine der Haupttodesursachen mit hoher Prävalenz und Sterblichkeit weltweit1,2. Aufgrund von Genmutationen und Amplifikationen wachsen Krebszellen ohne proliferative Kontrolle, was zum Zellüberlebenbeiträgt 3, Anti-Apoptose4und Krebsstamm55,6,7. Innerhalb eines Tumorgewebes ermöglicht die Tumorheterogenität Tumorzellen, sich anzupassen und während der therapeutischen Behandlungen zu überleben8. Krebsstammzellen (CSCs), mit einer höheren Rate an Selbsterneuerung und Pluripotenz als Differentialkrebsarten, sind hauptsächlich für Tumorrezidiv9,10 und metastasierendes CRC11verantwortlich. CSCs präsentieren mehr Arzneimittelresistenz12,13,14 und Anti-Apoptose-Eigenschaften15,16, also überlebende Tumor-Chemotherapien.
Hier wurde RNAseq durchgeführt, um den möglichen Mechanismus für den Stamminstand in den ausgewählten CRC-Stammzellen zu untersuchen, um differenziell exprimierte Gene in Tumorsphäroiden zu untersuchen. Die Krebszellen können Sphäroide (auch Tumorsphären genannt) bilden, wenn sie unter niedrigen Adhärenzbedingungen angebaut und durch Wachstumsfaktoren stimuliert werden, die dem kultivierten Medium hinzugefügt werden, einschließlich EGF, bFGF, HGF und IL6. Daher haben wir CRC HT29 Tumorzellen ausgewählt, die Chemotherapien mit einer Erhöhung der phosphorylierten STAT3 widerstehen, wenn sie mit Oxaliplatin und Irinotecon17behandelt werden. Darüber hinaus drückte HT29 höhere Stammhenmarker aus, wenn sie in den beschriebenen Kulturbedingungen kultiviert wurden. Das HT29-abgeleitete CSC-Modell exprimierte höhere Mengen an leucin-reichem, repeat-haltigem G-Protein-gekoppeltem Rezeptor 5 (LGR5)18, einem spezifischen Marker von CRC-Stammzellen19,20. Darüber hinaus ist CD133, der als allgemeiner Biomarker für Krebsstammzellen gilt, auch in der HT29-Zelllinie21stark exprimiert. Ziel dieses Protokolls ist es, Gruppen von Treibergenen in den etablierten krebsstammähnlichen Tumorsphären zu entdecken, die auf bioinformatischen Datensätzen basieren, im Gegensatz zur Untersuchung einzelner Onkogene22. Es untersucht mögliche molekulare Mechanismen durch RNAseq-Analyse, gefolgt von verfügbaren Bioinformatik-Analysen.
Die Sequenzierung der nächsten Generation ist eine hochdurchsatzbasierte, leicht verfügbare und zuverlässige DNA-Sequenzierungsmethode, die auf rechnerischer Hilfe basiert und zur umfassenden Darstellung von Treibergenen zur Steuerung von Tumortherapien verwendet wird23. Die Technologie wird auch zum Nachweis der Genexpression aus der umgekehrten Transkription einer isolierten RNA-Probe24verwendet. Beim Screening mit RNAseq haben die wichtigsten Gene, die mit der Therapie ins Visier nehmen sollen, jedoch möglicherweise nicht die höchste Expressionsdifferenz zwischen Versuchs- und Kontrollproben. Daher wurden einige Bioinformatik für die Klassifizierung und Identifizierung von Genen auf der Grundlage aktueller Datensätze wie KEGG25, GO26,27oder PANTHER28entwickelt, einschließlich Ingenuity Pathway Analysis (IPA)29 und NetworkAnalyst30. Dieses Protokoll zeigt die Integration von RNAseq und NetworkAnalyst, um schnell eine Gruppe von Genen in den ausgewählten HT29-abgeleiteten Sphäroiden im Vergleich zu elterlichen HT29-Zellen zu entdecken. Die Anwendung dieser Methode auf andere Krankheitsmodelle wird auch vorgeschlagen, um Unterschiede in wichtigen Genen zu entdecken.
Im Vergleich zur Untersuchung der individuellen Genexpression bietet eine Hochdurchsatztechnik Vorteile, um potenzielle Treibergene für die Tumorpräzisionsmedizin leicht zu finden. Mit nützlichen Datensätzen wie KEGG, GO oder PANTHER können spezifische Gene anhand der Krankheitsmodelle, Signalwege oder spezifischer Funktionen identifiziert werden, was eine schnelle Fokussierung auf bestimmte, wichtige Gene ermöglicht, wodurch Zeit und Forschungskosten gespart werden. Eine ähnliche Anwendung wird in früheren Studienverwendet 14,18,31. Insbesondere ist ein Tumor komplizierter, weil verschiedene Arten von Tumoren unterscheidende Gene und Wege für Überleben und Proliferation ausdrücken. Daher kann dieses Protokoll Gene aufnehmen, die verschiedene Tumortypen unter verschiedenen Umständen unterscheiden. Es besteht das Potenzial, wirksame Strategien gegen Krebs zu finden, indem man den Mechanismus der spezifischen Genexpression versteht.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Zellkultur und Tumorsphärenbildung
- Kultur HT29-Zellen in einer 10 cm Schale, die Dulbeccos modifiziertes Adlermedium (DMEM) mit 10% fetalem Rinderserum (FBS) und 1% Penicillin-Streptomycin-Antibiotikum (P/S) enthält.
- Wachsen Sie die Zellen in einem Inkubator bei 37 °C mit 5%CO2 und 95% Luftfeuchtigkeit unter aseptischen Bedingungen, bis sie 80% Konfluenz erreichen.
- Trypsinisieren Sie HT29-Zellen mit 1 ml 0,25% Trypsin für 5 min bei 37 °C und neutralisieren Sie das Trypsin folglich durch Zugabe von 2 ml DMEM mit 10% FBS und 1% P/S.
- Zählen Sie die HT29-Zellen mit einem Hämozytometer.
- Fügen Sie 2.000 Zellen/Gut zu einem niedrigen befestigten 6 Wellplatten mit 2 ml serumfreiem DMEM mit 1% P/S hinzu und werden mit 0,2% B27 ergänzt, 20 ng/ml des epidermalen Wachstumsfaktors (EGF), 20 ng/ml des Fibroblastenwachstumsfaktors (bFGF), 20 ng/ml Hepatozytenwachstumsfaktor (HGF) und 20 ng/ml Interleukin 6 (IL6).
- Wachsen Sie die Zellen bei 37 °C mit 5%CO2 und 95% Luftfeuchtigkeit unter aseptischen Bedingungen.
- Fügen Sie alle 2 Tage 0,5 ml Krebsstammzellmedium hinzu, bis die Tumorsphären mindestens 7 Tage lang einen Durchmesser von >100 m messen.
- Beobachten und messen Sie den Tumorkugeldurchmesser mit einem invertierten Mikroskop mit einem digitalen Zellbildsystem.
- Wenn die Tumorsphären einen Durchmesser von >100 m erreichen, versuchen Sie die Tumorsphären mit 0,25% Trypsin für 5 min bei 37 °C und neutralisieren das Trypsin, indem man das 2-fache des Wachstumsmediums hinzufügt. Zählen Sie die Zellen mit einem Hämozytometer.
- Zentrifugieren Sie bei 1.200 U/min für 10 min und entfernen Sie den Überstand.
- Inkubieren Sie 5 x 104 Zellen mit 2 l Anti-LGR5-PE und 2 l Anti-CD133-PE in 100 l DMEM einzeln für 30 min bei Raumtemperatur, schütteln bei 200 Rpm.
HINWEIS: CD133 ist ein allgemeiner Krebsstammzell-Biomarker, der in HT29-Zellen stark exprimiert wird. - Fügen Sie 900 L PBS hinzu und analysieren Sie den LGR5- und CD133-Ausdruck mithilfe der Durchflusszytometrie. Eine Änderung der Fluoreszenz im FL2-H-Kanal weist auf die Genexpression hin.
2. RNA-Isolation
HINWEIS: Verwenden Sie ein kommerzielles Kit (siehe Tabelle der Materialien) mit einer schnellen Spalte für die RNA-Isolierung nach den Anweisungen des Herstellers.
- Fügen Sie den geernteten Zellen (2 x 105 Zellen) 50 L PBS hinzu und setzen Sie sie mit Pipetten wieder auf.
- Fügen Sie 200 l Lysepuffer hinzu, der 2 l Beta-Mercaptoethanol enthält. Wirbel schnell und lassen Sie für 5 min stehen.
- Zentrifugieren Sie die Lösung bei 16.000 x g für 10 min. Sammeln Sie den Überstand und mischen Sie mit 200 l 70% Ethanol.
- Verwenden Sie die beigefügte Säule, um das Lösungsmittel durch Zentrifugation bei 14.000 x g für 1 min zu entfernen.
- Waschen Sie mit Waschlösung 1 und 2, um Nicht-RNAs durch Zentrifugation bei 14.000 x g für 1 min vollständig zu entfernen.
- Zentrifuge wieder bei 14.000 x g für 2 min, um Restethanol zu entfernen.
- 50 l destilliertes Wasser, Zentrifuge bei 14.000 x g für 1 min hinzufügen und die Lösung sammeln.
- Messen Sie die RNA-Konzentration mit OD260 mit einem Spektralphotometer.
RNA-Konzentration (g/ml) = (OD260) x (40 g RNA/ml) und OD260/OD280 > 2. RNA-Proben sollten eine RNA-Integritätsnummer (RIN) > 7 haben.
3. RNAseq Profiling und Bioinformatik-Analyse
HINWEIS: Die RNAseq-Analyse wurde kommerziell durchgeführt (siehe Materialtabelle), um die Differentialgene in den HT29-abgeleiteten Tumorsphären im Vergleich zu elterlichen HT29-Zellen zu untersuchen.
- Nutzen Sie kommerzielle Dienste für RNAseq-Schritte, einschließlich Bibliothekserstellung, Bibliotheksqualitätskontrolle und DNA-Sequenzierung.
- Der Datenbericht sollte wichtige Informationen enthalten, einschließlich der Leseanzahl, der log2-Faltänderung und des p-Werts. Wählen Sie die Differentialgene nach den folgenden Parametern aus: Gene mit einer > 1-Log2-Falzänderung mit Lesezahlen >100 in der HT29-Tumorsphärengruppe und Gene <-1-Log2-Falzänderung mit Leseanzahl >100 in der HT29-Elterngruppe. In diesem Fall wurde ein p-Wert < 0,05 als akzeptabel angesehen, und die Daten wurden verwendet (Tabelle 1).
HINWEIS: Hier wurde eine Genanzahl >100 als Schwellenwert verwendet, um die Untersuchung eines bestimmten Gens fortzusetzen und seine Expression zu validieren. - Verwenden Sie statistische Analysesoftware (siehe Tabelle der Materialien), um eine Heatmap anzuzeigen und überexprimierte Gene >1 und herunterregulierte Gene < 1 in log2-Faltenänderung zu identifizieren.
- Verwenden Sie R-Software, um das Volcano Plot mit x: log2 Faltenwechsel zu zeichnen; y: -log10 (p-Wert), um die Differentialgene anzuzeigen.
- Installieren der R-Bibliothek
install.packages(library(calibrate)) - Lesen Sie die Daten in RStudio mit dem folgenden Programm:
res <-read.csv("/Users/xxx.csv", header=T)
kopf(res)
with(res, plot(log2FoldChange, -log10(pvalue), pch=19, main="HT29CSC vs HT29", xlim=c(-6,6), col="#C0C0C0"))
with(subset(res, pvalue<.05 & log2FoldChange>1), points(log2FoldChange, -log10(pvalue), pch=19, col="red"))
with(subset(res, pvalue<.05 & log2FoldChange<(-1)), points(log2FoldChange, -log10(pvalue), pch=19, col="blue"))
with(subset(res, pvalue>.05), points(log2FoldChange, -log10(pvalue), pch=19, col="#444444"))
abline(h=1.3, lty=2)
abline(v=1, lty=2)
abline(v=(-1), lty=2) - Führen Sie den Lauf aus, um das Vulkandiagramm abzuerhalten.
- Installieren der R-Bibliothek
4. Treiber-Gen-Auswahl
- Wählen Sie Single Gene Input in NetworkAnalyst aus.
- Kopieren und einfügen Sie die ausgewählten überexprimierenden Gene aus Tabelle 1 mit "menschlich" als Organismus und ID-Typ Official Gene Symbolangegeben.
HINWEIS: Alternativ können Sie Ensembl Gene ID zum Kopieren und Einfügen verwenden. - Fügen Sie die Daten ein, indem Sie auf Hochladen klicken und fortfahren, um sie mithilfe der Protein-Protein-Interaktion (PPI) nach genetischem PPI zu analysieren.
- Verwenden Sie die STRING interactome-Datenbank mit einem Konfidenz-Score-Cutoff von 900, um die Samengene zu zeigen, die die hochgeladenen Gene miteinander vernetzen. Die Samengene, die mit mehr einzelindividuellen Genen assoziiert sind, wurden als Treibergene ausgewählt, die an der Aufrechterhaltung der Bildung von HT29-abgeleiteten Tumorsphären beteiligt sein können.
HINWEIS: Es gibt drei interactome-Datasets für die Verwendung: IMEx, STRING und Rolland. STRING enthält experimentellere Beweise für höheres Vertrauen. Mit niedrigeren hochgeladenen Genzahlen kann IMEx ausgewählt werden, um die Treibergene in den interactome-Netzwerken vorherzusagen und aufzunehmen. - Wählen Proceed Sie In der Zuordnungsübersicht fortfahren aus.
- Wählen Sie Weiß im Hintergrund und Force Atlas im Layout-Regler aus.
- Wählen Sie PANTHER BP, um die Upregulation-Gengruppe zu analysieren.
HINWEIS: Dies zeigt, dass HSPA5 in dieser Studie für Die Anti-Apoptose in den HT29-abgeleiteten Tumorsphären verantwortlich war (Abbildung 3A). Um das spezifische Funktionsfeld einzugrenzen, kann die KEGG-, GO- oder PANTHER-Klassifikation alternativ verwendet werden, um die spezifischen Treibergene auszuwählen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Um das Modell für die Untersuchung des Mechanismus in Krebsstammzellen zu etablieren, wurden kolorektale HT29-Zellen verwendet, um die krebsstammartigen Tumorsphären in vitro in einer Low-Attachment-Platte zu kultizieren, die B27, EGF, bFGF, HGF und IL6 enthält. Die Tumorsphären >100 m im Durchmesser wurden in 7 Tagen gebildet (Abbildung 1A). Die Tumorsphären wurden zu einzelnen Zellen trypsinisiert und mittels Durchflusszytometrie analysiert, um LGR5- und CD133-Expression zu erkennen. LGR5 erhöhte sich in den HT29-antriebs Tumorsphären von 1,1% auf 11,4% und die Zellen wurden mittels Durchflusszytometrie detektiert (Abbildung 1B). Ein weiterer Stammhenmarker, CD133, erhöhte sich ebenfalls von 61,8 % auf 81,1 % in den kultivierten HT29-abgeleiteten Tumorsphären im Vergleich zu elterlichen HT29-Zellen (Abbildung 1C). Dann waren die Tumorsphären bereit für DIE RNAseq-Untersuchung.
RNAseq wurde verwendet, um das Genexpressionsprofil in den HT29-abgeleiteten Tumorsphären im Vergleich zu den elterlichen HT29-Zellen zu untersuchen. Die Fehlerrate beim Nukleotid-Messwert betrug für beide Proben 0,03%. Die Gesamt-Gen-Mapping-Rate betrug 87,87% für HT29 und 87,25% für HT29-abgeleitete Tumorsphären. Die Fragmente pro Kilobase pro Million Transkript (FPKM), Normalisierung der Detektivzahlen für die Angabe der Transkript (mRNA) Expression, Intervall zwischen 0 und 1 betrug 75,87% für HT29-Zellen und 77,16% für HT29-abgeleitete Tumorsphären. Die Ergebnisse waren für die konsequente Sequenzierung geeignet. Nach dem Sequenzieren wurden die Gene mit log2-Falzänderung >1 in upregulation und <-1 in Downregulation mit p-Wert < 0,05 in der Heatmap (Abbildung 2A,Tabelle 1, Tabelle2) ausgewählt. Es wurden 79 upregulierte Gene und 33 downregulierte Gene ausgewählt. Darüber hinaus wurde das Volcano-Diagramm mit log2-Falzänderung und p-Wert (-log10 p-Wert) verwendet, um die signifikanten Gene zwischen HT29-abgeleiteten Tumorsphären und elterlichen HT29-Zellen zu unterscheiden (Abbildung 2B). Basierend auf der Vorauswahl wurden drei potenziell hochregulierte Gene identifiziert, darunter ACSS2, HMGCS1und PCSK9, in den HT29-abgeleiteten Tumorsphären (Abbildung 2A). Um die Treibergene nicht nur nach der log2-Faltung zu identifizieren, wurde NetworkAnalyst verwendet. Die hochregulierten Gene mit log2-Faltenwechsel >1 mit p-Wert <0,05 wurden analysiert und führten zu 10 Samengenen, die die Gennetzwerke miteinander verknüpften, einschließlich HSPA5, HSP90AA1, BRCA1, SFN, E2F1, CYCS, CDC6, ALYREF, SQSTM1und TOMM40 (Abbildung 3A). Um die Funktion und Signifikanz der Samengene zu identifizieren, könnte die Klassifikationsschnittstelle verwendet werden, um PANTHER BP durchzuführen, um die Gene zu bestimmen, die an Anti-Apoptose in HT29-abgeleiteten Tumorsphären beteiligt sind. Die Ergebnisse zeigten, dass HSPA5 und SQSTM1 mit einer negativen Regulierung der Apoptose in Verbindung gebracht wurden (Abbildung 3A). Darüber hinaus wurden die ausgewählten 10 Gene anschließend validiert; In den HT29-abgeleiteten Tumorsphären erhöhte sich die mit qPCR bestätigte Expression (Abbildung 3B).
Abbildung 1: Etablierung einer krebsstammartigen Tumorsphäre in vitro. (A) HT29 wurde zur Bildung von Tumorsphären verwendet, und (B) LGR5 wurde in den HT29-abgeleiteten Tumorsphären (Scale bar = 100 m) nachgewiesen. (C) CD133 wurde als weiterer Marker verwendet, um die Stammcharakteren in den etablierten Tumorsphären zu identifizieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 2: Heatmap und Vulkandiagramm wurden verwendet, um die Differentialgene in den HT29-abgeleiteten Tumorsphären auszuwählen. Log2-Falzänderung >1 und <-1 mit Leseanzahl >100, p-Wert < 0,05 wurden verwendet, um nicht signifikante Gene auszuschließen und sicherzustellen, dass die Daten korrekt waren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Abbildung 3: NetworkAnalyst wurde verwendet, um die Treibergene in den HT29-abgeleiteten Tumorsphären zu identifizieren. (A) Die hochregulierten Gene wurden anschließend ausgewählt und analysiert, und eine Klassifizierungsschnittstelle, PANTHER BP, lieferte die potenziellen Funktionen für die Differentialtreibergene. (B) Dann wurde qPCR verwendet, um die 10 Gene zu validieren, die in HT29-abgeleiteten Tumorsphären im Vergleich zu elterlichen HT29-Zellen hochreguliert wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.
Tabelle 1: Die hochregulierten Gene in HT29-seriven Tumorsphären im Vergleich zu elterlichen HT29-Zellen, die von RNAseq analysiert wurden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Tabelle 2: Die downregulierten Gene in HT29-seriven Tumorsphären im Vergleich zu elterlichen HT29-Zellen, die von RNAseq analysiert wurden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In dieser Studie wurden kultivierte Krebsstamm-ähnliche Tumorsphären als Modell zur Analyse von RNAseq-Daten mit verfügbarer Bioinformatik verwendet. Für ein Krankheitsmodell wurden HT29-abgeleitete Tumorsphären verwendet. Da die Tumorsphären eine Arzneimittelresistenz gegen Tumortherapien haben, kann das etablierte Modell verwendet werden, um die detaillierten Mechanismen der Resistenz zu untersuchen, indem Unterschiede in der Genexpression untersucht werden. Darüber hinaus bietet die Genomtechnologie mit RNAseq mit verfügbarer Bioinformatik ein schnelles Verständnis des Studienmodells, so dass die potenziell beteiligten Gene mit höherer Sicherheit validiert werden können. Auch die Art von Genen, die an der Bildung von Tumorsphären beteiligt sind, kann identifiziert werden.
Die RNA-Qualität ist entscheidend für die RNAseq-Analyse32. Stellen Sie sicher, dass die Probe über RIN >7 verfügt, da sie die Sicherheit zwischen Mapping-Lesevorgängen, Mapping-Genen und FPKM erhöht. Bei der Analyse von RNAseq-Daten standen IPA29 und NetworkAnalyst30 zur Verfügung, um potenzielle Gene und Signalwege zu identifizieren. Es ist jedoch wichtig, die unnötigen Gene nach den folgenden Parametern auszuschließen: Gene, die eine >1-Log2-Falzänderung mit Lesezahlen >100 in der experimentellen Gruppe zeigen, und Gene <-1-Log2-Falzänderung mit Leseanzahl > 100 in der Kontrollgruppe. Höhere Lesezahlen sind für die konsequente Validierung mit qPCR oder Western Blots einfacher.
Basierend auf dem Verständnis biologischer Funktionen und Prozesse gibt es viele Bioinformatik-Tools, die eine schnelle Untersuchung der potenziellen Mechanismen von Krankheiten von Interesse ermöglichen. In Kombination mit einem Hochdurchsatz-Tool zum Abschirmen auf Genexpression wie RNAseq können mögliche Mechanismen zur Regulierung der Entwicklung der untersuchten Krankheiten vorgeschlagen und untersucht werden. Hier zeigte die Methode zur Untersuchung der Bildung von CRC-Stammtumorsphären, die von HT29 abgeleitet wurden, dass SQSTM1 und HSPA5 die Zielgene waren, die hochreguliert wurden und an Anti-Apoptose in Tumorsphären beteiligt waren. Daher können mehr Experimente entwickelt werden, um den detaillierten Mechanismus dieser Gene zu untersuchen, was zu mehr Vertrauen und Wirksamkeit bei der Durchführung von Forschungsstudien führt.
Hier wurden nur die hochregulierten Gene in den Tumorsphären analysiert, da die Upregulation durch die Zugabe der Wachstumsfaktoren als induziert galt. Andernfalls würden die herunterregulierten Gene als Ziele betrachtet, die für die Untersuchung mit Hilfe der Bioinformatik ausgewählt werden können, wenn das Experiment Genknockdown in den Tumorzellen verwendet. Obwohl die Methodik schnell und zuverlässig ist, ist eine nachträgliche Validierung über qPCR und Western Blots weiterhin erforderlich. Es wird auch vorgeschlagen, mehr Zelllinien für die Genexpressionsvalidierung zu verwenden, insbesondere für klinische Proben.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben keine relevanten finanziellen Angaben.
Acknowledgments
Die Autoren danken dem Radiation Biology Core Laboratory des Institute for Radiological Research, Chang Gung Memorial Hospital, für die technische Unterstützung. Diese Studie wurde durch Stipendien des Chang Gung Memorial Hospital (CMRPD1J0321), des Cheng Hsin General Hospital (CHGH 106-06) und des Mackay Memorial Hospital (MMH-CT-10605 und MMH-106-61) unterstützt. Die Förderstellen hatten keinen Einfluss auf die Gestaltung der Studie und die Datenerhebung, Analyse und Interpretation von Daten oder auf das Schreiben des Manuskripts.
Materials
| Name | Company | Catalog Number | Comments |
| iRiS Digital Cell Imaging System | Logos Biosystems, Inc | I10999 | for observing the formation of tumorspheres |
| Flow cytometry | BD biosciences | FACSCalibur | for detecting the LGR5 and CD133 in the tumorspheres |
| anti-LGR5-PE | Biolegend | 373803 | LGR5 detection reagent |
| anti-CD133-PE | Biolegend | 372803 | CD133 detection reagent |
| EGF | GenScript | Z00333 | for culture of tumorspheres |
| bFGF | GenScript | Z03116 | for culture of tumorspheres |
| HGF | GenScript | Z03229 | for culture of tumorspheres |
| IL6 | GenScript | Z03034 | for culture of tumorspheres |
| PureLink RNA extraction kit | Invitrogen | 12183025 | isolate total RNA for RNAseq analysis |
| RNAseq performance | Biotools, Taiwan | RNAseq analysis is done commerially by Biotools, Ttaiwan | |
| NetworkAnalyst | Institute of Parasitology, McGill University, Montreal, Quebec, Canada | http://www.networkanalyst.ca/ | |
| Prism | GraphPad Software | a statistical analysis software |
References
- Rawla, P., Sunkara, T., Barsouk, A. Epidemiology of colorectal cancer: incidence, mortality, survival, and risk factors. Przegląd Gastroenterologiczny. 14 (2), 89-103 (2019).
- Wong, M. C., Ding, H., Wang, J., Chan, P. S., Huang, J. Prevalence and risk factors of colorectal cancer in Asia. Intestinal Research. 17 (3), 317-329 (2019).
- Liu, Q., et al. Positive expression of basic transcription factor 3 predicts poor survival of colorectal cancer patients: possible mechanisms involved. Cell Death & Disease. 10 (7), 509 (2019).
- Slattery, M. L., et al. Dysregulated genes and miRNAs in the apoptosis pathway in colorectal cancer patients. Apoptosis. 23 (3-4), 237-250 (2018).
- Arteaga, C. L., Engelman, J. A. ERBB receptors: from oncogene discovery to basic science to mechanism-based cancer therapeutics. Cancer Cell. 25 (3), 282-303 (2014).
- Yarden, Y., Pines, G. The ERBB network: at last, cancer therapy meets systems biology. Nature Reviews Cancer. 12 (8), 553-563 (2012).
- Cheng, C. C., et al. YM155 as an inhibitor of cancer stemness simultaneously inhibits autophosphorylation of epidermal growth factor receptor and G9a-mediated stemness in lung cancer cells. PLoS One. 12 (8), 0182149 (2017).
- Prasetyanti, P. R., Medema, J. P. Intra-tumor heterogeneity from a cancer stem cell perspective. Molecular Cancer. 16 (1), 41 (2017).
- Zhao, Y., et al. CD133 expression may be useful as a prognostic indicator in colorectal cancer, a tool for optimizing therapy and supportive evidence for the cancer stem cell hypothesis: a meta-analysis. Oncotarget. 7 (9), 10023-10036 (2016).
- Choi, J. E., et al. Expression of epithelial-mesenchymal transition and cancer stem cell markers in colorectal adenocarcinoma: Clinicopathological significance. Oncology Reports. 38 (3), 1695-1705 (2017).
- Massard, C., Deutsch, E., Soria, J. C. Tumour stem cell-targeted treatment: elimination or differentiation. Annals of Oncology. 17 (11), 1620-1624 (2006).
- Grillet, F., et al. Circulating tumour cells from patients with colorectal cancer have cancer stem cell hallmarks in ex vivo culture. Gut. 66 (10), 1802-1810 (2017).
- Dallas, N. A., et al. Chemoresistant colorectal cancer cells, the cancer stem cell phenotype, and increased sensitivity to insulin-like growth factor-I receptor inhibition. Cancer Research. 69 (5), 1951-1957 (2009).
- Chang, Y. F., et al. STAT3 induces G9a to exacerbate HER3 expression for the survival of epidermal growth factor receptor-tyrosine kinase inhibitors in lung cancers. BMC Cancer. 19 (1), 959 (2019).
- Catalano, V., et al. Colorectal cancer stem cells and cell death. Cancers (Basel). 3 (2), 1929-1946 (2011).
- Piggott, L., et al. Suppression of apoptosis inhibitor c-FLIP selectively eliminates breast cancer stem cell activity in response to the anti-cancer agent, TRAIL. Breast Cancer Research. 13 (5), 88 (2011).
- Chung, S. Y., et al. Two novel SHP-1 agonists, SC-43 and SC-78, are more potent than regorafenib in suppressing the in vitro stemness of human colorectal cancer cells. Cell Death Discovery. 4, 25 (2018).
- Cheng, C. C., et al. STAT3 exacerbates survival of cancer stem-like tumorspheres in EGFR-positive colorectal cancers: RNAseq analysis and therapeutic screening. Journal of Biomedical Science. 25 (1), 60 (2018).
- Kleist, B., Xu, L., Li, G., Kersten, C. Expression of the adult intestinal stem cell marker Lgr5 in the metastatic cascade of colorectal cancer. International Journal of Clinical and Experimental Pathology. 4 (4), 327-335 (2011).
- Medema, J. P. Targeting the Colorectal Cancer Stem Cell. New England Journal of Medicine. 377 (9), 888-890 (2017).
- Sahlberg, S. H., Spiegelberg, D., Glimelius, B., Stenerlow, B., Nestor, M. Evaluation of cancer stem cell markers CD133, CD44, CD24: association with AKT isoforms and radiation resistance in colon cancer cells. PLoS One. 9 (4), 94621 (2014).
- Xia, J., Gill, E. E., Hancock, R. E. NetworkAnalyst for statistical, visual and network-based meta-analysis of gene expression data. Nature Protocols. 10 (6), 823-844 (2015).
- Gagan, J., Van Allen, E. M. Next-generation sequencing to guide cancer therapy. Genome Medicine. 7 (1), 80 (2015).
- Panichnantakul, P., Bourgey, M., Montpetit, A., Bourque, G., Riazalhosseini, Y. RNA-Seq as a Tool to Study the Tumor Microenvironment. Methods in Molecular Biology. 1458, 311-337 (2016).
- Kanehisa, M., Sato, Y. KEGG Mapper for inferring cellular functions from protein sequences. Protein Science. 29 (1), 28-35 (2020).
- Ashburner, M., et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nature Genetics. 25 (1), (2000).
- The Gene Ontology Collective. The Gene Ontology Resource: 20 years and still GOing strong. Nucleic Acids Research. 47, 330-338 (2019).
- Mi, H., Muruganujan, A., Thomas, P. D. PANTHER in 2013: modeling the evolution of gene function, and other gene attributes, in the context of phylogenetic trees. Nucleic Acids Research. 41, Database issue 377-386 (2013).
- Yu, F., Shen, X. Y., Fan, L., Yu, Z. C. Genome-wide analysis of genetic variations assisted by Ingenuity Pathway Analysis to comprehensively investigate potential genetic targets associated with the progression of hepatocellular carcinoma. European Review for Medical and Pharmacological Sciences. 18 (15), 2102-2108 (2014).
- Zhou, G., et al. NetworkAnalyst 3.0: a visual analytics platform for comprehensive gene expression profiling and meta-analysis. Nucleic Acids Research. 47 (1), 234-241 (2019).
- Cheng, C. C., et al. Epidermal growth factor induces STAT1 expression to exacerbate the IFNr-mediated PD-L1 axis in epidermal growth factor receptor-positive cancers. Molecular Carcinogenesis. 57 (11), 1588-1598 (2018).
- Gallego Romero, I., Pai, A. A., Tung, J., Gilad, Y. RNA-seq: impact of RNA degradation on transcript quantification. BMC Biology. 12, 42 (2014).
