이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

식도 편평 세포 암종에 대한 개요서 개발

1.2K 조회수

⸱

DOI:

10.3791/65480

⸱

2024년 4월 12일

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

이 논문에서

요약

이 프로토콜은 암의 중요한 분자 변화를 식별하는 데 유용한 도구를 설명하고 식도 편평 세포 암종에 대한 새로운 진단 및 치료 접근법의 개발로 이어집니다.

초록

식도암(EC)은 8번째로 공격적인 악성 종양으로 꼽히며, 조기 발견을 용이하게 하는 바이오마커가 없기 때문에 치료가 여전히 어렵습니다. EC는 선암종(adenocarcinoma, EAD)과 편평세포암(squamous cell carcinoma, ESCC)의 두 가지 주요 조직학적 형태로 나타나며, 둘 다 지리적으로 구별되는 인구 집단에 따라 발병률의 차이를 보입니다. 고처리량 기술은 암을 포함한 질병에 대한 이해를 변화시키고 있습니다. 과학계의 중요한 과제는 문헌에 흩어져 있는 데이터를 처리하는 것입니다. 이 문제를 해결하기 위해 공개적으로 사용 가능한 마이크로어레이 데이터 세트를 분석하고 암과 정상 상태 사이에서 차등적으로 조절되는 분자를 수집하기 위한 간단한 파이프라인이 제안됩니다. 파이프라인은 차등 유전자 발현 분석을 위한 표준 접근법으로 사용될 수 있으며, 암과 정상 조직 간 또는 다른 암 아형 간에 차등적으로 발현된 유전자를 식별할 수 있습니다. 파이프라인에는 데이터 전처리(샘플 간의 기술적 차이를 제거하기 위해 원시 유전자 발현 데이터의 품질 관리 및 정규화 포함), 차등 발현 분석( t-test와 같은 통계 테스트를 사용하여 두 개 이상의 샘플 그룹 간에 차등적으로 발현된 유전자 식별)을 포함한 여러 단계가 포함됩니다., ANOVA 또는 선형 모델), 기능 분석(생물정보학 도구를 사용하여 차등적으로 발현된 유전자에서 풍부한 생물학적 경로 및 기능 식별) 및 검증(독립적인 데이터 세트 또는 qPCR 또는 면역조직화학과 같은 실험 방법을 사용한 검증 포함). 이 파이프라인을 사용하면 식도암을 포함한 모든 유형의 암에 대해 차등적으로 발현된 분자(DEM) 집합을 생성할 수 있습니다. 이 개요서는 암에 대한 잠재적인 바이오마커 및 약물 표적을 식별하고 질병의 기저에 있는 분자 메커니즘에 대한 이해를 향상시키는 데 사용할 수 있습니다. 또한 이 파이프라인을 사용하여 식도암에 대한 인구별 스크리닝은 개별 인구에 대한 특정 약물 표적을 식별하는 데 도움이 되어 질병에 대한 맞춤형 치료로 이어질 것입니다.

서론

EC가 전 세계적으로 8번째로 흔한 암이자 전 세계적으로 6번째로 큰 사망 원인이라는 것은 놀라운 일입니다. 중국, 인도, 이란은 발병률과 사망률이 놀라울 정도로 높습니다. EC에는 식도 선암종(esophageal adenocarcinoma, EAC 또는 EAD)과 식도 편평 세포 암종(esophageal squamous cell carcinoma, ESCC)의 두 가지 주요 유형이 있습니다1. EAC는 서구 세계에서 더 흔한 반면 ESCC는 동부 국가, 특히 중국과 이란에서 더 일반적입니다2. EC와 관련된 몇 가지 위험 요인은 담배 및 알코올 사용, 비만, 위식도 역류 질환(GERD)을 포함합니다. 또한 과일과 채소 부족, 뜨거운 음료 및 음식 섭취와 같은 식이 요인은 고위험 지역의 ESCC 위험과 관련이 있습니다. 조기 진단과 치료는 EC 3,4 환자의 예후를 개선하는 데 중요하다. 따라서 EC의 위험 요인, 징후 및 증상에 대한 인식을 높이고 고위험군에 대한 정기적인 선별 검사를 장려하는 것이 중요합니다. 또한 담배 및 알코올 사용, 건강에 해로운 식습관과 같은 수정 가능한 위험 요인을 해결하려는 노력은 EC의 발병률을 줄이는 데 도움이 될 수 있습니다. EAD는 위 근처의 식도 하부에 있는 점액 생성 분비샘의 세포에서 발생합니다. 위산과 내용물이 식도로 돌아가는 GERD와 관련이 있는 경우가 많습니다. 이와는 대조적으로, ESCC는 식도의 상부를 감싸고 있는 평평하고 얇은 세포에서 발생합니다5. 중국과 이란과 같이 담배와 알코올 사용이 널리 퍼져 있는 지역에서 더 흔합니다.

식도와 관련된 다양한 질환 중, 식도 내벽이 선 세포로 대체되는 상태인 바렛 식도(Barrett's esophagus, BE)는 EAC6의 전구체로 알려져 있습니다. BE는 GERD가 없어도 발병할 수 있지만, GERD가 있으면 BE의 발병 위험이 3배에서 5배까지 증가한다는 점에 주목할 가치가 있습니다. 또한 BE의 존재는 EAC 발병 위험을 50-100배 증가시킵니다7. 또한 뜨겁거나 매운 음식 및 액체는 ESCC와 관련이 있지만 EAC와는 관련이 없습니다. EC의 위험 요인을 이해하는 것은 예방 및 조기 발견을 위해 중요합니다. 담배 사용, 음주, 비만, 건강에 해로운 식습관과 같은 수정 가능한 위험 요인을 해결하려는 노력은 EC의 발병률을 줄이는 데 도움이 될 수 있습니다. 또한, 삼킴곤란(BE)이 있는 환자와 같은 고위험군에 대한 정기 검사 및 감시는 조기 발견 및 치료를 가능하게 하여 결과를 개선할 수 있습니다.

유전체학(genomics), 전사체학(transcriptomics), 단백질체학(proteomics), 메틸체믹스(methylomics), miRNAomics(miRNAomics), 대사체학(metabolomics)을 포함한 오믹스(omics) 기반 연구가 EC에 대한 이해, 특히 ESCC 8,9,10,11,12,13에 크게 기여한 것은 분명한 사실입니다. 이러한 연구를 통해 ESCC의 발달 및 진행과 관련된 새로운 바이오마커, 잠재적인 치료 표적 및 새로운 경로를 식별할 수 있었습니다. 그러나 이러한 연구에서 생성된 데이터는 문헌 전체에 흩어져 있어 과학계가 이 정보에 액세스하고 사용하는 데 어려움을 겪고 있습니다. 따라서 특정 암에 대한 고처리량 또는 저처리량 연구에서 얻은 데이터를 컴파일하는 저장소 또는 데이터베이스를 만드는 것이 중요합니다. 이러한 패키지는 몇 가지 기본 지침을 구현하여 간소화하고 만들 수 있습니다. 이 지침에는 관련 연구 선정, 이러한 연구에서 데이터 추출 및 구성, 데이터 품질 및 일관성 보장이 포함됩니다. 또한, 새로운 연구와 데이터가 입수되는 대로 이를 반영하기 위해 개요서를 정기적으로 업데이트해야 한다. 연구원들은 단일 플랫폼을 사용하여 서로 다른 연구의 데이터를 결합하는 개요 또는 데이터베이스를 생성함으로써 특정 암에 대한 데이터를 검색하고 분석할 수 있습니다. 이는 연구 노력을 가속화하고 궁극적으로 암 환자를 위한 보다 효과적인 치료와 더 나은 결과로 이어지는 데 도움이 될 것입니다.

암 개요서의 개발에는 저처리량 및 고처리량 연구의 데이터가 모두 포함됩니다. 이 개요서는 암에 대한 잠재적인 진단 또는 치료 표적을 식별하려는 연구자에게 귀중한 자료가 될 것입니다. 이 컬렉션을 구축하는 한 가지 방법은 GEO(Gene Expression Omnibus)와 같이 공개적으로 액세스할 수 있는 저장소에서 사용할 수 있는 마이크로어레이 연구를 검토하는 것입니다. 마이크로어레이 연구는 암세포의 유전자 발현 수준에 대한 정보를 제공할 수 있으며, 이러한 데이터는 암 발병 및 진행에 중요한 역할을 할 수 있는 차등 발현 유전자(DEG)를 식별하는 데 사용할 수 있습니다.

그러나 다른 연구에서 데이터를 분석하기 위해 다른 방법을 사용했을 수 있으며, 이로 인해 다른 DEG가 식별되었을 수 있다는 점에 유의해야 합니다. 따라서 각 연구를 주의 깊게 검토하고 개요서를 위해 데이터를 통합할 때 잠재적인 편향이나 제한 사항을 고려하는 것이 중요합니다. 데이터가 공통 플랫폼에서 수집되면 연구원들은 이를 사용하여 추가 연구를 위한 잠재적인 분자 표적을 식별할 수 있습니다. 여기에는 임상 샘플에서 특정 유전자의 발현을 검사하거나 특정 유전자 또는 단백질이 암 발병 및 진행에 어떻게 관여하는지 이해하기 위한 기계론적 연구를 수행하는 것이 포함됩니다. 전반적으로 암 데이터 세트의 생성은 암 연구자에게 귀중한 자원이 될 것이며 진단 및 치료 개입을 위한 새로운 대상을 식별하는 데 도움이 될 것입니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

1. ESCC에서 차등 조절된 분자의 수동 선별

  1. PubMed를 사용하여 관련 저처리량 연구 찾기
    참고: 낮은 처리량과 높은 처리량 기술의 기본적인 차이점을 이해하는 것이 중요합니다. 전자에서는, 단지 한정된 수의 표본이 공부되고, 과정은 보통 시간이 많이 걸리고, 대조적으로 나중에 더 빠르고, 표본의 수는 북부 얼룩과 같은 낮 처리량 방법에서 보다는 현저히 더 높은 1개의 이동에서 분석될 수 있고, 서쪽 얼룩은 낮 처리량 기술인 반면, cDNA 마이크로어레이 및 LC-MS/MS 근거한 양이 많은 단백질체학은 높은 처리량 기술인반면, 14. NCBI-PubMed( 재료 표 참조)와 같은 검색 엔진은 생물 의학 과학자들이 ESCC와 같은 질병에 대한 문헌을 찾을 수 있도록 공개적으로 제공되는 리소스이기 때문에 모든 암과 관련된 연구를 찾을 수 있는 좋은 소스입니다. 관련 연구를 찾으려면 다음 단계를 따라야 합니다.
    1. Google 검색 엔진(재료 표 참조)을 클릭하여 엽니다. PubMed에 색인되지 않았지만 여전히 양질의 논문인 저널이 있기 때문에 연구자들도 사용합니다. 중요한 기사가 누락될 확률을 없애기 위해 둘 이상의 검색 엔진을 검색하는 것이 항상 좋습니다.
    2. PubMed의 검색 창을 선택하고 부울 연산자(AND, OR, NOT)를 사용합니다. 부울 연산자는 검색자를 연구자가 결과를 찾는 데 사용하는 관련 키워드로 구체화합니다.

2. PubMed를 사용하여 관련 연구 찾기

  1. NCBI 웹 주소(재료 표 참조)를 입력하고 클릭하여 엽니다.
  2. 왼쪽 사이드바 메뉴의 모든 데이터베이스 탭에서 PubMed를 선택합니다.
  3. 검색 창에 관련 키워드를 입력하면 관련 기사를 가져옵니다. 키워드는 부울 연산자와 함께 사용해야 하는데, 이는 문제가 되는 암/질병(예: 식도 편평 세포 암종)과 밀접한 관련이 있는 기사를 가져오는 데 도움이 될 수 있기 때문입니다.

3. 유전자 발현 옴니버스(GEO)를 활용한 유의미한 연구 발굴

참고: 유전자 발현 옴니버스(GEO)는 DNA 마이크로어레이에 데이터를 저장하기 위해 무료로 사용할 수 있는 저장소입니다. GEO에서 사용할 수 있는 방대한 데이터는 암/질병과 정상 상태 간에 차등적으로 조절되는 분자를 식별하기 위한 데이터 마이닝에 좋은 리소스입니다.

  1. GEO 웹 주소(재료 표 참조)를 입력하고 클릭하여 엽니다.
  2. Esophageal squamous cell carcinoma AND Homo sapiens를 입력하고 Enter 키를 누릅니다.
    주: 암을 위한 차등적으로 regulated 유전자의 개요서를 만들기 위해서는, 연구자들이 암 과 정상 상태 사이에서 차등적으로 조절되는 분자를 선택할 관련 연구를 선택하는 것이 중요합니다. 주요 측면은 접힘 변화를 기반으로 분자 선택 기준을 설정하는 것입니다. 폴드 변화는 유전자/단백질이 상향 조절 또는 하향 조절되는지 여부를 나타냅니다. 폴드 변화와 p-값 컷오프 값은 마이크로어레이 RNAseq 또는 단백질체학 연구15를 포함한 주어진 실험에서 데이터의 의미를 크게 변경할 수 있습니다.

4. GEO2R을 이용한 마이크로어레이 분석

참고: 첫 번째는 부울 연산자(AND, OR, NOT)를 사용하여 관련 연구를 찾는 것입니다. 이들은 '식도 편평 세포 암종', 'ESCC' 또는 '식도 편평 세포 암종'이라는 키워드와 함께 사용됩니다. GEO2R( 재료 표 참조)은 GEO와 통합된 무료로 사용할 수 있는 R 언어 패키지로, 사용자가 사용자 친화적인 방식으로 마이크로어레이 연구의 데이터를 분석할 수 있도록 합니다. GEO 항목 ID와 상호 작용하고 백엔드용 Bioconductor R 패키지를 사용하여 DEG를 식별하기 위해 복잡한 R 기반 분석을 수행하기 위한 인터페이스를 제공합니다. 이 패키지는 GEO 데이터를 변환할 뿐만 아니라 출력을 .txt 테이블 형태로 표시하며, 이는 사용자의 필요에 따라 추가로 수정될 수 있습니다16. GEO2R 패키지는 p-값을 기준으로 통계적으로 유의한 순서로 유전자를 표시하지만, 순서는 log2-fold 변화를 기준으로 정렬할 수 있습니다. 또한 사용자는 유전자 발현 프로파일을 GEO 프로파일 이미지로 볼 수 있습니다. 다른 분석 도구와 달리 GEO2R은 선택한 데이터 세트 기록과 독립적이며 조사자가 제출한 실제 데이터를 직접 조사할 수 있습니다. GEO 연구의 90% 이상이 이 방법을 사용하여 분석될 수 있다17. GEO2R을 사용하여 마이크로어레이 데이터 분석과 관련된 단계가 있는 GEO2R의 워크플로우는 그림 1에 나와 있습니다.

  1. GEO2R 웹 사이트를 엽니다.
  2. "GEO accession"이라고 표시된 검색 공간에서 GEO를 사용하여 GSE accession 을 입력하고 Set 버튼을 클릭합니다. 레이블을 만듭니다. 암 과 정상.
  3. 유형에 따라 먼저 Cancer(암) 를 할당한 다음 Normal( 정상)을 할당하여 샘플을 할당합니다.
  4. 기본 매개변수를 변경하지 않고 분석을 클릭합니다.
  5. 전체 유전자 목록을 클릭하고 .tsv 파일 형식으로 데이터를 다운로드합니다. 데이터를 추가로 처리하기 전에 .tsv를 .xlsx로 변환해야 합니다.
  6. Excel에서 [=(2)^(Nx), 여기서 N은 셀의 위치] 수식을 사용하여 로그2 접기 변화를 접기 변경으로 변환합니다.
  7. 추가로 4.6단계에서 얻은 데이터를 사용하여 5%의 거짓 발견률(FDR) 또는 조정된 p-값(조정 p-값) <0.05, 상향 조절 유전자에 대해 >2.0배 변화의 폴드 변화, 하향 조절 유전자에 대해 <0.5배 변화를 적용하여 DEG를 얻습니다.
    참고: FDR은 여러 테스트를 설명하기 위해 p-값에 적용되는 수정이며, 이 둘은 서로 동의어로 취급될 수 없습니다. FDR 조정은 많은 수의 가설 테스트를 수행할 때 잘못된 발견의 비율을 제어하는 데 중요합니다.
  8. 온라인에서 무료로 사용할 수 있는 벤 다이어그램 생성 도구(Pangloss)를 사용하여 DEG를 실험하여 공통 및 고유 DEG의 분리를 위한 벤 다이어그램을 생성함으로써 이전에 발표된 연구와 비교하여 고유한 유전자 목록을 식별합니다( 재료 표 참조).
  9. 또한 유전자 온톨로지를 식별하기 위해 고유한 유전자 목록을 주제로 합니다.
    참고: 유전자 온톨로지: 분자 기능(GO: MF), 유전자 온톨로지: 생물학적 프로세스(GO: BP) 및 유전자 온톨로지: 세포 구성 요소(GO: CC)와 같은 다양한 GO 기능은 g: Profiler( 재료 표 참조) 또는 PANTHER( 재료 표 참조)를 사용하여 생성할 수 있으며, 둘 다 온라인에서 무료로 사용할 수 있는 프로그램입니다. g : Profiler를 사용하여 수행 된 GO 기반 분석.
  10. 개별 염색체의 게놈에서 DEG 분포를 얻으려면 ShinyGO를 사용하십시오( 재료 표 참조).
  11. GEO2R에서 얻은 전체 고유 유전자 목록을 ShinyGO 검색 탭에 붙여넣으면 가장 일치하는 종이 호모 사피엔스(Homo sapiens)로 선택됩니다. 사용된 FDR 컷오프는 5%였습니다.
  12. 단백질 수준에서 추가 검증 연구를 위해 GEO2R에서 얻은 DEG를 선택합니다. DEG에 대한 추가적이지만 중요한 정보를 추출하기 위한 워크플로는 그림 2에 나와 있습니다.

5. 유전자/단백질의 별칭 찾기

  1. HPRD 페이지( Table of Materials(자료 표) 참조)를 열고 Query(쿼리 ) 버튼을 클릭합니다.
  2. 해당 검색 탭에 단백질 이름 또는 HPRD 식별자를 입력하고 하단의 검색 버튼을 누릅니다.
    참고: "ALTERNATE NAMES"라고 표시된 탭이 있는 페이지가 열리면 이 유전자 또는 단백질의 별칭이 나타납니다.

6. DEGs에 대한 공식 유전자 기호 찾기

  1. 공식 유전자 기호를 찾으려면 HUGO Gene Nomenclature Committee(HGNC)를 엽니다( 재료 표 참조).
  2. HGNC 페이지의 검색 창에 GEO2R 분석에서 얻은 이름을 입력하고 검색 기호를 클릭합니다. 검색 결과에는 용어가 정확히 일치하는 공식 유전자 기호가 표시됩니다.
  3. 해당 링크를 클릭하고 거기에서 언급된 공식 "유전자 기호"를 찾으십시오.

7. DEG의 유전자 자리 찾기

  1. NCBI의 링크를 방문하여 유전자 페이지를 엽니다.
  2. 유전자의 공식 유전자 기호를 입력하고 검색을 클릭하십시오.
  3. 결과적으로, 유전자와 그것이 속한 유기체를 주의 깊게 확인하십시오. 올바른 일치 항목이 확인되면 링크를 클릭하고 계속 진행하십시오.
    참고: 요약하면, "게놈 컨텍스트(Genomic context)"라는 제목 아래에는 실제로 유전자 자리(gene locus)인 위치가 있을 것입니다.

8. DEG의 OMIM Pagegene 유전자 자리에서 DEG에 대한 정보 찾기

  1. OMIM 페이지를 엽니다( 재료 표 참조).
  2. 유전자 정보의 이름 또는 유전자 기호 , 특히 "gene-phenotype"을 입력합니다.
  3. 검색 버튼을 클릭하면 관심 유전자에 대한 결과가 나타납니다. 디스플레이는 "유전자-표현형 관계"에 대한 정보를 제공합니다.

9. 유전자에 의해 암호화된 단백질의 단백질 국소화(localization), 영역(domain), 모티프(motif), 분비 성질(secretory nature) 파악

  1. HPRD 페이지를 엽니다( 재료 표 참조).
  2. 열리면 해당 검색 탭에 단백질 이름 또는 HPRD indetifier 를 입력하고 하단의 검색 버튼을 누릅니다.
  3. "요약"이라고 표시된 탭이 있는 페이지가 열립니다. 페이지 아래쪽으로 이동하여 지역화 탭을 확인하여 기본 및 대체 "보조" 지역화를 확인합니다.
    참고: 같은 페이지의 "localization" 아래에는 관심 단백질에 대한 도메인과 모티프가 나열된 "Domains and Motifs" 탭이 있습니다(있는 경우). 다시 같은 페이지에서 "도메인 및 모티프" 탭 옆에는 "표현식" 탭과 "표현 사이트" 하위 탭이 있는 "표현식" 탭이 있습니다. 모든 생물학적 유체에 detetced되는 것으로 보고된 모든 단백질은 본질적으로 "분비물"로 간주될 수 있습니다. 관심 단백질이 혈장, 혈청, 정액, 눈물과 같은 생물학적 유체에서 보고된 경우 거기에 나열됩니다.

10. 검증을 위한 단백질에 대한 체리 피킹(Cherry Picking) 및 관심 악성 종양의 진단 또는 예후를 위한 추가 평가

참고: 고유한 분자가 식별되면 가장 큰 과제는 이를 검증하는 방법입니다. 일반적으로 마이크로어레이 연구는 mRNA 수준에서 발현을 제공하지만 질병 진단이나 예후를 위해서는 단백질 수준의 판독이 중요합니다. 이와 같이, 환자 또는 환자에서 파생된 동일한 암의 샘플 또는 세포주를 스크리닝하여 분자가 실제로 그곳에서 발현되는지, 암과 정상 예후, 좋은 예후와 나쁜 예후를 구별할 수 있는지, 또는 질병의 초기와 말기를 구별할 수 있는지 여부를 파악해야 합니다. 후보 분자를 검증하기 위해 웨스턴 블롯, 효소 결합 면역흡착 분석법, 즉 ELISA, 면역침전, 면역조직화학, 면역세포화학 또는 분석법이 유용한 기술이다 18,19,20. 동시에 이러한 모든 분석에는 샘플에 존재하는 항원을 검출하기 위한 항체가 필요합니다. 항체는 비용이 많이 드는 품목이므로 항상 다음 사항에 따라 항체를 선택하는 것이 좋습니다.

  1. 항체가 이미 다른 악성 종양에 대해 이전에 발표된 연구 논문을 보고했는지 확인합니다.
  2. 그렇지 않은 경우 항체 제공 회사를 확인하고 블롯 또는 면역세포화학(immunocytochemistry) 또는 면역조직화학(immunocystochemistry)의 사진이 포함된 데이터시트를 제공하는지 확인하십시오.
    참고: 면역조직화학을 하고 싶지만 항체가 ELISA 분석에만 사용할 수 있는 경우, 표적 분자가 신호 펩타이드가 아닌 막관통 도메인 베어링 분자인 경우 항체를 특별히 사용하는 것이 위험할 수 있습니다. 또한 항체가 단클론 또는 다클론인 경우 단클론 항체를 선호하는 것이 좋습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

예를 들어, GEO 등록 GSE161533는 ESCC에서 차등적으로 탐색된 유전자를 연구하는 데 사용되었습니다. 분석의 대표적인 결과는 그림 3에 나와 있습니다. GEO2R은 두 그룹의 실험 대상자 간에 크게 다른 사건을 식별하는 데 유용한 화산 플롯을 생성합니다. 화산 플롯은 y축에 -log10 변형 유의성(p-값)을 표시하고 x축에 fold changes(log2 transformed fold change 포함)를 사용하여 전체 유전자 분포를 표시하며(그림 3A), 차등적으로 발현되는 유전자를 시각화하는 데 유용합니다. 강조된 유전자는 0.05의 기본 adj. p-value cut-off에서 유의하게 다르게 발현됩니다(파란색 = 하향 조절, 빨간색 = 상향 조절).

평균 차이(MD) 그림은 로그

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

암 생물학에 고처리량 OMICS 기술이 도입된 이후 데이터 생성 속도가 크게 증가했습니다. 이는 연구자, 특히 컴퓨터에 익숙하지 않은 연구자들에게 도전이 됩니다. 이를 극복하기 위해 수년에 걸쳐 생물정보학자들은 체계적인 방식으로 데이터를 제공하기 위해 데이터베이스를 개발한다는 아이디어를 내놓았습니다. 이는 연구자들, 특히 기술에 관심이 없는 연구자들로부터 긍정적인 반응을 이끌어냈습니다. 더욱이, 문헌 여기저기에 흩어져 있는 오믹스 데이터는 누구에게도 쓸모가 없습니다. 따라서 이를 적절하게 활용하기 위해서는 특별한 관심사를 가진 연구자들이 데이터에 액세스할 수 있는 공통 플랫폼이 항상 필요했습니다. ONCOMINE38, ESCC ATLAS39, 췌장암 데이터베이스(PCD)40 및 DDEC41을 포함하여...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 공개할 내용이 없습니다.

감사의 글

MKK는 과학기술부 과학공학연구위원회(SERB) 및 인도 뉴델리 정부 인도의학연구위원회(ICMR)로부터 각각 TARE 펠로우십(보조금 # TAR/2018/2018/001054 2020/NCD-III) 교외 보조금(보조금 # 5/13/55/2020/NCD-III)을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
NCBI-PUBMEDNCBI섹션 1을 참조합니다. 문헌 검색에 필요
인터넷 시설과 웹 브라우저가 있는 노트북/맥북 또는 개인용 컴퓨터.
g:프로파일러ELIXIR 인프라https://biit.cs.ut.ee/gprofiler/gost섹션 4.10 참조. GO:MF, GO:BP 및 GO:CC 유
전자 발현 옴니버스NCBIhttps://www.ncbi.nlm.nih.gov/geo/섹션 3.1 참조. 마이크로어레이 연구 데이터베이스
GEO2RNCBI검색에 필요https://www.ncbi.nlm.nih.gov/geo/geo2r/섹션 3.2 참조. GEO2R 도구를 사용하여 데이터를 분석하는 데 필요
https://www.google.com1.1 참조. 문헌 검색에 필요
HGNCHGNC는 인간 게놈 기구(HUGO)의 위원회입니다https://www.genenames.orgDEGs 의 공식 유전자 기호를 알아야 하는 섹션 6.1을 참조합니다.
HPRD생물정보학 연구소, 방글루루  http://hprd.org단백질 구조에 대한 정보를 위해 필요한 섹션 5.1을 참조합니다 
OMIM&nbsp; 존스 홉킨스 대학교, 볼티모어 http://www.omim.org/entry특정 유전자의 OMIM ID를 아는 데 필요한 섹션 8.1 참조 / DEG
Pangloss 프로그램Chris Seidel이 개발http://www.pangloss.com/seidel/Protocols/venn.cgi섹션 4.9 참조. 벤 다이어그램 생성에 필요
서던 캘리포니아대학의 PANTHER Thomas 연구실http://www.pantherdb.org/geneListAnalysis.do섹션 4.10을 참조합니다. GO:MF, GO:BP 및 GO:CC
ShinyGO 사우스다코타 주립대학교http://bioinformatics.sdstate.edu/go섹션 4.10을 참조합니다. 염색체에 DEG 할당에 필요
https://ncbi.nlm.nih.gov/pubmed 의 농축에 필요 Google 섹션 한 프로그램 의 강화에 필요;

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

차등 유전자 발현마이크로어레이 분석생물정보학 파이프라인차등 발현 유전자바이오마커 식별기능적 경로 분석집단 특이적 스크리닝암 바이오마커고처리량 기술
식도 편평 세포 암종에 대한 개요서 개발
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.