Method Article

Integratie van bioinformatica benaderingen en experimentele validaties om de rol van Inkeping signalering in ovariële kanker te begrijpen

DOI:

10.3791/60502

⸱

January 12th, 2020

 ,  ,  , 
1Department of Biology, Georgia Southern University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bioinformatica is een handige manier om grootschalige gegevenssets te verwerken. Door de implementatie van bio-informatica benaderingen kunnen onderzoekers snel, betrouwbaar en efficiënt inzichtelijke toepassingen en wetenschappelijke ontdekkingen verkrijgen. Dit artikel toont het gebruik van bio-informatica in ovariële kankeronderzoek. Het valideert ook met succes bioinformatica bevindingen door middel van experimenten.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Inkeping signalering is een zeer bewaard regelgevings traject betrokken bij vele cellulaire processen. Disregulatie van deze signalering traject leidt vaak tot interferentie met de juiste ontwikkeling en kan zelfs resulteren in initiatie of progressie van kankers in bepaalde gevallen. Omdat dit traject complexe en veelzijdige functies bedient, kan het uitgebreid worden bestudeerd via vele verschillende benaderingen. Hiervan biedt bio-informatica een onmiskenbaar kostenefficiënte, benaderbare en gebruiksvriendelijke studiemethode. Bioinformatica is een handige manier om kleinere stukjes informatie uit grootschalige datasets te extraheren. Door de implementatie van verschillende bioinformatica benaderingen kunnen onderzoekers deze grote datasets snel, betrouwbaar en efficiënt interpreteren, wat inzichtelijke toepassingen en wetenschappelijke ontdekkingen oplevert. Hier wordt een protocol gepresenteerd voor de integratie van bioinformatica benaderingen om de rol van Inkeping signalering in eierstokkanker te onderzoeken. Bovendien worden de bevindingen van bioinformatica gevalideerd door middel van experimenten.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De inkeping signalering traject is een zeer goed bewaard traject dat is belangrijk voor vele ontwikkelingsprocessen binnen biologische organismen. Inkeping signalering is gebleken om een belangrijke rol in de celproliferatie en zelf vernieuwing te spelen, en gebreken in de inkeping signalering traject kan leiden tot vele vormen van kanker1,2,3,4,5,6. In sommige omstandigheden, de inkeping signalering traject is gekoppeld aan zowel weefsel groei en Cancer, alsmede celdood en onderdrukking van de tumor7. Meerdere notch receptoren (NOTCH 1 − 4) en co\u2012activator Mastermind (MAML 1 − 3), allemaal met diverse functies, voegen een extra niveau van complexiteit. Terwijl de inkeping signalering traject is verfijnd in termen van functies, de kern traject is eenvoudig op moleculair basis8. Notch receptoren fungeren als transmembraan eiwitten samengesteld uit extracellulaire en intracellulaire gebieden9. Een ligand binding aan de extracellulaire regio van notch receptoren vergemakkelijkt Proteolytische decolleté, waardoor de inkeping intracellulaire domein (NICD) worden vrijgegeven in de Nucleus. NICD bindt vervolgens aan co\u2012activator Mastermind om downstream genexpressie10te activeren.

In de afgelopen jaren, notch signalering is aangetoond dat het spelen van een verscheidenheid van rollen in de inleiding en de progressie van verschillende soorten kankers over verschillende soorten6,11. Bijvoorbeeld, Inkeping signalering is gekoppeld aan tumorigenese met betrekking tot de menselijke NOTCH1 gen12. Onlangs bleken de NOTCH2, NOTCH3, Delta-achtige 3 (DLL3), Mastermind\u2012like proteïne 1 (MAML1)en een desinin-en Metalloproteinase domain\u2012containing eiwit 17 (ADAM17) -genen sterk geassocieerd te zijn met eierstokkanker, vooral met de slechte totale overleving van patiënten13.

Naarmate de hoeveelheid experimentele en patiënt-geassocieerde gegevens voortdurend toeneemt, neemt de vraag naar analyse van de beschikbare gegevens ook toe. De beschikbare gegevens zijn verspreid over publicaties en ze kunnen inconsistente of zelfs tegenstrijdige bevindingen opleveren. Met de ontwikkeling van nieuwe technologie in de afgelopen decennia, zoals de volgende generatie sequencing, is de hoeveelheid beschikbare gegevens exponentieel gegroeid. Hoewel dit een snelle vooruitgang in de wetenschap en de mogelijkheden voor voortgezet biologisch onderzoek vertegenwoordigt, is het een grote uitdaging14om de betekenis van openbaar beschikbare gegevens te beoordelen om onderzoeksvragen op te lossen. Wij geloven dat bioinformatica een handige manier is om kleinere stukjes informatie uit grootschalige datasets te extraheren. Door de implementatie van verschillende bioinformatica benaderingen kunnen onderzoekers deze grote datasets snel, betrouwbaar en efficiënt interpreteren, wat inzichtelijke ontdekkingen oplevert. Deze ontdekkingen kunnen variëren van de identificatie van potentiële nieuwe geneesmiddelen therapie doelen of ziekte biomarkers, tot gepersonaliseerde patiënt behandelingen15,16.

Bioinformatica zelf evolueert snel, en benaderingen veranderen voortdurend naarmate de technologische vooruitgang de medische en biologische wetenschap doet wegvegen. Op dit moment omvatten gemeenschappelijke bioinformatica benaderingen het gebruik van openbaar toegankelijke databases en software Programma's om DNA-of eiwit sequenties te analyseren, genen van bijzondere relevantie of belang te identificeren en de relevantie van genen en genproducten te bepalen via functionele genomics16. Hoewel het gebied van de bio-informatica zeker niet beperkt is tot deze benaderingen, zijn deze belangrijk om clinici en onderzoekers te helpen bij het beheer van biologische gegevens ten voordele van patiënten als geheel.

Deze studie is bedoeld om verschillende belangrijke databases en hun gebruik voor onderzoek over de inkeping signalering traject te markeren. NOTCH2, NOTCH3, en hun co\u2012activator MAML1 werden gebruikt als voorbeelden voor de database studie. Deze genen werden gebruikt omdat het belang van de inkeping signalering traject in ovariële kanker is gevalideerd. Systematische analyse van opgehaalde gegevens bevestigde het belang van Inkeping signalering in eierstokkanker. Bovendien, omdat inkeping signalering is goed bewaard tussen verschillende soorten, er werd bevestigd dat overexpressie van Drosophila melanogaster NiCd en Mastermind samen kunnen induceren tumoren in Drosophila eierstokken, ondersteuning van de bevindingen van de database en de belangrijke en behouden rol van Inkeping signalering in ovariële kanker.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. voorspelling van klinische uitkomsten van genomische profielen (PRECOG)

Opmerking: het PRECOG-portaal (precog.stanford.edu) heeft toegang tot openbaar beschikbare gegevens van 165 kanker Expression datasets, inclusief genexpressie niveaus en klinische resultaten van patiënten17. Het biedt specifiek de Meta\u2012Z-analyse, die grote gegevenssets bevat om Z\u2012scores van verschillende genen in 39-kanker typen te bieden om de totale overleving van de patiënt aan te geven. Slechte en goede overlevingspercentages worden aangegeven door respectievelijk positieve en negatieve Z\u2012score waarden.

  1. Maak een account aan met een academische gelieerde e-mail om toegang te krijgen tot deze database. Voer het e-mailadres en wachtwoord in dat aan het account is gekoppeld.
  2. Klik op de knop Details weergeven onder de kop META-Z-analyse .
  3. Voer het gen van belang in de Zoek balk.
  4. Gebruik de schuifbalk aan de onderkant van het scherm om de Survival Z-score te verkrijgen voor het specifieke type kanker.

2. CSIOVDB

Opmerking: CSIOVDB (csibio.NUS.edu.SG/CSIOVDB/CSIOVDB.html) is een microarray-database die is ontwikkeld door het Cancer Science Institute of Singapore om ovariële kanker18te bestuderen. Deze database bevat gegevens van carcinomen van verschillende tumor sites, evenals normale ovariumweefsel gegevens. Daarnaast biedt CSIOVDB Kaplan\u2012Meier overlevings punten om de overleving van patiënten te beoordelen met differentiële genexpressie niveaus. CSIOVDB kan worden toegepast om de associatie te onderzoeken tussen genexpressie niveaus en ovariële kanker stadia/graden.

  1. Input gen van belang, klik dan op de Zoek knop.
  2. Klik op het tabblad ziektestatus .
    Opmerking: dit tabblad biedt samenvattings statistieken van genexpressie van het doel gen van belang in ovariële kanker ziektetoestanden.
  3. Klik op het tabblad histologie .
    Opmerking: dit tabblad biedt samenvattings statistieken van genexpressie van het doel gen van belang in belangrijke ovariële kanker histologieën.
  4. Klik op het tabblad Clinico-pathologische parameters .
    Opmerking: dit tabblad biedt een vergelijking van de genexpressie niveaus tussen verschillende ovariële kanker stadia, rangen en klinische reacties met Mann-Whitney-tests.
  5. Klik op het tabblad Survival .
    Opmerking: dit tabblad biedt Kaplan-Meier-plots die zijn gekoppeld aan algehele overleving en ziektevrije overleving. Voor deze database, ziektevrije overleving wordt beschouwd als progressie-en herhaling-vrije overleving18. Multivariate analyses voor totale overleving en ziektevrije overleving zijn ook te vinden onder dit tabblad. De multivariate analyses vergelijken functies die betrekking hebben op ovariële kanker prognoses (stadium, graad, chirurgische deballast stoffen, histologie, leeftijd) en het gen van belang.
  6. Klik op het tabblad subtype .
    Opmerking: dit tabblad biedt samenvattings statistieken en Mann-Whitney-tests voor het uitdrukkings niveau van het gen van belang in moleculaire subtypen van eierstokkanker. Dit tabblad biedt ook Kaplan-Meier-plots in verband met de algehele overleving en ziektevrije overleving van het gen van belang in moleculaire subtypen van ovariële kanker.

3. genexpressie in normaal en tumor weefsel (GENT)

NB: de GENT Portal (Medical \ u2012genome. kribb. re. kr/GENT) wordt ontwikkeld en onderhouden door het Korea Research Institute of Bioscience and Biotechnology (KRIBB)19. Het verzamelt 16.400 (U133A; 241 gegevenssets) en 24.300 (U133plus2; 306 gegevenssets) openbaar beschikbare voorbeelden. Na standaardisatie biedt GENT genexpressie gegevens over diverse weefsels, die verder worden onderverdeeld in tumor-en normale weefsels.

  1. Klik op het tabblad zoeken boven aan het scherm.
  2. In de sectie 1. Trefwoord, selecteer het gensymbool voor de termen uit het vervolgkeuzemenu, voer het gensymbool van het gen van belang in het lege gebied van het trefwoord sectie en selecteer weefsel voor de type optie.
  3. Klik op de knop zoeken aan de onderkant van de 1. Trefwoord sectie. Het toont de samenvatting grafieken van genexpressie in normale en tumorweefsels van verschillende kankersoorten op basis van de U133A en U122Plus2 platforms.
    Notes: het is optioneel om de optie gegevens filtering bovenaan de overzichtsgrafiek te selecteren om een bepaalde database te bekijken om te bestuderen.
  4. Klik op de link naast het downloaden van resultaatgegevens om toegang te krijgen tot de gedetailleerde informatie over de genexpressie waarden, weefsel typen en gegevensbronnen.

4. breed Instituut Cancer Cell line encyclopedie (CCLE)

Opmerking: CCLE (portals.broadinstitute.org/ccle) is gemaakt door het Broad Institute en biedt genomische profielen en mutaties van 947 humane kankercellijnen20.

  1. Voer de gewenste genen in de zoekbalk in en klik vervolgens op de knop zoeken .
  2. In de sectie met de naam gegevensset selecteren, klikt u op de optie mRNA expressie (rnaseq) in het vervolgkeuzemenu.
    Opmerking: andere opties zijn mRNA expressie (Affy), Achilles shRNA knockdownen Copy Number.
  3. Klik op de knop alle sporen omschakelen . Selecteer het weefseltype van de interesse in het grijze vak aan de rechterkant. Scrol omlaag naar de onderkant van het scherm en klik op de knop mRNA-expressie downloaden .
  4. Open het gedownloade tekstdocument. Kopieer en plak alle tekst in Sheet 1. Kopieer alle tekst in het blad 1.
  5. Klik op het blad in het tabblad spreadsheet software Sheet 2 onder in het werkblad. Klik met de rechtermuisknop op de A kolom, selecteer Plakken speciaalen selecteer vervolgens de Transponeer optie in Sheet 2.
  6. Zodra de tekst is omgezet in twee kolommen op blad 2, klikt u op de vervolgkeuzepijl voor de Sorteer & filter optie kop en selecteer vervolgens de filter optie. Er verschijnt een pijl in het kopgebied met het label Gene. Klik op de pijl en typ het weefseltype van de interesse.
    Notes: deze stap filtert alle gegevens en geeft alleen genuitdrukkings niveaus weer voor het weefseltype van belang.

5. Cbioportaal

Opmerking: cbioportal (www.cioportal.org) werd ontwikkeld op het Memorial Sloan-Kettering Cancer Center (MSK), en toegangen, analyseert, en visualiseert grootschalige kanker genomische data21,22. Specifiek, dit portaal stelt onderzoekers in staat om te zoeken naar genetische veranderingen en signalering netwerken.

  1. Met behulp van de query op de bestemmingspagina, klikt u op de organen/weefsels van belang onder de sectie met het label Selecteer studies. Selecteer de specifieke studie van belang, dan druk op de query door gen knop.
  2. In de sectie met de naam selecteren genomic profielen, selecteer uit de drie opties: mutaties, putatieve kopie-nummer wijzigingen van Gistic, of mRNA expressie. Selecteer verder corresponderende gegevens uit het dropdown menu voor Selecteer patiënt/Case set.
  3. Voer de doel-gen-symbool (en) in het queryvak van Voer genenin. Klik op de knop query verzenden .
  4. Klik op het tabblad netwerk bovenaan de pagina om het gewenste gennetwerk op te halen.
    Opmerking: het signalerings netwerk is kleurgecodeerd. De ingevoerde genen worden aangegeven door zaad knopen met een dikke rand. Elk gen wordt vertegenwoordigd door een rode cirkel en de kleurintensiteit van de rode cirkel weerspiegelt de mutatiefrequentie. Genen zijn verbonden door verschillend gekleurde lijnen. Bruine lijnen betekenen "in zelfde component", wat de betrokkenheid bij dezelfde biologische component aangeeft. Blauwe lijnen betekenen "reageert met", wat duidt op genreacties. Groene lijnen betekenen "statusverandering", wat suggereert dat een gen een toestand verandering van een ander gen kan veroorzaken.
  5. Klik op het tabblad bestand boven aan de afbeelding om Opslaan als afbeelding (PNG) te kiezen voor het downloaden van netwerk afbeeldingen.

6. dissectie van Drosophila met gewenste genotypen en DAPI-kleuring

Opmerking: Verzamel de vrouwelijke Drosophila met de gewenste genotypes en ontleden de Fly eierstokken om de procedures van DAPI-kleuring voorbeeld vorming te ondergaan.

  1. Vlieg aandelen voorbereiden TJ-Gal4, Gal80ts/CyO; UAS-NICD-GFP/TM6B, w *; UAS-mam. A; en w [1118] om vliegen te creëren met NiCd-overexpressie (TJ-Gal4, Gal80ts/+; UAS-NICD-GFP/+) en NiCd en mam-overexpressie (TJ-Gal4, Gal80ts/UAS-mam. A; UAS-NICD-GFP/+) vermogen.
  2. Pas de temporele en regionale genexpressie targeting (doel) techniek toe om spatiotemporele genexpressie23te beheersen. Til vliegen op 18 ° c tot volwassenheid, dan verschuiving naar 29 ° c voor 48 h met gist voor dissectie.
    Opmerking: TJ-Gal4 kan alleen UAS -expressie onder hogere temperaturen aandrijven, wanneer de remming door Gal80ts is verlicht. De toevoeging van gist voorafgaand aan dissectie vergroot de eierstokken voor het oogsten.
  3. Plaats 3 mL 1x fosfaat-gebufferde zoutoplossing (PBS) (137 mM NaCl, 2,7 mM KCl, 10 mM na2HPO4, 1,8 mm KH2po4) in een embryo schaaltje. Gebruik een CO2 -pad om de vliegen te anesthetiseren.
  4. Kies een vrouwelijke vlieg, pak vervolgens voorzichtig de onderste thorax van de vlieg met behulp van een paar ontleden Tang en dompel het in de 1x PBS-oplossing in een embryo-collectie schotel. Gebruik een tweede paar pincet om de onderbuik te knijpen en zachtjes te trekken om de inwendige organen vrij te geven.
  5. Identificeer en ontkoppel het paar eierstokken van het vlieg lichaam. Breek de gespierde schede aan het achterste uiteinde van de eierstokken en scheid de ovariolen.
    Opmerking: het scheiden van de ovariolen en het breken van de spier schede is vereist om betere kleuringsresultaten te bereiken.
  6. Plaats de eierstokken in een centrifugebuis van 1,5 mL die 500 μL 1x PBS bevat. De buis moet op ijs blijven totdat alle eierstokken worden verzameld.
  7. Verwijder de 1x PBS en plaats 0,5 mL oplossing (4% formaldehyde) in de buis. Plaats de tube gedurende 10 minuten op de nutator.
  8. Verwijder de Fix-oplossing uit de tube en gooi deze weg in een geschikte afvalbak. Gebruik 1 mL 1x PBT (1x PBS aangevuld met 0,4% Triton™ X-100) om de eierstokken 3x gedurende 15 minuten te wassen.
  9. Gooi de laatste PBT-spoeling weg en voeg 1 mL PBTG (0,2% runderserum albumine, 5% normaal geiten serum in 1x PBT) toe om niet-specifieke binding te voorkomen.
    Opmerking: deze stap kan worden overgeslagen voor DAPI-kleuring, maar is essentieel voor het vlekken op antilichamen. Gedetailleerde immunohistochemie-kleuring kan worden gevonden in Jia et al.24.
  10. Plaats 150 μL DAPI (10 μg/mL) in de buis gedurende 10 − 15 minuten nutation. Gooi de DAPI weg en was de eierstokken 1x gedurende 10 minuten met 1 mL 1x PBT. Verwijder de PBT en was 2x gedurende 10 minuten met 1x PBS.
  11. Verwijder overtollige PBS totdat ongeveer 300 μL PBS in de buis met de eierstokken blijft. Pipetteer de eierstokken meerdere malen omhoog en omlaag met een pipet van 200 μL om de Eier kamers vrij te maken.
  12. Draai de buis voorzichtig om en verwijder voorzichtig zo veel mogelijk 1x PBS-oplossing zonder de eierstokken te verwijderen. Plaats 120 μL montage oplossing (1 g n-Propylgallaat, 5 ml 10X PBS, 40 ml glycerol en 5 ml dH2O) in de buis.
    Opmerking: montage oplossing is plakkerig, dus het is moeilijk om exact 120 μL montage oplossing in een buis over te brengen. Om dit probleem te verhelpen, kan een pipetpunt van 1.000 μL worden gebruikt om drie druppels montage oplossing in de buis toe te voegen.
  13. Verwijder ongeveer 0,33 mm van een pipetpunt van 200 μL en gebruik de nieuw uitgesneden pipetpunt om de montage oplossing op een glasplaat met Microscoop te plaatsen.
  14. Plaats het afdekglas voorzichtig op de montage oplossing en sluit de randen van de Afdekstrook af met transparante nagellak.
    Opmerking: het afdichten van de randen van het afdekglas is nodig om te voorkomen dat de Eier kamers aan de binnenkant van de montage oplossing vloeien bij het nemen van confocale beelden.
  15. Verkrijg beelden met een confocale Microscoop met behulp van de volgende instellingen: objectief objectief = 10x vergroting; numeriek diafragma = 0,8; DAPI-emissie golflengte = 410 − 513 nm.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Met behulp van de in stap 1 genoemde procedure met behulp van het PRECOG-portaal werden de Z-scores van NOTCH2, NOTCH3en MAML1 bij eierstokkanker verkregen (respectievelijk 1,3, 2,32, 1,62). De negatieve Z\u2012score waarden duiden op de slechte totale overleving van patiënten met hoge uitdrukkings niveaus van de drie genen. Met voorwaardelijke opmaak van de spreadsheet software worden de Z\u2012score waarden weergegeven in een gekleurd staafdiagram in Figu...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aangezien er talloze benaderingen en methoden zijn voor het gebruik van bio-informatica, zijn er tal van databases online beschikbaar voor het grote publiek. Een overvloed aan informatie kan worden geëxtraheerd uit elk van deze databases, maar sommige zijn het meest geschikt voor bepaalde doeleinden, zoals het beoordelen van de overleving van de patiënt op basis van bepaalde inputs. Systematische analyses van opgehaalde gegevens uit verschillende individuele databases kunnen op overtuigende wijze belangrijke wetenschappe...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben niets te onthullen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit werk werd ondersteund door start-up financiering, College of Science and Mathematics Research Grant, Summer Research Session Award, en Research Seed Funding Award van Georgia Southern University.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
DAPI (4',6-Diamidino-2-Phenylindole, Dihydrochloride)InvitrogenD13061:1000 Verdunning
PBS, Phosphate Buffered Saline, 10X Poeder, pH 7.4ThermoFisherFLBP6651Opgelost met ddH2O om 1X PBS te maken
GeitenserumGibco16210064Serum
Embryo schaalElectron Microscopy Sciences70543-45Dissectieschaal
Nutating mixersFisherbrand88861041Nutator
tj-Gal4, Gal80ts/ CyO; UAS-NICD-GFP/ TM6BDr. Wu-Min Deng aan Florida State UniversityN/AVlieg stam
w*; UAS-mam.ABloomington Drosophila Stock Center#27743Vlieg stam
w[1118]Bloomington Drosophila Stock Center#5905Vlieg stam
The PRECOG portalStanford Universityprecog.stanford.eduOpenbaar toegankelijke database van kanker expressie datasets
CSIOVDBCancer Science Institute of Singaporecsibio.nus.edu.sg/CSIOVDB/CSIOVDB.htmlMicroarray database gebruikt om ovarieel kanker te bestuderen
The Gene Expression across Normal and Tumor tissue (GENT) PortalKorea Research Institute of Bioscience and Biotechnology (KRIBB)medical–genome.kribb.re.kr/GENTOpenbaar toegankelijke database van genexpressie gegevens in diverse weefsels, verdeeld in tumor en normale weefsels.
Broad Institute Cancer Cell Line Encyclopedia (CCLE)Broad Institute en The Novartis Institutes for BioMedical Researchportals.broadinstitute.org/ccleBiedt genomische profielen en mutaties van humane kanker cellijnen
cBioPortalMemorial Sloan Kettering Cancer Center (MSK)cbioportal.orgPortaal dat onderzoekers toestaat om te zoeken naar genetische veranderingen en signaalnetwerken
Zeiss 710 Inverted confocal microscoopCarl ZeissID #M 210491Onderzoek en beeldverzameling van fluorescent gelabelde specimens

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bocchicchio, S., Tesone, M., Irusta, G. Convergence of Wnt and Notch signaling controls ovarian cancer cell survival. Journal of Cellular Physiology. , (2019).
  2. Hibdon, E. S., et al. Notch and mTOR Signaling Pathways Promote Human Gastric Cancer Cell Proliferation. Neoplasia. 21 (7), 702-712 (2019).
  3. Kucukkose, C., Yalcin Ozuysal, O. Effects of Notch signalling on the expression of SEMA3C, HMGA2, CXCL14, CXCR7, and CCL20 in breast cancer. Turkish Journal of Biology. 43 (1), 70-76 (2019).
  4. Lan, G., et al. Notch pathway is involved in the suppression of colorectal cancer by embryonic stem cell microenvironment. OncoTargets and Therapy. 12, 2869-2878 (2019).
  5. Lian, H., et al. Notch signaling promotes serrated neoplasia pathway in colorectal cancer through epigenetic modification of EPHB2 and EPHB4. Cancer Management and Research. 10, 6129-6141 (2018).
  6. Salazar, J. L., Yamamoto, S. Integration of Drosophila and Human Genetics to Understand Notch Signaling Related Diseases. Advances in Experimental Medicine and Biology. 1066, 141-185 (2018).
  7. Bray, S. J. Notch signalling in context. Nature Reviews Molecular Cell Biology. 17 (11), 722-735 (2016).
  8. Andersson, E. R., Sandberg, R., Lendahl, U. Notch signaling: simplicity in design, versatility in function. Development. 138 (17), 3593-3612 (2011).
  9. Brou, C., et al. A novel proteolytic cleavage involved in Notch signaling: the role of the disintegrin-metalloprotease TACE. Molecular Cell. 5 (2), 207-216 (2000).
  10. Oswald, F., et al. p300 acts as a transcriptional coactivator for mammalian Notch-1. Molecular and Cellular Biology. 21 (22), 7761-7774 (2001).
  11. Xiu, M. X., Liu, Y. M. The role of oncogenic Notch2 signaling in cancer: a novel therapeutic target. American Journal of Cancer Research. 9 (5), 837-854 (2019).
  12. Allenspach, E. J., Maillard, I., Aster, J. C., Pear, W. S. Notch signaling in cancer. Cancer Biololgy & Therapy. 1 (5), 466-476 (2002).
  13. Jia, D., Underwood, J., Xu, Q., Xie, Q. NOTCH2/NOTCH3/DLL3/MAML1/ADAM17 signaling network is associated with ovarian cancer. Oncology Letters. 17 (6), 4914-4920 (2019).
  14. Weng, J. T., et al. Novel bioinformatics approaches for analysis of high-throughput biological data. Biomed Research International. 2014, 814092(2014).
  15. Readhead, B., Dudley, J. Translational Bioinformatics Approaches to Drug Development. Advances in Wound Care (New Rochelle). 2 (9), 470-489 (2013).
  16. Bayat, A. Science, medicine, and the future: Bioinformatics. BMJ. 324 (7344), 1018-1022 (2002).
  17. Gentles, A. J., et al. The prognostic landscape of genes and infiltrating immune cells across human cancers. Nature Medicine. 21 (8), 938-945 (2015).
  18. Tan, T. Z., et al. CSIOVDB: a microarray gene expression database of epithelial ovarian cancer subtype. Oncotarget. 6 (41), 43843-43852 (2015).
  19. Shin, G., et al. GENT: gene expression database of normal and tumor tissues. Cancer Informatics. 10, 149-157 (2011).
  20. Barretina, J., et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature. 483 (7391), 603-607 (2012).
  21. Gao, J. J., et al. Integrative Analysis of Complex Cancer Genomics and Clinical Profiles Using the cBioPortal. Science Signaling. 6 (269), (2013).
  22. Cerami, E., et al. The cBio Cancer Genomics Portal: An Open Platform for Exploring Multidimensional Cancer Genomics Data. Cancer Discovery. 2 (5), 401-404 (2012).
  23. McGuire, S. E., Mao, Z., Davis, R. L. Spatiotemporal gene expression targeting with the TARGET and gene-switch systems in Drosophila. Science's STKE. 2004 (220), 6(2004).
  24. Jia, D., Huang, Y. C., Deng, W. M. Analysis of Cell Cycle Switches in Drosophila Oogenesis. Methods in Molecular Biology. 1328, 207-216 (2015).
  25. Lo, P. K., Huang, Y. C., Corcoran, D., Jiao, R., Deng, W. M. Inhibition of Notch signaling by the p105 and p180 subunits of Drosophila chromatin assembly factor 1 is required for follicle cell proliferation. Journal of Cell Science. 132 (2), (2019).
  26. Keller Larkin, M., et al. Role of Notch pathway in terminal follicle cell differentiation during Drosophila oogenesis. Development Genes and Evolution. 209 (5), 301-311 (1999).
  27. Sun, J., Deng, W. M. Notch-dependent downregulation of the homeodomain gene cut is required for the mitotic cycle/endocycle switch and cell differentiation in Drosophila follicle cells. Development. 132 (19), 4299-4308 (2005).
  28. Jia, D., et al. A large-scale in vivo RNAi screen to identify genes involved in Notch-mediated follicle cell differentiation and cell cycle switches. Scientific Reports. 5, 12328(2015).
  29. Shcherbata, H. R., Althauser, C., Findley, S. D., Ruohola-Baker, H. The mitotic-to-endocycle switch in Drosophila follicle cells is executed by Notch-dependent regulation of G1/S, G2/M and M/G1 cell-cycle transitions. Development. 131 (13), 3169-3181 (2004).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Notch SignalingOvarian CancerBioinformatics ApproachesExperimental ValidationPRECOG DatabaseCSIOVDB PortalGENT PortalCBIO PortalConfocal MicroscopyDrosophila Ovaries

Related Articles