Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Ontwikkeling van compendium voor plaveiselcelcarcinoom van de slokdarm

1.2K weergaven

⸱

DOI:

10.3791/65480

⸱

12 april 2024

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

In dit artikel

Samenvatting

Dit protocol beschrijft een nuttig hulpmiddel voor het identificeren van significante moleculaire veranderingen bij kanker en leidt tot de ontwikkeling van nieuwe diagnostische en therapeutische benaderingen voor plaveiselcelcarcinoom van de slokdarm.

Samenvatting

Slokdarmkanker (EC) staat op de8e plaats van meest agressieve maligniteiten en de behandeling ervan blijft een uitdaging vanwege het ontbreken van biomarkers die vroege opsporing mogelijk maken. EC manifesteert zich in twee belangrijke histologische vormen - adenocarcinoom (EAD) en plaveiselcelcarcinoom (ESCC) - die beide variaties in incidentie vertonen tussen geografisch verschillende populaties. High-throughput technologieën veranderen het begrip van ziekten, waaronder kanker. Een belangrijke uitdaging voor de wetenschappelijke gemeenschap is het omgaan met verspreide gegevens in de literatuur. Om dit aan te pakken, wordt een eenvoudige pijplijn voorgesteld voor de analyse van openbaar beschikbare microarray-datasets en het verzamelen van differentieel gereguleerde moleculen tussen kanker en normale aandoeningen. De pijplijn kan dienen als een standaardbenadering voor differentiële genexpressieanalyse, waarbij genen worden geïdentificeerd die differentieel tot expressie worden gebracht tussen kanker en normale weefsels of tussen verschillende kankersubtypes. De pijplijn omvat verschillende stappen, waaronder voorverwerking van gegevens (met kwaliteitscontrole en normalisatie van onbewerkte genexpressiegegevens om technische variaties tussen monsters te verwijderen), differentiële expressieanalyse (het identificeren van genen die differentieel tot expressie worden gebracht tussen twee of meer groepen monsters met behulp van statistische tests zoals t-tests, ANOVA of lineaire modellen), Functionele analyse (met behulp van bio-informaticatools om verrijkte biologische routes en functies in differentieel tot expressie gebrachte genen te identificeren) en Validatie (met validatie met behulp van onafhankelijke datasets of experimentele methoden zoals qPCR of immunohistochemie). Met behulp van deze pijplijn kan een verzameling differentieel tot expressie gebrachte moleculen (DEM's) worden gegenereerd voor elk type kanker, inclusief slokdarmkanker. Dit compendium kan worden gebruikt om potentiële biomarkers en medicijndoelen voor kanker te identificeren en om het begrip van de moleculaire mechanismen die ten grondslag liggen aan de ziekte te vergroten. Bovendien zal populatiespecifieke screening van slokdarmkanker met behulp van deze pijplijn helpen bij het identificeren van specifieke medicijndoelen voor verschillende populaties, wat leidt tot gepersonaliseerde behandelingen voor de ziekte.

Inleiding

Het is alarmerend dat EC wereldwijd de achtste meest voorkomende vorm van kanker is en wereldwijd de zesde belangrijkste doodsoorzaak. China, India en Iran hebben alarmerend hoge incidentie- en sterftecijfers. Er zijn twee hoofdtypen EC: adenocarcinoom van de slokdarm (EAC of EAD) en plaveiselcelcarcinoom van de slokdarm (ESCC)1. EAC komt vaker voor in de westerse wereld, terwijl ESCC vaker voorkomt in oosterse landen, met name China en Iran2. Verschillende risicofactoren zijn geassocieerd met EC, waaronder tabaks- en alcoholgebruik, obesitas en gastro-oesofageale refluxziekte (GERD). Bovendien worden voedingsfactoren zoals gebrek aan fruit en groenten en de consumptie van warme dranken en voedsel in verband gebracht met het ESCC-risico in risicogebieden. Vroege diagnose en behandeling zijn belangrijk voor het verbeteren van de resultaten van patiënten met EC 3,4. Daarom is het belangrijk om het bewustzijn van de risicofactoren, tekenen en symptomen van EC te vergroten en om regelmatige screening van personen met een hoog risico aan te moedigen. Bovendien kunnen inspanningen om aanpasbare risicofactoren, zoals tabaks- en alcoholgebruik en ongezonde voedingsgewoonten, aan te pakken, de incidentie van EC helpen verminderen. EAD komt voor in de cellen van slijmproducerende klieren in het onderste deel van de slokdarm, nabij de maag. Het wordt vaak geassocieerd met GERD, waarbij maagzuur en inhoud terugkeren in de slokdarm. ESCC daarentegen komt voort uit platte, dunne cellen die het bovenste deel van de slokdarm bekleden5. Het komt vaker voor in gebieden waar tabaks- en alcoholgebruik wijdverbreid zijn, zoals China en Iran.

Onder verschillende aandoeningen die verband houden met de slokdarm, is de slokdarm van Barrett (BE), een aandoening waarbij het slijmvlies van de slokdarm wordt vervangen door kliercellen, een bekende voorloper van EAC6. Het is vermeldenswaard dat BE zich kan ontwikkelen zonder GERD, maar de aanwezigheid van GERD verhoogt het risico op het ontwikkelen van BE met een factor 3 tot 5. Bovendien verhoogt de aanwezigheid van BE het risico op het ontwikkelen van EAC met 50-100 keer7. Bovendien zijn warme of gekruide voedingsmiddelen en vloeistoffen in verband gebracht met ESCC, maar niet met EAC. Inzicht in de risicofactoren voor EC is belangrijk voor de preventie en vroege opsporing. Inspanningen om aanpasbare risicofactoren, zoals tabaksgebruik, alcoholgebruik, obesitas en ongezonde voedingsgewoonten, aan te pakken, kunnen de incidentie van EC helpen verminderen. Bovendien kan routinematige screening en bewaking voor personen met een hoog risico, zoals personen met dysfagie of BE, de resultaten verbeteren door vroege opsporing en behandeling mogelijk te maken.

Het is zeker waar dat omics-gedreven studies, waaronder genomica, transcriptomics, proteomics, methylomics, miRNAomics en metabolomics, in hoge mate hebben bijgedragen aan ons begrip van EC's, met name ESCC 8,9,10,11,12,13. Deze studies hebben de identificatie mogelijk gemaakt van nieuwe biomarkers, potentiële therapeutische doelen en nieuwe routes die betrokken zijn bij de ontwikkeling en progressie van ESCC. De gegevens die uit deze onderzoeken worden gegenereerd, zijn echter verspreid over de literatuur, waardoor het voor de wetenschappelijke gemeenschap moeilijk is om toegang te krijgen tot deze informatie en deze te gebruiken. Daarom is het belangrijk om een repository of database te creëren die gegevens verzamelt die zijn verkregen uit onderzoeken met hoge of lage doorvoer naar specifieke kankers. Zo'n pakket kan worden gestroomlijnd en gemaakt door enkele basisrichtlijnen te implementeren. Deze richtlijnen omvatten het selecteren van relevante onderzoeken, het extraheren en ordenen van gegevens uit deze onderzoeken en het waarborgen van de kwaliteit en consistentie van de gegevens. Bovendien moet het compendium regelmatig worden bijgewerkt om er nieuwe studies en gegevens in op te nemen zodra deze beschikbaar komen. Onderzoekers kunnen één enkel platform gebruiken om gegevens over een specifieke kanker op te halen en te analyseren door een compendium of database te maken die gegevens uit verschillende onderzoeken combineert. Dit zal de onderzoeksinspanningen helpen versnellen en uiteindelijk leiden tot effectievere behandelingen en betere resultaten voor kankerpatiënten.

De ontwikkeling van het kankercompendium omvat gegevens van zowel low-throughput als high-throughput studies. Dit compendium zal een waardevolle bron zijn voor onderzoekers die potentiële diagnostische of therapeutische doelen voor kanker willen identificeren. Een manier om deze collectie op te bouwen is door microarray-onderzoeken te bekijken die beschikbaar zijn in openbaar toegankelijke repositories zoals Gene Expression Omnibus (GEO). Microarray-onderzoeken kunnen informatie verschaffen over genexpressieniveaus in kankercellen, en deze gegevens kunnen worden gebruikt om differentieel tot expressie gebrachte genen (DEG's) te identificeren die een rol kunnen spelen bij de ontwikkeling en progressie van kanker.

Er moet echter worden opgemerkt dat verschillende onderzoeken mogelijk verschillende methoden hebben gebruikt om hun gegevens te analyseren, wat kan hebben geleid tot de identificatie van verschillende DEG's. Daarom is het belangrijk om elke studie zorgvuldig te bekijken en rekening te houden met mogelijke vooringenomenheid of beperkingen bij het bundelen van gegevens voor het compendium. Zodra de gegevens op een gemeenschappelijk platform zijn verzameld, kunnen onderzoekers deze gebruiken om potentiële moleculaire doelen voor verder onderzoek te identificeren. Deze omvatten het onderzoeken van de expressie van een bepaald gen in klinische monsters of het uitvoeren van mechanistische studies om te begrijpen hoe een bepaald gen of eiwit betrokken is bij de ontwikkeling en progressie van kanker. Over het algemeen zal het creëren van een kankerdataset een waardevolle hulpbron zijn voor kankeronderzoekers en helpen bij het identificeren van nieuwe doelen voor diagnose en therapeutische interventies.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

1. Handmatige curatie van de differentieel gereguleerde moleculen in ESCC

  1. Het vinden van relevante low-throughput studies met behulp van PubMed
    OPMERKING: Het is belangrijk om het fundamentele verschil te begrijpen tussen technieken met een lage doorvoer en technieken met een hoge doorvoer. In het eerste geval wordt slechts een beperkt aantal monsters bestudeerd, en het proces is meestal tijdrovend, daarentegen is later sneller en kan het aantal monsters in één keer worden geanalyseerd, wat aanzienlijk hoger is dan bij low-throughput-methoden zoals Northern blot, en Western blot zijn low-throughput-technieken, terwijl cDNA-microarray en op LC-MS/MS gebaseerde kwantitatieve proteomics high-throughput-technieken zijn14. De zoekmachines zoals NCBI-PubMed (zie Materiaaltabel) zijn een goede bron voor het vinden van studies die relevant zijn voor kanker, omdat het een openbaar beschikbare bron is voor biomedische wetenschappers om literatuur te vinden over ziekten zoals ESCC. Om relevante studies te vinden, moeten de volgende stappen worden gevolgd.
    1. Klik op de Google-zoekmachine (zie Materiaaltabel) om deze te openen. Dit wordt ook gebruikt door de onderzoekers, aangezien er tijdschriften zijn die niet in PubMed zijn geïndexeerd, maar nog steeds artikelen van goede kwaliteit zijn. Het is altijd goed om in meer dan één zoekmachine te zoeken om de kans op het missen van een belangrijk artikel teniet te doen.
    2. Selecteer de zoekbalk van de PubMed en gebruik Booleaanse operatoren (AND, OR, NOT). Booleaanse operatoren verfijnen de zoekers tot relevante trefwoorden die door de onderzoekers worden gebruikt om de resultaten te vinden.

2. Relevante studies vinden met behulp van PubMed

  1. Typ het NCBI-webadres (zie Materiaaltabel) en klik om het te openen.
  2. Selecteer PubMed in het menu van de linkerzijbalk op het tabblad Alle databases .
  3. Typ in de zoekbalk de relevante trefwoorden, die de relevante artikelen zullen ophalen. De trefwoorden moeten worden gebruikt in combinatie met de Booleaanse operatoren, omdat deze kunnen helpen bij het verkrijgen van de artikelen die nauw verwant zijn aan kanker / ziekte in kwestie (bijv. slokdarmplaveiselcelcarcinoom).

3. Relevante studies vinden met behulp van genexpressie omnibus (GEO)

OPMERKING: Genexpressieomnibus (GEO) is een gratis beschikbare repository voor het opslaan van gegevens op DNA-microarrays. De overvloed aan gegevens die beschikbaar zijn in GEO is een goede bron voor datamining om differentieel gereguleerde moleculen tussen kanker/ziekten versus normale omstandigheden te identificeren.

  1. Typ het GEO-webadres (zie Materiaaltabel) en klik om het te openen.
  2. Typ slokdarm plaveiselcelcarcinoom EN Homo sapiens en druk op Enter.
    OPMERKING: Voor het maken van een compendium van differentieel gereguleerde genen voor kanker, is het belangrijk om de relevante onderzoeken te selecteren waaruit de onderzoekers de moleculen zullen selecteren die differentieel gereguleerd zijn tussen kanker versus normale omstandigheden. Het primaire aspect is het vaststellen van de criteria voor de selectie van moleculen op basis van vouwverandering. De vouwverandering geeft aan of een gen/eiwit op- of neerwaarts gereguleerd is. De vouwverandering en de afkapwaarden van de p-waarde kunnen de betekenis van de gegevens in een bepaald experiment, inclusief microarray, RNAseq of proteomics-studies, aanzienlijk veranderen15.

4. Microarray-analyse met behulp van GEO2R

OPMERKING: Het eerste wat u moet doen is het vinden van relevante studies met behulp van Booleaanse operatoren (AND, OR, NOT). Deze worden gebruikt in combinatie met de trefwoorden 'slokdarmplaveiselcelcarcinoom', 'ESCC' of 'slokdarmplaveiselcelcarcinoom'. GEO2R (zie Materiaaltabel) is een gratis beschikbaar R-taalpakket dat is geïntegreerd met GEO, waardoor gebruikers gegevens uit microarray-onderzoeken op een gebruiksvriendelijke manier kunnen analyseren. Het werkt samen met GEO-ingangs-ID's en biedt een interface voor het uitvoeren van complexe R-gebaseerde analyses om DEG's te identificeren met behulp van Bioconductor R-pakketten voor de back-end. Dit pakket transformeert niet alleen de GEO-gegevens, maar presenteert ook de output in de vorm van .txt tabellen, die verder kunnen worden aangepast aan de behoeften van de gebruikers16. Het GEO2R-pakket presenteert genen in een volgorde van statistische significantie op basis van p-waarde, maar de volgorde kan worden gesorteerd op basis van log2-voudige verandering. Bovendien kunnen gebruikers genexpressieprofielen bekijken als GEO-profielafbeeldingen. In tegenstelling tot andere analysetools is GEO2R onafhankelijk van geselecteerde datasetrecords en kan het de werkelijke gegevens die door de onderzoekers zijn ingediend, rechtstreeks ondervragen. Meer dan 90% van de GEO-onderzoeken kan met deze methode worden geanalyseerd17. De workflow van GEO2R met stappen die betrokken zijn bij de analyse van microarray-gegevens met behulp van GEO2R wordt weergegeven in figuur 1.

  1. Open de website van GEO2R.
  2. Voer de GSE-toetreding in met behulp van de GEO in de zoekruimte met het label "GEO-toetreding" en klik op de knop Instellen. Maak labels kanker en dan normaal.
  3. Wijs monsters toe op basis van type door eerst Kanker toe te wijzen, gevolgd door Normaal.
  4. Klik op Analyseren zonder standaardparameters te wijzigen.
  5. Klik op de volledige genenlijst en download de gegevens in .tsv-bestandsformaat. .tsv moet worden omgezet in .xlsx voordat de gegevens verder worden verwerkt.
  6. Zet de log2-voudige verandering om in vouwverandering met behulp van de formule [=(2)^(Nx), waarbij N de positie van de cel is] in de excel.
  7. Onderwerp verder de gegevens verkregen in stap 4.6 om de DEG's te krijgen door een false discovery rate (FDR) van 5% of aangepaste p-waarde (adj. p-waarde) <0,05 toe te passen, en een vouwverandering van >2,0-voudige verandering voor geupreguleerde genen, en <0,5-voudige verandering voor gedownreguleerde genen.
    OPMERKING: FDR is een correctie die wordt toegepast op p-waarden om rekening te houden met meervoudige tests, en deze twee kunnen niet als synoniemen voor elkaar worden behandeld. FDR-aanpassing is cruciaal om het aantal valse ontdekkingen te beheersen bij het uitvoeren van een groot aantal hypothesetests.
  8. Identificeer de unieke genenlijst in vergelijking met de eerder gepubliceerde studie door de DEG's te onderwerpen met behulp van een online gratis beschikbare Venn-diagramgeneratortool (Pangloss) om het Venn-diagram te genereren voor segregatie van gemeenschappelijke en unieke DEG's (zie materiaaltabel).
  9. Onderwerp bovendien de unieke genenlijst om de genontologie te identificeren.
    OPMERKING: Verschillende GO-functies zoals Genontologie: Moleculaire Functie (GO: MF), Genontologie: Biologische Processen (GO: BP) en Genontologie: Cellulaire Component (GO: CC) kunnen worden gegenereerd met behulp van g: Profiler (zie Materiaaltabel) of PANTHER (zie Materiaaltabel), beide zijn online gratis beschikbaar programma. De op GO gebaseerde analyse uitgevoerd met behulp van g: Profiler.
  10. Gebruik ShinyGO voor het verkrijgen van de verdeling van DEG's in het genoom op individuele chromosomen (zie materiaaltabel).
  11. Plak de volledige unieke genenlijst verkregen van GEO2R in het ShinyGO-zoektabblad en de best passende soort die werd geselecteerd was Homo sapiens. De gebruikte FDR-grenswaarde was 5%.
  12. Voer de selectie uit van DEG's verkregen uit GEO2R voor verdere validatiestudie op eiwitniveau. De workflow voor het extraheren van de aanvullende maar cruciale informatie op de DEG's is weergegeven in figuur 2.

5. Het vinden van een alias voor een gen/eiwit

  1. Open de HPRD-pagina (zie Materiaalopgave) en klik op de knop Query .
  2. Voer de eiwitnaam of HPRD-ID in het betreffende zoektabblad in, druk onderaan op de knop Zoeken
    OPMERKING: Er wordt een pagina geopend met een tabblad met het label "ALTERNATIEVE NAMEN", klik erop en de alias voor dit gen of eiwit verschijnt.

6. Het vinden van een officieel gensymbool voor de DEG's

  1. Om het officiële gensymbool te vinden, opent u het HUGO Gene Nomenclature Committee (HGNC) (zie Materiaaltabel).
  2. Typ de naam verkregen in de GEO2R-analyse in de zoekbalk van de HGNC-pagina en klik op het zoeksymbool . De zoekresultaten laten zien met welk officieel gensymbool de term precies overeenkomt.
  3. Klik op die link en ontdek daar het genoemde officiële "gensymbool".

7. Het vinden van de genlocus van de DEG's

  1. Open de genpagina door naar de link op NCBI te gaan.
  2. Typ het officiële gensymbool van het gen en klik op zoeken.
  3. Controleer in het resultaat zorgvuldig het gen en het organisme waartoe het behoort. Als je zeker bent van de juiste match, klik je op de link en ga je verder.
    OPMERKING: Samenvattend, onder het kopje "Genomische context" zal er een locatie zijn die eigenlijk genlocus is.

8. Informatie vinden over DEG's op OMIM Pagegene locus van de DEG's

  1. Open de OMIM-pagina (zie Materiaaltabel).
  2. Voer de naam of het gensymbool van de geninformatie in, met name "gen-fenotype".
  3. Klik op de zoekknop en de resultaten verschijnen voor het gen van interesse. Het display geeft informatie over de "Gen-Fenotype Relatie".

9. Het vinden van eiwitlokalisatie, domein en motief, en secretoire aard van het eiwit dat door het gen wordt gecodeerd

  1. Open de HPRD-pagina (zie Materiaaltabel).
  2. Eenmaal geopend, voert u de eiwitnaam of HPRD-indetitrator in het betreffende zoektabblad in en drukt u onderaan op de knop Zoeken .
  3. Er wordt een pagina geopend met een tabblad met het label "Samenvatting". Ga helemaal naar beneden op de pagina en controleer het tabblad lokalisatie om de primaire en alternatieve "secundaire" lokalisatie te kennen.
    OPMERKING: Op dezelfde pagina, onder "lokalisatie" is er een tabblad "Domeinen en motieven" waar domeinen en motieven voor het eiwit van interesse worden vermeld (indien aanwezig). Weer op dezelfde pagina, naast het tabblad "Domeinen en motieven", is er een tabblad "Expressie" met subtabblad "site van expressie". Elk eiwit waarvan is gemeld dat het in een biologische vloeistof is gedetineerd, kan als "secretoir" van aard worden beschouwd. Als er een interessant eiwit is gerapporteerd in een van de biologische vloeistoffen, zoals plasma, serum, sperma, extra tranen, wordt dit daar vermeld.

10. Cherry picking voor het eiwit voor validatie, en verdere beoordeling voor diagnose of prognose van de maligniteit van belang

OPMERKING: Zodra unieke moleculen zijn geïdentificeerd, is de grootste uitdaging hoe ze te valideren. Gewoonlijk zorgt microarray-onderzoek voor expressie op de mRNA-niveaus, maar voor de diagnose of prognose van de ziekte is het uitlezen van eiwitniveaus cruciaal. Hiervoor moeten patiënten of patiënten afgeleide monsters of cellijnen van dezelfde kanker worden gescreend om te weten of het molecuul daar daadwerkelijk tot expressie wordt gebracht en of het in staat is om onderscheid te maken tussen kanker versus normaal, of goede versus slechte prognose, of onderscheid te maken tussen vroege tot late stadia van de ziekten. Om het kandidaatmolecuul, Western blot, te valideren, zijn enzymgekoppelde immunosorbenttesten, d.w.z. ELISA, immunoprecipitatie, immunohistochemie, immunocytochemie of assay nuttige technieken 18,19,20. Tegelijkertijd vereisen al deze tests antilichamen om het antigeen in de monsters te detecteren. Antilichamen zijn dure items, dus het is altijd beter om antilichamen te selecteren op basis van de volgende punten:

  1. Controleer of het antilichaam al eerder gepubliceerde onderzoekspapers over andere maligniteiten heeft gerapporteerd.
  2. Als dit niet het geval is, kijk dan naar het bedrijf dat antilichamen levert en kijk of ze een gegevensblad geven met een foto van de vlek, of immunocytochemie, of immunohistochemie.
    OPMERKING: Als men immunohistochemie wil doen, maar het antilichaam is alleen beschikbaar voor ELISA-assay, kan dit een risico zijn om het antilichaam te gebruiken, vooral als het doelmolecuul een transmembraandomeindragend molecuul is, maar niet het signaalpeptide. Als het antilichaam monoklonaal of polyklonaal is, is het ook beter om de voorkeur te geven aan een monoklonaal antilichaam.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

De GEO-toetreding GSE161533 werd bijvoorbeeld gebruikt om differentieel onderzochte genen in ESCC te bestuderen. De representatieve resultaten van de analyse zijn weergegeven in figuur 3. GEO2R genereert een vulkaangrafiek die nuttig is voor het identificeren van gebeurtenissen die significant verschillen tussen twee groepen experimentele proefpersonen. Vulkaangrafiek presenteert de algehele genverdeling met -log10 getransformeerde significantie (...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Sinds de betrokkenheid van high-throughput OMICS-technieken in de kankerbiologie is de snelheid van het genereren van gegevens aanzienlijk toegenomen. Dit vormt een uitdaging voor onderzoekers, vooral voor degenen die niet handig zijn met computers. Om te overwinnen komen bio-informatici in de loop der jaren op het idee om een database te ontwikkelen om gegevens op een georganiseerde manier aan te bieden. Dit zorgde voor een positieve reactie van onderzoekers, vooral degenen die niet geï...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Dankbetuigingen

MKK is ontvanger van de TARE-fellowship (Grant # TAR/2018/001054) extramurale subsidie (Grant # 5/13/55/2020/NCD-III) van respectievelijk de Science and Engineering Research Board (SERB), Department of Science and Technology en de Indian Council of Medical Research (ICMR), Government of India, New Delhi.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
NCBI-PUBMEDNCBIhttps://ncbi.nlm.nih.gov/pubmedVerwijzend naar sectie 1. vereist voor het zoeken in de literatuur
Een laptop/macbook of pc met internetfaciliteit en een webbrowser.
g:ProfilerELIXIR-infrastructuurhttps://biit.cs.ut.ee/gprofiler/gostVerwijzend naar sectie 4.10. vereist voor verrijking van GO:MF, GO:BP en GO:CC
Gene expression omnibusNCBIhttps://www.ncbi.nlm.nih.gov/geo/Verwijzend naar sectie 3.1. vereist voor het zoeken in de microarray-studiedatabase
GEO2RNCBIhttps://www.ncbi.nlm.nih.gov/geo/geo2r/Verwijzend naar sectie 3.2. vereist voor het analyseren van de gegevens met behulp van de GEO2R-tool
GoogleGooglehttps://www.google.comVerwijzend naar sectie 1.1. vereist voor het zoeken in de literatuur
HGNCHGNC is een commissie van de Human Genome Organisation (HUGO)https://www.genenames.orgVerwijzend naar sectie 6.1 vereist om het officiële gensymbool van de DEG's te kennen
HPRDInstitute of Bioinformatics, Bangluru http://hprd.orgVerwijzend naar sectie 5.1 vereist voor informatie over eiwitarchitectuur
OMIM Johns Hopkins University, Baltimorehttp://www.omim.org/entryVerwijzend naar sectie 8.1 vereist om de OMIM ID van een specifiek gen / DEG te kennen
Pangloss ProgramOntwikkeld door Chris Seidelhttp://www.pangloss.com/seidel/Protocols/venn.cgiVerwijzend naar sectie 4.9. vereist voor het genereren van de Venn-diagram
PANTHERThomas lab aan de University of Southern Californiahttp://www.pantherdb.org/geneListAnalysis.doVerwijzend naar sectie 4.10. vereist voor verrijking van GO:MF, GO:BP en GO:CC
ShinyGO South Dakota State Universityhttp://bioinformatics.sdstate.edu/goVerwijzend naar sectie 4.10. vereist voor toewijzing van DEG's op de chromosomen

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Meer artikelen verkennen

Differentiële genexpressiemicroarray-analysebio-informatica pipelinedifferentieel tot expressie gekomen genenidentificatie van biomarkersfunctionele pathway-analysepopulatiespecifieke screeningkankerbiomarkershigh-throughput technologieën
Ontwikkeling van compendium voor plaveiselcelcarcinoom van de slokdarm
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.