Methodenartikel

Ontwikkeling van compendium voor plaveiselcelcarcinoom van de slokdarm

1.1K 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.

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.

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 (p-waarde) op de y-as, en vouwveranderingen (met log2 getransformeerde vouwverandering) op de x-as (Figuur 3A), en het is nuttig voor het visualiseren van de genen die differentieel tot expressie komen. Gemarkeerde genen worden significant differentieel tot expressie gebracht bij een standaard bijvoeglijk naamwoord p-waarde cut-off van 0,05 (blauw = gedownreguleerd, rood = upregulated).

Een grafiek met gemiddeld verschil (MD) geeft eenlog 2-voudige verandering weer ten opzichte van gemiddelde log2-expressiewaarden en is nuttig voor het visualiseren van de genen die differentieel tot expressie worden gebracht. In MD-plot vouwen de genen waar log2 transformeerde zich op de y-as, en registreert de gemiddelde waarde-expressie op de x-as (Figuur 3B). De gemarkeerde genen worden significant differentieel tot expressie gebracht bij een standaard bijvoeglijke p-waarde cutoff van 0,05 (blauw = gedownreguleerd, rood = upregulated). Vulkaanplots ondervinden dezelfde problemen als MA-plots in termen van het weergeven van informatie van slechts twee behandelingen tegelijk21.

Verder werd Uniform Manifold Approximation and Projection (UMAP)22 gebruikt om de verwantschap tussen ESCC en normale monsters te beoordelen (Figuur 3C). Hoewel de meeste monsters in de respectievelijke categorieën vielen, werden twee ESCC-monsters gevonden in de normale monsters.

GEO2R presenteerde een 2D interactieve expressiedichtheidsplot (Figuur 3D), die de expressiedichtheid in de dataset effectief aantoonde. Deze grafiek is nuttig om te bepalen of normalisatie nodig is voor DEG's. In deze grafiek geeft de y-as de dichtheid aan, terwijl de x-as de intensiteit aangeeft voor zowel ESCC (groene kleur) als normaal (violette kleur).

De verdeling van de waarden over verschillende steekproeven, waaronder ESCC en normaal, is weergegeven in de boxplot. Deze verdelingen geven een indicatie of de monsters daadwerkelijk geschikt zijn voor differentiële expressieanalyse. De mediaancentrische waarden geven duidelijk aan dat de gegevens genormaliseerd en kruislings vergelijkbaar zijn (Figuur 3E).

De geïdentificeerde genen worden gefilterd op basis van p < 0,05 en vouwveranderingscriteria. De onveranderde genen (met vouwverandering tussen <2,0>-0,50) zijn uit de analyse verwijderd. Verder, in vergelijking met een eerder gepubliceerde studie, zijn de gevonden gemeenschappelijke genen slechts 514, maar het unieke aantal verkregen genen is 1193. Het is belangrijk op te merken dat het identificeren van unieke genen met behulp van GEO2R niet alleen kan helpen de redundantie te verminderen, maar ook het compendium kan verrijken.

Een gedeeltelijke lijst van DEG's is vermeld in tabel 1, terwijl een volledige lijst van DEG's is opgenomen in aanvullend bestand 1. Sommige van de geüpreguleerde genen behoren tot de extracellulaire matrix, zoals MMP1 8,23,24, MMP12 23,25, SPP1 8,26, POSTN9 en VCAN 8,27. Onder andere genen die in tabel 1 worden vermeld, zijn CMPK2, AURKA28,29, CHEK127 en CDK130 zijn opgereguleerd en EMP127, PTK631,32, GPX327, DPT33, FHL134,35 en CRNN 8,36 zijn verlaagd gereguleerd in ESCC in vergelijking met normale epitheel. POSTN (Periostin) is opgereguleerd bij ESCC en is ook gemeld in het geval van adenocarcinoom van de slokdarm. Een eerdere studie over ESCC meldde dat POSTN-eiwitexpressie niet alleen werd waargenomen in het stromale gebied, maar ook in de tumorcellen, wat suggereert dat er een interactie is van tussen tumor en micro-omgeving9. Periostine is een eiwit dat voornamelijk wordt uitgescheiden door mesenchymale cellen en een cruciale rol speelt bij de regulatie, hechting en differentiatie van osteoblasten, evenals bij wondherstel. Bovendien is periostine betrokken bij tumorprogressie en metastase bij verschillende vormen van kanker, waaronder ESCC. Studies hebben aangetoond dat periostine betrokken is bij de overgang van epitheel naar mesenchymaal (EMT) bij kanker en tumorangiogenese, en celmigratie, motiliteit, adhesie en metastatische celgroei van tumoren bevordert. In de slokdarm van Barrett, een precancereuze aandoening van de slokdarm, is er een significante opregulatie van POSTN, het gen dat codeert voor periostine, vergeleken met normaal slokdarmweefsel37. Bij eosinofiele oesofagitis, een ontstekingsziekte van de slokdarm, zijn zowel periostine-mRNA als eiwitexpressieniveaus opgereguleerd in vergelijking met normaal slokdarmepitheel. Evenzo bleek POSTN in ESCC 11-voudig opgereguleerd te zijn in genexpressieanalyse9. Deze bevindingen suggereren dat POSTN kan dienen als een potentiële biomarker voor ESCC en andere vormen van kanker. Bovendien worden de verhoogde niveaus van serum POSTN gerapporteerd bij borstkankerpatiënten die gediagonaliseerd zijn met botmetastasen, wat aangeeft dat POSTN ook verder kan worden onderzocht als een potentiële gemetastaseerde biomarker in de sera van ESCC-patiënten. Over het algemeen lijkt POSTN een belangrijke rol te spelen bij de progressie van tumoren en kan het potentiële klinische implicaties hebben voor de diagnose, prognose en behandeling van kanker.

De chromosomale verdeling van DEG's op individuele chromosomen laat zien dat het maximale aantal genen afkomstig was van chromosomen 1-6 en X (Figuur 4). De op ShinyGO gebaseerde routeanalyse toonde aan dat een aantal cruciale routes opduiken bij DEG-analyse. Enkele hiervan waren de IL-17-signaleringsroute, eiwitvertering en -absorptie, ECM-receptorinteractie, TNF-signaleringsroute, Toll-like receptorsignaleringsroute, chemokine-signaleringsroute, cytokine-cytokinereceptorinteractie, alcoholleverziekte, microRNA's bij kanker, transcriptionele ontregeling bij kanker, celcyclus en NONO-achtige receptorsignaleringsroute bij ESCC. Verder werd de verrijking van GO-termen in DEG's gedaan met behulp van g: Profiler-analyse. Verschillende GO-termen voor moleculaire functie (GO: MF), cellulaire componenten (GO: CC) en biologische processen (GO: BP) werden verrijkt (Figuur 5). De lijst van deze GO-termen is opgenomen in tabel 2.

figure-results-1
Figuur 1: Schematische weergave voor de verwerking van de studies naar plaveiselcelcarcinoom van de slokdarm beschikbaar in genexpressieomnibus met behulp van het GEO2R-programma. In het schema zijn verschillende stappen getoond die betrokken zijn bij de identificatie van differentieel gereguleerde genen (DEG's) of differentieel gereguleerde moleculen (DEM's), waaronder selectiecriteria voor de DEG's op basis van de vouwverandering >2,0-voudig en p < 0,05 voor opgereguleerd, en <0,5 en p-waarde <0,05 voor gedownreguleerd. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Schematische weergave voor het vinden van aanvullende informatie over differentieel gereguleerde genen in plaveiselcelcarcinoom van de slokdarm, beschikbaar met behulp van andere openbaar beschikbare bronnen. Bovendien zijn informatie-DEG's cruciaal bij het beslissen over DEG's die moeten worden geselecteerd voor verdere validatie en beoordeling in de klinische setting. Informatie zoals extractie van alias, officieel gensymbool, chromosoomlocatie/genlocus, OMIM, domein/motief, secretoire aard van het eiwit en beschikbaarheid van geschikt antilichaam voor validatie op eiwitniveau kan worden verkregen uit verschillende online bronnen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Verdeling van de studie met GEO-toetreding GSE161533 met behulp van het GEO2R-programma voor de identificatie van DEG's tussen ESCC en normaal. Het GEO2R-programma werd gebruikt met standaardparameters die aanleiding geven tot (A) Volcano-plot die de gendistributie weergeeft met -log10 getransformeerde significantie (p-waarde) op de y-as, en vouwveranderingen (met log2 getransformeerde vouwverandering) op de x-as, (B) MD-plotplot die log2-voudige verandering weergeeft versus gemiddelde log2-expressiewaarden voor het visualiseren van differentieel tot expressie gebrachte genen, (C) UMAP (Uniform Manifold Approximation and Projection) toont de scheiding van monsters op basis van hun type, (D) Expression density plot vult aan terwijl het de normalisatie van gegevens controleert vóór differentiële expressieanalyse, (E) Box-plot met mediaan-gecentreerde waarden over de monsters om aan te geven dat de normalisatie van de gegevens kruislings vergelijkbaar is. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Verdeling van DEG's op verschillende chromosomale loci met behulp van de ShinyGO-verrijkingstool. (A) Unieke genen werden geïdentificeerd door een Venn-diagram te genereren om huidige versus eerder gepubliceerde studies te vergelijken. (B) De verdeling van DEG's op de verschillende chromosomen in het genoom. (C) Routeverrijking voor DEG's met behulp van op ShinyGO gebaseerde verrijkingsanalyse. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: Manhattan plots om GO-termverrijkingen van doelgenen te illustreren met behulp van g: Profiler. De differentieel tot expressie gebrachte genen werden geanalyseerd door g: Profiler en de verrijking in GO-termen (MF: moleculaire functie; BP: biologisch proces; CC: cellulaire component) en KEGG-routes over Reactome-routes (REAC), WiKi-Pathways (WP), transcriptiefactor (TF) en microRNA-doelbasis (MIRNA) werden grafisch weergegeven in de Manhattan-plot waar de x-as de GO-functionele termen is die per categorie zijn gekleurd. Elke gekleurde stip vertegenwoordigt een GO-term. De y-as toont de aangepaste -log10p-waarden. Op de x-as worden de GO-termen weergegeven die statistisch significant zijn voor ESCC. MF: Moleculaire functie; BP: Biologisch proces; CC: Cellulaire component; MIRNA: MicroRNA; HP: Menselijk fenotype. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Gedeeltelijke lijst van differentieel tot expressie gebrachte genen in ESCC. Klik hier om deze tabel te downloaden.

Tabel 2: Verrijking van GvO-termen in ESCC met behulp van g: Profiler. Klik hier om deze tabel te downloaden.

Aanvullend bestand 1: Volledige lijst van differentieel tot expressie gebrachte genen in ESCC. Klik hier om dit bestand te downloaden.

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 geïnteresseerd zijn in technologie. Bovendien heeft niemand iets aan verspreide OMICS-gegevens hier en daar in de literatuur. Om daar goed gebruik van te maken, was er daarom altijd behoefte aan een gemeenschappelijk platform waar onderzoekers met gespecialiseerde interesses toegang kunnen krijgen tot de gegevens. Er is een aantal databases over verschillende vormen van kanker, waaronder ONCOMINE38, ESCC ATLAS39, pancreaskankerdatabase (PCD)40 en DDEC41.

Het concept van differentieel tot expressie gebrachte genen (DEG's) komt voort uit de analyse van RNA-sequencinggegevens, waarbij genen worden geïdentificeerd die significante veranderingen in expressieniveaus hebben over twee of meer aandoeningen (zoals kanker versus normaal, of behandeling versus controle). Er zijn verschillende instrumenten ontwikkeld om DEG's te bepalen, die statistische tests uitvoeren op basis van kwantificeringen van de tot expressie gebrachte genen die zijn geëvalueerd op basis van de computationele analyses van onbewerkte RNA-seq-metingen of intensiteitsverhoudingen die zijn gegenereerd tussen de sonde en de doelsequentie in de kanker - versus normaalgroep. Deze tools bieden informatie met betrekking tot het expressieniveau en de paarsgewijze grootte van het verschil voor elk gen. Differentiële genexpressie (DGE)-analyses zijn nuttig voor het begrijpen van de genetische mechanismen die bijdragen aan fenotypische verschillen in organismen. DGE-analyses zijn toegepast om een verscheidenheid aan biologische processen te bestuderen, waaronder de detectie van de oorsprong van de tumor en/of microbioomanalyse. Door DEG's te identificeren, kunnen deze analyses inzicht geven in de onderliggende genetische factoren die bijdragen aan deze biologische processen die betrokken zijn bij ESCC-tumorigenese21.

De GEO2R-toolmethode, die openbaar beschikbaar is en de meest geprefereerde methode is omdat de meeste onderzoeken die in de literatuur beschikbaar zijn, zijn geanalyseerd met behulp van verschillende algoritmen, wat leidde tot enorme verschillen in data-analyse; Om deze verschillen te voorkomen, werd daarom dit gebruiksvriendelijke platform gebruikt omdat het gratis en gemakkelijk te gebruiken is. Dit maakt vergelijkingen mogelijk tussen aandoeningen zoals 'Kanker versus normaal' of 'Behandeling versus geen behandeling'.

In dit geval werd ESCC gekozen omdat het een opkomende kanker van het maagdarmkanaal (GI) is in India en China. We kiezen voor GEO-toetreding GSE161533 om te analyseren met behulp van GEO2R om DEG's tussen ESCC vs. normaal. De studie werd gekozen omdat er geen ESCC-patiënten waren opgenomen die eerder chemotherapie of radiotherapie hadden gekregen. Het verdient de voorkeur om gepaarde monsters te gebruiken, indien beschikbaar (ESCC en aangrenzende normaal van dezelfde patiënt) voor elke analyse. Dit komt omdat het genoom van ESCC en normale weefsels van dezelfde patiënt naar verwachting erg op elkaar lijken, omdat ze dezelfde genetische achtergrond hebben en omdat de weefsels zich in dezelfde omgeving bevinden. Het gebruik van gepaarde monsters helpt om vertekening in de analyse te voorkomen die zou kunnen ontstaan als u ESCC en normale weefsels van verschillende patiënten met verschillende genetische achtergronden zou vergelijken. Het gebruik van gepaarde monsters maakt een nauwkeurigere identificatie mogelijk van de verschillen in genexpressie tussen ESCC en normale weefsels binnen dezelfde patiënt, wat kan helpen de specificiteit van de resultaten te verbeteren. Deze benadering wordt vaak gebruikt in genexpressiestudies om individuele variabiliteit te beheersen en het analytisch vermogen te vergroten.

We hebben alle monstergegevens van de proefpersonen die bij het onderzoek betrokken waren genomen en het GEO2R-platform gebruikt om de genexpressiegegevens te analyseren. Eerst hebben we kankermonsters toegewezen, gevolgd door normale monsters. Na het toewijzen van deze monsters werden de standaardparameters die beschikbaar zijn in de GEO2R-database gebruikt om kanker- of behandelingsmonsters en de normale of controlemonsters te identificeren. Om onderscheid te maken tussen kanker en normale monsters, werd een aangepaste p-waarde (adj. P Val) drempel van minder dan 0,05 en een vouwveranderingsdrempel van >2,0 vastgesteld voor geupreguleerde genen, en een aangepaste p-waarde (adj. P Val ) drempel van minder dan 0,05 minder en een vouwveranderingsdrempel van <0,5 voor gedownreguleerde genen. Deze drempels zijn vaak gebruikt in genexpressiestudies om differentieel tot expressie gebrachte genen tussen kanker en normaal te identificeren. Het is belangrijk op te merken dat de keuze van drempels voor significantie van invloed kan zijn op het aantal en de identiteit van genen die worden geïdentificeerd als differentieel tot expressie gebracht. Daarnaast is het belangrijk om de biologische relevantie van de geïdentificeerde genen zorgvuldig te evalueren en verdere validatiestudies uit te voeren om de resultaten te bevestigen.

In de literatuur is er een trend om alleen de genen te rapporteren met ten minste 2-voudige verandering voor geupreguleerde genen en <0,5-voudige verandering voor gedownreguleerde genen, vooral in microarray- en proteomics-studies42. In eerdere studies werd een vouwverandering van >1,5-voudig beschouwd als opgereguleerde en <0,67-voudige verandering voor gedownreguleerde genen43,44, maar literatuurtrends in het laatste decennium tonen duidelijk aan dat een hogere vouwverandering de voorkeur heeft, grotendeels omdat wanneer validatie-experimenten worden uitgevoerd op kandidaten met een lage vouwwaarde, deze ofwel zwak zijn of geen correlatie worden gevonden tussen mRNA en eiwitniveaus gegevens45. Er is een donkere kant aan het kiezen van een hogere vouwverandering is dat je soms een aantal moleculen mist die biologisch relevant zijn voor de ziekte of kanker, maar gewoon worden weggelaten vanwege de cutoff die de voorkeur heeft om de lijst met DEG's/DEM's te maken. Bovendien is de literatuur bevooroordeeld in de richting van het melden dat DEG's vooral de voorkeur geven aan opgereguleerde of tot overexpressie gebrachte moleculen in plaats van aan onderexpressie gebrachte moleculen. Bovendien, als de expressie van moleculen in meerdere onderzoeken overeenkomt met dezelfde patronen van opregulatie of overexpressie, ongeacht of ze voor dezelfde kanker of ziekte zijn, is dit een favoriete benadering onder wetenschappers. Bovendien, als hetzelfde patroon van overexpressie wordt waargenomen bij meerdere ziekten en gerapporteerd in de literatuur, wordt het opnieuw algemeen aanvaard in de wetenschappelijke gemeenschap.

Bovendien is de gelijkenis van ziekten afhankelijk van het feit of microarray-gegevens of literatuur worden gebruikt voor de vergelijking. Ten slotte vertonen losjes gedefinieerde beschrijvingen van differentiële expressiegrootheden in de literatuur slechts een beperkte correlatie met microarray-vouwveranderingsgegevens46.

Verder kan een compendium aanvullende informatie bevatten uit databases zoals NCBI Entrez gen47, HGNC48, OMIM49, HPRD50,51, Ensemble52, KEGG53, WikiPathways54, GO55, miRBase56 en DGV57. Tijdens het gebruik van GEO2R laat een beoordeling van UMAP zien hoe monsters met elkaar in verband staan. In de huidige analyse worden twee ESCC-steekproeven gevuld met normale steekproeven, wat suggereert dat er ofwel een steekproeffout is of dat de ESCC-steekproeven heterogeen genoeg zijn om in de groep van normale steekproeven te verschijnen.

De GEO2R-tool is gebruiksvriendelijk en gemakkelijk toegankelijk, maar heeft enkele beperkingen. GEO2R mist de mogelijkheid om PCA-plots en heatmaps te genereren of monsters te filteren na kwaliteitscontrole. Het biedt slechts een enkel Venn-diagram voor steekproefvergelijkingen binnen dezelfde serie. GEO2R is beperkt tot Series Matrix-bestanden, waardoor vergelijkingen tussen reeksen worden voorkomen. Bovendien analyseert GEO2R alleen microarray-gegevens en heeft het geen kwaliteitscontroles voor de normaliteit van monsters of kruisvergelijkbaarheid. GEO2R staat geen onbeperkt aantal zoekresultaten toe en toont alleen de top 250 genen voor een bepaalde paarsgewijze vergelijking binnen een dataset. Het analyseert ook datasets met onvoldoende steekproefreplicaten voor een robuuste statistische analyse. GEO2R levert gegevens in log vouwverandering, waardoor het moest worden omgezet in vouwverandering met behulp van r of in een Excel-blad. Om op- en neergereguleerde genen weer te geven, moet men ook andere software of online tool gebruiken om een heatmap 58,59,60 te maken.

Samenvattend wordt in dit artikel een eenvoudige pijplijn gegeven, die kan worden gebruikt voor het maken van een compendium voor elke vorm van maligniteit met kleine aanpassingen. Compendium is nodig om biomedische wetenschappers te ondersteunen, met name voor het ontdekken van biomarkers, door de kandidaat-moleculen te leveren voor validatie in de klinische setting voor hun gebruik, hetzij voor prognose of diagnose.

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.

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).

Herprints en machtigingen

Tags

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.