Artykuł metodologiczny

Opracowanie kompendium wiedzy na temat raka płaskonabłonkowego przełyku

1.1K wyświetleń

⸱

DOI:

10.3791/65480

⸱

12 kwietnia 2024

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

W tym artykule

Podsumowanie

Ten protokół opisuje użyteczne narzędzie do identyfikacji istotnych zmian molekularnych w raku i prowadzi do opracowania nowych podejść diagnostycznych i terapeutycznych dla raka płaskonabłonkowego przełyku.

Streszczenie

Rak przełyku (EC) plasuje się na 8miejscu najbardziej agresywnych nowotworów złośliwych, a jego leczenie pozostaje wyzwaniem ze względu na brak biomarkerów ułatwiających wczesne wykrycie. EC objawia się dwiema głównymi postaciami histologicznymi - gruczolakorakiem (EAD) i rakiem płaskonabłonkowym (ESCC) - przy czym częstość występowania występuje w różnych geograficznie populacjach. Technologie wysokoprzepustowe zmieniają rozumienie chorób, w tym raka. Istotnym wyzwaniem dla środowiska naukowego jest radzenie sobie z rozproszonymi danymi w literaturze. Aby rozwiązać ten problem, zaproponowano prosty proces analizy publicznie dostępnych zestawów danych mikromacierzy i gromadzenia różnie regulowanych cząsteczek między rakiem a normalnymi stanami. Rurociąg może służyć jako standardowe podejście do różnicowej analizy ekspresji genów, identyfikując geny o zróżnicowanej ekspresji między rakiem a normalnymi tkankami lub między różnymi podtypami raka. Proces ten obejmuje kilka etapów, w tym wstępne przetwarzanie danych (obejmujące kontrolę jakości i normalizację surowych danych dotyczących ekspresji genów w celu usunięcia różnic technicznych między próbkami), analizę różnicowej ekspresji (identyfikację genów o zróżnicowanej ekspresji między dwiema lub więcej grupami próbek za pomocą testów statystycznych, takich jak testy t, ANOVA lub modele liniowe), analiza funkcjonalna (z wykorzystaniem narzędzi bioinformatycznych do identyfikacji wzbogaconych szlaków i funkcji biologicznych w genach o zróżnicowanej ekspresji) oraz walidacja (obejmująca walidację przy użyciu niezależnych zestawów danych lub metod eksperymentalnych, takich jak qPCR lub immunohistochemia). Korzystając z tego potoku, można wygenerować zbiór cząsteczek o zróżnicowanej ekspresji (DEM) dla dowolnego rodzaju nowotworu, w tym raka przełyku. To kompendium może być wykorzystane do identyfikacji potencjalnych biomarkerów i celów leków na raka oraz lepszego zrozumienia mechanizmów molekularnych leżących u podstaw choroby. Ponadto specyficzne dla populacji badania przesiewowe raka przełyku przy użyciu tej metody pomogą zidentyfikować konkretne cele leków dla różnych populacji, prowadząc do spersonalizowanego leczenia tej choroby.

Wprowadzenie

Niepokojące jest to, że EC jest ósmym najczęściej występującym nowotworem na świecie i szóstą najczęstszą przyczyną zgonów na świecie. Chiny, Indie i Iran mają alarmująco wysokie wskaźniki zachorowalności i śmiertelności. Istnieją dwa główne typy EC: gruczolakorak przełyku (EAC lub EAD) i rak płaskonabłonkowy przełyku (ESCC)1. EAC jest bardziej powszechny w świecie zachodnim, podczas gdy ESCC jest bardziej powszechny w krajach wschodnich, zwłaszcza w Chinach i Iranie2. Z EC związanych jest kilka czynników ryzyka, w tym palenie tytoniu i spożywanie alkoholu, otyłość i choroba refluksowa przełyku (GERD). Ponadto czynniki dietetyczne, takie jak brak owoców i warzyw oraz spożywanie gorących napojów i pokarmów, są związane z ryzykiem ESCC na obszarach wysokiego ryzyka. Wczesna diagnoza i leczenie są ważne dla poprawy wyników leczenia pacjentów z EC3,4. Dlatego ważne jest, aby zwiększyć świadomość na temat czynników ryzyka, oznak i objawów EC oraz zachęcać do regularnych badań przesiewowych osób z grupy wysokiego ryzyka. Ponadto wysiłki mające na celu wyeliminowanie modyfikowalnych czynników ryzyka, takich jak palenie tytoniu i spożywanie alkoholu oraz niezdrowe nawyki żywieniowe, mogą pomóc w zmniejszeniu częstości występowania EC. EAD występuje w komórkach gruczołów wytwarzających śluz w dolnej części przełyku, w pobliżu żołądka. Często wiąże się to z GERD, w którym kwas żołądkowy i treść wracają do przełyku. Natomiast ESCC powstaje z płaskich, cienkich komórek, które wyściełają górną część przełyku5. Jest bardziej powszechny na obszarach, gdzie palenie tytoniu i spożywanie alkoholu jest powszechne, takich jak Chiny i Iran.

Wśród różnych schorzeń związanych z przełykiem, przełyk Barretta (BE), stan, w którym wyściółka przełyku jest zastępowana przez komórki gruczołowe, jest znanym prekursorem EAC6. Warto zauważyć, że BE może rozwijać się bez GERD, ale obecność GERD zwiększa ryzyko rozwoju BE od 3 do 5 razy. Dodatkowo, obecność BE zwiększa ryzyko rozwoju EAC o 50-100 razy7. Co więcej, gorące lub pikantne potrawy i płyny zostały powiązane z ESCC, ale nie z EAC. Zrozumienie czynników ryzyka EC jest ważne dla zapobiegania temu zjawisku i jego wczesnego wykrywania. Wysiłki mające na celu wyeliminowanie modyfikowalnych czynników ryzyka, takich jak palenie tytoniu, spożywanie alkoholu, otyłość i niezdrowe nawyki żywieniowe, mogą pomóc w zmniejszeniu częstości występowania EC. Ponadto rutynowe badania przesiewowe i nadzór nad osobami wysokiego ryzyka, takimi jak osoby z dysfagią lub BE, mogą poprawić wyniki, umożliwiając wczesne wykrycie i leczenie.

Z pewnością prawdą jest, że badania oparte na omice, w tym genomika, transkryptomika, proteomika, metylomika, miRNAomika i metabolomika, znacznie przyczyniły się do naszego zrozumienia ECs, zwłaszcza ESCC8,9,10,11,12,13. Badania te pozwoliły na zidentyfikowanie nowych biomarkerów, potencjalnych celów terapeutycznych i nowych szlaków zaangażowanych w rozwój i progresję ESCC. Jednak dane uzyskane z tych badań są rozproszone w literaturze, co utrudnia społeczności naukowej dostęp do tych informacji i ich wykorzystanie. Dlatego ważne jest, aby stworzyć repozytorium lub bazę danych, która gromadzi dane uzyskane z wysoko- lub niskoprzepustowych badań nad określonymi nowotworami. Taki pakiet można uprościć i stworzyć, wdrażając kilka podstawowych wytycznych. Wytyczne te obejmują wybór odpowiednich badań, wyodrębnianie i organizowanie danych z tych badań oraz zapewnienie jakości i spójności danych. Ponadto kompendium powinno być regularnie aktualizowane w celu uwzględnienia nowych badań i danych w miarę ich udostępniania. Naukowcy mogą korzystać z jednej platformy do pobierania i analizowania danych dotyczących konkretnego nowotworu, tworząc kompendium lub bazę danych, która łączy dane z różnych badań. Pomoże to przyspieszyć prace badawcze i ostatecznie doprowadzi do skuteczniejszych metod leczenia i lepszych wyników leczenia dla pacjentów onkologicznych.

Opracowanie kompendium na temat raka obejmuje dane zarówno z badań niskoprzepustowych, jak i wysokoprzepustowych. To kompendium będzie cennym źródłem informacji dla badaczy, którzy chcą zidentyfikować potencjalne cele diagnostyczne lub terapeutyczne w przypadku raka. Jednym ze sposobów na zbudowanie tej kolekcji jest przegląd badań mikromacierzy dostępnych w publicznie dostępnych repozytoriach, takich jak Gene Expression Omnibus (GEO). Badania mikromacierzy mogą dostarczyć informacji na temat poziomów ekspresji genów w komórkach nowotworowych, a dane te można wykorzystać do identyfikacji genów o zróżnicowanej ekspresji (DEG), które mogą odgrywać rolę w rozwoju i progresji raka.

Należy jednak zauważyć, że różne badania mogły wykorzystywać różne metody do analizy swoich danych, co mogło prowadzić do identyfikacji różnych stopni szczegółowości. Dlatego ważne jest, aby dokładnie przejrzeć każde badanie i rozważyć wszelkie potencjalne błędy systematyczne lub ograniczenia podczas gromadzenia danych do kompendium. Po zebraniu danych na wspólnej platformie naukowcy mogą je wykorzystać do zidentyfikowania potencjalnych celów molekularnych do dalszych badań. Obejmują one badanie ekspresji określonego genu w próbkach klinicznych lub przeprowadzanie badań mechanistycznych w celu zrozumienia, w jaki sposób określony gen lub białko jest zaangażowane w rozwój i progresję raka. Ogólnie rzecz biorąc, stworzenie zestawu danych dotyczących nowotworów będzie cennym źródłem informacji dla badaczy nowotworów i pomoże w określeniu nowych celów dla diagnozy i interwencji terapeutycznych.

Protokół

1. Ręczna selekcja różnie regulowanych cząsteczek w ESCC

  1. Znajdowanie odpowiednich badań niskoprzepustowych przy użyciu PubMed
    UWAGA: Ważne jest, aby zrozumieć podstawową różnicę między technikami o niskiej przepustowości i wysokiej przepustowości. W pierwszym przypadku badana jest tylko ograniczona liczba próbek, a proces jest zwykle czasochłonny, w przeciwieństwie do tego, później jest szybszy, a liczba próbek może być analizowana za jednym razem, co jest znacznie wyższe niż w metodach o niskiej przepustowości, takich jak Northern blot i Western blot są technikami niskoprzepustowymi, podczas gdy mikromacierz cDNA i proteomika ilościowa oparta na LC-MS/MS są technikami wysokoprzepustowymi14. Wyszukiwarki takie jak NCBI-PubMed (patrz Spis materiałów) są dobrym źródłem wyszukiwania badań dotyczących każdego nowotworu, ponieważ jest to publicznie dostępne źródło informacji dla naukowców zajmujących się biomedycyną, którzy mogą znaleźć literaturę na temat wszelkich chorób, takich jak ESCC. Aby znaleźć odpowiednie badania, należy postępować zgodnie z poniższymi krokami.
    1. Kliknij w wyszukiwarkę Google (patrz Spis materiałów), aby ją otworzyć. Jest to również wykorzystywane przez badaczy, ponieważ istnieją czasopisma, które nie są indeksowane w PubMed, ale nadal są artykułami dobrej jakości. Zawsze dobrze jest przeszukać więcej niż jedną wyszukiwarkę, aby zniwelować prawdopodobieństwo pominięcia jakiegokolwiek ważnego artykułu.
    2. Wybierz pasek wyszukiwania w PubMed i użyj operatorów logicznych (AND, OR, NOT). Operatory logiczne zawężają wyszukiwanie do odpowiednich słów kluczowych używanych przez badaczy do znajdowania wyników.

2. Wyszukiwanie odpowiednich badań za pomocą PubMed

  1. Wpisz adres internetowy NCBI (patrz Spis materiałów) i kliknij, aby go otworzyć.
  2. Wybierz PubMed z menu paska po lewej stronie zakładka Wszystkie bazy danych.
  3. Wpisz w pasku wyszukiwania odpowiednie słowa kluczowe, które pobiorą odpowiednie artykuły. Słowa kluczowe muszą być używane w połączeniu z operatorami logicznymi, ponieważ mogą one pomóc w uzyskaniu artykułów, które są ściśle związane z rakiem / chorobą, o której mowa (np. rak płaskonabłonkowy przełyku).

3. Znajdowanie odpowiednich badań z wykorzystaniem omnibusu ekspresji genów (GEO)

UWAGA: Omnibus ekspresji genów (GEO) to swobodnie dostępne repozytorium do przechowywania danych o mikromacierzach DNA. Mnogość danych dostępnych w GEO jest dobrym źródłem do eksploracji danych w celu identyfikacji różnie regulowanych cząsteczek między rakiem/chorobami a normalnymi warunkami.

  1. Wpisz GEO web address (patrz Spis materiałów) i kliknij, aby go otworzyć.
  2. Wpisz Rak płaskonabłonkowy przełyku AND Homo sapiens i naciśnij Enter.
    UWAGA: Aby stworzyć kompendium różnie regulowanych genów dla raka, ważne jest, aby wybrać odpowiednie badania, z których naukowcy wybiorą cząsteczki, które są różnie regulowane między rakiem a normalnymi stanami. Podstawowym aspektem jest ustalenie kryteriów doboru cząsteczek na podstawie zmiany fałdowania. Zmiana fałdowania wskaże, czy gen/białko jest regulowane w górę, czy w dół. Zmiana krotności i wartości odcięcia wartości p mogą znacząco zmienić znaczenie danych w danym eksperymencie, w tym w mikromacierzy RNAseq lub badaniach proteomicznych15.

4. Analiza mikromacierzy za pomocą GEO2R

UWAGA: Pierwszą rzeczą jest znalezienie odpowiednich badań za pomocą operatorów logicznych (AND, OR, NOT). Będą one używane w połączeniu ze słowami kluczowymi "rak płaskonabłonkowy przełyku", "ESCC" lub "rak płaskonabłonkowy przełyku". GEO2R (patrz Tabela Materiałów) to ogólnodostępny pakiet języka R, który jest zintegrowany z GEO, umożliwiając użytkownikom analizę danych z badań mikromacierzy w przyjazny dla użytkownika sposób. Współdziała z identyfikatorami wpisów GEO i zapewnia interfejs do wykonywania złożonych analiz opartych na R w celu identyfikacji stopni Celsjusza przy użyciu pakietów Bioconductor R dla zaplecza. Pakiet ten nie tylko przekształca dane GEO, ale także przedstawia ich dane wyjściowe w postaci tabel .txt, które mogą być dalej modyfikowane zgodnie z potrzebami użytkowników16. Pakiet GEO2R przedstawia geny w kolejności istotności statystycznej na podstawie wartości p, ale kolejność można sortować na podstawie logarytmicznejzmiany 2-krotnej. Dodatkowo użytkownicy mogą przeglądać profile ekspresji genów jako obrazy profilowe GEO. W przeciwieństwie do innych narzędzi analitycznych, GEO2R jest niezależny od wybranych rekordów zbiorów danych i może analizować rzeczywiste dane przesłane bezpośrednio przez badaczy. Ponad 90% badań GEO można przeanalizować za pomocą tej metody17. Przebieg pracy GEO2R wraz z krokami związanymi z analizą danych mikromacierzy za pomocą GEO2R jest pokazany na Rysunek 1.

  1. Otwórz stronę internetową GEO2R.
  2. Wprowadź akces GSE za pomocą GEO w polu wyszukiwania oznaczonym jako "GEO accession" i kliknij przycisk Ustaw. Utwórz etykiety rak, a następnie normalny.
  3. Przypisz próbki na podstawie typu, przypisując najpierw Rak, a następnie Normalny.
  4. Kliknij Analizuj bez zmiany żadnych parametrów domyślnych.
  5. Kliknij pełną listę genów i pobierz dane w formacie pliku .tsv. .tsv musi zostać przekonwertowany na .xlsx przed dalszym przetwarzaniem danych.
  6. Przekonwertuj logarytm2-krotnej zmiany na zmianę krotności przy użyciu formuły [=(2)^(Nx), gdzie N to pozycja komórki] w programie Excel.
  7. Następnie poddaj dane uzyskane w kroku 4.6, aby uzyskać DEG, stosując wskaźnik fałszywych odkryć (FDR) wynoszący 5% lub skorygowaną wartość p (skorygowaną wartość p) <0,05 oraz krotną zmianę >2,0-krotną zmianę dla genów regulowanych w górę i <0,5-krotną zmianę dla genów regulowanych w dół.
    UWAGA: FDR to poprawka zastosowana do wartości p w celu uwzględnienia wielu testów, a te dwie wartości nie mogą być traktowane jako synonimy. Korekta FDR ma kluczowe znaczenie dla kontrolowania wskaźnika fałszywych odkryć podczas wykonywania dużej liczby testów hipotez.
  8. Zidentyfikuj unikalną listę genów w porównaniu z poprzednio opublikowanym badaniem, poddając DEG za pomocą dostępnego bezpłatnie internetowego generatora diagramu Venna (Pangloss) w celu wygenerowania diagramu Venna do segregacji powszechnych i unikalnych DEG (patrz tabela materiałów).
  9. Ponadto poddaj unikalną listę genów, aby zidentyfikować Ontologię Genów.
    UWAGA: Różne funkcje GO, takie jak Gene Ontology: Molecular Function (GO: MF), Gene Ontology: Biological Processes (GO: BP) i Gene Ontology: Cellular Component (GO: CC) mogą być generowane za pomocą g: Profiler (patrz Spis materiałów) lub PANTHER (patrz Spis materiałów), oba są dostępne bezpłatnie online programem. Analiza oparta na GO wykonana przy użyciu g: Profiler.
  10. Aby uzyskać rozkład DEG w genomie na poszczególnych chromosomach, użyj ShinyGO (patrz Tabela materiałów).
  11. Wklej całą unikalną listę genów uzyskaną z GEO2R w zakładce wyszukiwania ShinyGO, a najlepiej pasującym gatunkiem został wybrany Homo sapiens. Użyta granica FDR wynosiła 5%.
  12. Dokonaj selekcji DEG uzyskanych z GEO2R w celu dalszego badania walidacyjnego na poziomie białka. Proces wydobywania dodatkowych, ale kluczowych informacji na temat DEG został pokazany w Rysunek 2.

5. Znajdowanie aliasu dla genu/białka

  1. Otwórz stronę HPRD (patrz Spis materiałów) i kliknij przycisk Zapytanie.
  2. Wprowadź nazwę białka lub identyfikator HPRD w odpowiedniej zakładce wyszukiwania, naciśnij przycisk Szukaj na dole
    UWAGA: Otworzy się strona z zakładką oznaczoną jako "ALTERNATYWNE NAZWY", kliknij ją, a pojawi się alias dla tego genu lub białka.

6. Znalezienie oficjalnego symbolu genu dla DEG

  1. Aby znaleźć oficjalny symbol genu, otwórz Komitet Nomenklatury Genów HUGO (HGNC) (patrz Spis materiałów).
  2. Wpisz nazwę uzyskaną w analizie GEO2R w pasku wyszukiwania na stronie HGNC i kliknij na symbol wyszukiwania. Wyniki wyszukiwania pokażą, do którego oficjalnego symbolu genu dokładnie pasuje ten termin.
  3. Kliknij na ten link i znajdź tam wspomniany oficjalny "symbol genu".

7. Znajdowanie locus genów DEG

  1. Otwórz stronę genu, odwiedzając link na NCBI.
  2. Wpisz oficjalny symbol genu genu i kliknij szukaj.
  3. W rezultacie dokładnie sprawdź gen i organizm, do którego należy. Po upewnieniu się, że pasuje poprawnie, kliknij link i przejdź dalej.
    UWAGA: Podsumowując, pod nagłówkiem "Kontekst genomowy" znajdzie się lokalizacja, która w rzeczywistości jest locus genu.

8. Znajdowanie informacji o DEG na OMIM Pagegene locus DEGs

  1. Otwórz stronę OMIM (patrz Spis materiałów).
  2. Wpisać nazwę lub symbol genu w informacji o genie, w szczególności "fenotyp genu".
  3. Kliknij przycisk wyszukiwania, a pojawią się wyniki dla interesującego Cię genu. Na wyświetlaczu pojawiają się informacje o "Zależności gen-fenotyp".

9. Znajdowanie lokalizacji białka, domeny i motywu oraz charakteru wydzielniczego białka kodowanego przez gen

  1. Otwórz stronę HPRD (patrz Spis materiałów).
  2. Po otwarciu wprowadź nazwę białka lub indetifier HPRD w odpowiedniej zakładce wyszukiwania i naciśnij przycisk Szukaj na dole.
  3. Otworzy się strona z zakładką oznaczoną jako "Podsumowanie". Przejdź całą drogę na dół strony i sprawdź zakładkę lokalizacji, aby poznać podstawową i alternatywną "drugorzędną" lokalizację.
    UWAGA: Na tej samej stronie, poniżej "lokalizacji" znajduje się zakładka "Domeny i motywy", w której wymienione są domeny i motywy dla interesującego białka (jeśli występują). Ponownie na tej samej stronie, obok zakładki "Domeny i motywy" znajduje się zakładka "Wyrażenie" z podzakładką "strona wyrażenia". Każde białko, o którym doniesiono, że zostało oddetetowane w jakimkolwiek płynie biologicznym, może być uważane za "wydzielnicze" z natury. Jeśli białko będące przedmiotem zainteresowania zostało zgłoszone w którymkolwiek z płynów biologicznych, takich jak osocze, surowica, nasienie, łzy dodatkowe, zostanie ono tam wymienione.

10. Wybieranie białka do walidacji i dalsza ocena w celu diagnozy lub prognozy nowotworu złośliwego będącego przedmiotem zainteresowania

UWAGA: Po zidentyfikowaniu unikalnych molekuł, największym wyzwaniem jest ich walidacja. Zwykle badanie mikromacierzy zapewnia ekspresję na poziomie mRNA, ale dla diagnozy choroby lub prognozowania kluczowy jest odczyt poziomów białka. W tym samym celu próbki lub linie komórkowe tego samego nowotworu pochodzące od pacjentów lub pacjentów muszą zostać poddane badaniom przesiewowym, aby dowiedzieć się, czy cząsteczka rzeczywiście ulega tam ekspresji i czy jest w stanie odróżnić raka od normalnego lub dobre od złego rokowania, lub rozróżnić wczesne i późne stadia choroby. Aby zweryfikować cząsteczkę kandydującą, przydatnymi technikami są Western blot, testy immunoenzymatyczne, tj. ELISA, immunoprecypitacja, immunohistochemia, immunocytochemia lub test18,19,20. Jednocześnie wszystkie te testy wymagają przeciwciał do wykrycia antygenu obecnego w próbkach. Przeciwciała są kosztownymi produktami, więc zawsze lepiej jest wybierać przeciwciała na podstawie następujących punktów:

  1. Sprawdź, czy przeciwciało zgłosiło już jakiekolwiek wcześniej opublikowane prace naukowe dotyczące innych nowotworów złośliwych.
  2. Jeśli nie, sprawdź firmę dostarczającą przeciwciała i sprawdź, czy dostarcza arkusz danych ze zdjęciem plamy, immunocytochemii lub immunohistochemii.
    UWAGA: Jeśli ktoś chciałby przeprowadzić immunohistochemię, ale przeciwciało jest dostępne tylko do testu ELISA, może to stanowić ryzyko użycia przeciwciała, szczególnie jeśli cząsteczka docelowa jest cząsteczką zawierającą domenę transbłonową, ale nie peptyd sygnałowy. Ponadto, jeśli przeciwciało jest monoklonalne lub poliklonalne, lepiej preferować przeciwciało monoklonalne.

Wyniki

Jako przykład, numer akcesyjny GEO GSE161533 został wykorzystany do badania genów o różnym poziomie ekspresji w ESCC. Reprezentatywne wyniki analizy przedstawiono na Rysunku 3. Narzędzie GEO2R generuje wykres wulkaniczny (volcano plot), który jest przydatny do identyfikacji zdarzeń różniących się istotnie pomiędzy dwiema grupami obiektów doświadczalnych. Wykres wulkaniczny przedstawia ogólny rozkład genów z przekształconą wartością istotności (-log10 wartości p) na osi y oraz zmianą krotności (z przekształconą wartością log2 fold change) na osi x (Rysunek 3A), co pozwala na wizualizację genów o zróżnicowanej ekspresji. Wyróżnione geny wykazują istotną różnicę w ekspresji przy domyślnym progu skorygowanej wartości p wynoszącym 0,05 (niebieski = obniżona ekspresja, czerwony = podwyższona ekspresja).

Wykres średniej różnicy (MD) przedstawia log2 krotność zmiany (fold change) w stosunku do średnich wartości ekspresji log2 i jest użyteczny do wizualizacji genów o zróżnicowanej ekspresji. Na wykresie MD na osi y naniesiono log2 przekształcone krotności zmian, a na osi x logarytmiczne średnie wartości ekspresji (Rysunek 3B). Wyróżnione geny wykazują istotną zróżnicowaną ekspresję przy domyślnym progu skorygowanej wartości p wynoszącym 0,05 (niebieski = obniżona ekspresja, czerwony = podwyższona ekspresja). Wykresy wulkaniczne (volcano plots) napotykają te same problemy co wykresy MA w zakresie wyświetlania informacji tylko z dwóch traktowań jednocześnie21.

Ponadto, do oceny pokrewieństwa między próbkami ESCC a próbkami prawidłowymi wykorzystano metodę Uniform Manifold Approximation and Projection (UMAP)22 (Rycina 3C). Chociaż większość próbek przyporządkowano do odpowiednich kategorii, dwie próbki ESCC znalazły się w grupie próbek prawidłowych.

Narzędzie GEO2R przedstawiło interaktywny dwuwymiarowy wykres gęstości ekspresji (Rysunek 3D), który skutecznie zilustrował gęstość ekspresji w zbiorze danych. Wykres ten jest przydatny do określenia, czy dla genów różnicowo wyrażonych (DEG) konieczna jest normalizacja. Na wykresie oś y oznacza gęstość, natomiast oś x oznacza intensywność zarówno dla ESCC (kolor zielony), jak i dla tkanek prawidłowych (kolor fioletowy).

Rozkład wartości w różnych próbkach, w tym ESCC i prawidłowych, przedstawiono na wykresie pudełkowym. Rozkłady te pozwalają ocenić, czy próbki są rzeczywiście odpowiednie do analizy ekspresji różnicowej. Wartości skupione wokół mediany wyraźnie wskazują, że dane zostały znormalizowane i są porównywalne (Rycina 3E).

Zidentyfikowane geny są filtrowane na podstawie kryteriów p < 0.05 oraz fold-change. Geny niezmienione (z fold-change w zakresie <2.0->0.50) zostają usunięte z analizy. Ponadto, w porównaniu z wcześniej opublikowaną pracą, zidentyfikowano jedynie 514 wspólnych genów, natomiast liczba genów unikalnych wyniosła 1193. Należy zauważyć, że identyfikacja unikalnych genów przy użyciu GEO2R może pomóc nie tylko w zmniejszeniu redundancji, ale także w wzbogaceniu kompendium.

Częściowa lista DEG została przedstawiona w Tabeli 1, natomiast pełna lista DEG znajduje się w Pliku uzupełniającym 1. Niektóre z genów o zwiększonej ekspresji należą do macierzy zewnątrzkomórkowej, takie jak MMP18,23,24, MMP1223,25, SPP18,26, POSTN9 oraz VCAN8,27. Wśród innych genów wymienionych w Tabeli 1, geny CMPK2, AURKA28,29, CHEK127 oraz CDK130 wykazują zwiększoną ekspresję, natomiast EMP127, PTK631,32, GPX327, DPT33, FHL134,35 oraz CRNN8,36 wykazują zmniejszoną ekspresję w ESCC w porównaniu z prawidłowym nabłonkiem. Ekspresja POSTN (periostyny) jest zwiększona w ESCC, co zgłaszano również w przypadku gruczolakoraka przełyku. Wcześniejsze badanie nad ESCC wykazało, że ekspresja białka POSTN była obserwowana nie tylko w obszarze zrębu, ale także w komórkach nowotworowych, co sugeruje istnienie interakcji między nowotworem a mikrośrodowiskiem9. Periostyna jest białkiem wydzielanym głównie przez komórki mezenchymalne, które odgrywa kluczową rolę w regulacji, adhezji i różnicowaniu osteoblastów, a także w gojeniu ran. Ponadto periostyna jest zaangażowana w progresję nowotworów i przerzutowanie w różnych typach raka, w tym w ESCC. Badania wykazały, że periostyna uczestniczy w przejściu nabłonkowo-mezenchymalnym (EMT) w nowotworach oraz w angiogenezie nowotworowej, promując migrację, ruchliwość, adhezję oraz przerzutowy wzrost komórek nowotworowych. W przełyku Barretta, będącym stanem przednowotworowym przełyku, obserwuje się znaczące zwiększenie ekspresji POSTN, genu kodującego periostynę, w porównaniu z prawidłową tkanką przełyku37. W eozynofilowym zapaleniu przełyku, będącym chorobą zapalną przełyku, poziomy ekspresji zarówno mRNA, jak i białka periostyny są podwyższone w porównaniu z prawidłowym nabłonkiem przełyku. Podobnie w przypadku ESCC, w analizie ekspresji genów stwierdzono 11-krotny wzrost ekspresji POSTN9. Wyniki te sugerują, że POSTN może służyć jako potencjalny biomarker ESCC i innych nowotworów. Co więcej, podwyższone poziomy POSTN w surowicy zgłaszano u pacjentek z rakiem piersi z przerzutami do kości, co wskazuje, że POSTN mógłby zostać dalej zbadany jako potencjalny biomarker przerzutowy w surowicach pacjentów z ESCC. Podsumowując, POSTN wydaje się odgrywać istotną rolę w progresji nowotworu i może mieć potencjalne znaczenie kliniczne w diagnostyce, rokowaniu i leczeniu raka.

Rozkład chromosomowy DEG na poszczególnych chromosomach wykazuje, że największa liczba genów pochodziła z chromosomów 1-6 oraz X (Rysunek 4). Analiza ścieżek oparta na ShinyGO wykazała, że podczas analizy DEG ujawniło się szereg kluczowych ścieżek. Niektóre z nich to ścieżka sygnałowa IL-17, trawienie i wchłanianie białek, interakcja ECM-receptor, ścieżka sygnałowa TNF, ścieżka sygnałowa receptorów Toll-podobnych, ścieżka sygnałowa chemokin, interakcja cytokina-receptor cytokinowy, alkoholowa choroba wątroby, mikroRNA w nowotworach, dysregulacja transkrypcyjna w nowotworach, cykl komórkowy oraz ścieżka sygnałowa receptorów NONO-podobnych w ESCC. Ponadto, przy użyciu analizy g:Profiler przeprowadzono wzbogacenie terminów GO w DEG. Wzbogacono różne terminy GO dla funkcji molekularnych (GO: MF), komponentów komórkowych (GO: CC) i procesów biologicznych (GO: BP) (Rysunek 5). Lista tych terminów GO została przedstawiona w Tabeli 2.

Schemat analizy ekspresji genów; badanie mikromacierzy, identyfikacja DEG, proces filtrowania danych.
Rysunek 1: Schematyczna reprezentacja przetwarzania badań nad rakiem płaskonabłonkowym przełyku dostępnych w bazie Gene Expression Omnibus przy użyciu programu GEO2R. Na schemacie przedstawiono poszczególne etapy identyfikacji genów różnicowo ekspresyjnych (DEGs) lub cząsteczek różnicowo ekspresyjnych (DEMs), w tym kryteria wyboru DEG w oparciu o krotność zmiany (fold change) >2,0 i p < 0,05 dla genów o zwiększonej ekspresji oraz <0,5 i wartość p <0,05 dla genów o obniżonej ekspresji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat przepływu informacji o genach; etapy wyszukiwania aliasów, symbolu genu, lokalizacji chromosomowej, lokalizacji białka, odkrywania biomarkerów.
Rysunek 2: Schematyczne przedstawienie sposobu wyszukiwania dodatkowych informacji na temat genów różnicowo regulowanych w raku płaskonabłonkowym przełyku, dostępnych w innych publicznie dostępnych zasobach. Ponadto, informacje o DEG są kluczowe przy podejmowaniu decyzji o tym, które DEG należy wybrać do dalszej walidacji i oceny w warunkach klinicznych. Informacje takie jak ekstrakcja aliasów, oficjalny symbol genu, lokalizacja chromosomowa/locus genu, OMIM, domena/motyw, charakter wydzielniczy białka oraz dostępność odpowiedniego przeciwciała do walidacji na poziomie białek można uzyskać z różnych zasobów online. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Analiza ekspresji genów; wykresy obejmują wykres wulkaniczny, MA, UMAP, gęstości oraz wykresy pudełkowe; ESCC vs norma.
Rycina 3: Rozkład badania z numerem dostępu GEO GSE161533 z wykorzystaniem programu GEO2R w celu identyfikacji DEG pomiędzy ESCC vs. norma. Program GEO2R został użyty z parametrami domyślnymi, co pozwoliło na uzyskanie (A) wykresu wulkanicznego przedstawiającego rozkład genów z wartością istotności przekształconą logarytmicznie -log10 (p-value) na osi y oraz zmian krotności (z przekształconą logarytmicznie zmianą krotności log2) na osi x, (B) wykresu MD wyświetlającego log2 zmianę krotności vs. średnie wartości ekspresji log2 w celu wizualizacji genów różnicowo wyrażonych, (C) UMAP (Uniform Manifold Approximation and Projection) pokazującego segregację próbek na podstawie ich typów, (D) wykresu gęstości ekspresji, który stanowi uzupełnienie, umożliwiając sprawdzenie normalizacji danych przed analizą ekspresji różnicowej, (E) wykresu pudełkowego przedstawiającego wartości wycentrowane względem mediany we wszystkich próbkach, co wskazuje, że normalizacja danych jest porównywalna między próbkami. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Diagram Venna i wykresy przedstawiające analizę DEG, rozkład chromosomowy oraz wzbogacenie szlaków ESCC.
Rysunek 4: Rozkład DEG w różnych loci chromosomowych z wykorzystaniem narzędzia do wzbogacania ShinyGO. (A) Unikalne geny zostały zidentyfikowane poprzez sporządzenie diagramu Venna w celu porównania obecnych wyników z wcześniej opublikowanymi badaniami. (B) Rozkład DEG na poszczególnych chromosomach w genomie. (C) Wzbogacenie szlaków dla DEG z wykorzystaniem analizy wzbogacania opartej na ShinyGO. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Analiza wzbogacenia genów; wykres pęcherzykowy; procesy biologiczne; kategorie funkcjonalne; istotność statystyczna.
Rysunek 5: Wykresy Manhattan ilustrujące wzbogacenie terminów GO genów docelowych z wykorzystaniem g: Profiler. Geny różnicowo wyrażone zostały przeanalizowane za pomocą g: Profiler, a wzbogacenie w terminach GO (MF: funkcja molekularna; BP: proces biologiczny; CC: komponent komórkowy) oraz szlakach KEGG, szlakach Reactome (REAC), WiKi-Pathways (WP), czynnikach transkrypcyjnych (TF) i bazie celów mikroRNA (MIRNA) przedstawiono graficznie na wykresie Manhattan, gdzie oś x reprezentuje funkcjonalne terminy GO pokolorowane według kategorii. Każda kolorowa kropka reprezentuje termin GO. Oś y pokazuje skorygowane wartości -log10p. Na osi x przedstawiono terminy GO, które są statystycznie istotne dla ESCC. MF: Funkcja Molekularna; BP: Proces biologiczny; CC: Komponent komórkowy; MIRNA: MikroRNA; HP: Fenotyp Ludzki. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Tabela 1: Częściowa lista genów o różnym poziomie ekspresji w ESCC. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Wzbogacenie terminów GO w ESCC z wykorzystaniem g:Profiler. Kliknij tutaj, aby pobrać tę tabelę.

Plik uzupełniający 1: Pełna lista genów o różnym poziomie ekspresji w ESCC. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Od czasu zastosowania wysokoprzepustowych technik OMIKA w biologii nowotworów tempo generowania danych znacznie wzrosło. Stanowi to wyzwanie dla badaczy, zwłaszcza tych, którzy nie mają doświadczenia w obsłudze komputerów. Aby przezwyciężyć to z biegiem lat, bioinformatycy wpadli na pomysł opracowania bazy danych, która dostarczałaby dane w zorganizowany sposób. Spotkało się to z pozytywną reakcją badaczy, zwłaszcza tych, którzy nie interesują się technologią. Co więcej, rozproszone tu i ówdzie dane OMICS w literaturze są dla nikogo bezużyteczne. W związku z tym, aby właściwie to wykorzystać, zawsze istniała potrzeba stworzenia wspólnej platformy, do której mogliby udać się badacze o wyspecjalizowanych zainteresowaniach i uzyskać dostęp do danych. Istnieje wiele baz danych dotyczących różnych nowotworów, w tym ONCOMINE38, ESCC ATLAS39, baza danych raka trzustki (PCD)40 i DDEC41.

Koncepcja genów o zróżnicowanej ekspresji (DEG) wynika z analizy danych sekwencjonowania RNA, w których identyfikowane są geny, które mają znaczące zmiany w poziomach ekspresji w dwóch lub więcej stanach (takich jak rak w porównaniu z normalnym lub leczenie w porównaniu z kontrolą). Opracowano kilka narzędzi do określania DEG, które wykonują testy statystyczne w oparciu o kwantyfikacje genów wyrażanych na podstawie analiz obliczeniowych odczytów surowego RNA-seq lub współczynników intensywności generowanych między sondą a sekwencją docelową w grupie nowotworowej w porównaniu z grupą normalną. Narzędzia te dostarczają informacji związanych z poziomem ekspresji i wielkością różnicy w parach dla każdego genu. Analizy różnicowej ekspresji genów (DGE) są przydatne do zrozumienia mechanizmów genetycznych, które przyczyniają się do różnic fenotypowych w organizmach. Analizy DGE zostały zastosowane do badania różnych procesów biologicznych, w tym wykrywania pochodzenia nowotworu i/lub analizy mikrobiomu. Identyfikując DEG, analizy te mogą dostarczyć informacji na temat podstawowych czynników genetycznych, które przyczyniają się do procesów biologicznych związanych z nowotworzeniem ESCC21.

Metoda narzędziowa GEO2R, która jest publicznie dostępna i jest najbardziej preferowaną metodą, ponieważ większość badań dostępnych w literaturze została przeanalizowana przy użyciu różnych algorytmów, co doprowadziło do ogromnych różnic w analizie danych; Dlatego, aby uniknąć tych różnic, użyto tej przyjaznej dla użytkownika platformy, ponieważ jest bezpłatna i łatwa w użyciu. Pozwala to na porównanie stanów, takich jak "Rak vs. Normalny" lub "Leczenie vs. Brak leczenia".

W tym przypadku ESCC został wybrany, ponieważ jest to nowotwór przewodu pokarmowego (GI) pojawiający się w Indiach i Chinach. Wybieramy GSE161533 akcesyjne GEO do analizy za pomocą GEO2R w celu identyfikacji stopni między ESCC a ESCC. normalny. Badanie zostało wybrane, ponieważ nie obejmowało pacjentów z ESCC, którzy wcześniej otrzymywali chemioterapię lub radioterapię. Do wszelkich analiz zaleca się używanie sparowanych próbek, jeśli są dostępne (ESCC i sąsiednie normalne od tego samego pacjenta). Dzieje się tak, ponieważ oczekuje się, że genom ESCC i normalne tkanki tego samego pacjenta będą bardzo podobne, ponieważ pochodzą z tego samego tła genetycznego i ponieważ tkanki znajdują się w tym samym środowisku. Korzystanie z sparowanych próbek pomaga uniknąć błędu systematycznego w analizie, który mógłby zostać wprowadzony, gdyby porównać ESCC i normalne tkanki od różnych pacjentów o różnym pochodzeniu genetycznym. Wykorzystanie sparowanych próbek pozwala na dokładniejszą identyfikację różnic w ekspresji genów między ESCC a normalnymi tkankami w obrębie tego samego pacjenta, co może pomóc w poprawie swoistości wyników. Podejście to jest często wykorzystywane w badaniach ekspresji genów w celu kontrolowania indywidualnej zmienności i zwiększania mocy analitycznej.

Pobraliśmy wszystkie dane z próbek od osób biorących udział w badaniu i wykorzystaliśmy platformę GEO2R do analizy danych dotyczących ekspresji genów. Najpierw przypisaliśmy próbki raka, a następnie próbki normalne. Po przypisaniu tych próbek, do identyfikacji próbek nowotworowych lub leczniczych oraz próbek normalnych lub kontrolnych wykorzystano domyślne parametry dostępne w bazie danych GEO2R. Aby odróżnić rak od normalnych próbek, skorygowany próg wartości p (przym. P Val) wynosił mniej niż 0,05 i próg krotnej zmiany >2,0 dla genów regulowanych w górę, a skorygowany próg wartości p (przym. P Val) był mniejszy niż 0,05 i próg krotnej zmiany wynosił <0,5 dla genów regulowanych w dół. Progi te były powszechnie stosowane w badaniach ekspresji genów w celu identyfikacji genów o zróżnicowanej ekspresji między rakiem a normalnymi. Należy zauważyć, że wybór progów istotności może wpływać na liczbę i tożsamość genów zidentyfikowanych jako o zróżnicowanej ekspresji. Ponadto ważne jest, aby dokładnie ocenić biologiczne znaczenie zidentyfikowanych genów i przeprowadzić dalsze badania walidacyjne w celu potwierdzenia wyników.

W literaturze istnieje tendencja do zgłaszania tylko genów z co najmniej 2-krotną zmianą dla genów regulowanych w górę i <0,5-krotną zmianą dla genów regulowanych w dół, zwłaszcza w badaniach mikromacierzy i proteomiki42. We wcześniejszych badaniach zmiana krotności >1,5-krotna była uważana za zmianę w górę i <0,67-krotną zmianę w dół dla genów43,44, ale trendy w literaturze z ostatniej dekady wyraźnie pokazują, że preferowana jest wyższa zmiana krotności, głównie dlatego, że gdy eksperymenty walidacyjne są przeprowadzane na kandydatach o niskiej wartości krotności, są one albo słabe, albo nie stwierdzono żadnej korelacji między danymi dotyczącymi mRNA a danymi dotyczącymi poziomów białka45. Ciemną stroną wyboru wyższej zmiany krotności jest to, że czasami pomijasz niektóre cząsteczki, które są biologicznie istotne w chorobie lub raku, ale po prostu pomijane ze względu na odcięcie preferowane do sporządzenia listy DEG / DEM. Co więcej, literatura jest stronnicza w kierunku informowania, że DEG szczególnie preferują cząsteczki o podwyższonej lub nadmiernej ekspresji niż o niedostatecznej ekspresji. Co więcej, jeśli ekspresja cząsteczek jest zgodna z tymi samymi wzorcami regulacji w górę lub nadekspresji w wielu badaniach, niezależnie od tego, czy dotyczą one tego samego nowotworu lub choroby, jest to preferowane podejście wśród naukowców. Ponadto, jeśli ten sam wzorzec nadekspresji jest obserwowany w wielu chorobach i opisywany w literaturze, jest on ponownie powszechnie akceptowany w środowisku naukowym.

Co więcej, podobieństwo chorób zależy od tego, czy do porównania wykorzystano dane z mikromacierzy, czy literaturę. Wreszcie, luźno zdefiniowane opisy różnicowych wielkości ekspresji w literaturze wykazują jedynie ograniczoną korelację z danymi dotyczącymi zmiany fałdowania mikromacierzy46.

Co więcej, kompendium może dostarczyć dodatkowych informacji z baz danych, takich jak NCBI Entrez gen47, HGNC48, OMIM49, HPRD50,51, Ensemble52, KEGG53, WikiPathways54, GO55, miRBase56 i DGV57. Podczas korzystania z GEO2R ocena UMAP pokazuje, w jaki sposób próbki są powiązane. W obecnej analizie dwie próbki ESCC wypełniają się próbkami normalnymi, co sugeruje, że albo występuje błąd próbkowania, albo próbki ESCC są wystarczająco niejednorodne, aby pojawić się w grupie normalnych próbek.

Narzędzie GEO2R jest przyjazne dla użytkownika i łatwo dostępne, ale ma pewne ograniczenia. GEO2R nie ma możliwości generowania wykresów PCA i map cieplnych lub filtrowania próbek po kontroli jakości. Udostępnia tylko jeden diagram Venna do porównań próbek w ramach tej samej serii. GEO2R jest ograniczony do plików macierzy serii, co uniemożliwia porównania między seriami. Ponadto GEO2R analizuje tylko dane z mikromacierzy i nie posiada kontroli jakości normalności próbki ani porównywalności krzyżowej. GEO2R nie zezwala na nieograniczoną liczbę wyników wyszukiwania i wyświetla tylko 250 najważniejszych genów dla dowolnego porównania parami w zestawie danych. Analizuje również zestawy danych z niewystarczającą liczbą powtórzeń prób w celu uzyskania solidnej analizy statystycznej. GEO2R dostarcza dane w logarytmie zmiany składania, co wymagało konwersji na zmianę składania za pomocą r lub w arkuszu Excel. Ponadto, aby przedstawić geny regulowane w górę i w dół, należy użyć innego oprogramowania lub narzędzia online, aby stworzyć mapę cieplną 58,59,60.

Podsumowując, w tym artykule przedstawiono prosty potok, który można wykorzystać do stworzenia kompendium dla każdego rodzaju nowotworu złośliwego z niewielkimi modyfikacjami. Kompendium jest potrzebą chwili, aby wspierać naukowców biomedycznych, zwłaszcza w odkrywaniu biomarkerów, dostarczając cząsteczki kandydujące do walidacji w warunkach klinicznych do wykorzystania w prognozowaniu lub diagnozie.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

MKK jest laureatem stypendium TARE (Grant # TAR/2018/001054) stypendium zaocznego (Grant # 5/13/55/2020/NCD-III) odpowiednio od Science and Engineering Research Board (SERB), Departamentu Nauki i Technologii oraz Indyjskiej Rady Badań Medycznych (ICMR), rządu Indii, New Delhi.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
NCBI-PUBMEDNCBIOdnosi się do punktu 1. Wymagane do przeszukiwania literatury
Laptop/macbook lub komputer osobisty z dostępem do Internetu i przeglądarką internetową.
g:ProfilerInfrastruktura ELIXIRhttps://biit.cs.ut.ee/gprofiler/gostOdnosi się do sekcji 4.10. wymagany do wzbogacenia omnibusa ekspresji genów GO:MF, GO:BP i GO:CC
https://www.ncbi.nlm.nih.gov/geo/Odnosi się do sekcji 3.1. wymagany do przeszukiwania bazy danych badań mikromacierzy
GEO2RNCBIhttps://www.ncbi.nlm.nih.gov/geo/geo2r/Odnosząc się do sekcji 3.2. wymaganej do analizy danych za pomocą narzędzia GEO2R
GoogleGoogle https://www.google.comOdnosząc się do sekcji 1.1. wymaganej do przeszukiwania literatury
HGNCHGNC jest komitetem Organizacji ds. Poznania Poznania Poznania Organizacji ds. Poznania Poznania Ludzkiego Genomu (HUGO)https://www.genenames.org Odniesienie do sekcji 6.1 wymagane jest poznanie oficjalnego symbolu genu DEGs 
Instytut Bioinformatyki HPRD, Bangluru  http://hprd.orgOdniesienie do sekcji 5.1 wymagane w celu uzyskania informacji na temat architektury białek 
OMIM  Uniwersytet Johnsa Hopkinsa w Baltimorehttp://www.omim.org/entryOdniesienie do sekcji 8.1 wymaganej do poznania identyfikatora OMIM określonego genu /
programu DEG Panglossopracowanego przez Chrisa Seidelahttp://www.pangloss.com/seidel/Protocols/venn.cgiOdniesienie do sekcji 4.9. wymagane do wygenerowania diagramu Venna
Laboratorium PANTHERThomas na Uniwersytecie Południowej Kaliforniihttp://www.pantherdb.org/geneListAnalysis.doOdnosząc się do sekcji 4.10. wymagane do wzbogacenia GO:MF, GO:BP i GO:CC
ShinyGO Uniwersytet Stanowy Dakoty Południowejhttp://bioinformatics.sdstate.edu/goOdnosząc się do sekcji 4.10. wymagane do przypisania DEG na chromosomach
https://ncbi.nlm.nih.gov/pubmed

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Różnicowa ekspresja genówanaliza mikroarraypotok bioinformatycznygeny o różnicowej ekspresjiidentyfikacja biomarkerówfunkcjonalna analiza szlakówprzesiew populacyjnybiomarkery nowotworowetechnologie wysokoprzepustowe
Opracowanie kompendium wiedzy na temat raka płaskonabłonkowego przełyku
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.