Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Opracowanie kompendium wiedzy na temat raka płaskonabłonkowego przełyku

1.2K 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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

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 ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

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 s...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Przeglądaj więcej artykułów

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.