Name: Eksploracja danych i analiza integracyjna biomarkera raka piersi przy użyciu wielu publicznie dostępnych baz danych (Wideo) | JoVE Journal
Uploaded: 2019-05-17T13:00:00.000+00:00
Duration: 7 min 41 s
Description: Poznaj metodę eksploracji biomarkerów raka piersi przy użyciu publicznych baz danych. Analiza ekspresji genów i przeżywalności pozwala szybko wizualizować rolę genów w chorobie.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca była częściowo wspierana przez Fundację Nauk Przyrodniczych prowincji Guangdong w Chinach (nr 2018A030313562), Projekt Reformy Nauczania Klinicznej Bazy Nauczania w Guangdong (nr 2016JDB092), Narodową Fundację Nauk Przyrodniczych Chin (81600358) oraz Młodzieżowy Projekt Innowacyjnych Talentów Szkół Wyższych i Uniwersytetów w prowincji Guangdong w Chinach (NR 2017KQNCX073)

1. Analiza wzorca wyrażeń
<ol>
	<li>Przejdź do interfejsu internetowego ONCOMINE26.</li>
	<li>Uzyskaj względne poziomy ekspresji genu ID1 w różnych typach nowotworów złośliwych, wpisując ID1 w polu wyszukiwania.</li>
	<li>Wybierz opcję Typ analizy z menu Filtry główne. Następnie wybierz Rak a analiza normalna, Rak piersi a analiza normalna.</li>
	<li>Wybierz Widok podsumowania genów z menu INNE WIDOKI. Ustaw próg wartości P na 0,01. Pobierz figures. 
	UWAGA: Próg zmiany krotności wynosi 2, jak opisano w poprzednim badaniu27.</li>
</ol>
2. Analiza korelacji wyrażeń
<ol>
	<li>Przejdź do interfejsu internetowego bc-GenExMiner v4.028.</li>
	<li>Wybierz KORELACJA z menu ANALIZA, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania. Naciśnij przycisk Wyślij i przycisk Rozpocznij analizę. 
	UWAGA: Ustawienie domyślne pokazuje analizę korelacji ekspresji wszystkich pacjentów, która może być dokładniejsza w różnych podtypach raka piersi po naciśnięciu filtra podtypu Cząsteczka.</li>
</ol>
3. Analiza podgrup
<ol>
	<li>Analiza podgrup w bc-GenExMiner v4.0
	<ol>
		<li>Przejdź do interfejsu internetowego bc-GenExMiner v4.028.</li>
		<li>Z menu ANALIZA wybierz WYRAŻENIE, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk Wyślij oraz przycisk Rozpocznij analizę.</li>
		<li>Kliknij miniatury Stan węzłowy (LN) i Stan nachylenia Scarff Bloom & Richardson (SBR), aby wyświetlić pełne obrazy. Na obrazach SBR naciśnij poniższy przycisk, aby wyświetlić wartości P figur. Pobierz dane liczbowe.</li>
	</ol>
	</li>
	<li>Analiza podgrup w Gene Expression-based Outcome for Breast Cancer Online (GOBO)
	<ol>
		<li>Przejdź do interfejsu internetowego GOBO14.</li>
		<li>Wpisz Gen symbol zainteresowania ID1 na ekranie, prześlij zestaw genów.</li>
		<li>Ustaw zakres wyszukiwania Zdefiniuj identyfikatory genu/sondy na Symbol genu. Ustaw wszystko w wyborze guza. Wybierz Stan węzła i Stopień stratyfikowany w parametrach wielu zmiennych. Inne elementy pozostają domyślne. Wyślij zapytanie i pobierz dane liczbowe.</li>
	</ol>
	</li>
</ol>
4. Analiza przetrwania
<ol>
	<li>Analiza przeżycia w bc-GenExMiner v4.0
	<ol>
		<li>Przejdź do interfejsu internetowego bc-GenExMiner v4.028.</li>
		<li>Wybierz PROGNOSTYCZNE z menu ANALIZA, naciśnij przycisk WYCZERPUJĄCE. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk Wyślij oraz przycisk Rozpocznij analizę.</li>
		<li>W wyczerpującej analizie prognostycznej wybierz Nm, ERm, MR w kryteriach populacji i zdarzenia, a następnie naciśnij przycisk Prześlij, aby uzyskać więcej informacji. Naciśnij miniatury krzywych Kaplana-Meiera, aby wyeksportować pełne wykresy. 
		UWAGA: N (+, -, m): stan węzłowy (+: dodatni, -: ujemny, m: mieszany); ER (+, -, m): status receptora estrogenowego (+: dodatni, -: ujemny, m: mieszany); MR: nawrót przerzutów</li>
	</ol>
	</li>
	<li>Analiza przeżywalności w Atlasie Białek Ludzkich (HPA)
	<ol>
		<li>Przejdź do interfejsu internetowego Atlasu białek ludzkich29.</li>
		<li>Wpisz ID1 w polu wyszukiwania i kliknij przycisk Szukaj. Wybierz podatlas patologii. 
		UWAGA: Poziomy ekspresji mRNA w 17 typach raka są pokazane w sekcji Przegląd ekspresji RNA. Każdą etykietę tkanki nowotworowej na wykresie pudełkowym można kliknąć, aby uzyskać dostęp do szczegółowej strony zawierającej dane analizy przeżycia i poziomy ekspresji RNA.</li>
		<li>Kliknij etykietę Rak piersi, a następnie stronę szczegółową, aby wyświetlić interaktywny wykres punktowy przeżycia i analizę przeżycia. Pobierz dane liczbowe.</li>
	</ol>
	</li>
	<li>Analiza przeżycia w Przetrwanie plotera Kaplana-Meiera
	<ol>
		<li>Przejdź do interfejsu internetowego plotera Kaplana-Meiera30. Kliknij Uruchom ploter KM dla raka piersi w strefie chipa genu mRNA.</li>
		<li>Wpisz ID1 w pasku wyszukiwania i wybierz zieloną pozycję w menu kandydata.</li>
		<li>Wybierz RFS jako typ przetrwania, a Inne elementy pozostają domyślne. Kliknij Narysuj wykres Kaplana-Meiera i pobierz rysunki. 
		UWAGA: Ustawienia typów przeżycia, typów odcięcia i progu kontynuacji, a także opcje zestawu sondy można zmienić w razie potrzeby. Analizę prognostyczną, w tym ER, PR, HER-2, węzły chłonne, stopień, status Tp53 i podtypy molekularne, można uzyskać, zmieniając ustawienie w polu Ogranicz analizę do podtypów1. Podobnie, ograniczenie filtra leczenia można ustawić w polu Ogranicz analizę do wybranych kohort.</li>
	</ol>
	</li>
</ol>

<ol><li>van 't Veer, L. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gene+expression+profiling+predicts+clinical+outcome+of+breast+cancer%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Gene expression profiling predicts clinical outcome of breast cancer.</a> Nature. 415 (6871), 530-536 (2002).</li>
<li>Loi, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Definition+of+clinically+distinct+molecular+subtypes+in+estrogen+receptor-positive+breast+carcinomas+through+genomic+grade%5BTitle%5D)+AND+%22Journal+of+Clinical+Oncology%22%5BJournal%5D)">Definition of clinically distinct molecular subtypes in estrogen receptor-positive breast carcinomas through genomic grade.</a> Journal of Clinical Oncology. 25 (10), 1239-1246 (2007).</li>
<li>Cancer Genome Atlas, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comprehensive+molecular+portraits+of+human+breast+tumours%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Comprehensive molecular portraits of human breast tumours.</a> Nature. 490 (7418), 61-70 (2012).</li>
<li>Emerson, J. W., Dolled-Filhart, M., Harris, L., Rimm, D. L., Tuck, D. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+assessment+of+tissue+biomarkers+and+construction+of+a+model+to+predict+outcome+in+breast+cancer+using+multiple+imputation%5BTitle%5D)+AND+%22Cancer+Informatics%22%5BJournal%5D)">Quantitative assessment of tissue biomarkers and construction of a model to predict outcome in breast cancer using multiple imputation.</a> Cancer Informatics. 7, 29-40 (2009).</li>
<li>Yu, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrative+genomic+and+transcriptomic+analysis+for+pinpointing+recurrent+alterations+of+plant+homeodomain+genes+and+their+clinical+significance+in+breast+cancer%5BTitle%5D)+AND+%22Oncotarget%22%5BJournal%5D)">Integrative genomic and transcriptomic analysis for pinpointing recurrent alterations of plant homeodomain genes and their clinical significance in breast cancer.</a> Oncotarget. 8 (8), 13099-13115 (2017).</li>
<li>He, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TCGA+datasetbased+construction+and+integrated+analysis+of+aberrantly+expressed+long+noncoding+RNA+mediated+competing+endogenous+RNA+network+in+gastric+cancer%5BTitle%5D)+AND+%22Oncology+Reports%22%5BJournal%5D)">TCGA datasetbased construction and integrated analysis of aberrantly expressed long noncoding RNA mediated competing endogenous RNA network in gastric cancer.</a> Oncology Reports. , (2018).</li>
<li>Liu, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+Integrated+TCGA+Pan-Cancer+Clinical+Data+Resource+to+Drive+High-Quality+Survival+Outcome+Analytics%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">An Integrated TCGA Pan-Cancer Clinical Data Resource to Drive High-Quality Survival Outcome Analytics.</a> Cell. 173 (2), e411 400-416 (2018).</li>
<li>Esgueva, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Next-generation+prostate+cancer+biobanking%3A+toward+a+processing+protocol+amenable+for+the+International+Cancer+Genome+Consortium%5BTitle%5D)+AND+%22Diagnostic+Molecular+Pathology%22%5BJournal%5D)">Next-generation prostate cancer biobanking: toward a processing protocol amenable for the International Cancer Genome Consortium.</a> Diagnostic Molecular Pathology. 21 (2), 61-68 (2012).</li>
<li>Joly, Y., Dove, E. S., Knoppers, B. M., Bobrow, M., Chalmers, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data+sharing+in+the+post-genomic+world%3A+the+experience+of+the+International+Cancer+Genome+Consortium+%28ICGC%29+Data+Access+Compliance+Office+%28DACO%29%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Data sharing in the post-genomic world: the experience of the International Cancer Genome Consortium (ICGC) Data Access Compliance Office (DACO).</a> PLoS Computational Biology. 8 (7), e1002549(2012).</li>
<li>Zhang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((International+Cancer+Genome+Consortium+Data+Portal--a+one-stop+shop+for+cancer+genomics+data%5BTitle%5D)+AND+%22Database+%28Oxford%29%22%5BJournal%5D)">International Cancer Genome Consortium Data Portal--a one-stop shop for cancer genomics data.</a> Database (Oxford). 2011, bar026 (2011).</li>
<li>Rhodes, D. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ONCOMINE%3A+a+cancer+microarray+database+and+integrated+data-mining+platform%5BTitle%5D)+AND+%22Neoplasia%22%5BJournal%5D)">ONCOMINE: a cancer microarray database and integrated data-mining platform.</a> Neoplasia. 6 (1), 1-6 (2004).</li>
<li>Rhodes, D. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Oncomine+3.0%3A+genes%2C+pathways%2C+and+networks+in+a+collection+of+18%2C000+cancer+gene+expression+profiles%5BTitle%5D)+AND+%22Neoplasia%22%5BJournal%5D)">Oncomine 3.0: genes, pathways, and networks in a collection of 18,000 cancer gene expression profiles.</a> Neoplasia. 9 (2), 166-180 (2007).</li>
<li>Jezequel, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((bc-GenExMiner%3A+an+easy-to-use+online+platform+for+gene+prognostic+analyses+in+breast+cancer%5BTitle%5D)+AND+%22Breast+Cancer+Research+and+Treatment%22%5BJournal%5D)">bc-GenExMiner: an easy-to-use online platform for gene prognostic analyses in breast cancer.</a> Breast Cancer Research and Treatment. 131 (3), 765-775 (2012).</li>
<li>, Available from:
 <a target="_blank" href="http://co.bmc.lu.se/gobo/gsa.plb">http://co.bmc.lu.se/gobo/gsa.plb</a> (2018).</li>
<li>Ringner, M., Fredlund, E., Hakkinen, J., Borg, A., Staaf, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GOBO%3A+gene+expression-based+outcome+for+breast+cancer+online%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">GOBO: gene expression-based outcome for breast cancer online.</a> PLoS One. 6 (3), e17911(2011).</li>
<li>Ponten, F., Jirstrom, K., Uhlen, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Human+Protein+Atlas--a+tool+for+pathology%5BTitle%5D)+AND+%22Journal+of+Pathology%22%5BJournal%5D)">The Human Protein Atlas--a tool for pathology.</a> Journal of Pathology. 216 (4), 387-393 (2008).</li>
<li>Ponten, F., Schwenk, J. M., Asplund, A., Edqvist, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Human+Protein+Atlas+as+a+proteomic+resource+for+biomarker+discovery%5BTitle%5D)+AND+%22Journal+of+Internal+Medicine%22%5BJournal%5D)">The Human Protein Atlas as a proteomic resource for biomarker discovery.</a> Journal of Internal Medicine. 270 (5), 428-446 (2011).</li>
<li>Gyorffy, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+online+survival+analysis+tool+to+rapidly+assess+the+effect+of+22%2C277+genes+on+breast+cancer+prognosis+using+microarray+data+of+1%2C809+patients%5BTitle%5D)+AND+%22Breast+Cancer+Research+and+Treatment%22%5BJournal%5D)">An online survival analysis tool to rapidly assess the effect of 22,277 genes on breast cancer prognosis using microarray data of 1,809 patients.</a> Breast Cancer Research and Treatment. 123 (3), 725-731 (2010).</li>
<li>Stevinson, C., Lawlor, D. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Searching+multiple+databases+for+systematic+reviews%3A+added+value+or+diminishing+returns%3F%5BTitle%5D)+AND+%22Complementary+Therapies+in+Medicine%22%5BJournal%5D)">Searching multiple databases for systematic reviews: added value or diminishing returns?</a> Complementary Therapies in Medicine. 12 (4), 228-232 (2004).</li>
<li>Yin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrating+multiple+genome+annotation+databases+improves+the+interpretation+of+microarray+gene+expression+data%5BTitle%5D)+AND+%22BMC+Genomics%22%5BJournal%5D)">Integrating multiple genome annotation databases improves the interpretation of microarray gene expression data.</a> BMC Genomics. 11, 50(2010).</li>
<li>Patel, D., Morton, D. J., Carey, J., Havrda, M. C., Chaudhary, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inhibitor+of+differentiation+4+%28ID4%29%3A+From+development+to+cancer%5BTitle%5D)+AND+%22Biochimica+et+Biophysica+Acta%22%5BJournal%5D)">Inhibitor of differentiation 4 (ID4): From development to cancer.</a> Biochimica et Biophysica Acta. 1855 (1), 92-103 (2015).</li>
<li>Kamalian, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increased+expression+of+Id+family+proteins+in+small+cell+lung+cancer+and+its+prognostic+significance%5BTitle%5D)+AND+%22Clinical+Cancer+Research%22%5BJournal%5D)">Increased expression of Id family proteins in small cell lung cancer and its prognostic significance.</a> Clinical Cancer Research. 14 (8), 2318-2325 (2008).</li>
<li>Cruz-Rodriguez, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High+expression+of+ID+family+and+IGJ+genes+signature+as+predictor+of+low+induction+treatment+response+and+worst+survival+in+adult+Hispanic+patients+with+B-acute+lymphoblastic+leukemia%5BTitle%5D)+AND+%22Journal+of+Experimental+and+Clinical+Cancer+Research%22%5BJournal%5D)">High expression of ID family and IGJ genes signature as predictor of low induction treatment response and worst survival in adult Hispanic patients with B-acute lymphoblastic leukemia.</a> Journal of Experimental and Clinical Cancer Research. 35, 64(2016).</li>
<li>Yang, H. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Expression+and+prognostic+value+of+Id+protein+family+in+human+breast+carcinoma%5BTitle%5D)+AND+%22Oncology+Reports%22%5BJournal%5D)">Expression and prognostic value of Id protein family in human breast carcinoma.</a> Oncology Reports. 23 (2), 321-328 (2010).</li>
<li>Zhou, X. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prognostic+values+of+the+inhibitor+of+DNAbinding+family+members+in+breast+cancer%5BTitle%5D)+AND+%22Oncology+Reports%22%5BJournal%5D)">Prognostic values of the inhibitor of DNAbinding family members in breast cancer.</a> Oncology Reports. 40 (4), 1897-1906 (2018).</li>
<li>, Available from:
 <a target="_blank" href="https://www.oncomine.org">https://www.oncomine.org</a> (2018).</li>
<li>Lin, H. Y., Zeng, L., iang, Y. K., Wei, X. L., Chen, C. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GATA3+and+TRPS1+are+distinct+biomarkers+and+prognostic+factors+in+breast+cancer%3A+database+mining+for+GATA+family+members+in+malignancies%5BTitle%5D)+AND+%22Oncotarget%22%5BJournal%5D)">GATA3 and TRPS1 are distinct biomarkers and prognostic factors in breast cancer: database mining for GATA family members in malignancies.</a> Oncotarget. 8 (21), 34750-34761 (2017).</li>
<li>, Available from:
 <a target="_blank" href="http://bcgenex.centregauducheau.fr/BCGEM/GEM-requete.php">http://bcgenex.centregauducheau.fr/BCGEM/GEM-requete.php</a> (2018).</li>
<li>, Available from:
 <a target="_blank" href="https://www.proteinatlas.org">https://www.proteinatlas.org</a> (2018).</li>
<li>, Available from:
 <a target="_blank" href="http://kmplot.com/analysis">http://kmplot.com/analysis</a> (2018).</li>
<li>Zhu, Y. F., Dong, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Expression+of+TUSC3+and+its+prognostic+significance+in+colorectal+cancer%5BTitle%5D)+AND+%22Pathology-Research+and+Practice%22%5BJournal%5D)">Expression of TUSC3 and its prognostic significance in colorectal cancer.</a> Pathology-Research and Practice. 214 (9), 1497-1503 (2018).</li>
<li>Nelson, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validation+sampling+can+reduce+bias+in+health+care+database+studies%3A+an+illustration+using+influenza+vaccination+effectiveness%5BTitle%5D)+AND+%22Journal+of+Clinical+Epidemiology%22%5BJournal%5D)">Validation sampling can reduce bias in health care database studies: an illustration using influenza vaccination effectiveness.</a> Journal of Clinical Epidemiology. 66 (8 Suppl), S110-S121 (2013).</li>
<li>Haibe-Kains, B., Desmedt, C., Sotiriou, C., Bontempi, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparative+study+of+survival+models+for+breast+cancer+prognostication+based+on+microarray+data%3A+does+a+single+gene+beat+them+all%3F%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">A comparative study of survival models for breast cancer prognostication based on microarray data: does a single gene beat them all?</a> Bioinformatics. 24 (19), 2200-2208 (2008).</li>
<li>Yang, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+genetic+toxicity+through+data+mining%3A+the+process+of+building+knowledge+by+integrating+multiple+genetic+toxicity+databases%5BTitle%5D)+AND+%22Toxicology+Mechanisms+and+Methods%22%5BJournal%5D)">Understanding genetic toxicity through data mining: the process of building knowledge by integrating multiple genetic toxicity databases.</a> Toxicology Mechanisms and Methods. 18 (2-3), 277-295 (2008).</li>
<li>Cannata, N., Merelli, E., Altman, R. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Time+to+organize+the+bioinformatics+resourceome%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">Time to organize the bioinformatics resourceome.</a> PLoS Computational Biology. 1 (7), e76(2005).</li>
<li>Wren, J. D., Bateman, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Databases%2C+data+tombs+and+dust+in+the+wind%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Databases, data tombs and dust in the wind.</a> Bioinformatics. 24 (19), 2127-2128 (2008).</li>
</ol>

Autorzy nie mają nic do ujawnienia

Kompleksowa analiza publicznych baz danych może wskazać podstawową funkcję genu będącego przedmiotem zainteresowania i ujawnić potencjalny związek między tym genem a parametrami kliniczno-patologicznymi w określonym nowotworze27,31. Eksploracja i analiza w oparciu o jedną bazę danych może zapewniać ograniczone lub odizolowane perspektywy ze względu na potencjalny błąd systematyczny związany z selekcją lub w pewnym stopniu prawdopodobnie ze względu na różnorodność...

Rak piersi jest niejednorodną chorobą o zróżnicowanym rokowaniu i strategiach leczenia w różnych podtypach molekularnych, w której patogeneza i rozwój są prawdopodobnie związane z różnymi mechanizmami molekularnymi1,2,3. Jednak zidentyfikowanie celu terapeutycznego zwykle zajmuje lata, a nawet dekady, od pierwszego odkrycia w badaniach podstawowych do zastosowania klinicznego4. Zastosowanie technologii sekwencjonowania wysokoprzepustowego w genomie nowotworów znacznie posunęło naprzód proces poszukiwania cennych biomarkerów lub celów terapeutycznych 5.
Przytłaczająca ilość danych genomicznych nowotworów generowanych przez platformy genomiki nowotworów na dużą skalę, takie jak ICGC (International Cancer Genome Consortium) i TCGA (The Cancer Genome Atlas), stanowi wielkie wyzwanie dla badaczy do eksploracji, integracji i analizy danych, szczególnie dla użytkowników nieposiadających intensywnego szkolenia w zakresie informatyki i obliczeń6,7,8,9,10. W ostatnich latach nowe bazy danych (np. ONCOMINE, bcGenExMiner v4.0, ploter Kaplana-Meiera itp.) zostały zaprojektowane i opracowane w celu obniżenia poprzeczki w podejściu do skomplikowanych zestawów danych genomowych raka, ułatwiając w ten sposób badaczom analizę i interpretację genów, próbek i danych klinicznych w różnych typach raka11. Celem tego protokołu jest opisanie strategii badawczej, która integruje się z wieloma poziomami informacji o genach z serii baz danych o otwartym dostępie, które zostały szeroko uznane przez wielu badaczy, w celu zidentyfikowania potencjalnych biomarkerów i czynników prognostycznych raka piersi.
Baza danych ONCOMINE to internetowa platforma do eksploracji danych z informacjami o mikromacierzach nowotworowych i została zaprojektowana w celu ułatwienia odkrywania nowych biomarkerów i celów terapeutycznych11. Obecnie w tej bazie danych znajduje się ponad 48 milionów pomiarów ekspresji genów z 65 zestawów danych dotyczących ekspresji genów11,12. bcGenExMiner v4.0 (bezpłatne narzędzie dla instytucji non-profit), zwane również Rak Piersi Gene-Expression Miner, to przyjazna dla użytkownika aplikacja internetowa zawierająca wyniki mikromacierzy DNA 3 414 wyleczonych pacjentów z rakiem piersi i 1 209 doświadczyło pejoratywnego zdarzenia13. Został zaprojektowany w celu poprawy wydajności analizy prognostycznej genów za pomocą oprogramowania i pakietów statystycznych R.
GOBO to wielofunkcyjne, przyjazne dla użytkownika narzędzie online z informacjami o mikromacierzach (np. Affymetrix U133A) z 51-próbkowego zestawu komórek raka piersi i zestawu danych o guzie piersi z 1881 próbek, który pozwala na szeroki wachlarz analiz14. W bazie danych GOBO dostępnych jest wiele aplikacji, które obejmują szybką analizę profili ekspresji genów w różnych podtypach molekularnych guzów piersi i linii komórkowych, badania przesiewowe pod kątem genów o koekspresji w celu stworzenia potencjalnych metagenów oraz analizę korelacji między wynikami a poziomami ekspresji genów pojedynczych genów, zestawów genów lub sygnatur genów w zestawie danych raka piersi15.
Atlas Białek Ludzkich to ogólnodostępny program przeznaczony dla naukowców do badania ludzkiego proteomu, który już przyczynił się do powstania dużej liczby publikacji w dziedzinie biologii i chorób człowieka. Atlas Białek Ludzkich jest uznawany za europejskie źródło informacji dla społeczności nauk przyrodniczych16,17.
Ploter Kaplana Meiera to narzędzie online integrujące ekspresję genów i dane kliniczne jednocześnie, które pozwala ocenić efekt prognostyczny 54 675 genów na podstawie 10 461 próbek raka, w tym 1 065 pacjentów z rakiem żołądka, 2 437 płuc, 1 816 jajników i 5 143 pacjentów z rakiem piersi ze średnim czasem obserwacji 33/49/40/69 miesięcy18. Informacje na temat ekspresji genów, przeżycia wolnego od nawrotu (RFS) i przeżycia całkowitego (OS) można pobrać z tej bazy danych19,20.
Tutaj opisujemy praktyczną procedurę działania polegającą na wykorzystaniu wielu publicznie dostępnych baz danych do porównania, analizy i wizualizacji wzorców zmian w ekspresji interesującego genu w wielu badaniach nad rakiem, w celu podsumowania profili ekspresji, wartości prognostycznych i potencjalnych funkcji biologicznych w raku piersi. Na przykład ostatnie badania wykazały onkogenne właściwości białek ID w nowotworach i były związane z cechami złośliwymi, w tym transformacją komórkową, nieśmiertelnością, zwiększoną proliferacją i przerzutami21,22,23. Jednak każdy członek rodziny ID odgrywa odrębną rolę w różnych typach guzów litych, a ich rola w raku piersi pozostaje niejasna24. W poprzednich badaniach, analizowanych za pomocą tej metody, stwierdziliśmy, że ID1 był znaczącym wskaźnikiem prognostycznym w raku piersi25. W związku z tym protokół weźmie ID1 jako przykład, aby wprowadzić metody eksploracji danych.
Analiza zaczyna się od sprawdzenia wzorca ekspresji interesującego genu w próbkach nowotworowych w porównaniu z normalnymi próbkami w ONCOMINE. Następnie przeprowadzono korelację ekspresji genów będących przedmiotem zainteresowania w raku piersi przy użyciu bc-GenExMiner v4.0, GOBO i ONCOMINE. Następnie profile ekspresji ID1 zostały stratyfikowane według różnych podgrup przy użyciu powyższych trzech baz danych. Na koniec związek między ekspresją ID1 a przeżyciem przeanalizowano przy użyciu bc-GenExMiner v4.0, ludzkiego atlasu białek i plotera Kaplana-Meiera. Procedura operacji została pokazana jako schemat blokowy w <silna klasa="xfig">Rysunek 1.

<table><tbody><tr><td>Komputer osobisty lub urządzenie komputerowe z przeglądarką internetową z włączoną obsługą Javascript </td><td>Microsoft</td><td>051690762553</td><td>Obsługujemy i testujemy następujące przeglądarki: Google Chrome, Firefox 3.0 i nowsze, Safari oraz Internet Explorer 9.0 i nowsze</td></tr>, <tr><td>Adobe Flash Player</td><td>Adobe Systems Inc.</td><td>Można go bezpłatnie pobrać z http://get.adobe.com/flashplayer/.</td><td>Ta wtyczka do przeglądarki jest wymagana do wizualizacji sieci na karcie analizy network .</td></tr><tr><td>Chrome Broswer</td><td>Google Inc.</td><td>Można go bezpłatnie pobrać ze strony https://www.google.cn/chrome/</td> <td>Jest to niezbędne do przeglądania plików PDF, w tym raportów patologicznych i wielu plików do pobrania.</td></tr><tr><td>Java Runtime Environment</td><td>Oracle</td> Corporation <td>Można go pobrać ze strony http://www.java.com/getjava/.</td><td></td></tr><tr><td>Office 365 ProPlus dla kadry naukowej</td><td>Microsoft</td><td>2003BFFD8117EA68</td><td>Jest to niezbędne do przeglądania raportów patologicznych oraz do przeglądania wielu plików do pobrania .</td></tr><tr><td>Vectr Online</td><td>Vectr Labs Inc.</td><td>Można z niego swobodnie korzystać od https://vectr.com/new</td><td>Jest to niezbędne do wizualizacji i edycji wielu plików i zdjęć do pobrania.</td></tr></tbody></table>

eksploracja danych i analiza integracyjna biomarkera raka piersi przy użyciu wielu publicznie dostępnych baz danych

Performing Data Mining And Integrative Analysis Of Biomarker in Breast Cancer Using Multiple Publicly Accessible Databases

W ostatnich latach, powstające bazy danych były projektowane tak, aby obniżać bariery w dostępie do skomplikowanych zestawów danych genomicznych raka, ułatwiając tym samym badaczom analizowanie i interpretację genów, próbek i danych klinicznych dotyczących różnych typów raka. W niniejszym artykule opisujemy praktyczną procedurę operacyjną, biorąc za przykład ID1 (Inhibitor białek wiążących DNA 1), w celu scharakteryzowania wzorców ekspresji biomarkerów i predyktorów przeżycia raka piersi w oparciu o zbiorcze zestawy danych klinicznych pochodzące z dostępnych online baz danych, w tym ONCOMINE, bcGenExMiner v4.0 (Breast cancer gene-expression miner v4.0), GOBO (Gene expression-based Outcome for Breast cancer Online), HPA (atlas białek ludzkich) i ploter Kaplana-Meiera. Analizę rozpoczęto od zbadania wzorca ekspresji interesującego genu (np. ID1) w próbkach nowotworowych w porównaniu z normalnymi próbkami. Następnie przeprowadzono analizę korelacji między ID1 a charakterystyką kliniczno-patologiczną w raku piersi. Następnie profile ekspresji ID1 zostały stratyfikowane według różnych podgrup. Na koniec przeanalizowano związek między ekspresją ID1 a wynikiem przeżycia. Procedura operacyjna upraszcza koncepcję integracji wielowymiarowych typów danych na poziomie genów z różnych baz danych i testowania hipotez dotyczących nawrotu i kontekstu genomowego zdarzeń zmiany genów w raku piersi. Metoda ta może poprawić wiarygodność i reprezentatywność wniosków, a tym samym przedstawić perspektywę informacyjną na interesujący nas gen.

Reprezentatywny wynik eksploracji danych i analizy integracyjnej biomarkerów raka piersi został przeprowadzony z wykorzystaniem ID1, jednego z inhibitorów z rodziny białek wiążących DNA, o których wspomniano w poprzednim badaniu 25.
Jak pokazano na Rysunku 2, różnice w ekspresji mRNA ID1 pomiędzy tkankami nowotworowymi a prawidłowymi w wielu typach raka przeanalizowano z wyko...

Tutaj prezentujemy protokół do badania biomarkera i predyktora przeżycia raka piersi na podstawie kompleksowej analizy zbiorczych zestawów danych klinicznych pochodzących z różnych publicznie dostępnych baz danych, wykorzystując strategię ekspresji, korelacji i analizy przeżycia krok po kroku.

Eksploracja danych i analiza integracyjna biomarkera raka piersi przy użyciu wielu publicznie dostępnych baz danych

In recent years, emerging databases were designed to lower the barriers for approaching the intricate cancer genomic datasets, thereby, facilitating ...

W tym miejscu przedstawiamy protokół badania biomarkerów i predyktorów przeżycia raka piersi na podstawie analizy różnych publicznie dostępnych baz danych. Metoda ta może poprawić wiarygodność i reprezentatywność wniosków, a tym samym przedstawić informacyjną perspektywę na interesujący nas gen. Zaletą tej metody jest to, że pozwala na szybką wizualizację i interpretację potencjalnej roli genu w raku piersi.Co więcej, wszystkie wyniki uzyskane w wyniku tej procedury można natychmiast przetestować i powtórzyć, po prostu wysyłając zapytanie do odpowiednich stron internetowych. W badaniu wybraliśmy raka piersi, aby przetestować wykonalność tej metody. Ponieważ rak piersi jest chorobą niejednorodną, diagnoza, leczenie i rokowanie w przypadku różnych podtypów molekularnych raka piersi mogą się różnić.Dlatego szczególnie ważne jest znalezienie skutecznego narzędzia lub bazy danych online z informacjami odzwierciedlającymi różne podtypy raka piersi. Aby rozpocząć tę procedurę, przejdź do interfejsu internetowego ONCOMINE. Wpisz ID1 w polu wyszukiwania, aby uzyskać względne poziomy ekspresji genu ID1 w różnych typach nowotworów złośliwych.W menu filtrów głównych wybierz typ analizy, a następnie wybierz opcję Analiza raka a normalna. W menu innych widoków wybierz widok podsumowania genów.Ustaw próg wartości P na 0,01. Ustaw próg zmiany krotności na 2. Ustaw próg rangi genu na Wszystkie.Ustaw typ danych na Wszystkie. Pobierz dane liczbowe. Najpierw przejdź do interfejsu internetowego BC Gene-Expression Miner.W menu analizy wybierz korelację, a następnie naciśnij wyczerpujący przycisk. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk przesyłania oraz przycisk rozpocznij analizę. Aby zapoznać się z analizą podgrup w BC Gene-Expression Miner, przejdź do interfejsu BC Gene-Expression Miner.W menu analizy wybierz wyrażenie i naciśnij przycisk wyczerpujący. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk przesyłania oraz przycisk rozpoczęcia analizy. Kliknij miniatury stanu węzłowego i stanu Scarff Bloom Richardson, aby wyświetlić pełne obrazy.Na obrazach Scarff Bloom Richardson naciśnij poniższy przycisk, aby wyświetlić wartości P figur. Następnie pobierz liczby. Aby zapoznać się z analizą podgrup za pomocą Gene Expression-based Outcome for Breast Cancer Online, przejdź do interfejsu internetowego GOBO.Wpisz ID1 dla symbolu genu będącego przedmiotem zainteresowania i prześlij zestaw genów. Ustaw zakres wyszukiwania dla zdefiniowania identyfikatorów genów/sond na symbol genu. Ustaw wszystko w selekcji guza i wybierz status węzła i stopień stratyfikowany w parametrach wielowymiarowych.Pozostałe elementy pozostają domyślne. Teraz wyślij zapytanie i pobierz liczby. Aby zapoznać się z analizą przeżycia w BC Gene-Expression Miner, przejdź do interfejsu internetowego BC Gene-Expression Miner.W menu analizy wybierz opcję prognostyczny, a następnie naciśnij przycisk wyczerpujący. Wpisz ID1 w polu wyszukiwania i naciśnij przycisk Prześlij, a następnie przycisk Rozpocznij analizę. W wyczerpującej analizie prognostycznej wybierz Nm, ERm, MR w kryteriach populacji i zdarzenia, a następnie naciśnij przycisk przesyłania, aby uzyskać więcej informacji.Następnie kliknij miniatury krzywych Kaplana-Meiera, aby wyeksportować pełne wykresy. Aby zapoznać się z analizą przeżycia w atlasie białek ludzkich, przejdź do interfejsu internetowego atlasu białek ludzkich. Wpisz ID1 w polu wyszukiwania i kliknij przycisk wyszukiwania.Następnie wybierz podatlas patologii. Kliknij etykietę raka piersi, a pojawi się szczegółowa strona z interaktywnym wykresem punktowym przeżycia i analizą przeżycia. Pobierz te liczby.Aby zapoznać się z analizą przeżycia w ploterze Kaplana-Meiera Survival, przejdź do interfejsu internetowego plotera Kaplana-Meiera. W strefie chipa genu mRNA kliknij start KM ploter dla raka piersi. Wpisz ID1 w pasku wyszukiwania i wybierz zieloną pozycję w menu kandydata.Następnie wybierz RFS jako typ przetrwania i pozostaw pozostałe elementy w ich ustawieniach domyślnych. Kliknij narysuj wykres Kaplana-Meiera i pobierz rysunki. W tym badaniu reprezentatywny wynik dla eksploracji danych i analizy integracyjnej biomarkera raka piersi został przeprowadzony przy użyciu ID1, jednego z członków rodziny inhibitorów wiążących DNA.Różnice w ekspresji mRNA ID1 między tkankami nowotworowymi a normalnymi są najpierw analizowane przy użyciu bazy danych ONCOMINE, która zawiera łącznie 445 unikalnych analiz. Istnieje tylko 5 badań ujawniających poziom ekspresji mRNA ID1, który jest znacznie wyższy w normalnych tkankach niż w tkankach raka piersi, co wskazuje, że występuje rozregulowanie ekspresji ID1 w raku piersi. BC Gene-Expression Miner jest następnie używany do identyfikacji korelacji między ekspresją mRNA ID1 a parametrami kliniczno-patologicznymi pacjentek z rakiem piersi.Obserwuje się, że poziomy mRNA ID1 są znacznie zwiększone u pacjentek z rakiem piersi bez przerzutów do węzłów chłonnych w porównaniu z pacjentkami z przerzutami do węzłów chłonnych. Analiza w GOBO pokazuje, że zwiększony poziom mRNA ID1 koreluje z niższym stopniem guza. Wyniki te sugerują, że zwiększona ekspresja ID1 wiąże się z niższym potencjałem przerzutów i niższym stopniem patologicznym raka piersi.Analiza z bazy danych BC Gene-Expression Miner wskazuje, że wyższe poziomy mRNA ID1 są skorelowane z dłuższym odległym przeżyciem wolnym od przerzutów u pacjentek z rakiem piersi. Analiza z Atlasu Białek Ludzkich sugeruje również, że podwyższony poziom białka ID1 jest związany z lepszymi wynikami przeżycia u pacjentek z rakiem piersi. Analiza przeżycia z plotera Kaplana-Meiera jest zgodna z tymi odkryciami i pokazuje, że wyższe poziomy ekspresji mRNA ID1 przewidują lepsze przeżycie wolne od nawrotu u pacjentek z rakiem piersi.Coraz więcej internetowych baz danych będzie dostępnych lub dostępnych dla naukowców. Protokół może stanowić skuteczną metodę dla naukowców w celu identyfikacji potencjalnych genów docelowych i związanego z nimi szlaku sygnałowego.

performing-data-mining-integrative-analysis-biomarker-breast-cancer

Research

JoVE Journal

Cancer Research

Badania nad rakiem

Istniejące algorytmy generują jedno rozwiązanie dla zestawu danych do wykrywania biomarkerów. Protokół ten pokazuje istnienie wielu podobnie skutecznych rozwiązań i przedstawia przyjazne dla użytkownika oprogramowanie, które pomaga naukowcom biomedycznym badać swoje zestawy danych pod kątem proponowanego wyzwania. Informatycy mogą również zapewnić tę funkcję w swoich algorytmach wykrywania biomarkerów.

Wybór wielu podzbiorów biomarkerów o podobnie skutecznych wynikach klasyfikacji binarnej

Tutaj prezentowany jest protokół, w którym wiele narzędzi bioinformatycznych jest połączonych w celu zbadania biologicznych funkcji TMEM200A w raku. Ponadto eksperymentalnie weryfikujemy również przewidywania bioinformatyczne.

Analiza multiomiczna TMEM200A jako biomarkera raka

Identyfikacja nowych celów leków, które przechodzą od testów przedklinicznych do badań na ludziach, jest priorytetem naukowym. W tym celu opisujemy tutaj podejście genomiki funkcjonalnej do badania wpływu wyczerpania genów na sferoidy linii komórek nowotworowych, które bardziej odpowiednio modelują nowotwory u ludzi in vivo.

Wykorzystanie badań przesiewowych genomiki funkcjonalnej do identyfikacji potencjalnie nowych celów leków w hodowlach sferoidalnych komórek nowotworowych

Tutaj przedstawiono protokół średnio- i wysokoprzepustowej analizy zdarzeń fosforylacji białek na poziomie komórkowym. Fosfomorfometria przepływowa to potężne podejście do charakteryzowania aberracji sygnałowych, identyfikacji i walidacji biomarkerów oraz oceny farmakodynamiki.

Fosfomorfometria przepływowa z fluorescencyjnym kodowaniem kreskowym komórek do analizy sygnalizacji pojedynczej komórki i odkrywania biomarkerów

Celem tej metodologii jest identyfikacja komórek macierzystych raka (CSC) w liniach komórek rakowych i pierwotnych próbkach guzów ludzkich za pomocą protokołu formowania kuli, w solidny sposób, przy użyciu testów funkcjonalnych i charakterystyki fenotypowej za pomocą cytometrii przepływowej i Western blot.

Pozyskiwanie kulek komórek macierzystych raka z guzów ginekologicznych i raka piersi

Ta praca wstępnie ustawia zaawansowany protokół do dokładnej oceny obciążenia guza poprzez detekcję zielonego białka fluorescencyjnego i sygnałów bioluminescencji, a także integrację ilościowej techniki wykrywania molekularnego.

Badanie potrójnie ujemnego raka piersi przy użyciu ortotopowego modelu raka piersi

Modele ksenoprzeszczepów pochodzących od pacjentów (PDX) oraz genetycznie modyfikowane modele myszy do przeszczepu wiernie odwzorowują ludzką chorobę i są preferowanymi modelami do podstawowych i translacyjnych badań nad rakiem piersi. W tym miejscu opisano metodę ortotopowego przeszczepiania fragmentów guza piersi do poduszeczki tłuszczowej sutka w celu zbadania biologii guza i oceny odpowiedzi na lek.

Ortotopowe przeszczepy guzów piersi jako modele przedkliniczne raka piersi

Tutaj przedstawiono metody pozwalające zrozumieć przeciwnowotworowe działanie bezkomórkowego supernatantu Lactobacillus (LCFS). Linie komórkowe raka jelita grubego wykazują śmierć komórek po leczeniu LCFS w hodowlach 3D. Proces generowania sferoid można zoptymalizować w zależności od rusztowania, a przedstawione metody analizy są przydatne do oceny zaangażowanych szlaków sygnałowych.

Ocena śmierci komórki przy użyciu bezkomórkowego supernatantu probiotyków w trójwymiarowych hodowlach sferoidalnych komórek raka jelita grubego

Opisujemy bardziej spójną i szybką metodę ilościowego oznaczania przerzutów do płuc w modelu raka piersi 4T1 za pomocą Fiji-ImageJ.

Wykorzystanie komputerowej analizy obrazu w celu poprawy kwantyfikacji przerzutów do płuc w modelu raka piersi 4T1

Ten protokół opisuje budowę mikrofizjologicznego systemu do badania raka piersi in vitro przy użyciu pierwotnej ludzkiej tkanki piersi z gotowych materiałów.

Modelowanie raka piersi w tkance piersi u ludzi za pomocą systemu mikrofizjologicznego

Poznaj metodę eksploracji biomarkerów raka piersi przy użyciu publicznych baz danych. Analiza ekspresji genów i przeżywalności pozwala szybko wizualizować rolę genów w chorobie.

Eksploracja danych i analiza integracyjna biomarkera raka piersi przy użyciu wielu publicznie dostępnych baz danych

Przeglądaj więcej filmów