Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Cancer Research

CorExplorer वेब पोर्टल के साथ ट्यूमर जीन अभिव्यक्ति कारकों का विश्लेषण

Published: October 11, 2019 doi: 10.3791/60431

Summary

हम CorExplorer वेब पोर्टल, मशीन सीखने एल्गोरिथ्म CorEx (सहसंबंध स्पष्टीकरण) द्वारा पाया ट्यूमर आरएनए अनुक्रमण कारकों की खोज के लिए एक संसाधन परिचय, और दिखाने के कैसे कारकों अस्तित्व के सापेक्ष विश्लेषण किया जा सकता है, डेटाबेस एनोटेशन, प्रोटीन प्रोटीन बातचीत, और एक दूसरे ट्यूमर जीव विज्ञान और चिकित्सीय हस्तक्षेप में अंतर्दृष्टि हासिल करने के लिए.

Abstract

विभेदक जीन अभिव्यक्ति विश्लेषण रोग राज्यों को समझने के लिए एक महत्वपूर्ण तकनीक है। मशीन लर्निंग एल्गोरिथ्म CorEx एक तरीका है कि सटीक ऑन्कोलॉजी को आगे बढ़ाने के लिए सहायक हो सकता है में ट्यूमर आरएनए-सेक में जीन के समूहों के अंतर अभिव्यक्ति का विश्लेषण करने में उपयोगिता दिखाया गया है। हालांकि, CorEx कई कारकों है कि विश्लेषण और मौजूदा समझ से कनेक्ट करने के लिए चुनौतीपूर्ण हो सकता है पैदा करता है. ऐसे कनेक्शन की सुविधा के लिए, हमने एक वेबसाइट, CorExplorer का निर्माण किया है, जो उपयोगकर्ताओं को डेटा का पता लगाने और इसके विश्लेषण से संबंधित सामान्य प्रश्नों के उत्तर देने की अनुमति देता है। डिम्बग्रंथि, फेफड़े, मेलेनोमा, और कोलोरेक्टल: हम चार ट्यूमर प्रकार के लिए आरएनए-सेक जीन अभिव्यक्ति डेटा पर CorEx प्रशिक्षित किया। हम तो इसी अस्तित्व, प्रोटीन प्रोटीन बातचीत, जीन आंटलजी (GO) और क्योटो विश्वकोश जीन और जीनोम्स (KEGG) मार्ग संवर्धन, और कारक ग्राफ दृश्य के साथ सहयोग के लिए वेबसाइट में heatmaps शामिल. यहाँ हम उदाहरण प्रोटोकॉल को रोजगार के लिए इस बाहरी डेटा के संदर्भ में सीखा ट्यूमर कारकों के महत्व को समझने के लिए डेटाबेस का उपयोग वर्णन.

Introduction

बस एक दशक पहले से अधिक अपने परिचय के बाद से, आरएनए-सेक जीन अभिव्यक्ति1को मापने के लिए एक सर्वव्यापी उपकरण बन गया है। यह है क्योंकि यह एक नमूना के पूरे ट्रांस्पोम की तेजी से और सस्ते डी नोवो प्रोफाइलिंग सक्षम बनाता है. हालांकि, आरएनए-सेक ट्यूमर डेटा एक अंतर्निहित जीव विज्ञान को दर्शाता है जो आंतरिक रूप से जटिल है और अक्सर कम नमूना होता है, जबकि डेटा स्वयं उच्च आयामी और शोर होता है। यह विश्वसनीय संकेतों को निकालने के लिए एक महत्वपूर्ण चुनौती प्रस्तुत करता है. CorEx एल्गोरिथ्म ऐसी स्थितियों में सूक्ष्म पैटर्न खोजने के लिए बहुचर आपसी जानकारी का लाभ उठाताहै 2,3 . इस तकनीक को पहले कैंसर जीनोम एटलस (TCGA) से डिम्बग्रंथि ट्यूमर आरएनए-सेक नमूनों का विश्लेषण करने के लिए अनुकूलित किया गया था और इस संदर्भ में यह अधिक सामान्य रूप से इस्तेमाल किया विश्लेषण तरीकों4पर महत्वपूर्ण लाभ है दिखाई दिया।

हालांकि आर.एन.ए.-सेक का उपयोग ऑन्कोलॉजी सहित अनुसंधान अनुप्रयोगों में अत्यधिक व्यापक है, उन प्रयासों से नैदानिक हस्तक्षेपों के प्रयोजनों के लिए व्यापक उपयोग नहीं हुआहै 5। इस के लिए कारण का एक हिस्सा उपयोगकर्ता के अनुकूल एल्गोरिदम और सॉफ्टवेयर इन विशिष्ट समस्याओं के लिए लक्षित की कमी है. इस अंतर को पाटने में मदद करने के लिए, हमने CorExplorer वेब पोर्टल तैयार किया है ताकि CorEx मशीन लर्निंग एल्गोरिथ्म द्वारा पाए गए ट्यूमर आरएनए-सेक नमूनों के जीन अभिव्यक्ति कारकों का अध्ययन करने के लिए विभिन्न पृष्ठभूमि के शोधकर्ताओं को सक्षम किया जा सके। CorExplorer पोर्टल इंटरैक्टिव दृश्य और फेफड़ों, बृहदान्त्र, मेलेनोमा, और डिम्बग्रंथि6,7,8,9 , सहित कई अलग अलग ट्यूमर प्रकार से कारकों की क्वेरी का समर्थन करता है 10, शोधकर्ताओं की मदद करने के इरादे से डेटा सहसंबंध के माध्यम से झारना और चिकित्सकीय प्रयोजनों के लिए रोगियों को स्तरित करने के लिए उम्मीदवार रास्ते की पहचान.

हम CorExplorer पोर्टल उपयोगकर्ताओं के कई प्रकार के लिए उपयोगी हो सकता है की अपेक्षा है। पोर्टल मन में उपयोगकर्ता के साथ डिजाइन किया गया था जो व्यापक कारकों सार्वजनिक डेटाबेस में tumoral जीन अभिव्यक्ति मतभेद ड्राइविंग समझने के लिए और संभवतः भी इसी तरह के साथ ट्यूमर के संदर्भ में व्यक्तिगत जीन अभिव्यक्ति प्रोफाइल जगह चाहता है लक्षण. यहाँ उल्लिखित प्रतिनिधि प्रोटोकॉल के अलावा, CorExplorer जाँच आगे परीक्षण के लिए hypotheses सुझाव देने के लिए एक प्रारंभिक बिंदु के रूप में कार्य कर सकते हैं, CorExplorer के बाहर डेटासेट पर CorEx निष्कर्षों की तुलना करने और इसके विपरीत, और कनेक्ट करने के लिए एक व्यक्ति के ट्यूमर में एक या कुछ जीनों के रोगात्मक अभिव्यक्ति हस्ताक्षर बड़े समूहों के लिए जो समन्वित रूप से प्रभावित हो सकते हैं। अंत में, यह क्षेत्र में शुरू हो रही उन लोगों के लिए आरएनए-सेक के लिए मशीन सीखने के आवेदन के लिए एक उपयोगकर्ता के अनुकूल परिचय के रूप में सेवा कर सकते हैं.

Protocol

1. ब्याज की एक जीन युक्त कारकों की खोज

  1. कोई वेब ब्राउज़र खोलें और http://corex.isi.edu, CorExplorer मुख पृष्ठ पर जाएँ।
  2. त्वरित लिंकके तहत दाईं ओर, पर क्लिक करें + विस्तार बटन Ovarian के बगल में (TCGA-OV) CorEx कारक ग्राफ है कि TCGA डिम्बग्रंथि के कैंसर डेटा पर प्रशिक्षित किया गया था का एक सारांश देखने के लिए (चित्र 1में दिखाया गया). वैकल्पिक रूप से, तुलना करने के लिए दूसरों पर क्लिक करें.
  3. एक बार कारक रेखांकन का निरीक्षण समाप्त हो गया, पर क्लिक करेंफेफड़े (TCGA-LUAD)फेफड़ों के कैंसर आरएनए-सेक के लिए CorExplorer पृष्ठ का उपयोग करने के लिए।
    1. CorExplorer 'फैक्टर ग्राफ' खिड़की का उपयोग कर ब्याज की एक जीन के लिए CorEx कारक ग्राफ का अन्वेषण करें.
      1. कारक ग्राफ प्रदर्शन विंडो पर माउस कर्सर ले जाएँ। माउस स्क्रॉल व्हील या trackpad का उपयोग कर कारक ग्राफ में ज़ूम इस तरह के प्रत्येक कारक में सबसे महत्वपूर्ण जीन और विभिन्न परतों पर नोड्स के बीच कनेक्शन के रूप में ग्राफ का विवरण देखने के लिए। वैकल्पिक रूप से, दृश्य क्षेत्र या किसी नोड को ले जाने के लिए क्लिक करें और खींचें.
      2. एक लक्ष्य जीन खोजने के लिए (यहाँ हम BRCA1 का उपयोग करेंगे), कारक ग्राफ विंडो के शीर्ष पर जीन ड्रॉपडाउन मेनू पर क्लिक करें. ड्रॉपडाउन सूची में इसका चयन करने के लिए 'BRCA1' टाइप करें और दृश्य ज़ूम को 26 कारक बनाने के लिए प्रेस करें, जिसके साथ BRCA1 सबसे अधिक सशक्त रूप से सहसंबद्ध है.
      3. ग्राफ़ प्रदर्शन पर माउस की स्थिति और स्तर 2 नोड, L2 $8, और इसके संबद्ध कारक है कि 26 कारक करने के लिए पड़ोसियों रहे हैं देखने के लिए बाहर ज़ूम करने के लिए स्क्रॉल करें। ध्यान दें कि न्यूनतम लिंक वजन स्लाइडर पर इंगित सीमा से अधिक वजन वाले केवल जीन दिखाए जाते हैं.
      4. कारक के साथ जुड़े जीन के सभी देखने के लिए, L1 $26 नोड पर क्लिक करें और पॉप-अप विंडो में अतिरिक्त जीन लोड का चयन करें। जब शब्द 'हो गया' प्रकट होता है, तो पॉप-अप विंडो बंद करें.
      5. अब कारक ग्राफ खिड़की के ऊपर शीर्षक अनुभाग के लिए वापस जाओ और हड़पने के लिए और मिन लिंक वजन संशोधक खींचें. अब, के रूप में लिंक वजन स्लाइडर 0.05 करने के लिए नीचे ले जाया जाता है, कारक L1 में अन्य जीन, BRCA2 सहित, वजन क्रम में दिखाई देगा. वैकल्पिक रूप से, लेआउट में सुधार करने के लिए हथियाने और खींचकर नोड्स की स्थिति।
    2. निर्धारित करें कि कारक के संबंध में रोगियों का स्तरीकरण जीवित रहने की खिड़की में क्वेरी द्वारा अस्तित्व को कैसे प्रभावित करता है।
      1. अस्तित्व विंडो में, पी-val द्वारा सॉर्टअनचेक करें, फिर कारक 26 के लिए अस्तित्व घटता दिखाने के लिए एकल कारक ड्रॉपडाउन मेनू में 26 का चयन करें।
      2. एक्स-अक्ष के साथ जोखिम में रोगियों की संख्या दिखाने के लिए जीवित रहने के ग्राफ नीचे स्क्रॉल करें।
    3. एनोटेशन विंडो के भीतर क्वेरी करके जैविक फ़ंक्शन के साथ संबद्धता ढूँढें.
      1. एनोटेशन विंडो में, फ़ैक्टर ड्रॉपडाउन मेनू को गलत डिस्कवरी दर (FDR) के बजाय कारक संख्या के अनुसार सॉर्ट करने के लिए, FDR सॉर्टअनचेक करें.
      2. स्क्रॉल करें और कारक के लिए संवर्धन एनोटेशन दिखाने के लिए एनोटेशन विंडो ड्रॉपडाउन में कारक 26 का चयन करने के लिए क्लिक करें।
      3. डीएनए की मरम्मत दिखाई देता है जब तक एनोटेशन सूची नीचे स्क्रॉल करें और तुरंत ग्राफ प्रदर्शन पर पीले रंग में हाइलाइट किए गए संबद्ध जीन को देखने के लिए उस पर क्लिक करें। चित्र 2का मध्य फलक देखें।
      4. ध्यान दें कि कारक गायब हो जाते हैं या अलग-अलग GO शर्तों के रूप में दिखाई देते हैं, के अनुसार वे चयनित एनोटेशन के साथ जीन के लिए समृद्ध हैं या नहीं, उदाहरण के लिए 'डीएनए क्षति के जवाब में आंतरिक apoptotic संकेतन मार्ग.
    4. विभिन्न कार्यक्षमता के साथ विंडोज़ जोड़कर आगे कारकों का अन्वेषण करें।
      1. शीर्ष मेनू पट्टी से, विंडो जोड़ें ड्रॉपडाउन से PPI का चयन करके एक प्रोटीन प्रोटीन-प्रोटीन इंटरैक्शन नेटवर्क (PPI) विंडो जोड़ें, फिर प्रदर्शन क्षेत्र में PPI ग्राफ विंडो जोड़ने के लिए बटन जोड़ें क्लिक करें। PPI ग्राफ विंडो में, प्रोटीन प्रोटीन इंटरैक्शन दिखाने के लिए 'Layer1: 26' का कारक चुनें. कनेक्शनों के घनत्व को नोट की।
      2. शीर्ष मेनू पट्टी से, PPIके बजाय, विंडो जोड़ें ड्रॉपडाउन से हीटमैप का चयन करें, फिर प्रदर्शन क्षेत्र में हीटमैप विंडो जोड़ने के लिए बटन जोड़ें क्लिक करें. heatmap विंडो में, जीन अभिव्यक्ति पैटर्न दिखाने के लिए कारक 'Layer1: 26' का चयन करें।
      3. पकड़ो और heatmap खिड़की की स्थिति इतनी है कि अस्तित्व खिड़की भी दिखाई देता है. हीटमैप के शीर्ष के साथ, निरीक्षण कैसे नारंगी / नीले / ग्रे रंग की पट्टी जीवित रहने के ग्राफ पर रोगी जोखिम स्तर से मेल खाती है। परिणाम चित्र 2के निचले भाग में दिखाए जाते हैं।

2. फ़िल्टर और जीन वजन, अस्तित्व, और एनोटेशन डेटा का उपयोग CorEx कारकों की व्याख्या

  1. अस्तित्व और क्लस्टर गुणवत्ता का उपयोग कर ब्याज के कारकों के लिए फ़िल्टर।
    1. शीर्ष पर Dataset ड्रॉपडाउन मेनू से, TCGA डिम्बग्रंथि के कैंसर आरएनए-सेक के लिए CorExplorer पृष्ठ पर जाने के लिए TCGA$OVCA का चयन करें।
    2. एक बार पृष्ठ भरी हुई है, अस्तित्व खिड़की से ध्यान दें कि विभिन्न स्तर के लिए सबसे बड़ा अस्तित्व अंतर के साथ कारक 114 है.
    3. कारक ग्राफ विंडो के शीर्ष पर का चयन करें 'Layer1: 114' फैक्टर ड्रॉपडाउन से.
    4. माउस के साथ लिंक वजन स्लाइडर ले लो और यह 0.5 करने के लिए ले जाएँ. ध्यान दें कि कारक 114 (1609) में जीनों की बड़ी संख्या, कोई भी वजन के साथ, एक अपेक्षाकृत कमजोर क्लस्टरिंग इंगित करता है.
    5. अगले, अस्तित्व खिड़की में कारकों की सूची का विस्तार और अस्तित्व खिड़की ड्रॉपडाउन में अगले सबसे अच्छा कारक का चयन करें, 39 कारक, अपने जुड़े अस्तित्व घटता दिखाने के लिए।
    6. एनोटेशन विंडो में उस पर क्लिक करके कारक 39 का चयन करें. महत्वपूर्ण GO और KEGG एनोटेशन दिखाए जाते हैं।
  2. कारक 39 में जीनों की जैविक भूमिका की बेहतर समझ प्राप्त करने के लिए, पड़ोस एनोटेशन जानकारी का उपयोग करने वाले कारकों की व्याख्या निम्नानुसार करें।
    1. कारक ग्राफ विंडो के शीर्ष पर, कारक ड्रॉपडाउन में 'Layer1: 39' का चयन करें। फिर, माउस को कारक ग्राफ विंडो पर ले जाएँ और 6 कारकों के साथ पूरे L2$14 क्लस्टर को प्रकट करने के लिए ज़ूम आउट करें: 14, 32, 39, 42, 52, और 82 (चित्र 3में दिखाया गया है)।
    2. L2$14 नोड से लिंक किए गए कारकों के सापेक्ष महत्व को समझने के लिए, प्रत्येक L2$14 कारकों के लिए अस्तित्व के अंतर को देखने के द्वारा प्रारंभ करें। अस्तित्व विंडो में p-val द्वारा सॉर्ट करें और फिर उत्तराधिकार में कारक संख्याओं में से प्रत्येक पर क्लिक करें। ऐसा करने पर ध्यान दें कि केवल 14, 32 और 39 कारक ही जीवित रहने का संबंध प्रदर्शित करते हैं।
    3. अब शीर्ष मेनू पट्टी से, PPI एक बार फिर से विंडो ड्रॉपडाउन जोड़ें से चुनें. प्रदर्शन क्षेत्र में PPI ग्राफ़ विंडो जोड़ने के लिए जोड़ें दबाएँ. PPI ग्राफ विंडो में, प्रोटीन प्रोटीन बातचीत है कि महत्वपूर्ण हैं दिखाने के लिए कारक 'Layer1: 52' का चयन करें. इस बिंदु पर खिड़कियों का एक उदाहरण लेआउट चित्र 3में दिखाया गया है।
    4. StringDB ऑनलाइन डेटाबेस से लिंक करने के लिए PPI विंडो के निचले भाग पर StringDB लिंक पर क्लिक करें. पहली स्क्रीन से जारी रखें क्लिक करें, फिर PPI नेटवर्क जीन के लिए एक ऑनलाइन GO विश्लेषण प्राप्त करने के लिए पहले के रूप में नेटवर्क ग्राफ़ के नीचे विश्लेषण टैब का चयन करें। शीर्ष सेलुलर घटक 'MHC द्वितीय प्रोटीन परिसर है.
    5. CorExplorer टैब और PPI विंडो पर लौटें और कारक 32 का चयन करें, इस बार कारक ड्रॉपडाउन से। StringDB विश्लेषण के लिए बाहर StringDB पर लिंक देखें क्लिक करें. शीर्ष सेलुलर घटक है 'MHC वर्ग मैं प्रोटीन जटिल,' पिछले चरण में 52 कारक के लिए द्वितीय श्रेणी के विपरीत!
    6. अंत में, PPI विंडो पर वापस जाएँ और शीर्ष पर कारक ड्रॉपडाउन मेनू से 'Layer1: 39' का चयन करें। StringDB विश्लेषण से लिंक करने के लिए StringDB पर लिंक देखें क्लिक करें.
    7. पहली स्क्रीन से जारी रखें क्लिक करें, फिर PPI नेटवर्क जीन के लिए एक ऑनलाइन GO विश्लेषण प्राप्त करने के लिए नेटवर्क ग्राफ़ के नीचे विश्लेषण टैब का चयन करें. निरीक्षण करें कि शीर्ष आणविक समारोह 'CXCR3 chemokine रिसेप्टर बंधन है.

3. अस्तित्व और डेटाबेस एनोटेशन का उपयोग होनहार चिकित्सीय संयोजन के लिए देखने के लिए

  1. Dataset ड्रॉपडाउन मेनू से TCGA$SKCM का चयन करके TCGA मेलेनोमा CorExplorer करने के लिए स्विच करें।
  2. ध्यान दें कि सबसे बड़ा अस्तित्व अंतर के साथ कारक कारक 171 है. स्क्रॉल द्वारा कारक 171 एनोटेशन की जांच करें और ध्यान दें कि 'प्रतिरक्षा प्रतिक्रिया' और 'साइटोकिन-मध्यस्थ संकेतन मार्ग' शीर्ष के पास हैं (जैसा कि वे शीर्ष डिम्बग्रंथि कारक के लिए थे)।
  3. एक पूरक कारक खोजने के लिए, उनके शीर्ष एनोटेशन शर्तों के साथ शीर्ष अस्तित्व-संबद्ध कारकों की जांच करें। ऐसा करने के लिए, डेटासेट संसाधन विवरण वाली तालिका वाली एक अलग टैब खोलने के लिए शीर्ष मेनू बार में डेटासेट ओवरव्यू लिंक पर क्लिक करें और साथ ही उत्तरजीविता अंतर के p-मान के अनुसार शीर्ष कारकों का सारांश भी लिखें. ध्यान दें कि पहले गैर प्रतिरक्षा कारक 88 है.
  4. TCGA$SKCM ब्राउज़र टैब पर लौटें।
  5. अस्तित्व, एनोटेशन, और ग्राफ खिड़कियों में 88 कारक का चयन करें। शीर्ष कई जाओ शर्तों 'rRNA प्रसंस्करण' और 'mitochondrion संगठन से संबंधित हैं,' यह प्रतिरक्षा से संबंधित कारकों से अलग के रूप में पुष्टि.
  6. अस्तित्व खिड़की में, युग्मित कारकों ड्रॉपडाउन पर, यह देखने के लिए '88$171' का चयन करें कि संयुक्त 171 और 88 अभिव्यक्ति कारकों के लिए मध्य स्तर में रोगियों के लिए जीवित रहने में कैसे सुधार किया जाता है। एनोटेशन और जीवित रहने की तुलना चित्र 4में दर्शाए गए हैं।

4. खोज पृष्ठ का उपयोग कर ट्यूमर प्रकार भर में समानताएं और जीन अभिव्यक्ति भिन्नता के मतभेद ढूँढना

  1. सामने पृष्ठ पर लौटने के लिए CorExplorer शीर्षक पर क्लिक करें।
  2. CorExplorer साइट पर सभी डेटासेट पर खोज की अनुमति एक पृष्ठ पर जाने के लिए शीर्ष मेनू पट्टी पर खोजें पर क्लिक करें.
  3. जीन खोज बॉक्स में, 'FLT1' (VEGFR1) दर्ज करें और वापसी या प्रेस खोजमारा . FLT1 निम्नलिखित कारकों में एक अपेक्षाकृत उच्च वजन के साथ पाया जाता है: OVCA - 76, LUAD - 162, SKCM - 195 और SKCM - 184, साथ ही COAD - 112 और COAD - 74.
  4. वैकल्पिक रूप से, सभी डेटासेट में संबंधित GO शब्द खोजें. 'एंजियोजेनेसिस' टाइप करके और वापसी मार या खोजदबाने से 'जाओ खोज' बॉक्स में यह कोशिश करो. सभी FLT1 कारकों, SKCM-195 के अपवाद के साथ, 'एंजियोजेनेसिस' जीन के लिए सांख्यिकीय रूप से समृद्ध के रूप में सूचीबद्ध हैं-कारक 195 करता है, वास्तव में, एनोटेशन है, लेकिन डिफ़ॉल्ट 10-8 सीमा से नीचे. इसके लिए खोज परिणाम और पूर्व चरण चित्र 5में दिखाए गए हैं.
  5. आगे उदाहरण के रूप में, जाओ खोज बॉक्स में, पहले प्रकार 'एपिडर्मल वृद्धि कारक रिसेप्टर. केवल LUAD इस शब्द के लिए समृद्ध है, फेफड़ों के कैंसर के लिए एक प्रसिद्ध स्तरीकरण कारक. इसके बाद, खोज बॉक्स में 'मेसेन्काइमल' लिखें. यह शब्द OVCA के लिए जीन अभिव्यक्ति समूहों में समृद्ध है, जहां यह एक अच्छी तरह से अध्ययन स्तरीकरण कारक है.

Representative Results

फेफड़ों के कैंसर डेटासेट में जीन 'बीआरसीए1' के लिए खोज करने से यह पता चलता है कि यह सबसे अधिक दृढ़ता से CorEx कारक 26 के साथ जुड़ा हुआ है (चित्र 2)। इस कारक के लिए GO शब्द संवर्धन अत्यंत उच्च देखा जाता है, डीएनए की मरम्मत केवल 1 x 10-19के एक एफडीआर का प्रदर्शन के साथ. चयन भी बच्चों के रूप में छह बारीकी से संबंधित कारकों है कि दूसरे स्तर क्लस्टर L2 डिग्री 8 की ओर ध्यान खींचता है। या तो जाओ शब्द एनोटेशन या कारक ग्राफ जाओ समृद्ध ड्रॉपडाउन में 'डीएनए मरम्मत' का चयन कारक में से प्रत्येक में जुड़े जीन पर प्रकाश डाला गया, कारक 26 अब तक सबसे अधिक होने के साथ, के रूप में की उम्मीद11. प्रोटीन प्रोटीन बातचीत नेटवर्क दृढ़ता से जुड़ा हुआ है, आगे कारक 26 में जीन की कसकर जुड़े कार्यक्षमता का समर्थन. जुड़े अस्तित्व ग्राफ रोगी अस्तित्व के साथ एक संभव सहयोग से पता चलता है, लेकिन यह एक बड़ा डेटासेट में पुष्टि की जानी होगी.

अस्तित्व के साथ शुरू विशेष जीन अभिव्यक्ति समूहों के साथ जुड़े बेहतर अस्तित्व के लिए कारणों के विच्छेदन की अनुमति दे सकते हैं. एक उदाहरण के रूप में, डिम्बग्रंथि के कैंसर के लिए जीवित रहने को प्रभावित करने वाले शीर्ष कारक संख्या 39 देखा जाता है, जो प्रतिरक्षा प्रणाली के साथ जुड़े जीन के लिए दृढ़ता से समृद्ध है (चित्र 3)। एक ही स्तर 2 नोड के साथ जुड़े पांच अन्य कारकों को भी प्रतिरक्षा से संबंधित होने का संकेत दिया जाता है, हालांकि अस्तित्व के प्रभाव को उनके बीच दृढ़ता से चर प्रतीत होता है, 39 के साथ उच्चतम और 52 सबसे कम किया जा रहा है. एक कारक के लिए एक प्रोटीन प्रोटीन बातचीत खिड़की जोड़ने तत्काल बातचीत नेटवर्क से पता चलता है और स्ट्रिंगडीबी12 वेबसाइट के लिए बाहर लिंक के लिए पीपीआई नेटवर्क जीन के लिए विभिन्न संवर्धन क्वेरी के लिए अनुमति देता है. बारी में L2 $14 कारकों में से प्रत्येक के लिए ऐसा करके, एक पाता है कि PPI नेटवर्क जीन के लिए StringDB संवर्धन अस्तित्व के साथ संघों के लिए निम्नलिखित संभव विवरण का सुझाव. फैक्टर 32 जीन है कि प्रमुख हिस्टोसंगतता परिसर (MHC) वर्ग मैं प्रोटीन परिसर है, जो cytotoxic टी लिम्फोसाइटों द्वारा मान्यता प्राप्त है बना होता है. फैक्टर 39 cytokine संकेतन और CXCR3 रिसेप्टर बाइंडिंग से मेल खाती है, CD8 + टी लिम्फोसाइटों से संबंधित. इन कारकों के दोनों इसी जीन की अपेक्षाकृत उच्च अभिव्यक्ति का प्रदर्शन रोगियों के लिए एक महत्वपूर्ण अस्तित्व लाभ प्रदान करने के लिए दिखाई देते हैं. साइटोटॉक्सिक सीडी 8+ टी लिम्फोसाइट्स मुख्य रूप से एंटी-ट्यूमर प्रतिरक्षा के लिए जिम्मेदार हैं। दूसरी ओर, फैक्टर 52, MHC वर्ग द्वितीय परिसर में प्रोटीन के लिए कोडिंग जीन के शामिल है जो मुख्य रूप से CD4 + टी सहायक कोशिकाओं द्वारा मान्यता प्राप्त कर रहे हैं बजाय सीधे cytotoxic टी लिम्फोसाइटों द्वारा. शेष L2]14 कारकों सामान्यीकृत प्रतिरक्षा प्रणाली सक्रियण है कि लिम्फोसाइट आबादी के दो प्रकार के अंतर नहीं है प्रतिबिंबित. एमसीएच श्रेणी I सेलुलर एंटीजन की साइटोटॉक्सिक टी लिम्फोसाइट मान्यता के लिए विशिष्ट एक जीवित रहने का संघ सामान्य रूप से एंटीट्यूमर प्रतिरक्षा की हमारी समझ के अनुरूप है और मेलेनोमा13,14जैसे अन्य कैंसरों से .

वेब पोर्टल प्रभावी ट्यूमर-विशिष्ट संयोजन चिकित्सा का सुझाव दे सकते हैं कि पूरक कार्यों के साथ कारकों के जोड़े की खोज का समर्थन करता है. डेटासेट ओवरव्यू को उन कारकों के लिए स्कैन किया जा सकता है जो जीवित रहने के साथ सहसंबंध दिखाते हैं, फिर भी अलग GO Enrichments हैं. मेलेनोमा के लिए (TCGA$SKCM; चित्र 4), यह देखा गया है कि शीर्ष अस्तित्व कारक 171 प्रतिरक्षा से संबंधित है, जबकि कारक 88 नीचे सूची mitochondrion संगठन से संबंधित जीन के लिए संवर्धन से पता चलता है. दरअसल, यह मेलेनोमा15में एक लक्ष्य के रूप में सुझाव दिया गया है. CorExplorer पृष्ठ करने के लिए अस्तित्व खिड़कियों जोड़ने प्रत्येक कारक के लिए कारक जोड़ी का उपयोग कर स्तरीकरण की तुलना व्यक्तिगत रूप से अनुमति देता है, दिखा रहा है कि अनुकूल जीन अभिव्यक्ति पैटर्न दोनों समूहों से जीवित रहने की प्रवृत्ति को दर्शाती है कि या तो के लिए से बेहतर है अकेले कारक. शीर्ष स्तर हालांकि सुधार किया जा करने के लिए प्रकट नहीं होता है, इम्यूनोथेरेपी का सुझाव केवल कुछ रोगियों के लिए सबसे अच्छा विकल्प हो सकता है।

सामान्यता और ट्यूमर के बीच मतभेद जीन या जाओ शब्दों के लिए डेटासेट भर में खोज द्वारा देखा जा सकता है (चित्र 5) . एक उदाहरण के रूप में, FLT1 (उर्फ VEGFR1) एक अच्छी तरह से अध्ययन किया समर्थक एंजियोजेनिक मार्कर16,17है. जब यह खोज पट्टी में डाल दिया है, ट्यूमर के सभी कारक है जिसमें FLT1 एक प्रमुख भूमिका निभाता है. इसके विपरीत, जब GO शब्द 'एंजियोजेनेसिस' खोज पृष्ठ पर इनपुट है, FLT1 समूहों में से 6 में से 5 उस संवर्धन के साथ दिखाई देते हैं। सभी FLT1 कारकों, SKCM-195 के अपवाद के साथ, सांख्यिकीय 'एंजियोजेनेसिस' जीन के लिए समृद्ध के रूप में सूचीबद्ध हैं. छठे कारक करता है, वास्तव में, एनोटेशन है, लेकिन डिफ़ॉल्ट 10-8 सीमा से नीचे. जब कारक सूची के भीतर भार एक वैकल्पिक संवर्धन कैलकुलेटर में उपयोग किया जाता है, उदाहरण के लिए, जीन सेट संवर्धन विश्लेषण (GSEA)18, छठे कारक के लिए काफी समृद्ध हो पाया है 'एंजियोजेनेसिस' जीन के रूप में अच्छी तरह से.

यह सुनिश्चित करने के लिए heatmaps की जांच करने के लिए जीन अभिव्यक्ति पैटर्न पर्याप्त गुणवत्ता की है जैविक व्याख्याओं का समर्थन करने के लिए महत्वपूर्ण है. हीटमैप्स जो मजबूत स्पष्ट भिन्नता दर्शाते हैं, वे या तो निम्न से उच्च या अधिक जटिल पैटर्न तक के कारक जीनों की समन्वित अभिव्यक्ति प्रदर्शित कर सकते हैं जिसमें कुछ जीनों के साथ कम अभिव्यक्ति होती है जिनमें उच्च(चित्र 6)वाले अन्य जीन होते हैं। एक उच्च गुणवत्ता वाले समूह का एक प्रमुख मार्कर कारक स्कोर के एक समारोह के रूप में अभिव्यक्ति में एक चिकनी भिन्नता के साथ कई जीन की उपस्थिति है. कारक heatmaps दिखाने के नमूने कारक स्कोर के अनुसार आदेश दिया है, इस प्रकार वहाँ एक चिकनी ढाल बाईं से दाएं चलती होना चाहिए. हालांकि, यह कम से कम दो अलग अलग तरीकों से होने में विफल हो सकता है. सबसे अधिक, सहसंबंध अत्यंत शोर हो सकता है (चित्र 5C),सवाल में मजबूती और अस्तित्व और / इसके अलावा, नमूने के केवल एक छोटे से अल्पसंख्यक में होने वाले पैटर्न CorEx एल्गोरिथ्म द्वारा ग्रहण तीन अभिव्यक्ति राज्यों के मॉडल के अनुरूप नहीं हो सकता है, नमूनों की एक भ्रामक वर्गीकरण में जिसके परिणामस्वरूप (चित्र 5Dके दाईं ओर).

Figure 1
चित्र 1: CorExplorer सामने पृष्ठ. त्वरित लिंकके तहत डिम्बग्रंथि के कैंसर के बगल में + पर क्लिक करने के बाद, कारक ग्राफ विवरण दिखाए जाते हैं. CorEx पदानुक्रमित मॉडल नीचे परत पर इनपुट चर (इस मामले में जीन अभिव्यक्ति) से बना है और उच्च परतों में गुप्त कारकों का अनुमान है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 2
चित्र 2: अन्वेषण का मार्गदर्शन करने के लिए एक जीन नाम का उपयोग करना। आंकड़ा CorEx फेफड़ों के कैंसर कारकों दृढ़ता से BRCA1 से संबंधित की खोज illustrating स्क्रीनशॉट की एक श्रृंखला से पता चलता है. सबसे पहले, कारक ग्राफ के लिए जीन ड्रॉपडाउन बॉक्स में 'BRCA1' का चयन करने के लिए कारक है जिसके लिए BRCA1 सबसे बड़ा वजन है पर ज़ूम करने के लिए ग्राफ दृश्य का कारण बनता है। एक बिट बाहर zooming परत दो नोड L2 -8 अन्य संबंधित लोगों के लिए उस कारक को जोड़ने फ्रेम. जीवन रक्षा और एनोटेशन की तुलना की जा सकती है: GO शब्द डीएनए मरम्मत पर क्लिक करने पर एनोटेट जीन पर प्रकाश डाला गया। एक PPI विंडो कारक में जीन के लिए नेटवर्क बातचीत दिखाने के लिए जोड़ा गया है. एक गर्मी नक्शा जोड़ने के लिए विंडो बटन जोड़ें का उपयोग अस्तित्व के साथ अभिव्यक्ति पैटर्न के सहयोग से पता चलता है, डीएनए की मरम्मत जीन की वृद्धि की अभिव्यक्ति का सुझाव कम अस्तित्व के साथ जुड़ा हो सकता है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 3
चित्र 3: अन्वेषण का मार्गदर्शन करने के लिए नैदानिक डेटा (सर्वेक्षण) का उपयोग करना. डिम्बग्रंथि के कैंसर के लिए शीर्ष अस्तित्व-संबद्ध कारक (39) की खोज पड़ोसी कारकों के बीच दिलचस्प संबंधों का पता चलता है। कारक ग्राफ में 39 कारक का चयन करने और थोड़ा बाहर zooming के बाद, परत दो कारक 39 से जुड़े पांच अन्य जुड़े कारकों के लिए देखा जाता है. एक अतिरिक्त अस्तित्व खिड़की जुड़े अस्तित्व अंतर की सीधी तुलना की अनुमति देता है. कारक 39 और 32 दोनों एक सकारात्मक उत्तरजीविता सहसंबंध दिखाते हैं, जो 52 कारक के विपरीत है, जो नहीं करता है। प्रोटीन प्रोटीन बातचीत नेटवर्क सभी अच्छी तरह से परिभाषित कर रहे हैं. StringDB से लिंक िंग गो एनोटेशन की तुलना की अनुमति देता है (नहीं दिखाया): फैक्टर 39 साइटोटॉक्सिक CD8+ टी लिम्फोसाइट सक्रियण और कारक 32 से संबंधित एक साइटोकाइन संकेतन नेटवर्क के साथ जुड़ा हुआ है MHC वर्ग मैं एंटीजन पेश प्रोटीन कि ऐसे लिम्फोसाइटों द्वारा ट्रिगर मान्यता; पड़ोसी कारकों, तथापि, CD4 + सहायक टी कोशिकाओं के रूप में अन्य प्रतिरक्षा प्रणाली घटकों का प्रभुत्व है और कोई अस्तित्व सहसंबंध दिखा. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: शीर्ष अस्तित्व कारकों की खोज संभावित चिकित्सीय संयोजन से पता चलता है. मुख पृष्ठ मेनू पट्टी पर 'Datasets' लिंक शीर्ष जाओ एनोटेशन (नहीं दिखाया गया) के साथ, पी-मूल्य द्वारा आदेश दिया अस्तित्व कारकों की एक संक्षिप्त तालिका की ओर जाता है। मेलेनोमा के लिए इस जानकारी का उपयोग करना, कारक के संयोजन 171 के साथ प्रतिरक्षा समारोह के लिए कारक 88 mitochondrion संगठन के लिए पूरक प्रकट होता है. आंकड़ा उन्हें विपरीत करने के लिए साथ-साथ कारकों में से प्रत्येक के लिए एनोटेशन विंडो दिखाता है। जीवित रहने के दो कारकों द्वारा स्तरित रोगियों के लिए जीवन रक्षा घटता व्यक्तिगत रूप से या एक साथ संकेत मिलता है कि संयोजन या तो अकेले कारक की तुलना में अस्तित्व अंतर बढ़ जाती है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्र 5: खोज पृष्ठ पैन कैंसर विश्लेषण की सुविधा. जेन या गो बायोलॉजिकल प्रक्रिया शब्दमुख पृष्ठ से खोज लिंक का उपयोग करके सभी डेटासेट में खोजे जा सकते हैं. आंकड़ा जीन FLT1 और जाओ शब्द 'एंजियोजेनेसिस' के लिए खोज परिणामों से पता चलता है. परिणाम कैंसर भर में शब्द 'एंजियोजेनेसिस' के साथ एनोटेट कारकों में FLT1 की उपस्थिति दिखाते हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्र ास6: तापमानचित्रों का उपयोग कारक स्कोर के अनुसार जीनों तथा नमूनों के बीच सहसंबंधों का गुणात्मक मूल्यांकन करने के लिए किया जा सकता है। उच्च गुणवत्ता जीन अभिव्यक्ति संबंधों चिकनी श्रेणीकरण द्वारा दिखाए जाते हैं जब रोगियों heatmaps में कारक स्कोर द्वारा आदेश दिया जाता है. कारक 18 के लिए सबसे leftmost heatmap एक उदाहरण है. पैटर्न भी ऊपर और नीचे अभिव्यक्ति के जटिल हस्ताक्षर शामिल कर सकते हैं के रूप में मध्य बड़ी heatmap में कारक 11 के लिए. कम गुणवत्ता पैटर्न कभी कभी कारक 9 heatmap में के रूप में सही या सरल बहुत शोर सहसंबंध पर के रूप में कारक 161 heatmap कम सही पर के रूप में रोगियों के एक उपसमूह के लिए अभिव्यक्ति में अचानक परिवर्तन दिखा. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Discussion

हम CorExplorer साइट प्रस्तुत किया है, अधिक से अधिक सहसंबद्ध जीन अभिव्यक्ति कारकों के इंटरैक्टिव अन्वेषण के लिए एक सार्वजनिक रूप से सुलभ वेब सर्वर CorEx एल्गोरिथ्म द्वारा ट्यूमर आरएनए-सेक से सीखा. हमने दिखाया है कि कैसे वेबसाइट ट्यूमर जीन अभिव्यक्ति के अनुसार रोगियों को स्तरित करने के लिए इस्तेमाल किया जा सकता है, और कैसे इस तरह के स्तरीकरण जैविक समारोह और अस्तित्व से मेल खाती है.

आरएनए-सेक विश्लेषण के लिए अन्य वेबसर्वर का निर्माण किया गया है। ट्यूमर के लिए विभेदऔर और सह-अभिव्यक्ति विश्लेषण की जांच की जा सकती है और cbioPortal19,20में अन्य डेटा प्रकार के साथ एकीकृत किया जा सकता है। सर्वर GenePattern21, Mev22, और Morpheus23, इस तरह के प्रमुख घटक विश्लेषण (पीसीए), kmeans, या स्वयं संगठित नक्शे (SOMs) के रूप में स्थापित क्लस्टरिंग तकनीकों को शामिल. अधिक अभिनव प्रयासों CamurWeb24शामिल हैं, एक स्वचालित नियम पैदा वर्गीकर पर आधारित है, और TACCO25,जो यादृच्छिक वन वर्गीकर और lassos लागू करता है. यहाँ उपयोग किए गए CorEx एल्गोरिथ्म डेटा में प्रतिमानों की व्याख्या करने वाले कारकों के पदानुक्रम को ढूँढने के लिए बहुचर जानकारी ऑप्टिमाइज़ करता है. अरैखिक और पदानुक्रमिक कारक अधिगम पीसीए4के माध्यम से पाए गए रैखिक वैश्विक कारकों के सापेक्ष बेहतर व्याख्यात्मकता प्राप्त करता प्रतीत होता है। इसके अतिरिक्त, नमूना संकेतों की तकनीक के ठीक अनाज पार्सिंग सटीक ट्यूमर तुलना की तुलना में अनुमति देता है-जेड-की तुलना में अधिक सामान्यतः व्यापक उपप्रकारों का इस्तेमाल किया. ओवरलैपिंग और पदानुक्रमिक कारक विश्लेषण का यह संयोजन CorExplorer को अधिकांश अन्य दृष्टिकोणों से अलग करता है और दृश्य और सारांशन के लिए नए उपकरणों की आवश्यकता होती है.

CorExplorer कारक विश्लेषण का एक महत्वपूर्ण हिस्सा न सिर्फ कई का पता लगाने की क्षमता है, लेकिन जानकारीपूर्ण जीन पैटर्न है कि एक ओवरलैपिंग पदानुक्रम के भीतर रखा जाता है के साथ 100 से अधिक कारकों. CorExplorer जैविक और नैदानिक संघों के लिए इन असंख्य कारकों के खनन की सुविधा और व्यक्तिगत ट्यूमर के असाधारण विस्तृत लक्षण के लिए अनुमति देता है. इतनी बड़ी संख्या में कारकों की अनिगरानीित शिक्षा का अर्थ है कि सभी रोग जीव विज्ञान के लिए प्रासंगिक नहीं होंगे। ऐसे मामले में, ब्याज के कारकों को बाहर निकालने या जीवित रहने जैसे नैदानिक डेटा से जुड़े कारकों की खोज करने के लिए एनोटेशन या ज्ञात जीन का उपयोग करना आवश्यक है। इस प्रकार, CorExplorer उपयोगकर्ताओं को यह बहुत महत्वपूर्ण फ़िल्टरिंग चरण को कार्यान्वित करने के लिए अनुमति देता है। एक ट्यूमर में कारक जीन पैटर्न की उपस्थिति भी व्यक्तिगत ऑन्कोलॉजी उपचार के लिए एक दृष्टिकोण का सुझाव दे सकते हैं। इसके अलावा, संभावित उपयोगी चिकित्सीय संयोजन की खोज के लिए अनुमति देता है कि प्रत्येक ट्यूमर के लिए कारक स्कोर की बहुलता.

यह कभी कभी मामला है कि कोई महत्वपूर्ण जाओ एनोटेशन कारकों अत्यधिक अस्तित्व के साथ सहसंबद्ध के लिए दिखाई देते हैं. हालांकि यह शोर के कारण या नमूना डेटा के तहत हो सकता है, वहाँ इस तरह के एक क्लस्टर आकार है कि महत्वपूर्ण संवर्धन स्कोर रजिस्टर करने के लिए बहुत छोटा है या समूह जैविक सुसंगत बिना विविध रास्ते से एकल जीन की एक 'बास्केट' होने के रूप में अन्य संभावित कारण हैं संघ. इसके अतिरिक्त, केजीजी और गो जैविक प्रक्रिया से अलग एनोटेशन की एक श्रेणी, जैसे सेलुलर डिब्बे, उपयुक्त हो सकता है। प्रोटोकॉल में प्रदर्शित के रूप में StringDB को बाहर जोड़ने के द्वारा इन पहुँचा जा सकता है. CorExplorer साइट पर जीन आंटलजी संवर्धन विश्लेषण वर्तमान में एक कारक में जीन भार के लिए खाता नहीं है, हालांकि यह संभावना निकट भविष्य में उपाय किया जाएगा. नोट एक जीन सूची विकल्प 'विंडो जोड़ें' के अंतर्गत उपलब्ध है जो बाहरी उपकरणों के साथ आगे विश्लेषण के लिए पूर्ण कारक जीन सूची को डाउनलोड करने की अनुमति देता है.

वेबसाइट के उद्देश्यों के लिए, CorEx प्रत्येक डेटासेट पर पाँच बार चलाया गया था और सबसे बड़ी कुल सहसंबंध के परिणामस्वरूप चलाया गया था। कई रन के परिणामों के एक सांख्यिकीय प्रतिनिधित्व होने और अधिक जानकारीपूर्ण हो सकता है और भविष्य के काम के लिए एक लक्ष्य है. इसके अतिरिक्त, सर्वर पर उपलब्ध ट्यूमर प्रकार के सेट बल्कि छोटा है, लेकिन हम इस उपयोगकर्ता हित के अनुसार समय के साथ विस्तार करने की उम्मीद है.

जैसा कि ऊपर उल्लिखित, CorExplorer नैदानिक और डेटाबेस जानकारी के साथ CorEx आरएनए-सेक कारक संबंधों visualizes, इस प्रकार पूछताछ के विभिन्न तरीकों की एक किस्म को सक्षम करने. हमें उम्मीद है कि इस उपकरण को आगे काम करने के लिए खोज और ऑन्कोलॉजी में नैदानिक आवेदन के लिए आरएनए-सेक विश्लेषण की शक्ति का उपयोग करने के लिए नेतृत्व करेंगे।

Disclosures

लेखक घोषणा करते हैं कि उनका कोई प्रतिस्पर्धी वित्तीय हित नहीं है।

Acknowledgments

जीवी DARPA पुरस्कार W911NF-16-0575 द्वारा समर्थित किया गया था.

Materials

Name Company Catalog Number Comments
Public server for CorExplorer website USC http://corex.isi.edu Intel Xeon E5-2690 4-core 2.6 GHz, 8GB RAM. Backend architecture is LAMP: Linux, Apache, MySQL, PHP.
Web browser Google/Apple Chrome/Safari Verified web browsers.

DOWNLOAD MATERIALS LIST

References

  1. Petryszak, R., et al. The RNASeq-er API-a gateway to systematically updated analysis of public RNA-seq data. Bioinformatics. 33, 2218-2220 (2017).
  2. Steeg, G. V., Galstyan, A. Maximally Informative Hierarchical Representations of High-Dimensional Data. Proceedings of the Eighteenth International Conference on Artificial Intelligence and Statistics (AISTATS). , San Diego, CA. (2015).
  3. Ver Steeg, G., Galstyan, A. Discovering structure in high-dimensional data through correlation explanation. Advances in Neural Information Processing Systems. , Montreal, Canada. (2014).
  4. Pepke, S., Ver Steeg, G. Comprehensive discovery of subsample gene expression components by information explanation: therapeutic implications in cancer. BMC medical Genomics. 10, 12 (2017).
  5. Byron, S. A., Van Keuren-Jensen, K. R., Engelthaler, D. M., Carpten, J. D., Craig, D. W. Translating RNA sequencing into clinical diagnostics: opportunities and challenges. Nature Reviews Genetics. 17, 257 (2016).
  6. Cancer Genome Atlas Research Network. Comprehensive molecular profiling of lung adenocarcinoma. Nature. 511, 543 (2014).
  7. Cancer Genome Atlas Network. Comprehensive molecular characterization of human colon and rectal cancer. Nature. 487, 330 (2012).
  8. Akbani, R., et al. Genomic classification of cutaneous melanoma. Cell. 161, 1681-1696 (2015).
  9. Cancer Genome Atlas Research Network. Integrated genomic analyses of ovarian carcinoma. Nature. 474, 609 (2011).
  10. Grossman, R. L., et al. Toward a shared vision for cancer genomic data. New England Journal of Medicine. 375, 1109-1112 (2016).
  11. Moynahan, M. E., Chiu, J. W., Koller, B. H., Jasin, M. Brca1 controls homology-directed DNA repair. Molecular Cell. 4, 511-518 (1999).
  12. Szklarczyk, D., et al. STRING v11: protein–protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Research. 47, 607-613 (2018).
  13. Durgeau, A., Virk, Y., Corgnac, S., Mami-Chouaib, F. Recent advances in targeting CD8 T-cell immunity for more effective cancer immunotherapy. Frontiers in Immunology. 9, 14 (2018).
  14. Sato, E., et al. Intraepithelial CD8+ tumor-infiltrating lymphocytes and a high CD8+/regulatory T cell ratio are associated with favorable prognosis in ovarian cancer. Proceedings of the National Academy of Sciences of the United States of America. 102, 18538-18543 (2005).
  15. De Moura, M. B., et al. Mitochondrial respiration-an important therapeutic target in melanoma. PLoS One. 7, 40690 (2012).
  16. Folkman, J., Merler, E., Abernathy, C., Williams, G. Isolation of a tumor factor responsible for angiogenesis. Journal of Experimental Medicine. 133, 275-288 (1971).
  17. Takahashi, S. Vascular endothelial growth factor (VEGF), VEGF receptors and their inhibitors for antiangiogenic tumor therapy. Biological and Pharmaceutical Bulletin. 34, 1785-1788 (2011).
  18. Subramanian, A., et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences of the United States of America. 102, 15545-15550 (2005).
  19. Cerami, E., et al. The cBio Cancer Genomics Portal: An Open Platform for Exploring Multidimensional Cancer Genomics Data. Cancer Discovery. 2, 401-404 (2012).
  20. Gao, J., et al. Integrative Analysis of Complex Cancer Genomics and Clinical Profiles Using the cBioPortal. Science Signalling. 6, 1 (2013).
  21. Reich, M., et al. GenePattern 2.0. Nature Genetics. 38, 500 (2006).
  22. Wang, Y. E., Kutnetsov, L., Partensky, A., Farid, J., Quackenbush, J. WebMeV: A Cloud Platform for Analyzing and Visualizing Cancer Genomic Data. Cancer Research. 77, 11-14 (2017).
  23. Morpheus. , Available from: https://software.broadinstitute.org/morpheus (2019).
  24. Weitschek, E., Lauro, S. D., Cappelli, E., Bertolazzi, P., Felici, G. CamurWeb: a classification software and a large knowledge base for gene expression data of cancer. BMC Bioinformatics. 19, 354 (2018).
  25. Chou, P. -H., et al. tACCo, a Database Connecting transcriptome Alterations, pathway Alterations and Clinical outcomes in Cancers. Scientific Reports. 9, 3877 (2019).
CorExplorer वेब पोर्टल के साथ ट्यूमर जीन अभिव्यक्ति कारकों का विश्लेषण
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Pepke, S., Nelson, W. M., Ver Steeg, G. Analyzing Tumor Gene Expression Factors with the CorExplorer Web Portal. J. Vis. Exp. (152), e60431, doi:10.3791/60431 (2019).More

Pepke, S., Nelson, W. M., Ver Steeg, G. Analyzing Tumor Gene Expression Factors with the CorExplorer Web Portal. J. Vis. Exp. (152), e60431, doi:10.3791/60431 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter