Yöntem makalesi

Özofagus Skuamöz Hücreli Karsinomu için Özet Geliştirme

1.1K görüntülenme

⸱

DOI:

10.3791/65480

⸱

12 Nisan 2024

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

Bu makalede

Özet

Bu protokol, kanserdeki önemli moleküler değişiklikleri tanımlamak için yararlı bir araç tanımlar ve özofagus skuamöz hücreli karsinomu için yeni tanı ve tedavi yaklaşımlarının geliştirilmesine yol açar.

Özet

Özofagus kanseri (ÖK) en agresif 8. malignite olarak yer almaktadır ve erken teşhisi kolaylaştıran biyobelirteçlerin eksikliği nedeniyle tedavisi zor olmaya devam etmektedir. EC, adenokarsinom (EAD) ve skuamöz hücreli karsinom (ESCC) olmak üzere iki ana histolojik formda kendini gösterir - her ikisi de coğrafi olarak farklı popülasyonlar arasında insidansta farklılıklar gösterir. Yüksek verimli teknolojiler, kanser de dahil olmak üzere hastalıkların anlaşılmasını dönüştürüyor. Bilim camiası için önemli bir zorluk, literatürdeki dağınık verilerle uğraşmaktır. Bunu ele almak için, halka açık mikrodizi veri kümelerinin analizi ve kanser ile normal koşullar arasında farklı şekilde düzenlenmiş moleküllerin toplanması için basit bir boru hattı önerilmiştir. Boru hattı, kanser ve normal dokular arasında veya farklı kanser alt tipleri arasında farklı şekilde ifade edilen genleri tanımlayarak diferansiyel gen ekspresyon analizi için standart bir yaklaşım olarak hizmet edebilir. Boru hattı, Veri ön işleme (numuneler arasındaki teknik farklılıkları ortadan kaldırmak için ham gen ekspresyon verilerinin kalite kontrolünü ve normalizasyonunu içeren), Diferansiyel ekspresyon analizi ( t-testleri gibi istatistiksel testler kullanarak iki veya daha fazla numune grubu arasında diferansiyel olarak ifade edilen genlerin tanımlanması) dahil olmak üzere çeşitli adımları içerir, ANOVA veya doğrusal modeller), Fonksiyonel analiz (diferansiyel olarak ifade edilen genlerde zenginleştirilmiş biyolojik yolları ve işlevleri tanımlamak için biyoinformatik araçları kullanarak) ve Doğrulama (bağımsız veri kümeleri veya qPCR veya immünohistokimya gibi deneysel yöntemler kullanılarak doğrulamayı içerir). Bu boru hattını kullanarak, yemek borusu kanseri de dahil olmak üzere herhangi bir kanser türü için diferansiyel olarak ifade edilen moleküllerin (DEM'ler) bir koleksiyonu oluşturulabilir. Bu özet, kanser için potansiyel biyobelirteçleri ve ilaç hedeflerini belirlemek ve hastalığın altında yatan moleküler mekanizmaların anlaşılmasını geliştirmek için kullanılabilir. Ek olarak, bu boru hattını kullanarak özofagus kanserinin popülasyona özgü taraması, farklı popülasyonlar için spesifik ilaç hedeflerinin belirlenmesine yardımcı olacak ve hastalık için kişiselleştirilmiş tedavilere yol açacaktır.

Giriş

AK'nin dünya çapında en sık görülen sekizinci kanser ve dünya çapında altıncı önde gelen ölüm nedeni olması endişe vericidir. Çin, Hindistan ve İran endişe verici derecede yüksek insidans ve ölüm oranlarına sahiptir. İki ana EC türü vardır: özofagus adenokarsinomu (EAC veya EAD) ve özofagus skuamöz hücreli karsinomu (ESCC)1. EAC Batı dünyasında daha yaygınken, ESCC Doğu ülkelerinde, özellikle Çin ve İran'da daha yaygındır2. Tütün ve alkol kullanımı, obezite ve gastroözofageal reflü hastalığı (GERD) dahil olmak üzere çeşitli risk faktörleri AK ile ilişkilidir. Ek olarak, meyve ve sebze eksikliği ve sıcak içecek ve yiyecek tüketimi gibi diyet faktörleri, yüksek riskli bölgelerde ESCC riski ile ilişkilidir. Erken tanı ve tedavi, EC 3,4'lü hastaların sonuçlarını iyileştirmek için önemlidir. Bu nedenle, AK'nin risk faktörleri, belirtileri ve semptomları hakkında farkındalığı artırmak ve yüksek riskli bireylerin düzenli olarak taranmasını teşvik etmek önemlidir. Ayrıca, tütün ve alkol kullanımı ve sağlıksız beslenme alışkanlıkları gibi değiştirilebilir risk faktörlerini ele alma çabaları, EC insidansını azaltmaya yardımcı olabilir. EAD, yemek borusunun alt kısmında, midenin yakınında mukus üreten bezlerin hücrelerinde görülür. Genellikle mide asidi ve içeriğinin yemek borusuna geri döndüğü GÖRH ile ilişkilidir. Buna karşılık, ESCC, yemek borusunun üst kısmını kaplayan düz, ince hücrelerden kaynaklanır5. Çin ve İran gibi tütün ve alkol kullanımının yaygın olduğu bölgelerde daha sık görülür.

Yemek borusu ile ilgili çeşitli durumlar arasında, yemek borusunun astarının glandüler hücrelerle değiştirildiği bir durum olan Barrett özofagusu (BE), EAC6'nın bilinen bir öncüsüdür. BE'nin GÖRH olmadan gelişebileceğini belirtmekte fayda var, ancak GÖRH'nin varlığı BE geliştirme riskini 3 ila 5 kat artırıyor. Ek olarak, BE'nin varlığı EAC gelişme riskini 50-100 kat artırır7. Ayrıca, sıcak veya baharatlı yiyecekler ve sıvılar ESCC ile ilişkilendirilmiştir, ancak EAC ile ilişkilendirilmemiştir. EC için risk faktörlerini anlamak, önlenmesi ve erken tespiti için önemlidir. Tütün kullanımı, alkol tüketimi, obezite ve sağlıksız beslenme alışkanlıkları gibi değiştirilebilir risk faktörlerini ele alma çabaları, AK insidansını azaltmaya yardımcı olabilir. Ayrıca, disfaji veya BE olanlar gibi yüksek riskli bireyler için rutin tarama ve sürveyans, erken teşhis ve tedaviyi mümkün kılarak sonuçları iyileştirebilir.

Genomik, transkriptomik, proteomik, metilomik, miRNAomik ve metabolomik dahil olmak üzere omik odaklı çalışmaların, özellikle ESCC 8,9,10,11,12,13 olmak üzere EC'leri anlamamıza büyük katkı sağladığı kesinlikle doğrudur. Bu çalışmalar, yeni biyobelirteçlerin, potansiyel terapötik hedeflerin ve ESCC'nin geliştirilmesi ve ilerlemesinde yer alan yeni yolların tanımlanmasına izin vermiştir. Ancak bu çalışmalardan elde edilen verilerin literatüre dağılmış olması, bilim camiasının bu bilgilere ulaşmasını ve kullanmasını zorlaştırmaktadır. Bu nedenle, belirli kanserler üzerinde yüksek veya düşük verimli çalışmalardan elde edilen verileri derleyen bir havuz veya veri tabanı oluşturmak önemlidir. Böyle bir paket, bazı temel yönergeler uygulanarak kolaylaştırılabilir ve yapılabilir. Bu yönergeler, ilgili çalışmaların seçilmesini, bu çalışmalardan verilerin çıkarılmasını ve düzenlenmesini ve veri kalitesinin ve tutarlılığının sağlanmasını içerir. Buna ek olarak, özet, mevcut olduklarında yeni çalışmaları ve verileri içerecek şekilde düzenli olarak güncellenmelidir. Araştırmacılar, farklı çalışmalardan elde edilen verileri birleştiren bir özet veya veritabanı oluşturarak belirli bir kanserle ilgili verileri almak ve analiz etmek için tek bir platform kullanabilirler. Bu, araştırma çabalarını hızlandırmaya yardımcı olacak ve nihayetinde kanser hastaları için daha etkili tedavilere ve daha iyi sonuçlara yol açacaktır.

Kanser özetinin geliştirilmesi, hem düşük verimli hem de yüksek verimli çalışmalardan elde edilen verileri içerir. Bu derleme, kanser için potansiyel tanısal veya terapötik hedefleri belirlemek isteyen araştırmacılar için değerli bir kaynak olacaktır. Bu koleksiyonu oluşturmanın bir yolu, Gene Expression Omnibus (GEO) gibi genel kullanıma açık depolarda bulunan mikrodizi çalışmalarını gözden geçirmektir. Mikroarray çalışmaları, kanser hücrelerindeki gen ekspresyon seviyeleri hakkında bilgi sağlayabilir ve bu veriler, kanser gelişimi ve ilerlemesinde rol oynayabilecek diferansiyel olarak ifade edilen genleri (DEG'ler) tanımlamak için kullanılabilir.

Bununla birlikte, farklı çalışmaların verilerini analiz etmek için farklı yöntemler kullanmış olabileceği ve bunun da farklı DEG'lerin tanımlanmasına yol açmış olabileceği unutulmamalıdır. Bu nedenle, her çalışmayı dikkatlice gözden geçirmek ve özet için veri toplarken olası önyargı veya sınırlamaları göz önünde bulundurmak önemlidir. Veriler ortak bir platformda toplandıktan sonra, araştırmacılar bunu daha fazla çalışma için potansiyel moleküler hedefleri belirlemek için kullanabilirler. Bunlar, klinik örneklerde belirli bir genin ekspresyonunun incelenmesini veya belirli bir genin veya proteinin kanser gelişimi ve ilerlemesinde nasıl rol oynadığını anlamak için mekanik çalışmalar yürütmeyi içerir. Genel olarak, bir kanser veri setinin oluşturulması, kanser araştırmacıları için değerli bir kaynak olacak ve tanı ve tedavi müdahaleleri için yeni hedeflerin belirlenmesine yardımcı olacaktır.

Protokol

1. ESCC'de diferansiyel olarak düzenlenmiş moleküllerin manuel kürasyonu

  1. PubMed kullanarak ilgili düşük verimli çalışmaları bulma
    NOT: Düşük verimli ve yüksek verimli teknikler arasındaki temel farkı anlamak önemlidir. İlkinde, yalnızca sınırlı sayıda numune üzerinde çalışılır ve süreç genellikle zaman alıcıdır, buna karşılık daha sonra daha hızlıdır ve numune sayısı tek seferde analiz edilebilir, bu da Northern blot gibi düşük verimli yöntemlerden önemli ölçüde daha yüksektir ve Western blot düşük verimli tekniklerdir, cDNA mikrodizisi ve LC-MS/MS tabanlı kantitatif proteomik ise yüksek verimli tekniklerdir14. NCBI-PubMed gibi arama motorları (Malzeme Tablosuna bakınız), biyomedikal bilim adamlarının ESCC gibi hastalıklar hakkında literatür bulması için halka açık bir kaynak olduğundan, herhangi bir kanserle ilgili çalışmaları bulmak için iyi bir kaynaktır. İlgili çalışmaları bulmak için aşağıdaki adımların izlenmesi gerekir.
    1. Açmak için Google arama motoruna tıklayın ( Malzeme Tablosuna bakın). Bu aynı zamanda araştırmacılar tarafından da kullanılır, çünkü PubMed'de indekslenmeyen, ancak yine de kaliteli makaleler olan dergiler vardır. Herhangi bir önemli makaleyi kaçırma olasılığını ortadan kaldırmak için birden fazla arama motorunda arama yapmak her zaman iyidir.
    2. PubMed'in arama çubuğunu seçin ve Boole operatörlerini kullanın (AND, OR, NOT). Boole operatörleri, arama yapanları, sonuçları bulmak için araştırmacılar tarafından kullanılan ilgili anahtar kelimelere göre hassaslaştırır.

2. PubMed kullanarak ilgili çalışmaları bulmak

  1. NCBI web adresini yazın (Malzeme Tablosuna bakın) ve açmak için tıklayın.
  2. Sol taraftaki çubuk menüsündeki Tüm Veritabanları sekmesinden PubMed'i seçin.
  3. Arama çubuğuna, ilgili makaleleri getirecek olan ilgili anahtar kelimeleri yazın. Anahtar kelimeler, Boole operatörleri ile birlikte kullanılmalıdır, çünkü bunlar, söz konusu kanser / hastalıkla yakından ilgili makalelerin (örneğin, özofagus skuamöz hücreli karsinom) elde edilmesine yardımcı olabilir.

3. Gen ekspresyonu omnibus (GEO) kullanarak ilgili çalışmaları bulmak

NOT: Gen ekspresyonu omnibus (GEO), DNA mikrodizileri üzerinde veri depolamak için ücretsiz olarak kullanılabilen bir depodur. GEO'da bulunan çok sayıda veri, kanser/hastalıklar ile normal koşullar arasında farklı şekilde düzenlenmiş molekülleri tanımlamak için veri madenciliği için iyi bir kaynaktır.

  1. GEO web adresini yazın (Malzeme Tablosuna bakın) ve açmak için tıklayın.
  2. Özofagus skuamöz hücreli karsinom VE Homo sapiens yazın ve Enter'a basın.
    NOT: Kanser için diferansiyel olarak düzenlenmiş genlerin bir özetini yapmak için, araştırmacıların kanser ile normal koşullar arasında diferansiyel olarak düzenlenmiş molekülleri seçecekleri ilgili çalışmaları seçmek önemlidir. Birincil husus, kat değişimine dayalı olarak moleküllerin seçimi için kriterleri belirlemektir. Kat değişimi, bir genin/proteinin yukarı regüle edilip edilmediğini veya aşağı regüle edilip edilmediğini gösterecektir. Kat değişimi ve p-değeri kesme değerleri, mikrodizi RNAseq veya proteomik çalışmalar15 dahil olmak üzere belirli bir deneydeki verilerin anlamını önemli ölçüde değiştirebilir.

4. GEO2R kullanarak mikroarray analizi

NOT: İlk şey, Boole operatörlerini (AND, OR, NOT) kullanarak ilgili çalışmaları bulmaktır. Bunlar, 'özofagus skuamöz hücreli karsinom', 'ESCC' veya 'özofagus skuamöz hücreli karsinom' anahtar kelimeleri ile birlikte kullanılacaktır. GEO2R (Malzeme Tablosuna bakınız), GEO ile entegre edilmiş, kullanıcıların mikrodizi çalışmalarından elde edilen verileri kullanıcı dostu bir şekilde analiz etmelerini sağlayan, ücretsiz olarak kullanılabilen bir R-dil paketidir. GEO giriş kimlikleriyle etkileşime girer ve arka uç için Bioconductor R paketlerini kullanarak DEG'leri tanımlamak için karmaşık R tabanlı analiz gerçekleştirmek için bir arayüz sağlar. Bu paket sadece GEO verilerini dönüştürmekle kalmaz, aynı zamanda çıktısını kullanıcıların ihtiyaçlarına göre daha da değiştirilebilen .txt tablolar şeklinde sunar16. GEO2R paketi, genleri p değerine dayalı istatistiksel anlamlılık sırasına göre sunar, ancak sıra, günlük2 kat değişime göre sıralanabilir. Ek olarak, kullanıcılar gen ekspresyon profillerini GEO profil resimleri olarak görüntüleyebilir. Diğer analiz araçlarından farklı olarak GEO2R, seçilen veri kümesi kayıtlarından bağımsızdır ve araştırmacılar tarafından doğrudan sunulan gerçek verileri sorgulayabilir. GEO çalışmalarının %90'ından fazlası bu yöntem kullanılarak analiz edilebilir17. GEO2R kullanılarak mikrodizi verilerinin analizinde yer alan adımlarla GEO2R'nin iş akışı Şekil 1'de gösterilmektedir.

  1. GEO2R web sitesini açın.
  2. "GEO katılımı" olarak etiketlenmiş arama alanına GEO'yu kullanarak GSE katılımını girin ve Ayarla düğmesine tıklayın. Etiketler oluşturun kanser ve sonra normal.
  3. Önce Kanser'i ve ardından Normal'i atayarak örnekleri türe göre atayın.
  4. Herhangi bir varsayılan parametreyi değiştirmeden Analiz Et'e tıklayın.
  5. Tam gen listesine tıklayın ve verileri in.tsv dosya biçiminde indirin. .tsv, verileri daha fazla işlemeden önce .xlsx dönüştürülmelidir.
  6. Excel'de [=(2)^(Nx), burada N hücrenin konumudur] formülünü kullanarak günlük2 kat değişikliğini kat değişikliğine dönüştürün.
  7. Ayrıca, adım 4.6'da elde edilen verileri, %5'lik bir yanlış keşif oranı (FDR) veya düzeltilmiş p-değeri (sıfat. p-değeri) <0.05) ve yukarı regüle edilmiş genler için >2.0 kat değişim ve aşağı regüle edilmiş genler için <0.5 kat değişim uygulayarak DEG'leri elde etmek için tabi tutun.
    NOT: FDR, çoklu testleri hesaba katmak için p değerlerine uygulanan bir düzeltmedir ve bu ikisi birbiriyle eşanlamlı olarak ele alınamaz. FDR ayarlaması, çok sayıda hipotez testi gerçekleştirirken yanlış keşiflerin oranını kontrol etmek için çok önemlidir.
  8. Ortak ve benzersiz DEG'lerin ayrılması için Venn Şeması'nı oluşturmak üzere DEG'leri çevrimiçi ücretsiz olarak kullanılabilen bir Venn Şeması oluşturma aracı (Pangloss) kullanarak DEG'leri tabi tutarak benzersiz gen listesini tanımlayın (bkz. Malzeme Tablosu).
  9. Ayrıca, Gen Ontolojisini tanımlamak için benzersiz gen listesine tabi tutun.
    NOT: Gen Ontolojisi: Moleküler Fonksiyon (GO: MF), Gen Ontolojisi: Biyolojik Süreçler (GO: BP) ve Gen Ontolojisi: Hücresel Bileşen (GO: CC) gibi farklı GO fonksiyonları, g: Profiler (Malzeme Tablosuna bakınız) veya PANTHER (Malzeme Tablosuna bakınız), her ikisi de çevrimiçi olarak ücretsiz olarak kullanılabilen programlardır. GO tabanlı analiz g: Profiler kullanılarak yapılmıştır.
  10. Genomdaki DEG'lerin tek tek kromozomlar üzerindeki dağılımını elde etmek için ShinyGO kullanın (bkz. Malzeme Tablosu).
  11. GEO2R'den elde edilen benzersiz gen listesinin tamamını ShinyGO arama sekmesine yapıştırın ve seçilen en iyi eşleşen tür Homo sapiens oldu. Kullanılan FDR sınırı% 5 idi.
  12. Protein seviyesinde daha fazla doğrulama çalışması için GEO2R'den elde edilen DEG'lerin seçimini gerçekleştirin. DEG'lerle ilgili ek ancak önemli bilgilerin çıkarılması için iş akışı Şekil 2'de gösterilmiştir.

5. Bir gen/protein için takma ad bulma

  1. HPRD sayfasını açın (Malzeme Tablosuna bakın) ve Sorgu düğmesine tıklayın.
  2. İlgili arama sekmesine protein adını veya HPRD tanımlayıcısını girin, alttaki Ara düğmesine basın
    NOT: "ALTERNATİF İSİMLER" olarak etiketlenmiş bir sekmeye sahip bir sayfa açılacak, tıklayın ve bu gen veya protein için takma ad görünecektir.

6. DEG'ler için resmi gen sembolünün bulunması

  1. Resmi gen sembolünü bulmak için, HUGO Gen İsimlendirme Komitesi'ni (HGNC) açın (Malzeme Tablosuna bakınız).
  2. GEO2R analizinde elde edilen adı HGNC sayfasının arama çubuğuna yazın ve arama sembolüne tıklayın. Arama sonuçları, terimin tam olarak hangi resmi gen sembolüyle eşleştiğini gösterecektir.
  3. Bu bağlantıya tıklayın ve orada bahsedilen resmi "gen sembolünü" öğrenin.

7. DEG'lerin gen lokusunu bulma

  1. NCBI'deki bağlantıyı ziyaret ederek gen sayfasını açın.
  2. Genin resmi gen sembolünü yazın ve aramaya tıklayın.
  3. Sonuç olarak, geni ve ait olduğu organizmayı dikkatlice kontrol edin. Doğru eşleşmeden emin olduktan sonra bağlantıya tıklayın ve daha fazla ilerleyin.
    NOT: Özet olarak, "Genomik bağlam" başlığı altında aslında gen lokusu olan konum yer alacaktır.

8. DEG'lerin OMIM Pagegene lokusunda DEG'ler hakkında bilgi bulma

  1. OMIM sayfasını açın ( Malzeme Tablosuna bakın).
  2. Gen bilgisinin adını veya gen sembolünü , özellikle "gen-fenotip" i girin.
  3. Arama düğmesine tıklayın ve ilgilenilen gen için sonuçlar görünecektir. Ekran, "Gen-Fenotip İlişkisi" hakkında bilgi sağlar.

9. Gen tarafından kodlanan proteinin protein lokalizasyonunu, etki alanını ve motifini ve salgı doğasını bulma

  1. HPRD sayfasını açın (Malzeme Tablosu'na bakın).
  2. Açıldıktan sonra, ilgili arama sekmesine protein adını veya HPRD güçlendiriciyi girin ve alttaki Ara düğmesine basın.
  3. "Özet" olarak etiketlenmiş bir sekmeye sahip bir sayfa açılacaktır. Sayfanın sonuna kadar gidin ve birincil ve alternatif "ikincil" yerelleştirmeyi öğrenmek için yerelleştirme sekmesini kontrol edin.
    NOT: Aynı sayfada, "yerelleştirme" nin altında, ilgilenilen protein için alan adlarının ve motiflerin (varsa) listelendiği "Etki Alanları ve Motifler" sekmesi vardır. Yine aynı sayfada, "Etki Alanları ve Motifler" sekmesinin yanında "İfade" sekmesi ve "ifade sitesi" alt sekmesi bulunmaktadır. Herhangi bir biyolojik sıvıda çözündüğü bildirilen herhangi bir protein, doğada "salgı" olarak kabul edilebilir. Plazma, serum, meni, gözyaşı gibi biyolojik sıvıların herhangi birinde ilgilenilen protein bildirilmişse, orada listelenecektir.

10. Doğrulama için protein için kiraz toplama ve ilgilenilen malignitenin teşhisi veya prognozu için daha fazla değerlendirme

NOT: Benzersiz moleküller tanımlandıktan sonra, en büyük zorluk bunların nasıl doğrulanacağıdır. Genellikle, mikroarray çalışması mRNA seviyelerinde ekspresyon sağlar, ancak hastalık teşhisi veya prognozu için protein seviyelerinin okunması çok önemlidir. Aynı şekilde, aynı kanserin hasta veya hasta kaynaklı örnekleri veya hücre hatları, molekülün gerçekten orada ifade edilip edilmediğini ve kanser ile normal veya iyi ile kötü prognoz arasında ayrım yapıp yapamayacağını veya hastalıkların erken ve geç evreleri arasında ayrım yapıp yapamayacağını bilmek için taranmalıdır. Aday molekülü doğrulamak için Western blot, enzime bağlı immünosorbent testleri, yani ELISA, immünopresipitasyon, immünohistokimya, immünositokimya veya test yararlı tekniklerdir 18,19,20. Aynı zamanda, tüm bu tahliller, numunelerde bulunan antijeni tespit etmek için antikorlar gerektirir. Antikor pahalı maddelerdir, bu nedenle aşağıdaki noktalara göre antikor seçmek her zaman daha iyidir:

  1. Antikorun diğer malignitelerde daha önce yayınlanmış herhangi bir araştırma makalesi bildirip bildirmediğini kontrol edin.
  2. Değilse, antikor sağlayıcı şirketi kontrol edin ve lekenin veya immünositokimyanın veya immünohistokimyanın bir resmini içeren bir veri sayfası sağlayıp sağlamadıklarına bakın.
    NOT: İmmünohistokimya yapmak istenirse, ancak antikor sadece ELISA testi için mevcutsa, hedef molekül bir transmembran alan taşıyan molekül ise, ancak sinyal peptidi değilse, bu antikoru özellikle kullanmak için bir risk olabilir. Ayrıca, antikor monoklonal veya poliklonal ise, monoklonal bir antikoru tercih etmek daha iyidir.

Sonuçlar

Örnek olarak, ESCC'de diferansiyel olarak araştırılan genleri incelemek için GEO katılım GSE161533 kullanıldı. Analizin temsili sonuçları Şekil 3'te gösterilmiştir. GEO2R, iki deney deneği grubu arasında önemli ölçüde farklılık gösteren olayları tanımlamak için yararlı olan bir yanardağ grafiği oluşturur. Volkan grafiği, y ekseninde -log10 dönüştürülmüş anlamlılık (p-değeri) ve x ekseninde kat değişiklikleri (log2 dönüştürülmüş kat değişikliği ile) ile genel gen dağılımını sunar (Şekil 3A) ve diferansiyel olarak ifade edilen genleri görselleştirmek için kullanışlıdır. Vurgulanan genler, 0.05'lik varsayılan bir p-değeri kesmesinde (mavi = aşağı regüle edilmiş, kırmızı = yukarı regüle edilmiş) önemli ölçüde diferansiyel olarak ifade edilir.

Ortalama fark (MD) grafiği, günlük2 kat değişikliği ve karşılaştırmayı görüntüler. Ortalama log2 ekspresyon değerleri ve diferansiyel olarak eksprese edilen genleri görselleştirmek için kullanışlıdır. MD grafiğinde, log2'nin dönüştüğü genler y ekseninde katlanır ve x ekseninde ortalama değer ifadesini kaydeder (Şekil 3B). Vurgulanan genler, 0.05'lik varsayılan bir p-değeri kesmesinde (mavi = aşağı regüle edilmiş, kırmızı = yukarı regüle edilmiş) önemli ölçüde diferansiyel olarak ifade edilir. Volkan grafikleri, aynı anda yalnızca iki tedaviden elde edilen bilgilerin görüntülenmesi açısından MA grafikleriyle aynı sorunlarla karşılaşmaktadır21.

Ayrıca, ESCC ile normal numuneler arasındaki ilişkiyi değerlendirmek için Tekdüzen Manifold Yaklaşımı ve Projeksiyonu (UMAP)22 kullanıldı (Şekil 3C). Örneklerin çoğu ilgili kategorilerde olmasına rağmen, normal örneklerde iki ESCC örneği bulundu.

GEO2R, veri kümesindeki ifade yoğunluğunu etkili bir şekilde gösteren bir 2B etkileşimli ifade yoğunluğu grafiği (Şekil 3D) sundu. Bu grafik, DEG'ler için normalleştirmenin gerekli olup olmadığını belirlemek için kullanışlıdır. Bu çizimde, y ekseni yoğunluğu belirtirken, x ekseni hem ESCC (yeşil renk) hem de normal (mor renk) için yoğunluğu belirtir.

Değerlerin ESCC ve normal dahil olmak üzere farklı numuneler arasındaki dağılımı kutu çiziminde gösterilmiştir. Bu dağılımlar, numunelerin diferansiyel ifade analizi için gerçekten uygun olup olmadığına dair ipucu verir. Medyan merkezli değerler, verilerin normalleştirildiğini ve çapraz karşılaştırılabilir olduğunu açıkça göstermektedir (Şekil 3E).

Tanımlanan genler p < 0.05 ve kat değiştirme kriterlerine göre filtrelenir. Değişmemiş genler (<2.0->0.50 arasında kat değişimi ile) analizden çıkarıldı. Ayrıca, daha önce yayınlanmış bir çalışma ile karşılaştırıldığında, bulunan ortak genler sadece 514'tür, ancak elde edilen benzersiz gen sayısı 1193'tür. GEO2R kullanarak benzersiz genleri tanımlamanın yalnızca fazlalığı azaltmakla kalmayıp aynı zamanda özeti zenginleştirmeye de yardımcı olabileceğini belirtmek önemlidir.

DEG'lerin kısmi bir listesi Tablo 1'de belirtilirken, DEG'lerin tam listesi Ek Dosya 1'de verilmiştir. MMP1 8,23,24, MMP12 23,25, SPP1 8,26, POSTN9 ve VCAN 8,27 gibi yukarı regüle edilmiş genlerin bazıları hücre dışı matrise aittir. Tablo 1'de listelenen diğer genler arasında CMPK2, AURKA28,29, CHEK127 ve CDK130 yukarı regüle edilir ve EMP127, PTK631,32, GPX327, DPT33, FHL134,35 ve CRNN 8,36 bulunur ESCC'de normal epitel ile karşılaştırıldığında aşağı regüle edilir. POSTN (Periostin) ESCC'de yukarı regüle edilmiştir ve ayrıca özofagus adenokarsinomu durumunda da bildirilmiştir. ESCC ile ilgili daha önceki bir çalışmada, POSTN protein ekspresyonunun sadece stromal bölgede değil, aynı zamanda tümör hücrelerinde de gözlendiği bildirilmiştir, bu da tümör-mikroçevre9 arasında bir etkileşim olduğunu düşündürmektedir. Periostin, esas olarak mezenkimal hücreler tarafından salgılanan ve osteoblastların düzenlenmesi, yapışması ve farklılaşmasında ve ayrıca yara onarımında çok önemli bir rol oynayan bir proteindir. Ek olarak, periostin, ESCC dahil olmak üzere çeşitli kanserlerde tümör ilerlemesi ve metastazı ile ilişkilendirilmiştir. Çalışmalar, periostinin kanserlerde ve tümör anjiyogenezinde epitelden mezenkimal geçişe (EMT) dahil olduğunu, hücre göçünü, motilitesini, adezyonu ve tümörlerin metastatik hücre büyümesini teşvik ettiğini göstermiştir. Yemek borusunun kanser öncesi bir durumu olan Barrett özofagusunda, normal özofagus dokusuna kıyasla periostini kodlayan gen olan POSTN'de önemli bir yukarı regülasyon vardır37. Özofagusun inflamatuar bir hastalığı olan eozinofilik özofajitte, hem periostin mRNA hem de protein ekspresyon seviyeleri normal özofagus epiteline kıyasla yukarı regüle edilir. Benzer şekilde, ESCC'de POSTN'nin gen ekspresyon analizinde9 11 kat yukarı regüle olduğu bulundu. Bu bulgular, POSTN'nin ESCC ve diğer kanserler için potansiyel bir biyobelirteç olarak hizmet edebileceğini düşündürmektedir. Ayrıca, kemik metastazı ile diyagonalize meme kanseri hastalarında artmış serum POSTN seviyeleri bildirilmiştir, bu da POSTN'nin ESCC hastalarının serumlarında potansiyel bir metastatik biyobelirteç olarak daha fazla araştırılabileceğini yansıtmaktadır. Genel olarak, POSTN tümör ilerlemesinde önemli roller oynuyor gibi görünmektedir ve kanser teşhisi, prognozu ve tedavisi için potansiyel klinik etkileri olabilir.

DEG'lerin bireysel kromozomlar üzerindeki kromozomal dağılımı, maksimum gen sayısının 1-6 ve X kromozomlarından olduğunu göstermektedir (Şekil 4). ShinyGO tabanlı yol analizi, DEG analizi sırasında bir dizi önemli yolun ortaya çıktığını gösterdi. Bunlardan bazıları IL-17 sinyal yolu, protein sindirimi ve emilimi, ECM-reseptör etkileşimi, TNF-sinyal yolu, Toll benzeri reseptör sinyal yolu, kemokin sinyal yolu, sitokin-sitokin reseptör etkileşimi, alkol karaciğer hastalığı, kanserde mikroRNA'lar, kanserde transkripsiyonel düzensizlik, hücre döngüsü ve ESCC'de NONO benzeri reseptör sinyal yolağıydı. Ayrıca, DEG'lerde GO terimlerinin zenginleştirilmesi g: Profiler analizi kullanılarak yapılmıştır. Moleküler fonksiyon (GO: MF), hücresel bileşenler (GO: CC) ve biyolojik süreçler (GO: BP) için farklı GO terimleri zenginleştirilmiştir (Şekil 5). Bu GO terimlerinin listesi Tablo 2'de verilmiştir.

figure-results-1
Şekil 1: Özofagus skuamöz hücreli karsinomu ile ilgili çalışmaların GEO2R programı kullanılarak gen ekspresyonu omnibusunda mevcut olması için şematik gösterim. Diferansiyel Olarak Düzenlenmiş Genlerin (DEG'ler) veya Diferansiyel Olarak Düzenlenmiş Moleküllerin (DEM'ler) tanımlanmasında yer alan farklı adımlar, kat değişimine dayalı DEG'ler için seçim kriterleri >2.0 kat ve yukarı regüle edilenler için p < 0.05 ve aşağı regüle edilenler için <0.5 ve p-değeri <0.05 dahil olmak üzere şemada gösterilmiştir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Özofagus skuamöz hücreli karsinomunda diferansiyel olarak düzenlenmiş genler hakkında ek bilgi bulmak için şematik gösterim, kamuya açık diğer kaynaklar kullanılarak mevcuttur. Ek olarak, klinik ortamda daha fazla doğrulama ve değerlendirme için DEG'lerin seçilmesi gerektiğine karar vermede bilgi DEG'leri çok önemlidir. Alijerin çıkarılması, resmi gen sembolü, kromozom yeri/gen lokusu, OMIM, alan/motif, proteinin salgı doğası ve protein seviyelerinde doğrulama için uygun antikorun mevcudiyeti gibi bilgiler farklı çevrimiçi kaynaklardan elde edilebilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: ESCC ile normal arasında DEG'lerin tanımlanması için GEO2R programı kullanılarak GEO katılımlı GSE161533 çalışmanın dağılımı . GEO2R programı, (A) Y ekseninde -log10 dönüştürülmüş anlamlılık (p-değeri) ile gen dağılımını temsil eden volkan grafiği ve x ekseninde kat değişiklikleri (log2 dönüştürülmüş kat değişikliği ile), (B) diferansiyel olarak ifade edilen genleri görselleştirmek için log2 kat değişimine karşı ortalama log2 ifade değerlerini gösteren MD-çizim grafiği, (C) UMAP (Tekdüzen Manifold Yaklaşımı ve Projeksiyonu), numunelerin türlerine göre ayrılmasını gösterir, (D) İfade yoğunluğu grafiği, diferansiyel ifade analizinden önce verilerin normalizasyonunu kontrol ettiği için tamamlar, (E) Verilerin normalleştirilmesinin çapraz karşılaştırılabilir olduğunu belirtmek için örnekler arasında medyan merkezli değerleri gösteren kutu grafiği. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: ShinyGO zenginleştirme aracı kullanılarak DEG'lerin farklı kromozomal lokuslar üzerindeki dağılımı. (A) Benzersiz genler, mevcut ve daha önce yayınlanmış çalışmaları karşılaştırmak için bir Venn şeması oluşturularak tanımlandı. (B) DEG'lerin genomdaki farklı kromozomlar üzerindeki dağılımı. (C) ShinyGO tabanlı zenginleştirme analizi kullanılarak DEG'ler için yol zenginleştirme. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: Manhattan'ın hedef genlerin GO terim zenginleştirmelerini g: Profiler kullanarak göstermek için çizimleri. Diferansiyel olarak ifade edilen genler g: Profiler ve GO terimlerinde zenginleştirme (MF: moleküler fonksiyon; BP: biyolojik süreç; CC: hücresel bileşen) ve Reactome yolları (REAC), WiKi-Yolları (WP), transkripsiyon faktörü (TF) ve mikroRNA hedef tabanı (MIRNA) boyunca KEGG yolları, x ekseninin kategoriye göre renklendirilmiş GO fonksiyonel terimleri olduğu Manhattan grafiğinde grafiksel olarak gösterildi. Her renkli nokta bir GO terimini temsil eder. Y ekseni, ayarlanmış -log10p değerlerini gösterir. ESCC için istatistiksel olarak anlamlı olan GO terimleri x ekseninde gösterilir. MF: Moleküler Fonksiyon; BP: Biyolojik süreç; CC: Hücresel bileşen; MİRNA: MikroRNA; HP: İnsan Fenotipi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: ESCC'de diferansiyel olarak ifade edilen genlerin kısmi listesi. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: ESCC'de GO terimlerinin g: Profiler kullanılarak zenginleştirilmesi. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Ek Dosya 1: ESCC'de diferansiyel olarak ifade edilen genlerin tam listesi. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Yüksek verimli OMICS tekniklerinin kanser biyolojisine dahil edilmesinden bu yana, veri üretme hızı önemli ölçüde artmıştır. Bu, araştırmacılar için, özellikle de bilgisayar meraklısı bir doğaya sahip olmayanlar için bir zorluk teşkil etmektedir. Yıllar içinde üstesinden gelmek için biyoinformatikçiler, verileri organize bir şekilde sağlamak için bir veri tabanı geliştirme fikrini ortaya attılar. Bu, araştırmacılardan, özellikle de teknolojiyle ilgilenmeyenlerden olumlu bir yanıt aldı. Ayrıca, literatürde burada ve orada dağınık OMICS verilerinin kimseye faydası yoktur. Bu nedenle, bunu doğru bir şekilde kullanmak için, özel ilgi alanlarına sahip araştırmacıların gidip verilere erişebilecekleri ortak bir platforma her zaman ihtiyaç vardı. ONCOMINE38, ESCC ATLAS39, pankreas kanseri veritabanı (PCD)40 ve DDEC41 dahil olmak üzere farklı kanserlerle ilgili bir dizi veri tabanı vardır.

Diferansiyel olarak ifade edilen genler (DEG'ler) kavramı, iki veya daha fazla koşulda (kansere karşı normal veya tedaviye karşı kontrol gibi) ekspresyon seviyelerinde önemli değişikliklere sahip genlerin tanımlandığı RNA dizileme verilerinin analizinden kaynaklanır. DEG'leri belirlemek için, ham RNA-seq okumalarının veya kanser ile normal gruptaki prob ile hedef dizi arasında oluşturulan yoğunluk oranlarının hesaplamalı analizlerinden değerlendirilen ifade edilen genlerin niceliklerine dayalı istatistiksel testler gerçekleştiren çeşitli araçlar geliştirilmiştir . Bu araçlar, her bir gen için ekspresyon seviyesi ve farkın ikili büyüklüğü ile ilgili bilgi sağlar. Diferansiyel gen ekspresyonu (DGE) analizleri, organizmalardaki fenotipik farklılıklara katkıda bulunan genetik mekanizmaları anlamak için yararlıdır. DGE analizleri, tümör kökeni tespiti ve/veya mikrobiyom analizi dahil olmak üzere çeşitli biyolojik süreçleri incelemek için uygulanmıştır. DEG'leri tanımlayarak, bu analizler ESCC tümör oluşumu21'de yer alan bu biyolojik süreçlere katkıda bulunan altta yatan genetik faktörler hakkında fikir verebilir.

Literatürde mevcut çalışmaların çoğunun farklı algoritmalar kullanılarak analiz edilmiş olması nedeniyle kamuya açık olan ve en çok tercih edilen yöntem olan GEO2R araç yöntemi, veri analizinde büyük farklılıklara yol açmıştır; Bu nedenle, bu farklılıklardan kaçınmak için, ücretsiz ve kullanımı kolay olduğu için bu kullanıcı dostu platform kullanıldı. Bu, 'Kansere karşı Normal' veya 'Tedaviye karşı Tedavi Yok' gibi durumlar arasında karşılaştırmalara izin verir.

Bu durumda, ESCC, Hindistan ve Çin'de gastrointestinal (GI) sistemin ortaya çıkan bir kanseri olduğu için seçilmiştir. ESCC ile ESCC arasındaki DEG'leri belirlemek için GEO2R kullanarak analiz etmek için GEO erişim GSE161533 seçiyoruz. normal. Çalışma, daha önce kemoterapi veya radyoterapi tedavisi almış ESCC hastalarını içermediği için seçildi. Herhangi bir analiz için varsa eşleştirilmiş numunelerin (ESCC ve aynı hastadan alınan bitişik normal) kullanılması tercih edilir. Bunun nedeni, ESCC genomu ile aynı hastadan alınan normal dokuların, aynı genetik altyapıdan geldikleri ve dokuların aynı ortamda oldukları için çok benzer olmasının beklenmesidir. Eşleştirilmiş örneklerin kullanılması, ESCC ile farklı genetik geçmişlere sahip farklı hastalardan alınan normal dokuları karşılaştırmanız durumunda ortaya çıkabilecek analizde yanlılığı önlemeye yardımcı olur. Eşleştirilmiş örneklerin kullanılması, aynı hastadaki ESCC ve normal dokular arasındaki gen ekspresyonu farklılıklarının daha doğru bir şekilde tanımlanmasına olanak tanır ve bu da sonuçların özgüllüğünü iyileştirmeye yardımcı olabilir. Bu yaklaşım, bireysel değişkenliği kontrol etmek ve analitik gücü artırmak için gen ekspresyonu çalışmalarında sıklıkla kullanılmaktadır.

Çalışmaya dahil olan deneklerden tüm örnek verileri aldık ve gen ekspresyon verilerini analiz etmek için GEO2R platformunu kullandık. Önce kanser örnekleri verdik, ardından normal örnekler aldık. Bu numuneler atandıktan sonra, kanser veya tedavi numunelerini ve normal veya kontrol numunelerini tanımlamak için GEO2R veritabanında bulunan varsayılan parametreler kullanıldı. Kanser ve normal numuneler arasında ayrım yapmak için, yukarı regüle edilmiş genler için 0.05'ten daha düşük bir ayarlanmış p-değeri (sıfat. P Val) eşiği ve >2.0'lık bir kat değişim eşiği ve 0.05'ten daha az ayarlanmış bir p-değeri (sıfat. P Val) eşiği ve aşağı regüle edilmiş genler için <0.5'lik bir kat değişim eşiği. Bu eşikler, kanser ile normal arasında farklı şekilde ifade edilen genleri tanımlamak için gen ekspresyonu çalışmalarında yaygın olarak kullanılmaktadır. Anlamlılık için eşik seçiminin, diferansiyel olarak ifade edilen genlerin sayısını ve kimliğini etkileyebileceğini belirtmek önemlidir. Ek olarak, tanımlanan genlerin biyolojik uygunluğunu dikkatli bir şekilde değerlendirmek ve sonuçları doğrulamak için daha fazla doğrulama çalışması yapmak önemlidir.

Literatürde, özellikle mikroarray ve proteomik çalışmalarda, sadece yukarı regüle edilen genler için en az 2 kat, aşağı regüle edilen genler için <0.5 kat değişim gösteren genlerin rapor edilmesi eğilimi olmuştur42. Daha önceki çalışmalarda, >1.5 katlık bir kat değişimi, aşağı regüle edilmiş genler için yukarı regüle edilmiş ve <0.67 katlık bir değişim olarak kabul edilmiştir43,44, ancak son on yıldaki literatür eğilimleri, daha yüksek kat değişiminin büyük ölçüde tercih edildiğini göstermektedir, çünkü düşük katlama değerine sahip adaylar üzerinde doğrulama deneyleri yapıldığında, bunlar ya zayıftır ya da mRNA ile protein seviyeleri arasında korelasyon bulunamamıştır45. Daha yüksek kat değişimini seçmenin karanlık bir tarafı vardır, çünkü bazen hastalık veya kanserle biyolojik olarak ilgili olan bazı molekülleri kaçırırsınız, ancak DEG'ler/DEM'ler listesini yapmak için tercih edilen kesme nedeniyle sadece ihmal edilir. Ayrıca, literatür, DEG'lerin özellikle yetersiz ifade edilenlerden ziyade yukarı regüle edilmiş veya aşırı eksprese edilmiş molekülleri tercih ettiğini bildirme konusunda önyargılıdır. Ayrıca, moleküllerin ekspresyonu, aynı kanser veya hastalık için olup olmadıklarına bakılmaksızın, birden fazla çalışmada aynı yukarı regülasyon veya aşırı ekspresyon modellerine uyuyorsa, bilim adamları arasında tercih edilen bir yaklaşımdır. Ek olarak, aynı aşırı ekspresyon paterni birden fazla hastalıkta gözlenir ve literatürde bildirilirse, bilim camiasında yine yaygın olarak kabul görmektedir.

Ayrıca, hastalıkların benzerliği, karşılaştırma için mikroarray verilerinin mi yoksa literatürün mü kullanıldığına bağlıdır. Son olarak, literatürde diferansiyel ifade büyüklüklerinin gevşek bir şekilde tanımlanmış açıklamaları, mikrodizi kat değişim verileri ile yalnızca sınırlı bir korelasyon sergilemektedir46.

Ayrıca, bir özet, NCBI Entrez gene47, HGNC48, OMIM49, HPRD50,51, Ensemble52, KEGG53, WikiPathways54, GO55, miRBase56 ve DGV57 gibi veritabanlarından ek bilgi sağlayabilir. GEO2R kullanılırken, UMAP'ın bir değerlendirmesi, numunelerin nasıl ilişkili olduğunu gösterir. Mevcut analizde, iki ESCC numunesi normal numunelerle doldurulur, bu da bir numune alma hatası olduğunu veya ESCC numunelerinin normal numuneler grubunda görünecek kadar heterojen olduğunu düşündürür.

GEO2R aracı kullanıcı dostudur ve kolayca erişilebilir, ancak bazı sınırlamaları vardır. GEO2R, kalite kontrolünden sonra PCA grafikleri ve ısı haritaları oluşturma veya numuneleri filtreleme yeteneğinden yoksundur. Aynı seri içindeki örnek karşılaştırmaları için yalnızca tek bir Venn şeması sağlar. GEO2R, Seri Matris dosyalarıyla sınırlıdır ve seriler arası karşılaştırmaları önler. Ek olarak, GEO2R yalnızca mikrodizi verilerini analiz eder ve numune normalliği veya çapraz karşılaştırılabilirlik için kalite kontrollerine sahip değildir. GEO2R, sınırsız sayıda arama sonucuna izin vermez ve bir veri kümesi içindeki herhangi bir ikili karşılaştırma için yalnızca ilk 250 geni görüntüler. Ayrıca, sağlam bir istatistiksel analiz için yetersiz örnek kopyalarına sahip veri kümelerini de analiz eder. GEO2R, log fold change'de veri sağlar, bu da r kullanarak veya bir excel sayfasında katlama değişikliğine dönüştürülmesini gerektirir. Ayrıca, yukarı ve aşağı regüle edilmiş genleri temsil etmek için, ısı haritası 58,59,60 yapmak için başka bir yazılım veya çevrimiçi araç kullanmak gerekir.

Özet olarak, bu makalede, küçük değişikliklerle her türlü malignite için bir özet yapmak için kullanılabilecek basit bir boru hattı sağlanmıştır. Özetler, biyomedikal bilim adamlarını, özellikle biyobelirteç keşfi için, aday moleküllerin prognoz veya tanı için kullanımları için klinik ortamda doğrulanmasını sağlayarak desteklemek için günün ihtiyacıdır.

Açıklamalar

Yazarların ifşa edecek hiçbir şeyi yok.

Teşekkürler

MKK, sırasıyla Bilim ve Mühendislik Araştırma Kurulu (SERB), Bilim ve Teknoloji Departmanı ve Hindistan Tıbbi Araştırma Konseyi (ICMR), Hindistan Hükümeti, Yeni Delhi'den TARE bursu (Hibe # TAR/2018/001054) okul dışı hibe (Hibe # 5/13/55/2020/NCD-III) alıcısıdır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
NCBI-PUBMEDNCBIBölüm 1'e atıfta bulunarak, literatür taraması için gereklidir
: İnternet tesisi ve web tarayıcısı olan bir dizüstü bilgisayar/macbook veya kişisel bilgisayar.
g:Profil OluşturucuELIXIR altyapısıhttps://biit.cs.ut.ee/gprofiler/gostGO:MF, GO:BP ve GO:CC'nin zenginleştirilmesi için gerekli olan bölüm 4.10'a atıfta bulunularak
Gen ekspresyonu omnibusNCBIhttps://www.ncbi.nlm.nih.gov/geo/Bölüm 3.1'e atıfta bulunarak. mikroarray çalışma veritabanı
arama yapmak için gereklidir.https://www.ncbi.nlm.nih.gov/geo/geo2r/GEO2R aracı Google Google https://www.google.com kullanılarak verilerin analiz edilmesi için gerekli olan bölüm 3.2'ye atıfta bulunularak
1.1'e atıfta bulunularak HGNC literatür taraması için gereklidir
HGNC, İnsan Genomu Organizasyonu'nun (HUGO) bir komitesidirhttps://www.genenames.orgBölüm 6.1'e atıfta bulunarak, DEGs 'nin resmi gen sembolünü bilmek gereklidir;
HPRDBiyoinformatik Enstitüsü, Bangluru  http://hprd.orgProtein mimarisi hakkında bilgi için gerekli olan bölüm 5.1'e bakınız 
OMIM  Johns Hopkins Üniversitesi, Baltimorehttp://www.omim.org/entryBelirli bir genin OMIM ID'sini bilmek için gerekli olan bölüm 8.1'e atıfta bulunularak / DEG
Pangloss ProgramıChris Seidel tarafından geliştirilmiştirhttp://www.pangloss.com/seidel/Protocols/venn.cgiBölüm 4.9'a atıfta bulunularak. Venn diyagramını oluşturmak için gereklidir
KaliforniyaÜniversitesi'ndeki PANTHER Thomas laboratuvarıhttp://www.pantherdb.org/geneListAnalysis.doBölüm 4.10'a atıfta bulunarak, GO:MF, GO:BP ve GO:CC'nin zenginleştirilmesi için gereklidir
ShinyGO Güney Dakota Eyalet Üniversitesihttp://bioinformatics.sdstate.edu/goBölüm 4.10'a atıfta bulunarak. kromozomlar üzerindeki DEG'lerin tahsisi için gereklidir
https://ncbi.nlm.nih.gov/pubmed GEO2R NCBI'de Bölüm Güney .

Kaynaklar

  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).

Yeniden basım ve izinler

Etiketler

Diferansiyel Gen EkspresyonuMikroarray AnaliziBiyoinformatik İş AkışıDiferansiyel Eksprese Edilmiş GenlerBiyobelirteç TanımlamaFonksiyonel Yolak AnaliziPopülasyona Özgü TaramaKanser BiyobelirteçleriYüksek Verimli Teknolojiler
Özofagus Skuamöz Hücreli Karsinomu için Özet Geliştirme
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.