You must be logged into post a comment.
Αφηρημένο
Ιστορικό
microRNAs (miRNAs) ρύθμιση γονιδίων-στόχων στο μετα-μεταγραφικό επίπεδο και παίζουν σημαντικό ρόλο στην παθογένεση και την ανάπτυξη του καρκίνου. Διακύμανση μεταξύ των ατόμων είναι ένας σημαντικός παράγοντας σύγχυσης στην miRNA (ή άλλες) μελέτες έκφρασης. Το αληθινό χαρακτήρα των βιολογικά ή κλινικά σημαντική διαφορική έκφραση μπορεί να επισκιαστεί από διακύμανση μεταξύ των ασθενών. Σε αυτή τη μελέτη έχουμε ως στόχο να προσδιορίσει miRNAs με συνεπή διαφορική έκφραση σε πολλούς τύπους όγκων χρησιμοποιώντας μια νέα προσέγγιση ανάλυσης δεδομένων.
Μέθοδοι
Χρησιμοποιώντας μικροσυστοιχίες είμαστε προφίλ της έκφρασης περισσότερο από 700 miRNAs σε 28 ταιριασμένων όγκος /κανονικά δείγματα από 8 διαφορετικούς τύπους όγκων (μαστού, παχέος εντέρου, του ήπατος, του πνεύμονα, λέμφωμα, των ωοθηκών, του προστάτη και των όρχεων). Αυτό το σύνολο είναι μοναδικό στο να δίνεται έμφαση στην ελαχιστοποίηση τύπου ιστού και ασθενούς μεταβλητότητα που σχετίζονται με τη χρήση φυσιολογικών και καρκινικών δειγμάτων από τον ίδιο ασθενή. Αναπτύσσουμε βαθμολογίες για τη σύγκριση της έκφρασης των miRNAs στα ανωτέρω στοιχεία ταιριάζουν δείγματος με βάση ένα αυστηρό χαρακτηρισμό της κατανομής των στατιστικών στοιχείων προκειμένου πάνω από ένα διακριτό σύνολο κατάσταση, συμπεριλαμβανομένων ακριβείς τιμές p. Συγκεκριμένα, υπολογίζουμε μια βαθμολογία κατάταξης Συνοχή (ΠΕΚ) για κάθε miRNA μετριέται στα δεδομένα μας. μέθοδοι μας είναι επίσης να εφαρμοστεί σε διάφορες άλλες περιπτώσεις. Συγκρίνουμε τις μεθόδους μας, όπως εφαρμόζεται στα αντίστοιχα δείγματα, με paired t-test και το Wilcoxon Signed Rank τεστ.
Αποτελέσματα
Έχουμε προσδιορίσει συνεπή (σε όλες τις μορφές καρκίνου μετριέται) διαφορικά εκφρασμένων miRNAs . 41 miRNAs είναι υπό-εκφράζεται σε καρκίνο σε σύγκριση με το κανονικό, σε FDR (False Discovery Rate) 0,05 και 17 είναι υπερ-εκφράζεται στο ίδιο επίπεδο FDR. Διαφορικά εκφραζόμενο miRNAs περιλαμβάνει γνωστά oncomiRs (π.χ. miR-96), καθώς και miRNAs που δεν είχαν προηγουμένως καθολικά σχετίζονται με τον καρκίνο. Ειδικά παραδείγματα περιλαμβάνουν miR-133Β και miR-486-5p, τα οποία είναι σταθερά κάτω ρυθμίζονται και Mir-629 *, που είναι σταθερά επάνω ρυθμισμένο σε καρκίνο, στο πλαίσιο της κοόρτης μας. Τα δεδομένα είναι διαθέσιμα σε GEO. Το λογισμικό είναι διαθέσιμο στη διεύθυνση: https://bioinfo.cs.technion.ac.il/people/zohar/RCoS/
Παράθεση: Navon R, Wang Η, Steinfeld Ι, Tsalenko Α, Ben-Dor Α, Yakhini Z (2009) Μυθιστόρημα Rank-Based Στατιστικές Μέθοδοι Αποκαλύπτουν Τα microRNAs με διαφορική έκφραση σε πολλαπλούς τύπους του καρκίνου. PLoS ONE 4 (11): e8003. doi: 10.1371 /journal.pone.0008003
Επιμέλεια: Θωμάς Preiss, Victor Chang Καρδιακές Ίδρυμα Ερευνών (VCCRI), Αυστραλία
Ελήφθη: 26 Ιούλ, 2009? Αποδεκτές: 29 Οκτ 2009? Δημοσιεύθηκε: 25 του Νοέμβρη 2009
Copyright: © 2009 Navon et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται
Χρηματοδότηση:. RN, IS και ZY υποστηρίχθηκαν εν μέρει από μια επιχορήγηση της Ευρωπαϊκής Ένωσης, το 6ο ΠΠ, στο πλαίσιο του έργου MultiKnowledge. Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου
Αντικρουόμενα συμφέροντα:. RN, HW, AT, ABD και ZY είναι εν ενεργεία υπαλλήλους της Agilent Technologies. IS είχε προσληφθεί από την Agilent Technologies κατά τη διάρκεια μέρους του χρόνου της μελέτης. Οι συγγραφείς τηρούν πλήρως σε όλες τις PLoS ONE πολιτικές για την ανταλλαγή δεδομένων και υλικών.
Εισαγωγή
προφίλ γονιδιακής έκφρασης συνήθως εφαρμόζονται για τον προσδιορισμό των διαφορών μεταξύ των κατηγοριών των κυτταρικών τύπων, όπως εκδηλώνεται στα διαφορικά εκφρασμένων γονιδίων [1] – [4]. Ένα τυπικό σύνολο δεδομένων αποτελείται από δεκάδες δείγματα στα οποία μετρώνται τα επίπεδα έκφρασης χιλιάδων γονιδίων. Σε διαβαθμισμένων δεδομένων έκφραση το σύνολο των δειγμάτων χωρίζεται σε διαφορετικά υποσύνολα ή τάξεις με βάση την προηγούμενη γνώση, όπως φυσιολογικά δείγματα εναντίον δείγματα όγκων ή δείγματα διαφορετικών τύπων καρκίνου. Ομοίως, μπορεί να χωριστεί σε διαφορετικές συνθήκες, διαφορετικά στάδια, ή διαφορετικές κατηγορίες που σχετίζονται με τη θεραπεία. Το μεγαλύτερο μέρος της υπάρχουσας βιβλιογραφίας ανάλυσης δεδομένων εστιάζει στην εξέταση του όλη τη δέσμη στοιχείων στη διαδικασία προσδιορισμού διαφορικά εκφρασμένων γονιδίων. Διάφοροι τύποι γονιδιωματικής μεταβολής είναι σημαντική και συχνά αγνοούνται παράγοντες σύγχυσης στις μελέτες διαφορικής έκφρασης. Για παράδειγμα, στο Shyamsundar et al. [5] το αγγελιαφόρο RNA παραλλαγή συντάκτες της έρευνας επίπεδο έκφρασης σε κανονικούς ανθρώπινους ιστούς, που δείχνει τις πιθανές συγχυτικές επιδράσεις της διακύμανσης μεταξύ των ιστών.
Θα ήταν χρήσιμο να προσδιοριστούν στατιστικά σημαντικές διαφορές σε διάφορα δείγματα που μπορούν να αποδοθούν αξιόπιστα με τη συγκεκριμένη βιολογική κατάσταση, όπως ο καρκίνος ή ασθένεια, αντί των μεμονωμένων βιολογικών παραλλαγές, όπως αναφέρθηκε πιο πάνω. Σε πολλές περιπτώσεις, υπάρχει δυνατότητα για τη σειριακή συλλογή ιστών ή αίματος από έναν ασθενή, πειραματόζωο ή κυτταρική γραμμή [6], [7]. Ωστόσο, πολλές τεχνικές τρέχουσα ανάλυση δεν εκμεταλλεύονται τις μοναδικές σχέσεις μέσα σε τέτοια δεδομένα. Σε άλλες περιπτώσεις, την τάξη ή τη μεταβλητότητα των ασθενών μπορούν να καλύψουν διαφορική έκφραση και πρέπει να αντιμετωπιστεί. Σε αυτή τη μελέτη αναλύουμε αντίστοιχα δείγματα για τη διερεύνηση του όγκου εναντίον κανονική διαφορική έκφραση, η οποία είναι συνεπής για πολλούς τύπους όγκων, και περιγράφουν κατάλληλα και ισχυρή στατιστικών μεθόδων που υποστηρίζουν την εν λόγω έρευνα.
Σήμερα, εκατοντάδες microRNAs (miRNAs) έχουν ταυτοποιηθεί στον άνθρωπο. Αυτές είναι σύντομες (συνήθως περίπου 22-nt) μη κωδικοποιητική ρυθμιστικά μόρια RNA και οι αλληλουχίες τους δημοσιεύονται στην Sanger miRBase [8]. miRNA προφίλ έκφρασης έχει αναγνωριστεί για να παρέχει πολύτιμες βιολογικές πληροφορίες με δυνατότητα να συμπληρώσει ή να αντικαταστήσει mRNA προφίλ [9]. miRNAs ρυθμίζουν γονίδια στόχους στο μετα-μεταγραφικό επίπεδο και παίζουν σημαντικό ρόλο στην ανάπτυξη, καθώς και στον καρκίνο [9] – [11] και σε άλλες ασθένειες του ανθρώπου, συμπεριλαμβανομένων των καρδιακών παθήσεων [12] – [14], η σχιζοφρένεια [15] και ψωρίαση [16]. miRNAs είναι εντόνως εκφράζονται διαφορικά σε διαφορετικούς τύπους ιστών [10]. Ως εκ τούτου, για τον εντοπισμό των miRNAs διαφορική έκφραση λόγω των ειδικών συνθηκών που πρέπει να ελαχιστοποιηθεί η σύγχυση επίδραση της εξαρτημένης διαφορικής έκφρασης παραπάνω ιστών.
Στόχος μας σε αυτή τη μελέτη είναι να εντοπιστούν miRNAs που σταθερά εκφράζονται διαφορικά σε πολλαπλούς τύπους καρκίνου . Για να αποφύγετε τον τύπο ιστού μεταβλητότητα και να μετρήσει σχετίζονται με τον καρκίνο διαφορική δραστηριότητα miRNA σε κάθε είδος ξεχωριστά? χρησιμοποιούμε μια αντίστοιχη δείγμα σύνολο δεδομένων αποτελείται από 32 μετρήσεις μικροσυστοιχιών που αντιπροσωπεύουν το 28 συμφωνημένα όγκου και φυσιολογικά δείγματα. Χρησιμοποιούμε μικροσυστοιχίες που περιέχουν ανιχνευτές για 799 miRNAs στο προφίλ έκφρασης των miRNAs σε αυτά τα δείγματα.
Το κίνητρό μας στην αναζήτηση miRNAs με συνεπή διαφορική έκφραση σε πολλούς τύπους καρκίνου προέρχεται από την υπάρχουσα γνώση ότι πολλές βιολογικές διεργασίες είναι κοινά σε διάφορους τύπους καρκίνους. Ειδικότερα, οι διάφοροι γονίδια που είναι γνωστό ότι καθολικά εκφράζονται διαφορικά σε πολλαπλές μορφές καρκίνου. Το πιο προφανές παράδειγμα είναι ρ53. p53 ανακαλύφθηκε για πρώτη φορά το 1979 και από τότε πολυάριθμες μελέτες έδειξαν την εμπλοκή της σε πολλαπλούς τύπους καρκίνου. Η σημασία της ρυθμιζόμενης δραστηριότητας της ανέπαφης p53 σε σχηματισμό πρόληψη όγκων υποδεικνύεται από την παρουσία μεταλλάξεων στο μονοπάτι ρ53 σε σχεδόν όλους τους καρκίνους [17], [18]. Ένα άλλο παράδειγμα μιας καθολικής πρωτεΐνης σχετίζονται με τον καρκίνο είναι ρ16. Αυτό το γονίδιο βρίσκεται σε χρωμόσωμα 9 και βρέθηκε να μεταλλαχθεί ή διαγραφεί σε πολλαπλούς τύπους καρκίνου [19] – [22]. Αυτά είναι μόνο δύο συγκεκριμένα παραδείγματα, ανάμεσα σε μια μεγάλη ποικιλία κυτταρικών διεργασιών που είναι καθολικά συνδέονται με τον καρκίνο.
Προηγούμενες μελέτες σχετικά με το ρόλο των miRNAs στον καρκίνο περιλαμβάνουν Lu et al. [9] που πραγματοποίησε έναν όγκο εναντίον κανονική ανάλυση πολλαπλής ιστού χρησιμοποιώντας χάντρα-based τεχνολογία κυτταρομετρία ροής σε μια μη αξιόπιστη τρόπο. Αυτή η μελέτη έδειξε ότι miRNAs είναι επαρκείς για να ταξινομήσει με ακρίβεια καρκινικούς ιστούς, σύμφωνα με τα εμβρυϊκά καταγωγή τους, δίνοντας παγκόσμια χαρακτηριστικά της έκφρασης miRNA στον καρκίνο. Μια άλλη μελέτη, με Volinia et al. [10], που περιγράφεται μέτρηση μικροσειρά 228 miRNAs σε 540 δείγματα (363 καρκίνου και 177 φυσιολογικό) από 6 διαφορετικούς τύπους ιστού. Εκτός από την παραγωγή miRNA υπογραφές, οι συγγραφείς ανέφεραν κάποια miRNAs που είναι σταθερά πάνω ή κάτω από εκφράζονται, αλλά δεν υπήρχε αναλυτική στατιστική συγκριτική αξιολόγηση για τη συνοχή της διαφορικής έκφρασης των miRNAs. Οι συγγραφείς δηλώνουν ότι κατά την ομαδοποίηση των δεδομένων τους σε μια ανεξέλεγκτη τρόπο, τα δείγματα βρίσκονται με βάση τους τύπους ιστών, ανεξάρτητα από την κατάσταση της νόσου, γεγονός που αντικατοπτρίζει την υψηλή διακύμανση των miRNAs κατά τη σύγκριση των τύπων ιστού. Αυτό ενισχύει τον ισχυρισμό μας παραπάνω, που οδηγεί σε miRNA μεταξύ τύπου ιστού βασική μεταβολή ως παράγοντας σύγχυσης όταν επιδιώκουν να μετρήσουν miRNA διαφορική καρκίνο έκφρασης. Αρκετές άλλες μελέτες επικεντρώνονται σε miRNAs σε συγκεκριμένους τύπους καρκίνου. Για παράδειγμα, Mir-15 και Mir-16 συχνά διαγράφονται και /ή προς τα κάτω σε Β-κυττάρων χρόνια λεμφοκυτταρική λευχαιμία [23], miR-143 και miR-145 δείχνουν μειωμένη έκφραση σε ορθοκολικό νεοπλασία [24], και miR-155 είναι up-ρυθμίζονται σε λεμφώματα Β κυττάρων ανθρώπου [25].
Για την υποστήριξη της έρευνας μας στόχους που έχουμε αναπτύξει στατιστικών μεθόδων που αφορούν τον χαρακτηρισμό κατανομές τυχαίων μεταβλητών που προκύπτουν από τη σύγκριση αντίστοιχα δείγματα. Στην περίπτωσή μας υπολογίζουμε διαφορική έκφραση σε κάθε τύπο όγκου και στη συνέχεια στατιστικά αξιολογήσει τον επιπολασμό της στο σύνολο δεδομένων μας. Οι μέθοδοι μας βασίζονται σε στατιστικά διακριτές, προκειμένου – το k-διάστατο διάνυσμα που λαμβάνεται με την κατάρτιση k ανεξάρτητων αριθμούς ομοιόμορφα σε 1 … Ν και στη συνέχεια τη διαλογή τους με αποτέλεσμα φορέα. Ενώ η διανομή των στατιστικών παραγγελία άνω συνεχής κατάσταση κενά είναι καλά χαρακτηριστεί, αυτό δεν είναι η περίπτωση για διακριτούς χώρους δείγματος, όπως επαναλήψεις μπορεί στη συνέχεια να συμβεί με θετική πιθανότητα. διανομές computing που σχετίζονται με τις στατιστικές διακριτά διαταγή απευθύνεται στο [26]. Για τις ανάγκες μας ορίζουμε τυχαίες μεταβλητές πάνω στατιστικά διακριτές, προκειμένου, χαρακτηρίζουν πλήρως κατανομές τους και στη συνέχεια να εφαρμόσει τις μεθόδους για να τα βιολογικά δεδομένα για την αξιολόγηση στατιστικής σημαντικότητας
Για να συνοψίσουμε, η συνεισφορά της παρούσας εργασίας αποτελείται από:.
η αυστηρή χαρακτηρισμό της κατανομής των στατιστικών στοιχείων ώστε πάνω σε μια ξεχωριστή κατάσταση που, καθώς και των συνδεδεμένων με τυχαίες μεταβλητές. Αυτή η κατανομή είναι ιδιαίτερα εφαρμόζεται στην ανάλυση προσαρμοσμένων δεδομένων σε μια μη παραμετρική εγκατάστασης. Μπορούμε επίσης να συγκρίνουν τις μεθόδους μας για να paired t-test και το Wilcoxon Signed Rank τεστ.
Ένα σύνολο δεδομένων με συμφωνημένα όγκου φυσιολογικά δείγματα που αντιπροσωπεύουν ένα ρεπερτόριο από 8 τύπους όγκων. Αυτό το σύνολο είναι μοναδικό στην έμφαση που δίνει στην ελαχιστοποίηση του τύπου ιστού και τη μεταβλητότητα που σχετίζονται με τον ασθενή μέσω της χρήσης των φυσιολογικών και καρκινικών δειγμάτων από τον ίδιο ασθενή.
Με την εφαρμογή των νέων στατιστικών στοιχείων που περιγράφονται παραπάνω για να ταιριάζει το σύνολο δεδομένων του δείγματος μας επικυρώνει τις γνωστές oncomiRs και περιγράφουν αρκετές νέες καρκίνο καθολική διαφορικά εκφρασμένων miRNAs. Θα πρέπει να σημειωθεί ότι αυτή η δεδηλωμένη καθολικότητας μόνο τεκμηριωμένες, στο πλαίσιο της μελέτης αυτής, για τους 8 τύπους που εκπροσωπούνται εδώ.
Η
Μέθοδοι
Το σημείο εκκίνησης για την ανάλυση των αποτελεσμάτων της μια έκφραση του γονιδίου ή miRNA προφίλ μελέτης είναι η
έκφραση ανεπεξέργαστα δεδομένα μήτρα
. Κατά την περιγραφή των μεθόδων που χρησιμοποιούμε τη λέξη «γονίδιο», αλλά «miRNA» μπορούν να χρησιμοποιηθούν εναλλακτικά. Αυτή η μήτρα είναι τυπικά η παραγωγή πολλών σταδίων προ-επεξεργασίας, όπως ομαλοποίηση και το φιλτράρισμα πραγματοποιήθηκαν στα δεδομένα των πρώτων μετρήσεων.
Συνήθως, η ανάλυση των δεδομένων του προφίλ έκφρασης ξεκινάει με τον προσδιορισμό και την στατιστική εκτίμηση των γονιδίων που είναι διαφορικά εξέφρασε κατά τη σύγκριση των διαφόρων κατηγοριών που εκπροσωπούνται στην ομάδα. Πολλές από τις σημερινές μεθόδους γονιδιακής βαθμολόγησης εξετάσει όλες τις τιμές έκφραση ενός συγκεκριμένου γονιδίου. Αυτά κατανεμήθηκε σε δύο ή περισσότερους πληθυσμούς, σύμφωνα με την ταξινόμηση που μελετήθηκαν. Οι διαφορές μεταξύ των προκυπτόντων υποσύνολα αριθμών αξιολογήθηκαν χρησιμοποιώντας διάφορες στατιστικές μεθόδους. μεθόδους γονίδιο βαθμολόγησης εμπίπτουν σε δύο γενικές κατηγορίες – παραμετρικές μεθόδους, και μη-παραμετρικές (διανομή δωρεάν) μεθόδους. Παραμετρικές μέθοδοι υποθέτουν ένα συγκεκριμένο διανομής για τις τιμές έκφραση κάθε γονιδίου σε κάθε δεδομένη τάξη (π.χ. καρκίνο ή κανονική) και στη συνέχεια σκοράρει γονίδια ανάλογα με το πόσο ξεχωριστή είναι η συγκεκριμένη κατηγορία διανομές. Παραδείγματα τέτοιων μεθόδων είναι το πρότυπο
t-test
[27] και το
Gaussian λάθους
σκοράρει [28]. Διανομή δωρεάν παρτιτούρες, σε αντίθεση, δεν βασίζονται σε παραμετρικές υποθέσεις. Αυτά περιλαμβάνουν το
Kolmogorov-Smirnov
βαθμολογίας [29], και το
Wilcoxon Rank-Sum
δοκιμών [30], καθώς και το
Πληροφορίες
σκοράρει [31] και
Threshold-Αριθμός-of-εσφαλμένων ταξινομήσεων
(
TNoM
σε συντομία) [31]. Οι τελευταίες μη παραμετρικές μέθοδοι εφαρμόστηκαν σε γονιδιακή έκφραση και άλλες γονιδιωματικές και γενετικών δεδομένων σε διάφορες μελέτες, όπως στο [2], [32] – [35]
Αυτή η εργασία ασχολείται με πρόσθετες και δυνητικά πιο σχετικές πληροφορίες. ότι μπορεί να συναχθεί όταν τα δεδομένα έκφρασης που προέρχονται από διάφορους ασθενείς και όταν μετρήθηκαν όλες οι τάξεις για κάθε ασθενή. Για παράδειγμα, τα δείγματα πριν και μετά τη θεραπεία για τον ίδιο ασθενή. Ένα άλλο παράδειγμα είναι όγκου και τα κανονικά δείγματα από τον ίδιο ιστό του κάθε ασθενή, ένα σχέδιο που χρησιμοποιείται σε αυτό το έργο. Οι βαθμολογίες αναπτύσσουμε λάβει υπόψη το βαθμό στον οποίο ένα γονίδιο που χωρίζει δύο τάξεις σε μια μεγάλη πλειοψηφία των ασθενών. Η ερμηνεία είναι ότι ένα γονίδιο είναι σχετική με την υποκείμενη βιολογία εάν είναι ιδιαίτερα εκφράζονται διαφορικά για τους περισσότερους από τους ασθενείς. Επιπλέον, μπορούμε να επισυνάψετε ένα επίπεδο σημαντικότητας (p-value) για κάθε επίπεδο βαθμολογίας ενδιαφέρον. Η τιμή p είναι η πιθανότητα να πάρει αυτό το επίπεδο ή καλύτερα, τυχαία, όπως περιγράφεται παρακάτω με περισσότερες λεπτομέρειες. Αυστηρή στατιστική ανάλυση είναι καθοριστικής σημασίας στην αυτοπεποίθηση εντοπισμό γονιδίων που απότομα χωριστές τάξεις του δείγματος και ως εκ τούτου στην δείχνοντας υπόσχεται ερευνητικές κατευθύνσεις. Μερική παραλλαγές από τις μεθόδους που περιγράφονται σε αυτό το έγγραφο χρησιμοποιήθηκαν στο [6], και [36]. Είναι ιδιαίτερα σημαντικό να συνεργαστεί με συμφωνημένα στατιστικά στοιχεία κατά την ανάλυση των δεδομένων έκφρασης των miRNAs, ως βασικό επίπεδο για αυτά μπορεί να είναι εξαιρετικά μεταβλητή, ειδικά σε διακριτές ιστούς [10].
Στην ενότητα αυτή περιγράφουμε τις στατιστικές μεθόδους σε υψηλές γενικότητα . Συγκεκριμένες εφαρμογές, στο πλαίσιο της συνεπούς όγκου σε σχέση με την κανονική διαφορική έκφραση των miRNAs, περιγράφονται στην ενότητα Αποτελέσματα.
Rank Συνέπεια Βαθμολογία (ΠΕΚ)
Η βαθμολογία κατάταξης Συνοχή (ΠΕΚ) είναι μια διαφορική βαθμολογία έκφρασης για 2 μαθήματα που παίρνει ταιριάζουν ασθενή υπόψη.
Καλούμε τις δύο κατηγορίες κλάσης Α και κλάσης Β πρώτα υπολογίζουμε την διαφορική έκφραση μεταξύ των δύο κατηγοριών για κάθε ασθενή (ή το θέμα ή το υποσύνολο)
k = 1 … r
και για κάθε γονίδιο
g
. Η διαφορική έκφραση μπορεί να υπολογιστεί χρησιμοποιώντας διαφορετικές μεθόδους και η μέθοδος που επιλέγεται εξαρτάται από το σχεδιασμό της μελέτης και για τον αριθμό των δειγμάτων για κάθε ασθενή. Διαφορική βαθμολογίες έκφραση περιλαμβάνουν: φορές αλλαγή, Gaussian όρος σφάλματος,
t-test
, TNoM και άλλες μεθόδους. Συχνά ο αριθμός των δειγμάτων για κάθε ασθενή και την τάξη είναι 1, χρησιμοποιείται τόσο απλή αλλαγή φορές.
Στη συνέχεια, κατατάσσονται όλα τα γονίδια ανά ασθενή ανάλογα με διαφορική έκφραση τους μεταξύ των κατηγοριών A και B. Για κάθε γονίδιο
g
υπολογίζουμε κατάταξη της για το
k
-ου ασθενούς:
R
k (g)
– αυτό είναι ένας αριθμός μεταξύ του 1 και
Ν
, όπου
N
είναι ο συνολικός αριθμός των γονιδίων. Το γονίδιο
g
κορυφή
για k ασθενή είναι το ένα πιο υπερ-εκφράζεται σε κλάσης Α σε σχέση με την κατηγορία B και κατέχει την πρώτη θέση και το θέτουμε. Η κατάταξη του γονιδίου πιο κάτω, εκφράζεται στην κλάση Α σε σχέση με την κλάση Β είναι
Ν
.
Στόχος μας είναι να βρούμε τα γονίδια με σταθερά υψηλές θέσεις (της διαφορικής έκφρασης μεταξύ κλάσης Α και Β κατηγορίας) σε όλους τους ασθενείς. Για κάθε γονίδιο
g
, ορίζουμε το σκορ βαθμό συνέπειας
S (g? R)
ως κανονικοποιημένη μέγιστη βαθμίδα αυτού του γονιδίου ανάμεσα σε όλους τους ασθενείς, δηλαδή
Με άλλα λόγια, η τάξη του γονιδίου
g
για όλους τους ασθενείς δεν είναι χειρότερο από το
S (g? r) · Ν
η
για μεγαλύτερη ευελιξία στον καθορισμό της συνέπειας επιτρέπουμε ακραίες τιμές. και υπολογίζει τη συνοχή κατάταξη βαθμολογίες
S (g? m)
για
m
από
r
ασθενείς. Στην περίπτωση αυτή, για κάθε γονίδιο παραγγέλνουμε τάξεις της και στη συνέχεια το σκορ
S (g? M)
αντιστοιχεί η κανονικοποιημένη
m
-ου μικρότερο βαθμό:
Καλούμε το m από r βαθμολογίας βαθμό συνέπειας,
S (g? m)
, οι
m /r
ΠΕΚ. Μερικές φορές θα αναφερθούμε στις
r /r
ΠΕΚ απλά ως ΠΕΚ. Το Σχήμα 1 απεικονίζει τον ορισμό των διαφόρων
m
έξω από
r
βαθμολογίες rank συνοχή. Ψευδο-κώδικα για τον υπολογισμό των m /ΠΕΚ r είναι διαθέσιμο σε Κείμενο S1.
Σε κάθε μία από τις 5 ασθενείς /ομάδες σε αυτό το παράδειγμα, τάξεις των γονιδίων μεταβάλλεται από 1 έως 1000. Κάθε στήλη αντιπροσωπεύει ένα ιεραρχημένο κατάλογο για μία ομάδα. Το γονίδιο που επιλέγεται για παράδειγμα έχει το χειρότερο ανάμεσα σε 5 ομάδες κατατάσσονται από 200. Ως εκ τούτου, το βαθμό της συνέπειας του είναι σκοράρει 200/1000 = 0,2? βαθμολογία βαθμό συνέπειας της σε 3 από τους 5 ασθενείς είναι 95/1000 = 0.095 όπως υποδεικνύεται από τα βέλη.
Η
Η παραπάνω ανάλυση θα προσδιορίσει γονίδια που είναι υπερ-εκφράζεται στην κατηγορία Α σε σύγκριση με Κατηγορίας Β Για να βρείτε τα γονίδια υπερ-εκφράζονται στο κατηγορίας Β που μπορεί να εκτελέσει την ίδια ανάλυση, αντιστρέφοντας την ιεραρχημένο κατάλογο.
Για την αξιολόγηση της στατιστικής σημαντικότητας της κάθε παρατηρούμενη τιμή της ΠΕΚ εκτιμούμε την πιθανότητα απόκτησης η τιμή s, ή καλύτερα, σε τυχαία δεδομένα που σύμφωνα με ένα μοντέλο null. Αυτή η πιθανότητα είναι η
p-value
που αντιστοιχεί σε αυτό το επίπεδο
s
, σύμφωνα με την επικρατούσα null μοντέλο. Η
σ
-τιμές για τις ΠΕΚ και οι παραλλαγές του θεωρούνται στην παρούσα εργασία υπολογίζεται με βάση την υπόθεση της ανεξαρτησίας των ασθενών και της ομοιόμορφης κατανομής των βαθμίδων μεταξύ των γονιδίων σε κάθε ασθενή. Οι δύο αυτές υποθέσεις καθορίζουν την υποκείμενη null-μοντέλο.
Για να υπολογίσουμε τις ΠΕΚ m /r
σ
-τιμή σε s, υπολογίζουμε την πιθανότητα ενός γονιδίου κατάταξη στο κλάσμα της κορυφής S του κατάλογο, τουλάχιστον μ ασθενείς. Ας
V
είναι ένα
r
διάστατο τυχαίο διάνυσμα με εγγραφές που ανεξάρτητα και ομοιόμορφα σε
1, …, Ν
. Μας ενδιαφέρει η πιθανότητα του
m
-ου μικρότερη είσοδο στο
V
είναι μικρότερο από
sN
. Δίνεται από:
ελάχιστη κατάταξη Συνέπεια Score (minRCoS)
Κατά την εργασία με μεγαλύτερο δείγμα, θέτει το ερώτημα πόσα ακραίων τιμών ώστε (η οποία m για να επιλέξετε) προκύπτει. Μια πιθανή λύση βασισμένη σε αρχές είναι να υπολογιστεί η τιμή p m /r ΠΕΚ για όλες τις πιθανές τιμές του m και να επιλέξετε την τιμή του m με την καλύτερη τιμή p. Αυτό το p-value θα πρέπει φυσικά να διορθωθεί για πολλαπλές δοκιμές. Στην ενότητα αυτή ορίζουμε το σκορ ελάχιστη-rank-συνοχή, και να δείξει πώς να χαρακτηρίσει την αποτελεσματική διανομή της, που επιτρέπει τον υπολογισμό της p-τιμές (χωρίς περαιτέρω ανάγκη για πολλαπλές διόρθωση δοκιμές). Πρέπει πρώτα να περιγράψει τους υπολογισμούς και στη συνέχεια να αναλύσει το συνολικό χρόνο πολυπλοκότητα της
Για οποιοδήποτε αριθμό
Ν
. Αυτό είναι, . Λαμβάνοντας υπόψη ένα ευρετήριο, και ένα βαθμό, συμβολίζουμε με
β
(
m
,
t
) η πιθανότητα ότι
V
& lt? M & gt?
θα ισούται
t
ή λιγότερο. Σημειώστε ότι
β (m, t)
είναι η p-value, σε s =
t /N
, m-out-of-r βαθμού συνέπειας βαθμολογία ορίστηκε προηγουμένως, και μπορεί να είναι αποτελεσματικά υπολογίζεται όπως φαίνεται στην προηγούμενη ενότητα.
ορίζουμε το
ελάχιστο βαθμό συνέπειας σκοράρει
ενός φορέα
ν
, συμβολίζεται με
mRCoS
(
ν
), από. Σύμφωνα με τα λόγια,
mRCoS
(
ν
) είναι η καλύτερη (ελάχιστη) τιμή p βαθμό συνέπειας, όπου
m
κυμαίνεται από
1
σε
r
.
mRCoS
(
V
) Ως εκ τούτου, μια τυχαία μεταβλητή λήψη τιμές στο [0,1]. Μπορούμε τώρα να υπολογίσει την ακριβή τιμή p σχετίζεται με το
mRCoS
(
V
) σε μια δεδομένη τιμή, p:
Δεδομένου, και ένας δείκτης, καθορίζουν να είναι η ελάχιστη κατάταξη
t
τέτοια ώστε. Σημειώστε ότι αφού μπορούμε να υπολογίσουμε αποτελεσματικά
β (m, t)
για όλους και, μπορούμε αποτελεσματικά «ιμβερτοποιημένο»
β (m, t)
και υπολογίζουν
τ
m
(
σ
). Σημειώστε ότι. Χρησιμοποιώντας την παραπάνω συμβολισμό έχουμε:
Λαμβάνοντας υπόψη ένα σταθερό διάνυσμα τάξεις
C
, λέμε ότι ένα διάνυσμα
κατά
∈ [
Ν
]
r
είναι
C
–
οριοθετούνται
αν (για όλες τις
m
= 1, ..,
r
). Σύμφωνα με τα λόγια, όλα ταξινομημένα καταχωρήσεις του
ν
είναι μεγαλύτερα (ή ίση με) τις αντίστοιχες καταχωρήσεις του
C
. Για παράδειγμα, το διάνυσμα
ν
= & lt? 3,2 & gt? οριοθετείται από, από τότε.
Ο συνολικός αριθμός των φορέων σε [
Ν
]
r που
C
-bounded συμβολίζεται με
B
(
Ν
,
r
,
C
).
για παράδειγμα, για,
Το σύνολο των φορέων που οριοθετείται από είναι, και ως εκ τούτου.
με τον ορισμό του
Β
(
Ν
,
r
,
C
), δεδομένου ότι
V
επιλέγεται ομοιόμορφα στην τύχη, έχουμε, όπου
τ
(
σ
) δηλώνει το διάνυσμα. Ως εκ τούτου, έχουμε μειώσει το πρόβλημα της υπολογιστικής μια τιμή p για το σκορ ελάχιστη-rank-συνοχή με την συνδυαστική πρόβλημα αποτελεσματικά υπολογιστικής πόσοι φορείς σε [
Ν
]
r είναι οριοθετείται από ένα δεδομένο διάνυσμα.
Πληροφορική
Β
(
Ν
,
r
,
C
)
Δεδομένου δύο ακέραιοι ,
Ν
,
r
, και ένα διάνυσμα
C
, θέλουμε να υπολογίσουμε
Β
(
Ν
,
r
,
C
), ο αριθμός των
C
-bounded φορείς σε [
Ν
]
r. Για κάθε διάνυσμα
ν
ορίζουμε δύο ιδιότητες:.
t (v)
και
k (v)
Η
t (v)
είναι η μέγιστη είσοδος
ν
. Αυτό είναι, . Σημειώστε ότι
t (v)
να αναλάβει τις τιμές 1 έως
Ν
.
k (v)
είναι ο αριθμός των καταχωρίσεων στο
ν
των οποίων η αξία είναι αυστηρά μικρότερο από
t (v)
. Σημειώστε ότι
k (v)
να αναλάβει τις τιμές 0 έως
r
-1.
Η
Αυτές οι δύο ιδιότητες μπορούν να χρησιμοποιηθούν για να στεγανοποιήσει [
Ν
]
r.
Σας χαρακτηρίζει το σύνολο όλων των
C
-bounded φορείς για τους οποίους και. Σημειώστε ότι αυτές οι ομάδες είναι πράγματι ασυνεχές, και ότι η ένωσή τους καλύπτει όλες τις
C
-bounded φορείς. Με τη χρήση του μπορούμε να υπολογίσουμε
Β
(
Ν
,
r
,
C
), αθροίζοντας πάνω από όλες τις πιθανές τιμές του
t
και
k
:
Καθώς υπάρχουν μόνο N * r τέτοια σύνολα αυτό θα δώσει μια αποτελεσματική διαδικασία για τον υπολογισμό
Β
(
Ν
,
r
,
C
). Χρησιμοποιούμε μια δυναμική προσέγγιση προγραμματισμού για να υπολογίσει όλες τις τιμές r N *.
Ας
C
(1 ..
k
) είναι η πρώτη
k
στοιχεία του
C
, αυτό είναι. Σημειώνουμε ότι σε έναν φορέα ο (Κ-Κ) μεγαλύτερη τάξεις ισούται
t
. Ως εκ τούτου, για τον υπολογισμό χρειαζόμαστε μόνο καθορίζει τις θέσεις μέσα
κατά
του
k
μικρότερες τιμές, και των πραγματικών τιμών τους, έτσι ώστε να είναι όλα αυστηρά μικρότερο από
t
, και C (1..k) που οριοθετείται:
τώρα χρησιμοποιήστε την ακόλουθη δυναμική διαδικασία προγραμματισμού για τον υπολογισμό του αριθμού των
C
-bounded φορείς:
Αυτό επιτρέπει μας για να υπολογίσουμε αποτελεσματικά το p-value minRCoS:
υπάρχουν συνολικά Ν * r βήματα δυναμικού προγραμματισμού που απαιτούνται για τον υπολογισμό Β (N, R, C). Σε κάθε βήμα, τον υπολογισμό Β (t, k, C) απαιτεί την άθροιση πάνω από τ * k τιμές του Β Συνολικά την πολυπλοκότητα της δυναμικής διαδικασίας προγραμματισμού για να υπολογίσει Β (Ν, R, C) είναι ως εκ τούτου O (N
2 * r
2). Για να υπολογίσετε χρειαζόμαστε για να εκτελέσει μια πολύ r * Ν ΠΕΚ υπολογισμούς p-value, το καθένα λήψη O (r). Ως εκ τούτου, η πολυπλοκότητα του υπολογισμού p-value minRCoS για μια δεδομένη p είναι O (N
2 * r
2).
Δείγματα, Πειραματικό πρωτόκολλο και Προ-επεξεργασία δεδομένων
Τα δεδομένα που συλλέχθηκαν από το παρακείμενο συνόλου των δειγμάτων όγκου-κανονικό RNA αγοράστηκε από Ambion /ABI (FirstChoice® ανθρώπινα καρκινικά /κανονική παρακείμενο ιστό RNA). Τα ζεύγη των όγκων και φυσιολογικό RNA που ήταν από 14 διαφορετικούς ασθενείς και 8 διαφορετικούς τύπους καρκίνου. δείγματα ιστού των διαφόρων εμβρυϊκών σειρών: Ένα ζευγάρι από το στήθος, το λέμφωμα, και του προστάτη? δύο ζεύγη από ήπαρ, ωοθήκες, όρχεις και πνεύμονα? και 3 ζεύγη από το παχύ έντερο. Τεχνική επαναλήψεις πραγματοποιήθηκαν για τα δείγματα των ωοθηκών και των όρχεων, έτσι ένα σύνολο από 32 microarray στοιχείων χρησιμοποιήθηκαν για αυτή τη μελέτη.
Για κάθε μέτρηση μικροσυστοιχιών, 100ng συνολικού RNAs σημάνθηκαν με Cy3 χρησιμοποιώντας Τ4 RNA ανά Agilent miRNA μικροσυστοιχίας v1.5 πρωτόκολλο συστήματα. Τα επισημασμένα δείγματα RNA υβριδοποιήθηκαν σε Agilent miRNA μικροσυστοιχιών (Agilent Ανθρωπίνων miRNA μικροσυστοιχιών kit V2 – G4470B) για 21 ώρες στους 55 ° C. Οι συστοιχίες περιέχουν ανιχνευτές για 723 ανθρώπινων και 76 ανθρώπινου ιογενή miRNAs από την v.10.1 βάση δεδομένων Sanger. Οι συστοιχίες στη συνέχεια πλύθηκαν σε θερμοκρασία δωματίου και σαρώνεται για να παράγει τα σήματα υβριδοποίησης (v1.5 Agilent miRNA πρωτόκολλο μικροσυστοιχίας Systems). Οι συστοιχίες σαρώθηκαν με εκτεταμένο δυναμικό εύρος σε 5 και 100% PMT με τη χρήση του σαρωτή Agilent (μοντέλο G2565AA).
Feature Extraction έκδοση του λογισμικού της Agilent 9.5.3.1 χρησιμοποιήθηκε για τη δημιουργία αρχείων GeneView [37]. Αυτά τα αρχεία περιέχουν τα επεξεργασμένα σήματα για καθεμία από τις 799 miRNAs της συστοιχίας. Για κάθε miRNA, τιμές έκφρασης (gTotalGeneSignal) κάτω από το επίπεδο θορύβου (gTotalGeneError) έχουν αντικατασταθεί από την τιμή του αντίστοιχου συνολικού σφάλματος γονίδιο. Όλα τα δείγματα ήταν τότε κανονικοποιήθηκαν να έχει το ίδιο 75
ου αξία εκατοστημόριο. Οι πρώτες και κανονικοποιημένα δεδομένα έχουν κατατεθεί στο Gene Expression NCBI του Omnibus [38] και είναι προσβάσιμα μέσω του αριθμού ένταξη GEO Σειρά GSE14985 (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc= GSE14985). Όλα τα δεδομένα είναι MIAME συμβατό. Τα κανονικοποιημένα δεδομένα είναι επίσης διαθέσιμα στον Πίνακα S1.
Αποτελέσματα
Εμείς εφαρμοστεί βαθμό συνέπειας σκοράροντας μεθόδους για τα δεδομένα που συλλέγονται σε μια μελέτη του προφίλ έκφρασης των miRNAs σε δείγματα που σχετίζονται με τον καρκίνο. Τα δεδομένα που συλλέγονται σε αυτή τη μελέτη αποτελούνταν από ζευγαρωμένα δείγματα όγκου και κανονικής προελεύσεων. Κάθε ζεύγος των δειγμάτων ελήφθη από διαφορετικά μέρη του ίδιου ιστού σε 14 διαφορετικούς ασθενείς και 8 διαφορετικούς τύπους καρκίνου: του μαστού, του παχέος εντέρου, του ήπατος, του πνεύμονα, λέμφωμα, των ωοθηκών, του προστάτη και των όρχεων. Τα ζεύγη των δειγμάτων μας επιτρέψει να επικεντρωθεί στις αλλαγές στα επίπεδα έκφρασης των miRNAs που προκύπτουν από τη διαδικασία του καρκίνου και να ελαχιστοποιηθεί η σύγχυση φαινόμενο μεταξύ των ατόμων και μεταξύ των ιστών μεταβλητότητα.
Ο στόχος της μελέτης ήταν να . προσδιορίσουν miRNAs καθολικά διαφορικά εκφρασμένο σε καρκίνο με τη χρήση των στατιστικών μεθόδων και μετρήσεων που περιγράφονται παραπάνω
Εμείς υπολογίζεται ο όγκος εναντίον κανονική διαφορική έκφραση του κάθε miRNA στα δεδομένα με τέσσερις διαφορετικούς τρόπους: TNoM [31], μη Paired t -test, paired t-test και minRCoS. Για τις τρεις πρώτες μεθόδους, τα σήματα ημερολόγιο μεταμορφώνεται και σε περιπτώσεις όπου υπάρχουν περισσότερες από μία ασθενή ανά τύπο καρκίνου χρησιμοποιήθηκε η διάμεσος. Το t-test unpaired TNoM και υπολογίστηκαν για μη ζεύγη σύγκριση όλων των δειγμάτων όγκου σε όλα τα φυσιολογικά δείγματα. Για το paired t-test χρησιμοποιήθηκε το αντίστοιχο είδος καρκίνου.
Για τις διαφορετικές παραλλαγές του ΠΕΚ (m /ΠΕΚ r και minRCoS), διπλώστε την αλλαγή υπολογίστηκε για κάθε miRNA και ασθενή διαιρώντας το σήμα του όγκου από το κανονικό σήμα. Σε τύπους καρκίνου όπου υπάρχουν περισσότερες από μία ασθενή (2 ή 3 ασθενείς) η διάμεση τιμή των αλλαγών φορές χρησιμοποιήθηκε. Αυτό έγινε για να διατηρηθεί η αντιστοίχιση ασθενή (εντός του ιδίου τύπου καρκίνου) στα δεδομένα μας. Για κάθε τύπο καρκίνου τα miRNAs στη συνέχεια κατατάσσονται σύμφωνα με αυτές τις τιμές για να δημιουργήσει τις κατατάσσεται καταλόγους που απαιτούνται ως είσοδος σε όλες τις παραλλαγές ΠΕΚ. Η εφαρμογή του γενικού πλαισίου που περιγράφεται στην ενότητα Μέθοδοι για το σύνολο δεδομένων μας, ως εκ τούτου οδηγεί στα εξής σημασιολογία:.
κλάσης Α και κλάσης Β είναι καρκινικά και φυσιολογικά
r = 8.
Αν για ένα miRNA, συμβολίζεται g, έχουμε, για παράδειγμα, 6/8 ΠΕΚ (g) = 0.2 για υπερέκφραση σε καρκινικά εναντίον κανονική, τότε αυτό miRNA κατατάσσεται μεταξύ των κορυφαίων 20% των miRNAs υπερ- εκφράζεται σε όγκο έναντι φυσιολογικά, για τουλάχιστον 6 από τα 8 διαφορετικούς τύπους όγκων. Προφανώς, παρόμοια ερμηνεία ισχύει και για άλλες τιμές του m και s (6 και 0,2 αντίστοιχα, στο παραπάνω παράδειγμα).
Η
Το πλήρες σύνολο των αποτελεσμάτων της ανάλυσής μας, συμπεριλαμβανομένων όλων των βαθμολογιών διαφορικής έκφρασης και οι σχετικές p-τιμές, είναι διαθέσιμο ως συμπληρωματικό υλικό (Πίνακας S2).
για να εφαρμόσετε το paired t-test για αυτά τα δεδομένα, διπλώστε την αλλαγή υπολογίστηκε για κάθε miRNA και ασθενή διαιρώντας το σήμα του όγκου από το φυσιολογικό σήμα. Στον καρκίνο τύπους όπου περισσότερα από ένα ασθενή υπάρχει η διάμεση τιμή των τιμών έκφρασης που χρησιμοποιούνται στον υπολογισμό φορές μεταβολής. Τα δεδομένα στη συνέχεια log-μετασχηματιστεί για να επιτευχθεί η ομαλότητα που απαιτείται από το αντιστοιχισμένο t-test. Σημειώνουμε ότι ακόμη και μετά το log-μετασχηματισμού, η υπόθεση της κανονικότητας της κατανομής απορρίπτεται από το τεστ Jarque-Bera [39].
Οι παρατηρούμενες και αναμενόμενες αριθμούς των γονιδίων για όλες τις τιμές p minRCoS και η επίπεδα στα οποία FDR (False Discovery Rate) [40] και Bonferroni 0,05 λαμβάνονται φαίνονται στο Σχήμα 2. Σημειώστε τη συγκεκριμένη υπεραφθονία των διαφορικά εκφρασμένων miRNAs, σε σύγκριση με τυχαία δεδομένα αναμένεται αριθμούς.
η κορυφή οικόπεδο παρουσιάζει η σύγκριση των παρατηρούμενων και αναμενόμενων κατηγορίες miRNAs για την p-τιμές minRCoS. Για κάθε τιμή p (στον άξονα Χ), ο αναμενόμενος αριθμός miRNA που έχουν αυτό, ή καλύτερα, ρ-τιμή με βάση το συνολικό αριθμό των miRNA στη συστοιχία, δείχνεται στο μπλε (παρόμοιο με [54]). Οι κόκκινες και πράσινες γραμμές συμβολίζουν τον αριθμό των παρατηρούμενων miRNAs στα δεδομένα μας με αυτές τις τιμές p minRCoS. Το κάτω πάνελ δείχνει μια σύγκριση των παρατηρούμενων και αναμενόμενων μετρήσεις των γονιδίων με ρ-τιμές minRCoS 0.003 ή μικρότερη (ένα zoom-in στον επάνω πίνακα). Γραμμή Α δείχνει το όριο Bonferroni 0,05, γραμμή Β δηλώνει το FDR [40] κατώφλι του 0,05 για τις υπερ-εκφράζεται miRNAs (17 miRNAs) και η γραμμή C υποδεικνύει το όριο FDR 0.05 για τις υπο-εκφράζεται miRNAs (41 miRNAs).
Η
Ένα heatmap από τις πιο σημαντικές miRNAs που προσδιορίζονται από την ανάλυση minRCoS φαίνεται στο Σχήμα 3. Το δικαίωμα πίνακας περιέχει τα top 30 miRNAs των οποίων τα επίπεδα έκφρασης αυξάνονται σταθερά σε καρκινικούς ιστούς? Το αριστερό πλαίσιο περιέχει μια λίστα των top 30 miRNA των οποίων τα επίπεδα έκφρασης μειώνονται σταθερά σε καρκινικούς ιστούς. Τα συγκεκριμένα συμπεράσματα και τις διαπιστώσεις της ανάλυσης περιγράφονται κατωτέρω, συμπεριλαμβανομένων των miRNAs που δεν είχαν προηγουμένως καθολικά συνδέονται με τον καρκίνο.
Στήλες αντιπροσωπεύουν τύπους καρκίνου και οι σειρές αντιπροσωπεύουν miRNAs. Ένα πράσινο είσοδος αντιπροσωπεύει μια miRNA με ένα πολύ υψηλό βαθμό δηλαδή μία η οποία είναι υπό-εκφράζεται σε αυτό το συγκεκριμένο δείγμα όγκου σε σχέση με το φυσιολογικό δείγμα συμφωνημένα. Ένα κόκκινο ορθογώνιο υποδηλώνει miRNA υπερ-εκφράζεται στο δείγμα όγκου. Το αριστερό πάνελ δείχνει τα κορυφαία 30 miRNAs καθολικά υπο-εκφράζεται σε όγκους κατατάσσονται σύμφωνα με την ανάλυση minRCoS και ο δεξιός πίνακας δείχνει τα κορυφαία 30 miRNAs καθολικά υπερ-εκφράζεται σε όγκους κατατάσσονται σύμφωνα με την ανάλυση minRCoS.
Η
διαφορικά
You must be logged into post a comment.