Αφηρημένο

Ιστορικό

Ως ένα από τα πιο κοινά τύποι συν-ρυθμιστικών μοτίβων, βρόχους feed-forward (FFLs) ελέγχει πολλές λειτουργίες των κυττάρων και παίζουν σημαντικό ρόλο στην ανθρώπινη καρκίνους. Ως εκ τούτου, είναι ζωτικής σημασίας για την ανοικοδόμηση και την ανάλυση σχετικά με τον καρκίνο FFLs που ελέγχονται από μεταγραφικού παράγοντα (TF) και microRNA (miRNA) ταυτόχρονα, για να μάθετε πώς miRNAs και TFs συνεργάζονται μεταξύ τους σε καρκινικά κύτταρα και πώς συμβάλλουν στην καρκινογένεση. Οι τρέχουσες μελέτες FFL βασίζονται στην προβλεπόμενη πληροφορίες ρύθμισης και ως εκ τούτου, να υποστούν την ψευδή θετικά θέμα στα αποτελέσματα πρόβλεψης. Πιο κριτικά, FFLs που δημιουργούνται από τις υπάρχουσες προσεγγίσεις δεν μπορεί να εκπροσωπεί την δυναμική και υπό όρους σχέσης ρύθμιση κάτω από διαφορετικές πειραματικές συνθήκες.

Μεθοδολογία /Κύρια Ευρήματα

Σε αυτή τη μελέτη, προτείναμε μια νέα επιλογή χαρακτηριστικών του φίλτρου-περιτύλιγμα μέθοδο για να προσδιορίσει με ακρίβεια συν-ρυθμιστικού μηχανισμού, με την ενσωμάτωση των προτέρων ενημέρωση από την προβλεπόμενη ρυθμιστικές αλληλεπιδράσεις με παράλληλες σειρές δεδομένων έκφρασης των miRNAs /mRNA. Με την εφαρμογή αυτής της μεθόδου, θα ανακατασκευαστεί 208 και 110 TF-miRNA συν-ρυθμιστικών FFLs από την ανθρώπινη παν-καρκίνο του προστάτη και σύνολα δεδομένων, αντίστοιχα. Περαιτέρω ανάλυση αυτών των σχετιζόμενων με τον καρκίνο FFLs έδειξε ότι η κορυφαία STAT3 TF και miRNA HSA-ας-7ε αποτελούν βασικούς ρυθμιστές εμπλακεί σε καρκίνους του ανθρώπου, οι οποίες έχουν ρυθμιστεί στόχοι σημαντικά εμπλουτισμένη με τους κανονισμούς κυτταρική διαδικασία και τα μονοπάτια σηματοδότησης που εμπλέκονται στην καρκινογένεση.

Συμπεράσματα /Σημασία

σε αυτή τη μελέτη, εισαγάγαμε μια αποδοτική υπολογιστική προσέγγιση για την ανοικοδόμηση κοινού ρύθμισης FFLs προσδιορίζοντας με ακρίβεια γονίδιο συν-ρυθμιστικές αλληλεπιδράσεις. Η ισχύς της προτεινόμενης μεθόδου επιλογής χαρακτηριστικό έγκειται στο γεγονός ότι μπορεί επακριβώς φιλτράρει ψευδή θετικά σε προβλεπόμενες ρυθμιστικές αλληλεπιδράσεις με ποσοτικά μοντελοποίηση του συμπλόκου από κοινού ρύθμιση των γονιδίων στόχων που προκαλείται από την TFS και miRNAs ταυτόχρονα. Επιπλέον, η προτεινόμενη μέθοδος επιλογής χαρακτηριστικών μπορεί να εφαρμοστεί γενικά σε άλλες μελέτες γονιδιακής ρύθμισης χρησιμοποιώντας δεδομένα παράλληλη έκφραση σε σχέση με διαφορετικά βιολογικά περιβάλλοντα

Παράθεση:. Peng C, Wang M, Shen Υ, Feng Η, Li Α ( 2013) Ανασυγκρότηση και την ανάλυση των Transcription Factor-miRNA Co-Ρυθμιστική Feed-Forward Loops σε ανθρώπινους καρκίνους Χρησιμοποιώντας Φίλτρο-περιτύλιγμα Δυνατότητα επιλογής. PLoS ONE 8 (10): e78197. doi: 10.1371 /journal.pone.0078197

Επιμέλεια: Raya Khanin, Memorial Sloan Kettering,, Ηνωμένες Πολιτείες της Αμερικής

Ελήφθη: 11 Ιούνη 2013? Αποδεκτές: 9 Σεπτέμβρη του 2013? Δημοσιεύθηκε: 29 Οκτωβρίου 2013

Copyright: © 2013 Peng 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:. Αυτό το έργο υποστηρίχθηκε από επιχορηγήσεις από το Εθνικό Ίδρυμα Φυσικών Επιστημών της Κίνας (61101061 σε MW, 31100955 για την AL). 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:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

Κεντρική σε όλους τους βιολογικούς οργανισμούς, η αποκρυπτογράφηση των περίπλοκων κανονισμών γονιδίων μεταξύ μιας ομάδας των ρυθμιστικών αρχών και γονιδίων-στόχων είναι ζωτικής σημασίας για να μάθουν τα ενδοκυτταρικά φυσιολογικές δραστηριότητες και λειτουργίες στο μοριακό επίπεδο. Βοηθά επίσης να κατανοήσει τους εσωτερικούς μηχανισμούς των πολύπλοκων ασθενειών

in vivo

. Οι ρυθμιστές στους κανονισμούς γονιδίου περιλαμβάνουν παράγοντες μεταγραφής (ΤΡ), που είναι δεσμευτικές πρωτεΐνες σε ειδικές θέσεις στις περιοχές υποκινητή των γονιδίων στόχων, ενεργοποιώντας έτσι ή αναστολή της έκφρασης τους. Άλλοι ρυθμιστές περιλαμβάνουν ενδογενείς μικρές (19-24 νουκλεοτίδια) μη-κωδικοποίησης RNAs (miRNAs) που αφορούν στη ρύθμιση της γονιδιακής έκφρασης σε μετα-μεταγραφικό επίπεδο [1] με την αναστολή της διαδικασίας της μετάφρασης ή ταπεινωτική mRNAs στόχο. Έχει βρεθεί ότι τόσο η ΤΡ και miRNAs παίζουν σημαντικό ρόλο σε ανθρώπινους καρκίνους [1] – [5]. Με μέσο για τον έλεγχο πολλών βιολογικών διεργασιών στην ανάπτυξη και την πρόοδο του καρκίνου

Πολλές μελέτες έχουν βρει ότι TFs και miRNAs είναι πρωτογενή ρυθμιστές γονιδίων σε ζώα και λειτουργούν με παρόμοιο ρυθμιστική λογικό [6]. Ως εκ τούτου, TFs και miRNAs μπορεί να ρυθμίσει το ίδιο γονίδιο-στόχο συνεργατικά στο μεταγραφικό και μετα-μεταγραφικό επίπεδο, αντίστοιχα. Από την άλλη πλευρά, οι miRNAs ρυθμίζονται από TFs κατά την διάρκεια της μεταγραφής τους από το γονιδίωμα εντός του πυρήνα και την έκφραση του ΤΡ θα μπορούσε επίσης να ρυθμίζεται με miRNAs. Ως εκ τούτου, το γονίδιο κανονισμούς από την TFS και miRNAs είναι συχνά στενά συνδεδεμένες, καθιστώντας μια ιδιαίτερη «Feed-forward βρόχων» (FFLs) [7] δομή με κλειστά τα ρυθμιστικά κυκλώματα. έχουν FFLs αποδειχθεί ως ένα OFTHE πιο κοινούς τύπους των συν-μεταγραφικής μοτίβα [8] και έχει αναφερθεί ότι εκατοντάδες miRNA-ελεγχόμενη FFLs είναι διαθέσιμες στο επίπεδο του γονιδιώματος [9], [10]. Σχηματίζοντας λειτουργικές ενότητες στο δίκτυο ρύθμισης γονιδίων (GRNs), FFLs ελέγχουν πολλές κυτταρικές λειτουργίες και επίσης παίζουν σημαντικό ρόλο σε ανθρώπινους καρκίνους, για παράδειγμα, με την υποστήριξη ογκογόνες ιδιότητες των ογκογονιδίων [11] και που επηρεάζουν μια αφθονία των γονιδίων στόχων σε κύτταρα όγκου με τα διάφορα βιολογικά μονοπάτια [12]. Έτσι, καθίσταται ζωτικής σημασίας για την ανοικοδόμηση και να αναλύσει TF-miRNA συν-ρυθμιστικών FFLs σε ανθρώπινους καρκίνους, προκειμένου να μάθετε πώς miRNAs και TFs συνεργάζονται μεταξύ τους σε καρκινικά κύτταρα και πώς μπορούν να συμβάλουν στην καρκινογένεση.

Μία από τις προκλήσεις στη μελέτη FFLs είναι η ελλιπής ενημέρωση των ρυθμιστικών στόχων. Καθώς υπάρχουν μόνο ένας μικρός αριθμός πειραματικά επαληθεύονται οι στόχοι, οι περισσότερες μελέτες ΕΕΔ υιοθετήσει ρυθμιστικές πληροφορίες από την υπολογιστική πρόβλεψη. Για παράδειγμα, για να βρει τον καρκίνο που σχετίζονται με miRNAs και TFs, Γιαν

et al

. εξάγεται και κατατάσσεται FFLs από προέβλεψε TF και τους στόχους των miRNAs χρήση TRANSFAC και TargetScan [13]. Ye

et al

. Χρησιμοποιείται επίσης FFLs που λαμβάνονται από άλλα πρόβλεψη πόρων για την κατασκευή και την ανάλυση miRNA και TF κοινού ρύθμισης δικτύου σε Τ-οξεία λεμφοβλαστική λευχαιμία κυττάρων [14]. Ωστόσο, αυτά τα προβλεπόμενα αποτελέσματα περιέχουν ένα μεγάλο ποσοστό των ψευδώς θετικών και πιο κριτικά FFLs παράγεται από παραπάνω προσεγγίσεις είναι στατικές και δεν μπορούν να αντιπροσωπεύουν τις δυναμικές και υπό όρους σχέσεις ρύθμιση κάτω από διαφορετικές πειραματικές συνθήκες.

Σήμερα, παράλληλα πειράματα μικροσυστοιχιών έχουν πραγματοποιείται για τη διερεύνηση και έκφραση γονιδίων miRNA σε καρκίνους ταυτόχρονα [15], [16], η οποία παρέχει μια μεγάλη ευκαιρία για την αντιμετώπιση των προαναφερθέντων ζητημάτων με βάση τα στοιχεία της έκφρασης στην ανασυγκρότηση της TF-miRNA συν-ρυθμιστικών FFLs. Πρόσφατα, Lu

et al

. πρότεινε ένα Lasso μοντέλο παλινδρόμησης που χρησιμοποιεί υπολογιστικά προβλέψει ρυθμιστικές αλληλεπιδράσεις και τα δεδομένα παράλληλα την έκφραση του καρκίνου να συμπεράνουμε ρυθμιστικών δικτύων miRNA-στόχου [17], Yu

et al

. χρησιμοποιούμενο μοντέλο βηματική γραμμική παλινδρόμηση (STEP) που ενσωματώνει επίσης προβλεφθεί κανονισμούς με δεδομένα έκφρασης για να ληφθεί ένα συνδυαστικό δίκτυο TF και miRNA στον καρκίνο [18]. Αυτά τα δύο έγγραφα να ρίξει φως σχετικά με τη μεθοδολογία για την οικοδόμηση miRNA-εμπλέκονται GRNs και ξεσήκωσε την κατανόησή μας για τις επιπτώσεις της TFs και miRNAs σε ανθρώπινους καρκίνους. Ωστόσο, η μελέτη της FFLs απαιτεί ακριβή συν-ρυθμιστικές πληροφορίες, όπως FFLs ίδιοι αντιπροσωπεύουν ως μια λεπτή είδος συν-ρυθμιστικών μοτίβο. Ως εκ τούτου, οι πιο εξελιγμένες υπολογιστικές μεθόδους προτίμησε να ανακατασκευάσει ακρίβεια FFLs από τα δεδομένα της έκφρασης με τη βοήθεια των προβλεπόμενων ρυθμιστικών αλληλεπιδράσεων.

Σε αυτή τη μελέτη, προτείναμε μια νέα υπολογιστική μέθοδο που βασίζεται στην επιλογή χαρακτηριστικό για την ανοικοδόμηση TF-miRNA συν-ρυθμιστικών FFLs σε ανθρώπινους καρκίνους. Ως ένα ισχυρό μηχάνημα τεχνολογίας μάθησης, επιλογή χαρακτηριστικών έχει χρησιμοποιηθεί ευρέως σε πολλούς τομείς της βιοπληροφορικής, όπως η επιλογή του γονιδίου από τα δεδομένα μικροσυστοιχιών [19], συναγωγή των δικτύων γονιδίου [20], το περιεχόμενο και η ανάλυση του σήματος της ακολουθίας [21] και τα φάσματα μάζας ανάλυση [21]. Χρησιμοποιήσαμε δύο δημοφιλείς στρατηγικές επιλογής χαρακτηριστικών: φίλτρο και περιτύλιγμα, για να ανακαλύψετε την αποτελεσματική συνεργασία τους κανονισμούς της TFs και miRNAs από παράλληλες δεδομένων μικροσυστοιχιών των ανθρώπινων καρκίνων. Τα αποτελέσματά μας έδειξαν ότι η προτεινόμενη μέθοδος μείωσε σημαντικά το ποσοστό εσφαλμένης ανακάλυψη των συναχθεί ρυθμιστικές σχέσεις, οδηγώντας σε πιο ακριβή ανακατασκευή ΕΕΔ. Περαιτέρω ανάλυση των FFLs προσδιορίζονται από την προτεινόμενη μέθοδο έδειξαν ότι περιλαμβάνονται πολλά γνωστά γονίδια και miRNAs σχετίζονται με τον καρκίνο, που δείχνει λειτουργική σημασία τους σε ανθρώπινους καρκίνους.

Υλικά και Μέθοδοι

Προβλεπόμενη ρυθμιστικές αλληλεπιδράσεις

Τρεις τύποι ρυθμιστικών αλληλεπιδράσεων διερευνήθηκαν σε αυτή τη μελέτη: TF να miRNA (TF-miRNA), TF με το γονίδιο (TF-γονίδιο), και miRNA με το γονίδιο (miRNA-γονίδιο). Που κατεβάσαμε προβλέψει TF-miRNA αλληλεπιδράσεων από την ιστοσελίδα cGRNB [18] με 11.599 ρυθμιστικές ζεύγη. Για να ανακτήσετε υποψήφιος αλληλεπιδράσεων ΤΡ-γονίδιο, θέσεις δέσμευσης TF πρώτα εξάγεται από το αρχείο TFbsConsSites από UCSC [22] ακολουθώντας τη διαδικασία που περιγράφεται στο [18] και στη συνέχεια χρησιμοποιούνται για τη σάρωση των 1 kb ανάντη και 0,5 kb κατάντη των θέσεων έναρξης της μεταγραφής όλων των γονιδίων αναφοράς σε UCSC. Τα αποτελέσματα περαιτέρω σε συνδυασμό με 7059 TF-γονίδιο αλληλεπιδράσεις από τη βάση δεδομένων TRED [23], που οδηγεί σε εντελώς 130338 αλληλεπιδράσεις TF-γονιδίου, συμπεριλαμβανομένων 16.534 γονιδίων στόχων και 214 ανθρώπινου ΤΡ. Για τις αλληλεπιδράσεις miRNA γονιδίων, τα αποτελέσματα των τριών ευρέως χρησιμοποιούμενη miRNA εργαλεία πρόβλεψης στόχο: PicTar [24], TargetScan [25] και η Μιράντα [26] ελήφθησαν από τη βάση δεδομένων miRGen [27], το οποίο περιέχει 75.968, 75.613 και 41.804 προβλέψει miRNA- αλληλεπιδράσεις γονιδίων αντίστοιχα. Η ένωση των αποτελεσμάτων πρόβλεψης, συμπεριλαμβανομένων 118.408 miRNA γονιδίων αλληλεπιδράσεις με 276 ανθρώπινα miRNAs και 10.255 γονίδια στόχους, χρησιμοποιήθηκαν για περαιτέρω έρευνα.

Parallel mRNA και σύνολα δεδομένων έκφρασης των miRNAs

Χρησιμοποιήσαμε δύο παράλληλες σύνολα δεδομένων έκφρασης mRNA και miRNA για καρκίνους του ανθρώπου, τα οποία αντιπροσωπεύουν τα δεδομένα έκφρασης των miRNAs και του mRNA που λαμβάνεται από τα ίδια δείγματα και υπό τις ίδιες συνθήκες του πειράματος. Το πρώτο σύνολο δεδομένων περιλαμβάνει δεδομένα έκφρασης NCI-60 mRNA με βάση τα τσιπ Affymetrix HG-U133 [16] και τα δεδομένα παράλληλη έκφραση των miRNAs [15] από την ιστοσελίδα CellMiner. Αυτό το σύνολο δεδομένων παν-καρκίνου περιλαμβάνει τελείως 60 διαφορετικά ανθρώπινων καρκινικών κυτταρικών σειρών, που προέρχονται από μελανώματα, λευχαιμία και άλλους συμπαγείς όγκους όπως του μαστού, του παχέος εντέρου, των ωοθηκών, του πνεύμονα και καρκίνο του προστάτη. Αυτή η παράλληλη σύνολο δεδομένων έκφραση αποτελείται από συνολικά 8.388 γονιδίων και 195 miRNAs [18]. Η δεύτερη παράλληλη mRNA και miRNA σύνολο δεδομένων έκφρασης υιοθετήθηκε στη μελέτη αυτή αποτελείται από 111 καρκίνου του προστάτη και 28 φυσιολογικά δείγματα προστάτη, συμπεριλαμβανομένων 373 miRNAs και 19.253 mRNAs [28]. Αυτό το σύνολο δεδομένων είναι διαθέσιμο σε βάση δεδομένων του GEO με αριθμό ένταξης: GSE21032

επιλογή Λειτουργία για τον εντοπισμό ρυθμιστικές αλληλεπιδράσεις

Για κάθε στόχο (mRNA ή miRNA), το σύνολο των αρχικών χαρακτηριστικών (δηλαδή όλα προβλεφθεί. ΤΡ ή miRNAs που ρυθμίζουν αυτού του στόχου) συνήθως περιέχει περισσότερα από ένα στοιχείο οφείλεται σε μεγάλο αριθμό λανθασμένων θετικών στα προβλεπόμενα αποτελέσματα. Στη συνέχεια, η μήτρα χαρακτηριστικό έχει

ν

σειρές και

m

της στήλες αναφέροντας τις

ν

ρυθμιστικές αρχές και τις αξίες τους έκφραση στο

δειγμάτων m

. Ως πρώτο βήμα, θα φιλτράρεται το σύνολο των χαρακτηριστικών του κάθε στόχου χρησιμοποιώντας μια αποτελεσματική μέθοδο mRMR (ελάχιστη-απολύσεων-μέγιστου ενδιαφέρον) [19] βασίζεται στην αμοιβαία πληροφόρηση, η οποία είναι ένα ευρέως χρησιμοποιούμενο μέτρο για τον ορισμό της εξάρτησης των μεταβλητών. Συγκεκριμένα, ας

σ

(

x

) και

σ

(

y

) είναι το οριακό συναρτήσεις κατανομής πιθανότητας των δύο μεταβλητών

x

και

y

και

σ

(

x, y

) είναι η συνάρτηση κοινής κατανομής πιθανότητας, η αμοιβαία πληροφορία ορίζεται ως εξής: (1) Ας υποθέσουμε ότι ένας στόχος

x

με την τιμή της έκφρασης

E

x

διαθέτει δύο ρυθμιστές

y

i

και

y

ι

με τιμές έκφρασης

E

yi

και

E

yj

. Για παράδειγμα, εάν

y

i

και

y

ι

αντιπροσωπεύουν ένα miRNA και TF, στη συνέχεια,

E

yi

και

E

yj

θα ληφθούν από τα παράλληλα δεδομένα έκφρασης των miRNAs και mRNA, αντίστοιχα. Το τελικό σύνολο των χαρακτηριστικών

S

μετά από το βήμα του φίλτρου θα ικανοποιήσει δύο κριτήρια που χρησιμοποιούνται στη μέθοδο mRMR, δηλαδή το μέγιστο ενδιαφέρον με το στόχο και το ελάχιστο πλεονασμού μεταξύ των ρυθμιστικών αρχών (δηλαδή να επιλέξετε ρυθμιστικές αρχές που δεν έχουν μόνο ελάχιστη απολύσεων σε αμοιβαία πληροφοριών σε σχέση με τις υπάρχουσες ρυθμιστικές αρχές, αλλά και μέγιστη αμοιβαίας πληροφόρησης με το στόχο), όπως διατυπώθηκε από την εξίσωση (2) και (3) αντίστοιχα. Εδώ

I

αντιπροσωπεύει την αμοιβαία ενημέρωση των δύο μεταβλητών. Από τα κατάταξης αποτελέσματα της mRMR, επιλέξαμε έως 20 κορυφαίες υποψήφιος ρυθμιστικές αρχές που είναι πιο πιθανό να έχουν αλληλεπιδράσεις με το στόχο για περαιτέρω έρευνα, η οποία θα πρέπει να περιλαμβάνει όλες τις πιθανές ρυθμιστικές αρχές. (2) (3) Στη συνέχεια, τα χαρακτηριστικά του κάθε στόχου είχαν βελτιστοποιηθεί περαιτέρω με την μέθοδο επιλογής χαρακτηριστικών περιτύλιγμα, και σε αυτό το βήμα χρησιμοποιήσαμε μια αναδρομική διαδικασία προς τα πίσω αποβολή. Έχουμε πρότυπο τιμές έκφραση του στόχου

i

(

E

xi

) και του

σ

ρυθμιστές (

E

yi1

, … ,

E

Yip

) με γραμμική παλινδρόμηση (Εξίσωση 4), όπου

β

i

είναι ο συντελεστής παλινδρόμησης και

ε

i

αντιπροσωπεύει ο όρος σφάλματος ή θόρυβος που παράγεται από τη διαδικασία παλινδρόμησης. Για κάθε φορά, διαγράφεται το ρυθμιστή με το μικρότερο συντελεστή παλινδρόμησης από την featureset και επανέλαβε την παραπάνω διαδικασία με τις υπόλοιπες ρυθμιστικές αρχές, μέχρι το χαρακτηριστικό γνώρισμα που έγινε άδειο. Τα βέλτιστα χαρακτηριστικά προσδιορίστηκαν με μικρότερο

σ

-τιμή (λιγότερο από 0,01) του μοντέλου γραμμικής παλινδρόμησης χρησιμοποιώντας F-test. (4)

Ανασυγκρότηση και την επικύρωση της TF-miRNA συν-ρυθμιστικών FFLs

Οι συν-ρυθμιστικές αλληλεπιδράσεις που προσδιορίζονται από το φίλτρο-περιτύλιγμα μέθοδος επιλογής χαρακτηριστικών αποτελείται από τρία είδη των κανονιστικών σχέσεων: TF-γονιδίου , miRNA γονιδίων και TF-miRNA. Για την ανοικοδόμηση κοινού ρύθμισης FFLs, πραγματοποιήσαμε μια εξαντλητική βάση αναζήτησης σε βάθος πρώτη μέθοδος για όλα τα γονίδια-στόχους στα αποτελέσματα. Για TF-FFLs, πρώτα έναν κατάλογο πιθανών γονιδίων στόχων που ελέγχονται από τουλάχιστον ένα TF και miRNA παρήχθησαν. Οι ρυθμιστές miRNA του κάθε γονιδίου στόχου εξετάστηκαν στη συνέχεια ένα προς ένα και ένα TF-FFL παρήχθη εάν το γονίδιο-στόχο και miRNA ρυθμιστής της ήταν τόσο ελέγχεται από ένα TF. Για miRNA-FFLs, η λίστα γονίδιο ίδιο στόχο είχε χρησιμοποιηθεί και miRNA ρύθμιση τόσο του γονιδίου-στόχου από τη λίστα και TF του επιλέχθηκε για την κατασκευή ενός miRNA-ΕΕΔ. Τέλος, για τον εντοπισμό των σύνθετων-FFLs οι ανακατασκευάστηκε miRNA-FFLs περαιτέρω εξετάστηκαν επαναληπτικό για να δούμε αν η ΤΡ σε αυτές τις FFLs ρυθμίζει επίσης τις αντίστοιχες miRNAs.

Για να επικυρώσετε τις FFLs ανακατασκευάστηκε από παράλληλες σύνολο δεδομένων έκφρασης και την προηγούμενη ενημέρωση από προβλέψει ρυθμιστικές αλληλεπιδράσεις, επιλέξαμε τυχαία τον ίδιο αριθμό των αλληλεπιδράσεων από την προβλεπόμενη κανονιστική ζευγάρια από τα οποία μπορούμε ανακατασκευάστηκε τις FFLs χρησιμοποιώντας την παραπάνω προσέγγιση. Αυτή η διαδικασία επαναλήφθηκε 1.000 φορές για να δημιουργήσει την εμπειρική κατανομή κάτω από την μηδενική υπόθεση ότι οι FFLs ανακατασκευάστηκε από την προσέγγισή μας πράγματι προκύψει κατά τύχη. Στη συνέχεια εκτελείται ένα δείγμα t-test με βάση τον αριθμό των TF-FFLs, miRNA-FFLs και σύνθετα-FFLs ανακατασκευάστηκε από το σύνολο δεδομένων παν-καρκίνου και υπολογίζεται η

σ

-τιμή για να καθορίσει αν αυτή η μηδενική υπόθεση μπορεί να να απορρίπτεται σε επίπεδο σημαντικότητας 0,01.

Επιπλέον, για την επικύρωση περαιτέρω τη σημασία της FFLs με τον καρκίνο, αξιολογήσαμε την απόδοση των ταυτοποιημένων FFLs στην ταξινόμηση του καρκίνου του προστάτη και φυσιολογικά δείγματα, χρησιμοποιώντας δεδομένα έκφρασης γονιδίων παράλληλα. LIBSVM [29], μια δημόσια βιβλιοθήκη SVM, επιλέχθηκε για την ταξινόμηση. Αφήστε-one-out cross επικύρωση (LOOCV), η οποία είναι η πιο αντικειμενική και αυστηρή μέθοδο για την αξιολόγηση ενός ταξινομητή, εκδόθηκε προκειμένου να αξιολογηθεί η απόδοση ταξινόμησης των FFLs. Για σύγκριση, χρησιμοποιήσαμε επίσης μία μέθοδο βασική γραμμή, στην οποία οι ετικέτες του καρκίνου και φυσιολογικά σύνολο δεδομένων έκφρασης ιονανταλλαγή 100 φορές. Για κάθε φορά, SVM ταξινομητές χρησιμοποιώντας τις ίδιες FFLs δημιουργήθηκαν από τα permuted δεδομένα έκφρασης και στη συνέχεια ελέγχονται με την ίδια διαδικασία αξιολόγησης. Τα αποτελέσματα που προκύπτουν από όλες τις δοκιμές μετάθεση κατά μέσο όρο για να πάρετε την απόδοση βάσης.

Τρεις μετρήσεις απόδοσης ταξινόμησης που χρησιμοποιούνται σε αυτή τη μελέτη, την ακρίβεια (

Acc

), ευαισθησία (

Sn

) και η ειδικότητα (

Sp

) ορίζονται ως folllows: (5) (6) (7) Εδώ

TP

,

TN

,

FP

και

FN

αντιπροσωπεύουν πραγματική θετική, αληθινό αρνητικό, ψευδώς θετικά και ψευδώς αρνητικά, αντίστοιχα. Εν τω μεταξύ, αφού τα μεγέθη των καρκινικών και φυσιολογικών δειγμάτων είναι πολύ διαφορετικά, συντελεστής συσχέτισης Matthews (

Mcc

) χρησιμοποιήθηκε, η οποία είναι μια ισορροπημένη μέτρηση της ποιότητας των ταξινομήσεων [30]: (8) Επιπλέον, θα απεικονίζονται επίσης από τον διαχειριστή δέκτη χαρακτηριστικό (ROC) καμπύλες για τη σύγκριση των επιδόσεων, στην οποία το x-άξονας αντιπροσωπεύει 1-

Σπ

και y-άξονας αντιπροσωπεύει

Sn

.

αποτελέσματα

Φιλτράρισμα-περιτύλιγμα

επιλογής χαρακτηριστικό

Ένα παράδειγμα της διαδικασίας επιλογής χαρακτηριστικό φίλτρο-περιτύλιγμα χρησιμοποιώντας το σύνολο δεδομένων παν-καρκίνου απεικονίζεται στο Σχήμα 1. στην επιλογή χαρακτηριστικών του φίλτρου, κορυφαία ρυθμιστές επιλεγμένα από mRMR εμφανίζουν μεγάλη αμοιβαίας ενημέρωσης, που δείχνει υψηλή συνάφεια με το γονίδιο-στόχο (Εικόνα 1Α). Το σχήμα 1Β δείχνει στην αρχή, υπάρχουν συνολικά 20 υποψήφιες χαρακτηριστικά με δυνατό false positives και το

σ

-τιμή των συνδεδεμένων μοντέλο γραμμικής παλινδρόμησης είναι 0,27. Όταν η επιλογή χαρακτηριστικό περιτύλιγμα γίνεται, το αντίστοιχο

σ

-τιμή μειώνεται δραματικά, γεγονός που υποδηλώνει ένα καλύτερο μοντέλο που είναι πιο κοντά στο μηχανισμό ρύθμισης πραγματική γονίδιο. Το τελικό μοντέλο αποτελείται από τρία ρυθμιστικών αρχών με τη βέλτιστη

σ

-τιμή των 3,9 × 10

-4. Επιπλέον, η boxplot των

σ

-τιμές για όλους τους στόχους που εξετάζονται στην παρούσα μελέτη (Εικόνα 2Α) δείχνει την επιλογή χαρακτηριστικό καθιστά γενικά πιο ακριβή μοντέλα παλινδρόμησης. Αξιολογήσαμε επίσης την προτεινόμενη μέθοδο με τον υπολογισμό του συντελεστή συσχέτισης Pearson (PCC), μια ευρέως χρησιμοποιούμενη μέτρηση για τον εντοπισμό ρυθμιστικών σχέσεις [31], μεταξύ των υποψηφίων των ρυθμιστικών αρχών και στόχων. Ως αποτέλεσμα, σημαντικά υψηλότερο ΕΚΣ (U-test

p

-τιμή: 4.4 × 10

-167) παρατηρήθηκαν στις ρυθμιστικές αλληλεπιδράσεις μετά την επιλογή χαρακτηριστικών (Σχήμα 2Β). Στο σύνολό τους, η μέθοδος επιλογής χαρακτηριστικών του φίλτρου-περιτύλιγμα βελτιώνει σημαντικά την αξιοπιστία των ταυτοποιημένων ρυθμιστικών αλληλεπιδράσεων με ακρίβεια μοντελοποίησης δεδομένων παράλληλη έκφραση και αποτελεσματικά την αφαίρεση ψευδώς προβλεπόμενες αλληλεπιδράσεις.

(Α) Ένα παράδειγμα που δείχνει την αμοιβαία ενημέρωση όλων των ρυθμιστικών αρχών στην φιλτράρετε διαδικασία επιλογής χαρακτηριστικών. Εμείς επιλέξαμε τις κορυφαίες ρυθμιστικές επιλέγονται από mRMR, τα οποία αποδεικνύουν μεγαλύτερες τιμές αμοιβαίας πληροφόρησης που υποδηλώνουν υψηλή συνάφεια με το γονίδιο στόχο. (Β) Ένα παράδειγμα που απεικονίζει

σ

-τιμή αλλαγή του γραμμικού μοντέλου παλινδρόμησης κατά τη διαδικασία επιλογής χαρακτηριστικών περιτύλιγμα. Όταν τα 17 χαρακτηριστικά αφαιρεθεί, η βέλτιστη

σ

-τιμή (σημειώνονται με κόκκινο χρώμα «*») που βρέθηκαν με επιλογή χαρακτηριστικό περιτύλιγμα είναι 3,9 × 10

-4.

Η

( Α)

P

-τιμές των γραμμικών μοντέλων παλινδρόμησης για όλα τα γονίδια-στόχους πριν και μετά την επιλογή χαρακτηριστικών.

P

-τιμές μειώθηκαν σημαντικά μετά εκτελέστηκε επιλογής χαρακτηριστικών. συντελεστών (Β) Pearson συσχέτιση (ΕΚΣ) μεταξύ όλων των γονιδίων στόχων και οι ρυθμιστικές αρχές τους πριν και μετά την επιλογή χαρακτηριστικών. Υψηλότερες ΕΚΣ (U-test

p

-τιμή: 4.4 × 10

-167) παρατηρήθηκαν στα τελικά εντοπίστηκαν ρυθμιστικές αλληλεπιδράσεις

Η

Για να αξιολογηθεί περαιτέρω η απόδοση του. προτεινόμενη μέθοδος, που μετατεθούν οι τιμές έκφρασης των δεδομένων έκφρασης τυχαία για 100 χρόνια και υπολογίζεται ψευδή discoveryrate (FDR) με σχετικά με τις αλληλεπιδράσεις που δημιουργούνται από τις τυχαιοποιημένες σύνολα δεδομένων, όπως ψευδώς θετικά. Για σύγκριση, αξιολογήσαμε επίσης την απόδοση των δύο άλλων μεθόδων: Lasso [17] και STEP [18]. Η διαδικασία δοκιμής επαναλαμβάνεται 3 φορές και τα αποτελέσματα φαίνονται στον Πίνακα 1. Με συγκρίσιμη διακύμανση, η μέση τιμή του FDR για επιλογή χαρακτηριστικών φίλτρου είναι 0,11, η οποία είναι σημαντικά μικρότερη από εκείνη του Lasso και STEP. Επιπλέον, με τη χρήση του φίλτρου και επιλογή χαρακτηριστικών περιτύλιγμα μαζί, παρατηρήσαμε μια δραματική μείωση στην FDR απόκλιση από 1,24 έως 0,38, υποδεικνύοντας καλύτερη συνοχή και ευρωστία σε σύγκριση με άλλες προσεγγίσεις. Επιπλέον, αυτή η μέθοδος απέδωσε μια μέση FDR 0.06, το οποίο είναι 5% καλύτερη από τη μέθοδο του φίλτρου. Στο σύνολό τους, τα αποτελέσματα αυτά καταδεικνύουν την ανώτερη απόδοση του φίλτρου-περιτύλιγμα μέθοδος επιλογής χαρακτηριστικών.

Η

Τέλος, διερευνήθηκε miRNA ρυθμιστικές αλληλεπιδράσεις πριν και μετά την επιλογή χαρακτηριστικών. Όπως φαίνεται στον Πίνακα 2, υπήρχαν συνολικά 190.976 προβλεπόμενες αλληλεπιδράσεις miRNA-στόχο και οι περισσότεροι από αυτούς απομακρύνθηκαν όταν εφαρμόσθηκε επιλογής χαρακτηριστικών, υποδεικνύοντας αυτές προβλέψει ρυθμιστικές αλληλεπιδράσεις ήταν είτε ψευδώς θετικά ή δεν σχετίζονται με καρκίνους του ανθρώπου. Επιπλέον, καταφεύγοντας σε miRTarBase [32] που περιέχει πειραματικά επικυρωμένη στόχους miRNA, βρήκαμε το κλάσμα των γνωστών ρυθμιστικών αλληλεπιδράσεων ήταν σημαντικά αυξημένη στα αποτελέσματα (Πίνακας 2, Υπεργεωμετρική-test,

p

-τιμή: 2.4 × 10

-3 για την επιλογή χαρακτηριστικών του φίλτρου, 4.0 × 10

-4 για τη λειτουργία του φίλτρου-περιτύλιγμα επιλογή), η οποία υποστηρίζει επίσης τη χρησιμότητα της επιλογής χαρακτηριστικών στην ανακάλυψη ρυθμιστικές αλληλεπιδράσεις.

η

TF και miRNA κοινού ρύθμισης FFLs σε ανθρώπινους καρκίνους

από τις 24.033 ρυθμιστικές αλληλεπιδράσεις που προσδιορίζονται από επιλογή χαρακτηριστικών, εντοπίσαμε τρεις τύπους FFLs σε ανθρώπινους καρκίνους (Εικόνα 3Α): TF-ΕΕΔ, miRNA-FFL και composite- FFL. Στην TF-FFL, ο TF είναι ο κύριος ρυθμιστής που ρυθμίζει άμεσα το γονίδιο miRNA και στόχου, ενώ το miRNA ρυθμίζει επίσης το γονίδιο-στόχο. Η miRNA-ΕΕΔ έχει την ίδια δομή με το TF-ΕΕΔ, αλλά ο κύριος ρυθμιστής είναι αντί miRNA. Το σύνθετο-FFL είναι ένας συνδυασμός του TF-FFL και miRNA-FFL, στην οποία ο TF και το miRNA ρυθμίζουν η μία την άλλη, ενώ επίσης ρυθμίζουν το ίδιο γονίδιο-στόχο. Να σημειωθεί ότι αυτά FFLs έχουν επίσης αναφερθεί σε άλλες μελέτες του καρκίνου [7], [13], [14], [33], [34], υποδηλώνοντας τον επιπολασμό της FFLs σε γονιδιακή ρύθμιση και ο μηχανισμός της καρκινογένεσης. Από το σύνολο δεδομένων παν-καρκίνου, εμείς ανακατασκευαστεί με επιτυχία 98 TF-FFLs, 106 miRNA-FFLs και 4 σύνθετο FFLs από τα διαπιστωμένα κανονιστικά αλληλεπιδράσεις με επιλογή χαρακτηριστικό. Για την επικύρωση περαιτέρω αυτές FFLs σχετίζονται με τον καρκίνο, πραγματοποιήσαμε ένα δείγμα t-test με σύγκριση ανακατασκευασμένη FFLs με εκείνα που δημιουργούνται από τυχαία επιλεγμένες αλληλεπιδράσεις από προβλεπόμενη ρυθμιστική ζεύγη (βλέπε μέθοδο), και ο μέσος αριθμός των TF-FFLs, miRNA-FFLs και σύνθετα FFLs σε τυχαιοποιημένες αλληλεπιδράσεις ήταν 56, 26 και 0.2, οι οποίες ήταν σημαντικά χαμηλότερες (

p

-τιμή: 1.2 × 10

-8 για TF-ΕΕΔ, 2.0 × 10

-43 για miRNA-FFL, 9.9 × 10

-11 για σύνθετα-FFL) από τον αριθμό των FFLs προσδιορίζονται σε ανθρώπινους καρκίνους.

(Α) Τρεις τύποι 3-κορυφή FFLs βρεθεί σε ανθρώπινους καρκίνους. Σύμφωνα με τη σχέση μεταξύ του miRNA και TF, τα μικτά FFLs βρεθεί σε ανθρώπινους καρκίνους ταξινομήθηκαν ως το TF-FFL (το TF ρυθμίζει άμεσα το γονίδιο miRNA και στόχου, ενώ το miRNA ρυθμίζει επίσης το γονίδιο-στόχος), miRNA-FFL (το miRNA ρυθμίζει άμεσα το γονίδιο TF και στόχος, ενώ η ΤΡ ρυθμίζει επίσης το γονίδιο-στόχος) ή σύνθετα-FFL (το TF και το miRNA ρυθμίζουν η μία την άλλη, ενώ επίσης ρυθμίζουν το ίδιο γονίδιο-στόχος). (Β) Κοινή TF-FFLs βρεθεί και στις δύο παν-καρκίνο του προστάτη και σύνολα δεδομένων του καρκίνου. Κόκκινοι κύκλοι δείχνουν γονιδίων στόχων? μπλε τρίγωνα και τετράγωνα πορτοκαλί υποδεικνύουν TFs και miRNAs.

Η

Εν τω μεταξύ, ανακατασκευάστηκε TF-miRNA συν-ρυθμιστικών FFLs χρησιμοποιώντας το σύνολο δεδομένων του καρκίνου του προστάτη και τα συνέκριναν με αυτά που δημιουργούνται από την κανονική δεδομένων έκφραση του προστάτη. Ο αριθμός των από κοινού ρύθμισης FFLs στον καρκίνο του προστάτη ήταν 110, και πολύ περισσότερο FFLs (425 συνολικά) ταυτοποιήθηκαν στα φυσιολογικά κύτταρα του προστάτη. Επιπλέον, βρήκαμε τη σύνθεση της FFLs ήταν επίσης σημαντικά διαφορετική (chi-square test,

p

-τιμή: 1.7 × 10

-2), για παράδειγμα, το ποσοστό των miRNA-FFLs ήταν 79% στον καρκίνο του προστάτη, ενώ ο αριθμός αυτός αυξήθηκε σε 89% σε φυσιολογικό ιστό του προστάτη. Το φαινόμενο αυτό συνεπάγεται πολλές κανονικές συν-ρυθμιστικών FFLs είναι δραματικά κατασταλεί ή να τροποποιηθεί με καρκίνο του προστάτη. Τέλος, συγκρίναμε τις FFLs ανακατασκευάστηκε από παν-καρκίνου και του καρκίνου του προστάτη σύνολα δεδομένων και αναγνωρίστηκαν 2 TF-FFLs (Σχήμα 3Β) που εμφανίστηκε στα δύο σύνολα δεδομένων. Είναι ενδιαφέρον, τα miRNAs σε αυτές τις δύο FFLs, HSA-ας-7α και HSA-ας-7ε, ανήκουν στην οικογένεια HSA-ας-7 που σχετίζεται με προστάτη [35], του μαστού [36], του πνεύμονα [37] καρκίνους.

Επιπλέον, πραγματοποιήσαμε ανάλυση ταξινόμηση του καρκίνου του προστάτη και φυσιολογικά δείγματα, χρησιμοποιώντας τα στοιχεία έκφρασης των miRNAs και γονιδίων στα προαναφερθέντα συν-ρυθμιστικών FFLs. Η απόδοση των φυσιολογικών και καρκινικών FFLs αξιολογήθηκαν χρησιμοποιώντας LOOCV και φαίνονται στον Πίνακα 3. Τόσο φυσιολογικών και καρκινικών FFLs αποφέρει πολύ καλά αποτελέσματα ταξινόμηση με

Acc

του 95,0% και 95,7%, repectively. Επίσης, η

Sn

,

Σπ

και

Mcc

μετρήσεις δείχνουν τα αποτελέσματα Η κατάταξη των δύο ειδών FFLs είναι πολύ ισορροπημένη. Επιπλέον, με τη χρήση όλων αυτών των FFLs η απόδοση ταξινόμησης βελτιώνεται περαιτέρω με το

Acc

,

Sn

και

Mcc

αυξάνεται σε 97,1%, 99,1% και 0.909, αντίστοιχα, τα οποία είναι signficantly καλύτερα από εκείνα της μεθόδου βασικής γραμμής. Τα αποτελέσματα αυτά επιβεβαιώνονται επίσης από τις καμπύλες ROC του παραπάνω προσεγγίσεις (Σχήμα 4), γεγονός που υποδηλώνει την αποτελεσματικότητα αυτών των FFLs χαρακτηρίζοντας τον καρκίνο του προστάτη και φυσιολογικά δείγματα και η σημασία τους για τον καρκίνο.

Το γκρι, μπλε, πράσινο και κόκκινο καμπύλες είναι οι καμπύλες ROC της βασικής γραμμής (μία μετάθεση), FFLs καρκίνου, η κανονική FFLs και όλα FFLs, αντίστοιχα. Η μεγαλύτερη περιοχή κάτω από την καμπύλη δείχνει τις καλύτερες παραστάσεις της κατάταξης.

Η

Βασικά παίκτες στην FFLs σχετίζονται με τον καρκίνο

Εμείς υπολογίζεται η εμφάνιση του TFs και miRNAs στην πανευρωπαϊκή καρκίνο και τον καρκίνο του προστάτη FFLs. Όπως φαίνεται στον Πίνακα 4, η κορυφαία TF και miRNA είναι STAT3 και HSA-ας-7ε, αντίστοιχα. Είναι ενδιαφέρον, βρήκαμε STAT3 εμφανίστηκε σε 18 FFLs του καρκίνου του προστάτη (Πίνακας 5), το οποίο εμπλουτίζεται σημαντικά σε σύγκριση με εκείνα σε κανονικό ιστό προστάτη (chi-square test,

σ

-τιμή = 2.6 × 10

-12) και σε παν-καρκίνου (chi-square test,

σ

-τιμή = 3.8 × 10

-3). Αυτό το φαινόμενο συνεπάγεται STAT3 εμπλέκεται στον καρκίνο του προστάτη. Έχει αναφερθεί ότι STAT3 ιδιοσυστατικά ενεργοποιημένη σε ιστό καρκίνου του προστάτη [38] και επαγωγή της έκφρασης STAT3 μπορεί να προκαλέσει μια κακοήθη μεταβολή των φυσιολογικών επιθηλιακών κυττάρων του προστάτη [39]. Επιπλέον, STAT3 έχει δειχθεί ως μια πολλά υποσχόμενη θεραπευτικό στόχο για τον καρκίνο του προστάτη [40]. Όλες αυτές οι παρατηρήσεις δείχνουν ότι STAT3 είναι μια σημαντική σχετιζόμενη με τον καρκίνο TF και έχει μια εξέχουσα αντίκτυπο στην εμφάνιση και την ανάπτυξη του καρκίνου του προστάτη. Επιπλέον, ανακαλύψαμε περισσότερο από το 24% του στόχου της STAT3 βρέθηκαν σε πανευρωπαϊκό καρκίνο εμφανίστηκε επίσης στον καρκίνο του προστάτη. Περαιτέρω ανάλυση των λειτουργικών εμπλουτισμό των στόχων STAT3 στον καρκίνο του προστάτη έδειξαν αυτοί στόχος έπαιξε σημαντικό ρόλο σε διάφορους κανονισμούς κυτταρική διαδικασία εμπλέκονται στην καρκινογένεση, για παράδειγμα, δέσμευση της κυτταρικής επιφάνειας και η ρύθμιση δραστικότητα των διαφόρων ειδών πρωτεϊνασών (Πίνακας 6). Τα αποτελέσματα της ανάλυσης μονοπατιού ανέφερε επίσης αυτά στόχος ήταν άφθονα σε φρουκτόζη και μαννόζη μεταβολισμό και Notch μονοπατιού σηματοδότησης.

Η

Η

TF-miRNA συν-ρυθμιστικών δικτύων σε ανθρώπινους καρκίνους

με βάση τα FFLs ανακατασκευάστηκε στα δύο σύνολα δεδομένων, χτίσαμε περαιτέρω παν-καρκίνου και καρκίνου του προστάτη συγκεκριμένες συν-ρυθμιστικών δικτύων TF-miRNA, και τα ορατά με τη χρήση του λογισμικού Cytoscape [41]. Όπως φαίνεται στο Σχήμα 5, ο συν-ρυθμιστικών δίκτυο παν-καρκίνος περιέχει ένα συνολικό αριθμό 213 κόμβων, συμπεριλαμβανομένων 37 TFs, 17 miRNAs και 159 άλλα γονίδια. Το συγκεκριμένο δίκτυο καρκίνο του προστάτη αποτελείται από 118 κόμβους με 27 TFs, 8 miRNAs και 83 άλλα γονίδια (Σχήμα 6). Υπολογίσαμε το βαθμό (συνδεσιμότητα) του κάθε κόμβου και διαπίστωσε ότι ο κόμβος με το μεγαλύτερο βαθμό και στα δύο δίκτυα ήταν το ίδιο miRNA HSA-ας-7ε. Αυτό το αποτέλεσμα συμφώνησε με την ανάλυση FFLs συζητήθηκε παραπάνω, υποδεικνύοντας ότι η HSA-ας-7ε μπορεί να είναι ζωτικής σημασίας σε διάφορους ανθρώπινους καρκίνους. Περαιτέρω μελέτη της βιβλιογραφίας δείχνει ότι η HSA-ας-7E είναι μέλος της ας-7 οικογένειας που προέκυψε ως καταστολέας των όγκων [36] και έχει αναφερθεί ότι παίζει σημαντικό ρόλο στη ρύθμιση των ογκογονιδίων σε multipletumors [42], [43].

Κόκκινο κύκλοι δείχνουν γονιδίων στόχων? μπλε τρίγωνα και τετράγωνα πορτοκαλί υποδεικνύουν TFs και miRNAs. Κόκκινο T άκρη σχήμα: κανονισμός miRNA? μπλε άκρη βέλος σχήμα: κανονισμός. TF

Η

Κόκκινο κύκλοι δείχνουν γονιδίων στόχων? μπλε τρίγωνα και τετράγωνα πορτοκαλί υποδεικνύουν TFs και miRNAs. Κόκκινο T άκρη σχήμα: κανονισμός miRNA? μπλε άκρη βέλος σχήμα: κανονισμός. TF

Η

Το υποδίκτυο του HSA-ας-7ε ανακτώνται από FFLs παν-καρκίνου (Σχήμα 7) περιλαμβάνει 57 γονίδια-στόχους και 12 TFs συμπεριλαμβανομένων πολλών σχετίζονται με τον καρκίνο γονίδια, όπως ΜΥΒ, E2F2 και διενεργούνται επί του παρόντος1. ΜΥΒ είναι πρωτο-ογκογονίδιο που έχει ταυτοποιηθεί ότι προκαλεί μια σειρά από λευχαιμία [44]. E2F2 είναι ρυθμιστής του κυτταρικού κύκλου του οποίου αυξήσεις στον ιστό του καρκίνου του προστάτη [45] επίπεδο έκφρασης. Διενεργούνται επί του παρόντος1 έχει επίσης αναφερθεί ότι παίζει ένα κρίσιμο ρόλο στη διαδικασία της καρκινογένεσης [46]. Πραγματοποιήσαμε επίσης λειτουργική ανάλυση εμπλουτισμό των στόχων HSA-ας-7ε σε παν-καρκίνου και τα αποτελέσματα στον Πίνακα 7 δείχνουν ότι έχουν εμπλουτιστεί σημαντικά σε πέντε οδούς (hsa05200: Pathways στον καρκίνο? Hsa05220: Η χρόνια μυελογενής λευχαιμία? Hsa00270: κυστεΐνη και μεθειονίνη μεταβολισμός? hsa05222: μικροκυτταρικό καρκίνο του πνεύμονα? hsa05219: καρκίνος ουροδόχου κύστης), μεταξύ των οποίων οι τέσσερις οδοί που σχετίζονται με καρκίνους του ανθρώπου. Συνολικά, τα αποτελέσματα αυτά δείχνουν ότι η HSA-ας-7e μπορεί να αναστείλει τη διαδικασία της εμφάνισης όγκων και την ανάπτυξη σε διάφορους όγκους ρυθμίζοντας διαφορετικά ογκογονίδια.

Το υποδίκτυο συντάχθηκε με όλους τους άμεσα συνδεδεμένων κόμβων της HSA-ας-7E , το οποίο φαίνεται να είναι το κομβικό σημείο της από κοινού ρύθμισης δικτύου.

η

Συζήτηση

τα ανθρώπινα καρκίνοι συνήθως χαρακτηρίζεται από τον πολλαπλασιασμό των γονιδίων ευπροσάρμοστο σε διάφορα στάδια της ανάπτυξης με περίπλοκο ρυθμιστικό μηχανισμό, ως εκ τούτου, την ανασυγκρότηση της γονιδιακής ρύθμισης σε ανθρώπινους καρκίνους, ιδιαίτερα σε σχέση με την πολύπλοκη, δυναμική και υπό όρους χαρακτηριστικό του, μπορεί να προχωρήσει σε μεγάλο βαθμό τις γνώσεις μας σχετικά με την προέλευση του καρκίνου και κακοήθων συμπεριφορά του. Σε αυτή τη μελέτη, χρησιμοποιήσαμε το φίλτρο-περιτύλιγμα μέθοδος επιλογής χαρακτηριστικών για την αναγνώριση ρυθμιστικές αλληλεπιδράσεις μεταξύ γονιδίων στόχων και των ρυθμιστικών αρχών, από το οποίο μπορούμε περαιτέρω ανακατασκευάστηκε TF-miRNA συν-ρυθμιστικών FFLs σε ανθρώπινους καρκίνους. Η προτεινόμενη μέθοδος εκμεταλλεύεται πλήρως παράλληλων συνόλων δεδομένων έκφρασης και την προηγούμενη ενημέρωση από την προβλεπόμενη ρυθμιστικές αλληλεπιδράσεις με το μοντέλο και τον χαρακτηρισμό του πολύπλοκου μηχανισμού από κοινού ρύθμισης σε ανθρώπινους καρκίνους.