Hồ sơ biểu hiện gen nhiều giai đoạn tiết lộ các gen tiềm năng và các con đường quan trọng trong ung thư thận

trừu tượng

Ung thư là một trong những căn bệnh rất phức tạp và ung thư biểu mô tế bào thận là nguyên nhân thứ sáu gây tử vong do ung thư. Để hiểu các bệnh phức tạp như ung thư, tiểu đường và bệnh thận, dữ liệu thông lượng cao được tạo ra trên quy mô lớn và nó đã giúp ích cho việc tiến bộ trong nghiên cứu và chẩn đoán. Tuy nhiên, làm sáng tỏ thông tin có ý nghĩa từ các bộ dữ liệu lớn như vậy để hiểu toàn diện và chi tiết về kiểu hình tế bào và sinh lý bệnh vẫn là một thách thức nhỏ, và cả các sự kiện phân tử dẫn đến khởi phát và tiến triển bệnh vẫn chưa được hiểu rõ. Với mục tiêu này, chúng tôi đã thu thập các bộ dữ liệu biểu hiện gen từ các bộ dữ liệu có sẵn công khai dành cho hai giai đoạn khác nhau (I và II) đối với ung thư biểu mô tế bào thận, cơ sở dữ liệu TCGA và cBioPortal đã được sử dụng để hiểu mức độ phù hợp về mặt lâm sàng. Trong công việc này, chúng tôi đã áp dụng một phương pháp tính toán để làm sáng tỏ các gen được biểu hiện khác nhau và mạng lưới của chúng cho các con đường phong phú. Dựa trên kết quả của chúng tôi, chúng tôi kết luận rằng trong số các con đường thay đổi chủ yếu nhất đối với ung thư biểu mô tế bào thận, là PI3K-Akt, Foxo, bệnh nội tiết, MAPK, Đường nối chặt chẽ, con đường tương tác với thụ thể cytokine cytokine và nguồn thay đổi chính của các con đường này là MAP3K13, CHAF1A, FDX1, ARHGAP26, ITGBL1, C10orf118, MTO1, LAMP2, STAMBP, DLC1, NSMAF, YY1, TPGS2, SCARB2, PRSS23, SYNJ1, CNPPD1, PPP2R5E. Xét về ý nghĩa lâm sàng, có một số lượng lớn các gen biểu hiện khác nhau dường như đóng vai trò quan trọng trong sự sống còn.

Nhấn vào đây để biết Herba Cistanche và những lợi ích của Cistanche

Giới thiệu

Ung thư biểu mô tế bào thận (RCC) là loại ung thư thận phổ biến nhất ở người lớn, chịu trách nhiệm cho khoảng 90–95% các trường hợp và đây là một trong những nguyên nhân hàng đầu gây tử vong do ung thư. Sự xuất hiện của nó cho thấy nam giới chiếm ưu thế chủ yếu so với nữ giới với tỷ lệ 1,5:1. RCC, ung thư thận bắt nguồn từ lớp lót của ống lượn gần, là một phần của các ống rất nhỏ trong thận và vận chuyển nước tiểu chính1,2. Dữ liệu thông lượng cao được tạo ra trên quy mô lớn để hiểu các bệnh phức tạp như ung thư và dữ liệu này đã hỗ trợ tiến bộ trong nghiên cứu và chẩn đoán3–6. Tuy nhiên, việc trích xuất kiến ​​thức hữu ích từ các bộ dữ liệu khổng lồ như vậy để hiểu đầy đủ và chi tiết về kiểu hình tế bào và sinh lý bệnh vẫn là một nhiệm vụ khó khăn và các sự kiện phân tử góp phần khởi phát và tiến triển bệnh vẫn chưa được hiểu rõ7–9. Sự tiến bộ của thời kỳ hậu genom đã tạo ra một lượng lớn "dữ liệu lớn" trong khoa học sinh học, dẫn đến vô số ứng dụng liên ngành trong những thập kỷ gần đây5,10. Một số cơ sở dữ liệu sinh học chứa nhiều loại bộ dữ liệu khác nhau. TCGA, oncoming, nephrosis, và GEO (đa dạng biểu hiện gen) là những cơ sở dữ liệu được sử dụng rộng rãi nhất trong khoa học sinh học11. Các cơ sở dữ liệu này chủ yếu là GEO lưu trữ một lượng lớn các bộ dữ liệu liên quan đến ung thư, tiểu đường và các vấn đề sinh học khác8,12–16.

Việc xác định các loại khối u khác biệt về mặt sinh bệnh học đặt ra một thách thức đáng kể trong việc điều trị các bệnh phức tạp (đặc biệt là ung thư)17–19. Sự cải thiện trong phân loại khối u luôn giúp cải thiện các phương pháp điều trị20,21. Trong liệu pháp nhắm mục tiêu cụ thể, hiệu quả có thể được tối đa hóa trong khi độc tính giảm bằng cách sử dụng phân loại nâng cao. Để truy cập các bộ dữ liệu sinh học từ các cơ sở dữ liệu này trước đây, nhiều công cụ/phương pháp đã được sử dụng. Đối với việc phân loại ung thư ở cấp độ phân tử, Golub TR và cộng sự, 22 đã chia phân loại ung thư thành hai lớp thách thức là khám phá và lớp dự đoán.

Một số gen gây ung thư và gen ức chế khối u bị thay đổi trong RCC, dẫn đến rối loạn điều hòa con đường, cần được xác định và nghiên cứu thêm23–25. Số lượng bản sao, trình tự gen, kiểu biểu hiện và quá trình methyl hóa trong RCC sơ cấp đều là những cách khả thi để đạt được mục tiêu này. Với những bước đột phá liên tục trong công nghệ omics, việc áp dụng các dấu hiệu phân tử để chẩn đoán và tiên lượng sớm đáng được quan tâm hơn nữa1,2,26–30.

Chúng tôi đã chọn bộ dữ liệu RCC với các mẫu từ hai giai đoạn (giai đoạn I và II) để hiểu các mẫu biểu hiện gen khác nhau như thế nào và các mẫu biểu hiện gen bị thay đổi dẫn đến những thay đổi có thể có trong các chức năng được suy luận tương ứng khi khối u ở giai đoạn I sang II thay đổi và từ nền tảng Affymetrix như thế nào (U133A đến U133B). Các giai đoạn ung thư khác nhau giúp mô tả vị trí của ung thư, nó đã lan rộng bao xa và liệu nó có ảnh hưởng đến các bộ phận khác của cơ thể hay không31–33. Mô khỏe mạnh thường chứa nhiều loại tế bào khác nhau được nhóm lại. Nếu ung thư trông tương tự như mô khỏe mạnh và chứa các nhóm tế bào khác nhau, nó được gọi là khối u biệt hóa hoặc cấp độ thấp và khi mô ung thư trông rất khác so với mô khỏe mạnh, nó được gọi là khối u kém biệt hóa hoặc cấp độ cao. Cấp độ ung thư có thể giúp bác sĩ lâm sàng dự đoán ung thư sẽ lan nhanh như thế nào. Nói chung, cấp độ của khối u càng thấp thì tiên lượng càng tốt. Các loại ung thư khác nhau có các phương pháp khác nhau để phân loại ung thư 7,34–37. Nói chung, rất khó để phát hiện hầu hết các bệnh ung thư ở giai đoạn đầu, vì vậy trọng tâm chính là khám phá sự thay đổi kiểu biểu hiện gen và hậu quả chức năng của chúng hơn nữa để tránh sai lệch, chúng tôi đã kết hợp bộ dữ liệu TCGA cũng có các mẫu từ tất cả các loại ung thư. lớp.

Ở đây, chúng tôi đã chọn một bộ dữ liệu từ tạp chí biểu hiện gen (GEO) trong đó các mẫu là từ người có hai giai đoạn khối u (I và II). Chúng tôi đã sắp xếp các mẫu theo thứ tự như giai đoạn I bình thường so với khối u và giai đoạn II bình thường so với khối u đối với nền tảng Affymetrix U133A và U133B, đồng thời phân tích các mẫu khối u liên quan đến các biện pháp kiểm soát tương ứng của chúng (mẫu bình thường ở cùng giai đoạn) đối với sự thay đổi biểu hiện gen và các chức năng tiến hóa với sự gia tăng tỷ lệ phần trăm khối u. Dựa trên nghiên cứu của chúng tôi, chúng tôi kết luận rằng bất kể giai đoạn khối u PI3K-Akt, Foxo, bệnh nội tiết, MAPK, Đường nối chặt chẽ, các con đường tương tác thụ thể cytokine-cytokine và nguồn thay đổi chính của các con đường này là MAP3K13, CHAF1A, FDX1, ARHGAP26 , ITGBL1, C10orf118, MTO1, LAMP2, STAMBP, DLC1, NSMAF, YY1, TPGS2, SCARB2, PRSS23, SYNJ1, CNPPD1, PPP2R5E. Ngoài ra, chúng tôi cũng đã nghiên cứu ý nghĩa lâm sàng và quan sát thấy rằng có một số lượng lớn các gen biểu hiện khác nhau dường như đóng vai trò quan trọng trong sự sống còn như ARHGAP6, TGM4, CD248, SLC13A3, EPO, PARD6A, CLCA2, UBE2S, ERAL1 , FGFR1, MRVI1, DYNC1I2, CDCA7.

bổ sung nước tiểu

Cuộc thảo luận

Ung thư biểu mô tế bào thận là một trong những bệnh ung thư phổ biến nhất và là một trong những nguyên nhân hàng đầu gây tử vong do ung thư14,15,41. Về phương pháp điều trị và chẩn đoán, kết quả điều trị và lâm sàng khác nhau giữa các cá nhân thậm chí có sự tương đồng gần gũi về đặc điểm lâm sàng và bệnh lý (loại khối u, cấp độ và giai đoạn) và mặc dù đã có những nỗ lực to lớn để xác định dấu ấn sinh học phân tử (tiên lượng và dự đoán) và với độ chính xác được cải thiện so với các yếu tố dự đoán lâm sàng và bệnh lý, chỉ có một số xét nghiệm phân tử được đưa vào thực hành ung thư29. Vì vậy, điều quan trọng là phải hiểu và làm sáng tỏ các mức độ khác nhau (chẳng hạn như kiểu biểu hiện gen, biểu sinh, biểu hiện protein) của sự đa dạng trong bệnh ung thư42,43. Chúng tôi đã thu thập bộ dữ liệu đã xuất bản trước đây cho mục đích này và tiến hành một nghiên cứu chi tiết và chính xác, từ hồ sơ biểu hiện gen đến các thay đổi chức năng, bao gồm các mạng được ánh xạ từ cơ sở dữ liệu mạng protein của con người.

Công việc của chúng tôi dẫn đến kết luận rằng bất kể giai đoạn khối u PI3K-Akt, Foxo, bệnh nội tiết, MAPK, Đường nối chặt chẽ, con đường tương tác thụ thể cytokine-cytokine và nguồn thay đổi chính cho những con đường này là MAP3K13, CHAF1A, FDX1, ARHGAP26, ITGBL1, C10orf118, MTO1, LAMP2, STAMBP, DLC1, NSMAF, YY1, TPGS2, SCARB2, PRSS23, SYNJ1, CNPPD1, PPP2R5E. Mạng DEG cho các con đường được làm phong phú cho thấy rằng có một số lượng lớn gen từ một số con đường cụ thể bị thay đổi, chẳng hạn như con đường truyền tín hiệu Ras, hệ thống miễn dịch, con đường Wnt, hà mã và Akt Ở đây, chúng tôi quan sát thấy rằng các con đường quan trọng đã bị thay đổi trong RCC là wnt, hà mã, điều hòa khung tế bào actin, ECM, nhiễm trùng và viêm nhiễm, trao đổi chất và nhiều con đường liên quan đến ung thư. Từ mạng được ánh xạ, chúng tôi quan sát thấy rằng các gen được kết nối cao sẽ suy ra các con đường tiềm năng, hay nói cách khác, các gen được xếp hạng hàng đầu dựa trên khả năng kết nối đề cập đến các con đường có liên quan trực tiếp hoặc gián tiếp với RCC hoặc các loại ung thư khác.

Về ý nghĩa lâm sàng, chúng tôi đã xem xét tỷ lệ đột biến của các gen được xếp hạng hàng đầu (dựa trên sự thay đổi nếp gấp) và khả năng sống sót của bệnh nhân đối với những thay đổi trong biểu hiện gen, với biểu đồ Kaplan–Meier cho thấy ý nghĩa lâm sàng. Chúng tôi kết luận rằng một số lượng lớn các gen được biểu hiện khác nhau có xu hướng có khả năng quan trọng về khả năng sống sót, với ARHGAP6, TGM4, CD248, SLC13A3, EPO, PARD6A, CLCA2, UBE2S, ERAL1, FGFR1, MRVI1, DYNC1I2, CDCA7 trong số các gen được chọn . Sử dụng các bộ dữ liệu có sẵn công khai, chúng tôi đã nghiên cứu hồ sơ biểu hiện gen cho ung thư biểu mô tế bào thận. Công việc trước đây đã tập trung vào các gen và con đường được chọn. Ở đây, chúng tôi đã nghiên cứu danh sách các con đường quan trọng và các gen dường như có ý nghĩa lâm sàng cao trong trường hợp ung thư biểu mô tế bào thận. Những gen có ý nghĩa lâm sàng này dẫn đến sự thay đổi tiềm năng trong PI3K-Akt, cáo, endocytosis, MAPK, mối nối chặt chẽ và con đường tương tác giữa thụ thể cytokine-cytokine. Công việc của chúng tôi sẽ giúp chẩn đoán bệnh nhân ung thư biểu mô tế bào thận vì ở đây, chúng tôi đã trình bày các gen biểu hiện khác nhau, con đường suy luận của chúng và tác động lâm sàng của các gen chọn lọc. Vì phát hiện của chúng tôi là từ góc độ tổng thể bao gồm cả sự liên quan đến lâm sàng nên nghiên cứu này cũng sẽ giúp ích trong tương lai cho việc chẩn đoán.

Công trình này dường như cũng độc đáo hơn so với nghiên cứu trước đây, chúng tôi có khả năng khám phá cấp I và II của RCC và khám phá thêm về mức độ phù hợp lâm sàng. Mô khỏe mạnh thường chứa nhiều loại tế bào khác nhau được nhóm lại với nhau và nếu ung thư trông giống mô khỏe mạnh và chứa các nhóm tế bào khác nhau, nó được gọi là khối u biệt hóa hoặc khối u cấp thấp khi mô ung thư trông rất khác so với mô khỏe mạnh, nó được gọi là như một khối u biệt hóa kém hoặc cao cấp. Cấp độ ung thư có thể giúp bác sĩ lâm sàng dự đoán ung thư sẽ lan nhanh như thế nào. Nói chung, cấp độ của khối u càng thấp thì tiên lượng càng tốt. Các loại ung thư khác nhau có các phương pháp khác nhau để xếp hạng ung thư 7,34–37 và các giai đoạn khối u khác nhau có thể giúp mô tả mức độ nghiêm trọng, tốc độ lan truyền của khối u và tác động của nó đối với các cơ quan khác31–33. Nói chung, rất khó để phát hiện hầu hết các bệnh ung thư ở giai đoạn đầu, vì vậy trọng tâm chính là khám phá sự thay đổi kiểu biểu hiện gen và hậu quả chức năng của nó hơn nữa để tránh sai lệch, chúng tôi đã kết hợp bộ dữ liệu TCGA cũng có các mẫu từ tất cả các lớp. Hơn nữa, chúng tôi cũng đã nghiên cứu sự biểu hiện của các gen liên quan đến lâm sàng này bằng cách sử dụng tập bản đồ protein 44–48. Chúng tôi quan sát thấy rằng hầu hết các gen này được biểu hiện trong trường hợp RCC và đóng vai trò là dấu ấn sinh học và chỉ TGM4 và GGN không được biểu hiện. Nghiên cứu này sẽ là một bước quan trọng trong sự hiểu biết về sự lây lan của khối u ở giai đoạn đầu và cũng sẽ hữu ích cho các khía cạnh lâm sàng.

Citsanche tubulosa

phương pháp

Ở đây, bộ dữ liệu GSE6344 đã được sử dụng cho nghiên cứu chứa các mẫu biểu hiện gen giai đoạn I và II đối với ung thư thận khối u30,38. Ở bước đầu tiên, chúng tôi đã chọn bộ dữ liệu biểu thức thô GSE6344 và xử lý nó cho đến khi đạt được giá trị chuẩn hóa và log2 của tất cả các gen được ánh xạ, như thể hiện trong Hình 1a của quy trình làm việc. 40 mẫu trong tập dữ liệu này là 5 mẫu bình thường và 5 mẫu khối u cho hai giai đoạn I và II từ nền tảng U133A và U133B. Chúng tôi đã so sánh các mẫu khối u với các mẫu tiêu chuẩn của các giai đoạn và nền tảng tương ứng để phân tích biểu hiện gen khác biệt, thu được bốn danh sách DEG.

Tóm lại, các bước cơ bản liên quan đến toàn bộ nghiên cứu là xử lý tệp thô, tính toán cường độ và chuẩn hóa. Để chuẩn hóa49–51, GCRMA52–56, RMA và EB là các phương pháp được sử dụng phổ biến nhất. Ở đây, chúng tôi đã sử dụng EB để chuẩn hóa cường độ thô. Sau khi chuẩn hóa, chúng tôi tiến hành mục tiêu của mình là hiểu các mẫu biểu hiện gen14,57 và các chức năng được suy ra của chúng57,58.

Để chuẩn bị danh sách DEG và phân tích, chúng tôi có các mã dựng sẵn. Các mẫu được đặt thành hai nhóm, chẳng hạn như COVID-19 dương tính và âm tính, sau đó là mẫu bình thường và mẫu khối u. Tiêu chí lựa chọn được đặt theo thay đổi nếp gấp và giá trị p đã được tính toán và để lựa chọn gen được biểu thị khác nhau, ngưỡng thay đổi nếp gấp và giá trị p được áp dụng lần lượt là ± 2 và 0.05 và sau đó cơ sở dữ liệu KEGG59–61 được sử dụng để phân tích đường dẫn và mã của chúng tôi được thiết kế62. Tóm lại, để dự đoán biểu hiện gen khác biệt và phân tích thống kê, các chức năng MATLAB2017 (ví dụ: hầu hết mờ) đã được áp dụng và hơn nữa để phân tích lộ trình, chúng tôi đã sử dụng cơ sở dữ liệu KEGG6162–65.

Để tạo mạng DEG, FunCoup2.066 đã được sử dụng cho tất cả các mạng trong suốt quá trình làm việc và cytoscape67 đã được sử dụng để hiển thị mạng. Đối với hầu hết mã hóa và tính toán của chúng tôi, MATLAB đã được sử dụng từ 62–65. Hơn nữa, cơ sở dữ liệu FunCoup2.066 và Cytoscape và các ứng dụng của nó68 đã được sử dụng để trực quan hóa mạng để hiểu mạng và khả năng kết nối của các gen trong mạng DEGs69,70. Khái niệm cơ bản của cơ sở dữ liệu mạng FunCoup là nó dự đoán bốn loại liên kết ghép nối chức năng khác nhau như phức hợp protein, tương tác vật lý protein-protein, quá trình trao đổi chất và tín hiệu66. Mã MATLAB 2017b và mã dòng lệnh đã được sử dụng để vẽ sơ đồ trong tương lai và trong quá trình phân tích. Đối với phân tích cấp độ mạng, chẳng hạn như số lượng kết nối trên mỗi gen và các gen thuộc về số lượng con đường khác nhau, các mã đã được viết trong MATLAB và cuối cùng, nó cũng đã được vẽ bằng các mã được viết trong MATLAB64,65. Để vẽ biểu đồ Venn, một máy chủ web có sẵn miễn phí đã được sử dụng 72–74.

viên nang cistache

kết luận

Dựa trên những phát hiện của chúng tôi, chúng tôi kết luận rằng các con đường tương tác với thụ thể PI3K-Akt, Foxo, endocytosis, MAPK, Mối nối chặt chẽ và thụ thể cytokine nằm trong số những con đường bị thay đổi phổ biến nhất trong ung thư biểu mô tế bào thận và MAP3K13, CHAF1A, FDX1, ARHGAP26, ITGBL1, C10orf118 , MTO1, LAMP2, STAMBP, DLC1, NSMAF, YY1, TPGS2, SCARB2, PRSS23, SYNJ1, CNPPD1 và PPP2R5E là những nguồn thay đổi chính cho các lộ trình này. Wnt, hà mã, kiểm soát khung tế bào actin, ECM, nhiễm trùng và viêm nhiễm, trao đổi chất và các con đường liên quan đến ung thư khác là một trong những con đường quan trọng nhất bị thay đổi trong RCC. ARHGAP6, TGM4, CD248, SLC13A3, EPO, PARD6A, CLCA2, UBE2S, ERAL1, FGFR1, MRVI1, DYNC1I2, CDCA7 là một số gen đã được chọn sau nghiên cứu sinh tồn.

Người giới thiệu

1. Cairns, P. Ung thư biểu mô tế bào thận. Dấu ấn sinh học ung thư 9, 461–473 (2010).

2. Hsieh, JJ và cộng sự. Ung thư biểu mô tế bào thận. tự nhiên Mục sư Dis. sơn lót. 3, 1–19 (2017).

3. Swanton, C. Tiến hóa ung thư: Biên giới cuối cùng của y học chính xác. Ann. ung thư. 25, 549–551 (2014).

4. Hiley, C., de Bruin, EC, McGranahan, N. & Swanton, C. Giải mã tính không đồng nhất trong khối u và thu thập tạm thời các sự kiện trình điều khiển để tinh chỉnh thuốc chính xác. Bộ gen sinh học. 15, 453 (2014).

5. Werner, HMJ, Mills, GB & Ram, PT Sinh học hệ thống ung thư: cái nhìn về tương lai của việc chăm sóc bệnh nhân. tự nhiên Linh mục lâm sàng. Oncol 11, 167–176 (2014).

6. Wang, E. Tìm hiểu sự thay đổi bộ gen trong bộ gen ung thư bằng cách sử dụng phương pháp tiếp cận mạng tích hợp. Lá Thư Ung Thư. 340, 261–269 (2013).

7. Hanahan, D. & Weinberg, RA Dấu hiệu ung thư: Thế hệ tiếp theo. Ô 144, 646–674 (2011).

8. Wang, Y. et al. Hồ sơ biểu hiện gen để dự đoán sự di căn xa của ung thư vú nguyên phát âm tính hạch bạch huyết. Lancet 365, 671–679 (2005).

9. Gaulton, KJ và cộng sự. Lập bản đồ di truyền và chú thích bộ gen. tự nhiên gien. 47, 1415–1425 (2015).

10. Hornberg, JJ, Bruggeman, FJ, Westerhof, HV & Lankelma, J. Ung thư: Một bệnh sinh học hệ thống. Hệ thống sinh học 83, 81–90 (2006).

11. Yuan, Y. et al. Đánh giá Tiện ích lâm sàng Ung thưGenomicProteomicDatTumorTypes2014NatBiotech. tự nhiên công nghệ sinh học. 1–11 (2014). https://doi.org/10.1038/nbt.2940

12. Li, B. & Li, JZ Một khuôn khổ chung để phân tích cận lâm sàng khối u bằng cách sử dụng mảng SNP và dữ liệu giải trình tự DNA. Bộ gen sinh học. 15, 473 (2014). https://doi.org/10.1186/s13059-014-0473-4

13. Rybak, AP, Bristow, RG & Kapoor, A. Tế bào gốc ung thư tuyến tiền liệt: giải mã nguồn gốc và con đường liên quan đến sự hình thành và xâm lấn của khối u tuyến tiền liệt. Oncotarget 6, 1900–1919 (2015).

14. Lapointe, J. et al. Hồ sơ biểu hiện gen xác định các phân nhóm ung thư tuyến tiền liệt có liên quan về mặt lâm sàng Proc. tự nhiên. học viện. Khoa học. Hoa Kỳ 101, 811–816 (2004).

15. Roth, RB và cộng sự. Các phân tích biểu hiện gen cho thấy mối quan hệ phân tử giữa 20 vùng của CNS của con người. Di truyền học thần kinh 7, 67–80 (2006).

16. Ko, J.-H. et al. Hồ sơ biểu hiện của các gen kênh ion dự đoán kết quả lâm sàng trong bệnh ung thư vú mol. Ung thư 12, 106 (2013).

17. Aparicio, S. & Mardis, E. Tính không đồng nhất của khối u: giải trình tự thế hệ tiếp theo nâng cao tầm nhìn từ kính hiển vi của nhà nghiên cứu bệnh học. Bộ gen sinh học. 15, 463 (2014). https://doi.org/10.1186/s13059-014-0463-6

18. Navin, NE Sự tiến hóa của khối u để đáp ứng với hóa trị liệu: Kiểu hình so với kiểu gen. Dân biểu Tế bào 6, 417–419 (2014).

19. Strandmann, von, EP, Reinartz, S., Wager, U. & Müller, R.,. Tương tác tế bào chủ-khối u trong ung thư buồng trứng: Con đường dẫn đến thất bại trong điều trị. Xu hướng Ung thư 3, 137–148 (2017).

20. Yap, TA, Swanton, C. & de Bono, JS Cá nhân hóa việc phòng ngừa và điều trị ung thư tuyến tiền liệt: Các dấu ấn sinh học đủ điều kiện lâm sàng trong Horizon? EPMA J. 3, 3 (2012).

21. Jia, Z. et al. Chẩn đoán ung thư tuyến tiền liệt bằng cách sử dụng các gen biểu hiện khác nhau trong stroma. Có thể. độ phân giải 71, 2476–2487 (2011).

22. Golub, TR Phân loại ung thư theo phân tử: Khám phá lớp và dự đoán lớp bằng cách theo dõi biểu hiện gen. Khoa học 286, 531–537 (1999).

23. Vogelstein, B. & Kinzler, KW Gen ung thư và con đường chúng kiểm soát. tự nhiên y tế. 10, 789–799 (2004).

24. Murai, M. & Oya, M. Ung thư biểu mô tế bào thận: Nguyên nhân, tỷ lệ mắc bệnh và dịch tễ học. Curr. ý kiến. Urol. 14, 229–233 (2004).

25. Terris, M., Klaassen, Z. & Kabaria, R. Ung thư biểu mô tế bào thận: Mối liên hệ và rủi ro. IJNRD 45. https://doi.org/10.2147/IJNRD.S75916 (2016).

26. Tiwari, P., Kumar, L., Singh, G., Seth, A. & Tulkar, S. Ung thư tế bào thận: Hồ sơ lâm sàng và kết quả sống sót. Ấn Độ J. Med. Nhi khoa. ung thư. 39, 23 (2018).

27. Navai, N. & Wood, CG Các yếu tố rủi ro về môi trường và có thể thay đổi được trong ung thư biểu mô tế bào thận. Urol. ung thư. 30, 220–224 (2012).

28. Maruschke, M. et al. Hồ sơ biểu hiện của ung thư biểu mô tế bào thận di căn bằng cách sử dụng phân tích làm giàu bộ gen. quốc tế J.Urol. 21, 46–51 (2013).

29. Gerlinger, M. et al. Kiến trúc bộ gen và sự tiến hóa của ung thư biểu mô tế bào thận rõ ràng được xác định bằng trình tự đa vùng tự nhiên gien. 46, 225–233 (2014).

30. Tun, HW et al. Chữ ký con đường và sự biệt hóa tế bào trong ung thư biểu mô tế bào thận rõ ràng PLoS MỘT 5, e10696 (2010).

31. Cheung, KJ & Ewald, AJ Một con đường tập thể để di căn: gieo mầm bởi các cụm tế bào khối u. Khoa học 352, 167–169 (2016).

32. Jackson, T., Koh, GY & Zheng, X. Một mô hình liên tục của quá trình hình thành mạch: Khởi đầu, mở rộng và trưởng thành của các mạch máu mới được điều biến bởi yếu tố tăng trưởng nội mô mạch máu, angiopoietin, yếu tố tăng trưởng B có nguồn gốc từ tiểu cầu và tế bào pericyte . DCDS-B 18, 1109–1154 (2013).

33. Reis, PP và cộng sự. Một chữ ký gen ở rìa phẫu thuật bình thường về mặt mô học là dự đoán tái phát ung thư biểu mô miệng Ung thư BMC 11, 437–511 (2011).

34. Fraser, M. et al. Dấu hiệu bộ gen của ung thư tuyến tiền liệt cục bộ, không xấc xược. Thiên nhiên 1–22. https://doi.org/10.1038/nature20788 (2017).

35. Penault-Llorca, F. & Radosevic-Robin, N. Dấu ấn sinh học của bệnh còn sót lại sau khi điều trị tân dược cho bệnh ung thư vú. tự nhiên Linh mục lâm sàng. ung thư. 1–17. https://doi.org/10.1038/nrclinonc.2016.1 (2016).

36. Liu, J. et al. Tài nguyên dữ liệu lâm sàng về bệnh ung thư toàn bộ TCGA tích hợp để thúc đẩy phân tích kết quả sống sót chất lượng cao. Ô 173, 400-416.e11 (2018).

37. Suzuki, H. et al. Cảnh quan tương tác và kiến ​​trúc vô tính trong u thần kinh đệm cấp II và III. tự nhiên gien. 1–14 (2015). https://doi.org/ 10.1038/ng.3273

38. Gumz, ML và cộng sự. Mất protein 1 liên quan đến xoăn cứng được tiết ra góp phần tạo nên kiểu hình khối u của ung thư biểu mô tế bào thận rõ ràng. lâm sàng. Ung thư Res. 13, 4740–4749 (2007).

39. Ellrott, K. et al. Phương pháp tiếp cận khoa học mở có thể mở rộng để gọi đột biến của các khối u bên ngoài bằng cách sử dụng nhiều đường ống gen. Hệ thống tế bào 6, 271-281.e7 (2018).

40. Tibodeau, BJ et al. Đặc điểm của ung thư biểu mô tế bào thận rõ ràng bằng biểu hiện gen pro. Urol. ung thư. 1–9 (2015). https:// doi.org/10.1016/j.urolonc.2015.11.001

41. Ross, DT và cộng sự. Sự thay đổi có hệ thống trong các kiểu biểu hiện gen trong các dòng tế bào ung thư ở người. tự nhiên gien. 24, 227–235 (2000).

42. Swanton, C. Tính không đồng nhất trong khối u: Tiến hóa theo không gian và thời gian. Có thể. độ phân giải 72, 4875–4882 (2012).

43. Zhang, J. và cộng sự. Sự không đồng nhất trong khối u trong ung thư biểu mô tuyến phổi cục bộ được phân định bằng trình tự đa vùng. Khoa học 346, 256–259 (2014).

44. Sjöstedt, E. et al. Bản đồ các gen mã hóa protein trong não người, lợn và chuột. Khoa học 367 (2020).

45. Uhlén, M. et al. Bản đồ protein của con người cho các mô bình thường và ung thư dựa trên proteomics kháng thể. mol. Tế bào. Proteomics 4, 1920–1932 (2005).

46. ​​Uhlén, M. et al. Một phân tích phiên mã trên toàn bộ bộ gen của các gen mã hóa protein trong tế bào máu của con người. Khoa học 366, (2019).

47. Uhlén, M. et al. Một tập bản đồ bệnh lý của bảng điểm ung thư ở người. Khoa học 357, (2017).

48. Uhlén, M. et al. proteomics. Bản đồ dựa trên mô của hệ protein của con người. Khoa học 347, 1260419 (2015).

49. Quackenbush, J. Chuyển đổi và chuẩn hóa dữ liệu microarray. tự nhiên gien. 32, 496–501 (2002).

50. Simon, R. Cấu hình biểu thức dựa trên microarray và tin học. Curr. ý kiến. công nghệ sinh học. 19, 26–29 (2008).

51. Ideker, T., Torsson, V., Siegel, AF & Hood, LE Kiểm tra các gen biểu hiện khác nhau bằng phân tích khả năng tối đa của dữ liệu microarray. J. Máy tính. sinh học. 7, 805–817 (2000).

52. Reimers, M. Đưa ra lựa chọn sáng suốt về phân tích dữ liệu microarray. Máy tính PLoS. sinh học. 6, e1000786 (2010).

53. Chen, K.-H. et al. Lựa chọn gen để xác định ung thư: Một mô hình cây quyết định được hỗ trợ bởi thuật toán tối ưu hóa bầy đàn hạt. Sinh học BMC. 15, 1–10 (2014).

54. Bild, AH và cộng sự. Tích hợp các chiến lược bổ sung cho phân tích biểu hiện gen để tiết lộ các cơ hội điều trị mới cho bệnh ung thư vú. Ung thư vú Res. 11, R55 (2009).

55. Salomonis, N. et al. GenMAPP 2: Các tính năng và tài nguyên mới để phân tích lộ trình. Tin sinh học BMC 8, 217 (2007).

56. Girke, T. Phân tích microarray. 1–42 https://faculty.ucr.edu/~tgirke/HTML_Presentations/Manuals/Microarray/arrayBasics.pdf (2011).

57. Subramanian, A. et al. Phân tích làm giàu bộ gen: Một cách tiếp cận dựa trên kiến ​​thức để diễn giải các cấu hình biểu hiện trên toàn bộ gen. Proc. tự nhiên. học viện. Khoa học. Mỹ 102, 15545 (2005).

58. Mi, H., Poudel, S., Muruganujan, A., Casagrande, JT & Tomas, PD PANTHER phiên bản 10: Chức năng và họ protein mở rộng, và các công cụ phân tích. Axit nucleic Res. 44, D336–D342 (2016).

59. Kanehisa, M. et al. KEGG để liên kết bộ gen với sự sống và môi trường. Axit nucleic Res. 36, D480–D484 (2007).

60. Kanehisa, M., Goto, S., Furumichi, M., Tanabe, M. & Hirakawa, M. KEGG để trình bày và phân tích mạng lưới phân tử liên quan đến bệnh và thuốc. Axit nucleic Res. 38, D355–D360 (2009).

61. Kanehisa, M., Goto, S., Sato, Y., Furumichi, M. & Tanabe, M. KEGG để tích hợp và giải thích các tập dữ liệu phân tử quy mô lớn. Axit nucleic Res. 40, D109–D114 (2011).

62. Eldakhakhny, BM, Sadoun, Al, H., Choudhry, H. & Mobashir, M. In-Silico Nghiên cứu về các gen liên quan đến hệ thống miễn dịch trong trường hợp bệnh tiểu đường loại-2 có hoạt động và kháng insulin, và/hoặc béo phì. Đằng trước. nội tiết. 12, 1–10 (2021).

63. Warsi, MK, Kamal, MA, Baeshen, MN, Izhari, MA & Mobashir, M. Nghiên cứu so sánh về biểu hiện gen làm sáng tỏ các chức năng liên quan đến cơ chế bệnh sinh của nhiễm trùng sốt xuất huyết. Curr. dược phẩm. Des. 26(41), 5293–5299 https://doi.org/10.2174/ 1381612826666201106093148 (2020).

64. Kamal, MA và cộng sự. Hồ sơ biểu hiện gen và mức độ phù hợp lâm sàng làm sáng tỏ vai trò của các gen và con đường truyền tín hiệu miễn dịch và thiếu oxy trong ung thư vú: Vai trò của tình trạng thiếu oxy và các gen truyền tín hiệu miễn dịch trong ung thư vú. Jima 1, (2020).

65. Krishnamoorthy, PKP et al. Tin học trong y học đã được mở khóa. thông tin liên lạc y tế. Đã mở khóa 20, 100422 (2020).

66. Alexeyenko, A. & Sonnhammer, ELL Mạng toàn cầu về khớp nối chức năng ở sinh vật nhân chuẩn từ tích hợp dữ liệu toàn diện. Bộ gen Res. 19, 1107–1116 (2009).

67. Okawa, S., Angarica, VE, Lemischka, I., Moore, K. & del Sol, A. Một cách tiếp cận phân tích mạng vi phân để dự đoán dòng cụ thể trong quần thể tế bào gốc. npj Syst Biol Ứng dụng 1–8 (2015). https://doi.org/10.1038/npjsba.2015.12

68. Shannon, P. và cộng sự. Cytoscape: Một môi trường phần mềm dành cho các mô hình tích hợp của các mạng tương tác sinh học phân tử. Bộ gen Res. 13, 2498–2504 (2003).

69. Mobashir, M., Schraven, B., & Beyer, T. Sự phát triển mô phỏng của các mạng truyền tín hiệu. PloS một 7(12), e50905. https://doi. org/10.1371/journal.pone.0050905 (2012).

70. Mobashir, M., Madhusudhan, T., Isermann, B., Beyer, T. & Schraven, B. Các quy định phản hồi và tương tác tiêu cực là cần thiết cho phản ứng tế bào nhất thời. Khoa học. Dân biểu 4, 3718. https://doi.org/10.1038/srep03718 (2014).

71. Kanehisa, M. Te Tài nguyên KEGG để giải mã bộ gen. Axit nucleic Res. 32, 277D–280 (2004).

72. Helmi, N., Alammari, D. & Mobashir, M. Vai trò của các gen liên quan đến hệ thống miễn dịch COVID-19 tiềm năng và các con đường tiềm năng liên kết với bệnh tiểu đường loại-2. Cái lược. hóa học. Màn hình thông lượng cao. https://doi.org/10.2174/1386207324666210804124416 (2021).

73. Bajrai, LH và cộng sự. Hiểu vai trò của các con đường tiềm năng và các thành phần của chúng bao gồm tình trạng thiếu oxy và hệ thống miễn dịch trong trường hợp ung thư miệng. Khoa học. Dân biểu 11(1), 19576. https://doi.org/10.1038/s41598-021-98031-7 (2021).

74. Bajrai, LH và cộng sự. Hồ sơ biểu hiện gen của giai đoạn sốt cấp tính sớm của nhiễm trùng sốt xuất huyết và phân tích so sánh của nó với nhiễm trùng Streptococcus pneumoniae. Đằng trước. Tế bào. lây nhiễm. vi sinh vật. 11, 707905. https://doi.org/10.3389/fcimb.2021.707905 (2021).

Hamed Ishaq Khouja 1, Ibraheem Mohammed Ashankyty 1, Leena Hussein Bajrai 2,3, PK Praveen Kumar 4, Mohammad Amjad Kamal 5,6,7, Ahmad Firoz 8 & Mohammad Mobashir 9

1 Khoa Công nghệ Phòng thí nghiệm Y tế, Khoa Khoa học Y tế Ứng dụng, Đại học King Abdulaziz, Jeddah, Ả Rập Saudi.

2 Đơn vị Tác nhân Truyền nhiễm Đặc biệt‑BSL3, Trung tâm Nghiên cứu Y tế King Fahad, Đại học King Abdulaziz, Jeddah, Ả Rập Saudi.

3 Khoa Hóa sinh, Đại học Khoa học, Đại học King Abdulaziz, Jeddah, Ả Rập Saudi.

4 Khoa Công nghệ Sinh học, Trường Cao đẳng Kỹ thuật Sri Venkateswara, Sriperumbudur 602105, Ấn Độ.

5 Trường Điều dưỡng Tây Trung Quốc/Viện Di truyền Hệ thống, Trung tâm Khoa học Frontiers về Mạng Phân tử Liên quan đến Bệnh tật, Bệnh viện Tây Trung Quốc, Đại học Tứ Xuyên, Thành Đô 610041, Tứ Xuyên, Trung Quốc.

6 Trung tâm Nghiên cứu Y khoa King Fahd, Đại học King Abdulaziz, PO Box 80216, Jeddah 21589, Ả-rập Xê-út.

7 Enzymoics, Tổ chức Giáo dục Cộng đồng Toàn cầu Novel, 7 Peterlee Place, Hebersham, NSW 2770, Australia.

8 Khoa Khoa học Sinh học, Khoa Khoa học, Đại học King Abdulaziz, Jeddah, Vương quốc Ả Rập Saudi.

9 SciLifeLab, Khoa Ung thư và Bệnh học, Viện Karolinska, Box 1031, 171 21 Stockholm, Thụy Điển.