Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tích hợp thông tin biến thể di truyền và biến thể soma sử dụng dữ liệu gen để khám phá các dấu ấn sinh học trong ung thư tuyến prostates
Tóm tắt
Ung thư tuyến tiền liệt (PCa) là loại ung thư thường gặp nhất được chẩn đoán và là nguyên nhân đứng thứ hai gây tử vong liên quan đến ung thư ở nam giới tại Hoa Kỳ. Công nghệ phân loại gen cao thông lượng đã cho phép phát hiện các biến thể di truyền từ dòng germline (được gọi là đột biến di truyền ở đây) có liên quan đến tăng nguy cơ phát triển PCa. Tuy nhiên, thông tin về đột biến di truyền chưa được khai thác và tích hợp với thông tin về các đột biến soma thu được để liên kết tính nhạy gen với quá trình sinh khối u. Mục tiêu của nghiên cứu khám phá này là giải quyết khoảng trống kiến thức này. Các đột biến di truyền và thông tin liên quan đến gen được lấy từ các báo cáo nghiên cứu liên kết toàn bộ gen (GWAS). Dữ liệu về đột biến soma và biểu hiện gen được thu thập từ 495 khối u và 52 mẫu kiểm soát bình thường từ The Cancer Genome Atlas (TCGA). Chúng tôi đã tích hợp thông tin về đột biến di truyền và đột biến soma sử dụng dữ liệu biểu hiện gen. Chúng tôi thực hiện phân tích tập trung để phát hiện các mạng lưới phân tử và các con đường sinh học giàu có cho các đột biến di truyền và soma. Chúng tôi đã phát hiện một dấu hiệu gồm 124 gen chứa cả đột biến di truyền và soma. Phân tích tập trung cho thấy các mạng lưới phân tử và các con đường sinh học phong phú cho các đột biến di truyền và soma, bao gồm, các con đường truyền tín hiệu PDGF, P53, MYC, IGF-1, PTEN và thụ thể Androgen. Phân tích gen tích hợp liên kết tính nhạy gen với quá trình sinh khối u trong PCa và thiết lập các cầu nối chức năng khả dĩ giữa sự biến đổi di truyền và soma, cùng với các con đường sinh học mà chúng điều khiển.
Từ khóa
#ung thư tuyến tiền liệt #đột biến di truyền #đột biến soma #nghiên cứu toàn bộ gen #phân tích gen tích hợpTài liệu tham khảo
American cancer Society. Cancer Facts and Figures 2017 (Annual Report).
Feigelson HS, Goddard KA, Hollombe C, Tingle SR, Gillanders EM, Mechanic LE, Nelson SA. Approaches to integrating germline and tumor genomic data in cancer research. Carcinogenesis. 2014;35(10):2157–63.
Hicks C, Miele L, Koganti T, Vijayakumar S. Comprehensive assessment and network analysis of the emerging genetic susceptibility landscape of prostate cancer. Cancer Inform. 2013;12:175–91.
Hicks C, Koganti T, Giri S, Tekere M, Ramani R, Sitthi-Amorn J, Vijayakumar S. Integrative genomic analysis for the discovery of biomarkers in prostate cancer. Biomark Insights. 2014 Jun 29;9:39–51.
Hicks C, Ramani R, Sartor O, Bhalla R, Miele L, Dlamini Z, Gumede N. An integrative genomics approach for associating genome-wide association studies information with localized and metastatic prostate Cancer phenotypes. Biomark Insights. 2017;12:1177271917695810.
Weinstein JN, Collisson EA, Mills GB, Shaw KR, Ozenberger BA, Ellrott K, Shmulevich I, Sander C, Stuart JM. Cancer Genome Atlas Research Network. Nat Genet. 2013;45(10):1113–20.
The International Cancer Genome Consortium. International network of cancer genome projects. Nature. 2010;464:993–8.
Ioannidis JP, Boffetta P, Little J, et al. Assessment of cumulative evidence on genetic associations: interim guidelines. Int J Epidemiol. 2008;37:120–32.
Khoury MJ, Bertram I, Boffetta P, et al. Genome-wide association studies, field synopses, and the development of the knowledge base on genetic variation and human diseases. Am J Epidemiol. 2009;170:269–79.
Sagoo GS, Little J, Higgins JP. Systematic reviews of genetic association studies. Human Genome Epidemiology Network. PLoS Med. 2009;6:e28.
Moher D, Liberati A, Tetzlaff J, Altman DG, PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. Ann Intern Med. 2009;151:264–9.
Liberati A, Altman DG, Tetzlaff J, et al. The PRISMA statement for reporting systematic reviews and meta-analyses studies that evaluate health care interventions: explanation and elaboration. PLoS Med. 2009;6:e1000100.
Single nucleotide polymorphism Database dbSNP. http://www.ncbi.nlm.nih.gov/SNP/. Accessed 29 Feb 2018.
Human Genome gene Nomenclature Committee (HGNC). http://www.genenames.org/. Accessed 29 Feb 2018.
Ritchie ME, Phipson B, Wu D, Hu Y, Law CW, Shi W, Smyth GK. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Research. 2015;43(7):e47.
Benjamini Y, Yosef H. Controlling the false discovery rate: a practical and powerful approach to multiple testing. J Royal Stat Society. 1995;57:289–300.
Ingenuity Pathways Analysis (IPA) System. Redwood, CA: Ingenuity Systems; https://www.qiagenbioinformatics.com/products/ingenuity-pathway-analysis/. Accessed 2 July 2018.
Ashburner M, Ball CA, Blake JA, et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nat Genet. 2000;25:25–9.
Zuk O, Schaffner SF, Samocha K, Do R, Hechter E, Kathiresan S, Daly MJ, Neale BM, Sunyaev SR, Lander ES. Searching for missing heritability: designing rare variant association studies. Proc Natl Acad Sci U S A. 2014;111(4):E455–64.
Xiao R, Boehnk M. Quantifying and correcting for the winner's curse in genetic association studies. Genet Epidemiol. 2009;33(5):453–62.
Palmer C, Pe’er I. Statistical correction of the Winner’s curse explains replication variability in quantitative trait genome-wide association studies. PLoS Genet. 2017;13(7):e1006916.
Carter H, Marty R, Hofree M, et al. Interaction landscape of inherited polymorphisms with somatic events in Cancer. Cancer Discov. 2017;7(4):410–23.
Bonifaci N, Górski B, Masojć B, et al. Exploring the link between germline and somatic genetic alterations in breast carcinogenesis. PLoS One. 2010;5(11):e14078.
Grünewald TG, Delattre O. Cooperation between somatic mutations and germline susceptibility variants in tumorigenesis - a dangerous liaison. Mol Cell Oncol. 2015;3(3):e1086853.
Jia P, Zhao Z. Impacts of somatic mutations on gene expression: an association perspective. Brief Bioinform. 2017;18(3):413–25.
Fleck JL, Pavel AB, Cassandras CG. Integrating mutation and gene expression cross-sectional data to infer cancer progression. BMC Syst Biol. 2016;10:12.