Розробка експресійних панелей для визначення раку передміхурової залози
DOI:
https://doi.org/10.15407/dopovidi2019.01.100Ключові слова:
MDR аналіз, експресійні панелі, пухлини передміхурової залози, пухлиноасоційовані гениАнотація
Досліджено адаптацію модифікованого алгоритму статистичного підходу для розробки експресійних панелей для детекції раку передміхурової залози. За даними моделей класифікації та регресії й статистично значущими відмінностями відносної експресії між групами аденокарцином та аденом, серед досліджуваних генів відібрано 31 транскрипт для MDR аналізу. Серед них 15 транскриптів з груп генів епітеліальномезенхімального переходу та генів, асоційованих з раком передміхурової залози, і 16 транскриптів з груп генів пухлиноасоційованих фібробластів, пухлиноасоційованих макрофагів та імуноасоційованих генів. З цих груп отримано ряд панелей з високими статистичними показниками. Найвищі показники діагностичних рівнів мали експресійні панелі, які розроблені з усіх п’яти груп генів: PCA3, HOTAIR, ESR1, IL1R1 (Se = 0,97, Sp = 0,85, Ac = 0,93, OR = 204); CDH2, KRT18, PCA3, HOTAIR, ESR1, IL1R1 (Se = 1,0, Sp = 0,8, Ac = 0,93, OR > 500). Запропоновано модифікований алгоритм для аналізу даних експресії генів, який може бути використаний для розробки діагностичних панелей з добрим та високим діагностичними рівнями для стратифікації раку передміхурової залози на групі пацієнтів з української популяції. Одержані дані потребують подальшого аналізу на більшій вибірці пацієнтів з раком передміхурової залози.
Завантаження
Посилання
Ray, P., Le Manach, Y., Riou, B. & Houle, T. T. (2010). Statistical evaluation of a biomarker. Anesthesiology, 112, No. 4, pp. 1023-1040. doi: https://doi.org/10.1097/ALN.0b013e3181d47604
Martinez-Ledesma, E., Verhaak, R. G. &Trevino, V. (2015) Identification of a multi-cancer gene expression biomarker for cancer clinical outcomes using a network-based algorithm. Sci Rep., 23, No. 5, 11966. doi: https://doi.org/10.1038/srep11966
Rubicz, R., Zhao, S., Wright, J. L., Coleman, I., Grasso, C., Geybels, M. S., Leonardson, A., Kolb, S., April, C., Bibikova, M., Troyer, D., Lance, R., Lin, D. W., Ostrander, E. A., Nelson, P.S ., Fan, J. B., Feng, Z. & Stanford, J. L. (2017). Gene expression panel predicts metastatic-lethal prostate cancer outcomes in men diagnosed with clinically localized prostate cancer. Mol. Oncol., 11, No. 2, pp. 140-150. doi: https://doi.org/10.1002/1878-0261.12014
Goossens, N., Nakagawa, S., Sun, X. & Hoshida, Y. (2015). Cancer biomarker discovery and validation. Transl Cancer Res., 4, No. 3, pp. 256-269. doi: https://doi.org/10.3978/j.issn.2218-676X.2015.06.04
Looney, S. W. & Hagan, J. L. (2008). Statistical methods for assessing biomarkers and analyzing biomarker data. Handbook of Statistics, 27, pp. 109-147. doi: https://doi.org/10.1016/S0169-7161(07)27004-X
Mazzara, S., Rossi, R.L., Grifantini, R., Donizetti, S., Abrignani, S. & Bombaci, M. (2017). CombiROC: an interactive web tool for selecting accurate marker combinations of omics data. Sci. Rep., 30, No. 7, 45477. doi: https://doi.org/10.1038/srep45477
Beam, C. A. (2015). Statistical considerations when analyzing biomarker data. Clin. Immunol., 161, No. 1, pp. 31-36. doi: https://doi.org/10.1016/j.clim.2015.05.019
Gola, D., Mahachie, J. J. M., van Steen, K. & Konig, I. R. (2016). A roadmap to multifactor dimensionality reduction methods. Brief. Bioinform., 17, No. 2, pp. 293-308. doi: https://doi.org/10.1093/bib/bbv038
Motsinger, A. A. & Ritchie, M. D. (2006). Multifactor dimensionality reduction: an analysis strategy for modelling and detecting gene-gene interactions in human genetics and pharmacogenomics studies. Hum. Genomics, 2, No. 5, pp. 318-328.
Pan, Q., Hu, T. & Moore, J. H. (2013). Epistasis, complexity, and multifactor dimensionality reduction. Methods Mol. Biol., 1019, pp. 465-77. doi: https://doi.org/10.1007/978-1-62703-447-0_22
Gerashchenko, G. V., Mankovska, O. S., Dmitriev, A. A., Mevs, L. V., Rosenberg, E. E., Pikul, M. V., Marynychenko, M. V., Gryzodub, O. P., Stakhovsky, E. O. & Kashuba, V. I. (2017). Expression of epithelial-mesenchymal transition-related genes in prostate tumours. Biopolym. Cell., 33, No. 5, pp. 335-355. doi: https://doi.org/10.7124/bc.00095E
Gerashchenko, G. V., Mevs, L. V., Chashchina, L. I., Pikul, M. V., Gryzodub, O. P., Stakhovsky, E. O. & Kashuba, V. I. (2018). Expression of steroid and peptide hormone receptors, metabolic enzymes and EMT-relatedgenes in prostate tumors in relation to the presence of the TMPRSS2/ERG fusion. Exp. Oncol., 40, No. 2, pp. 101-108. doi: https://doi.org/10.31768/2312-8852.2018.40(2):101-108
Gerashchenko, G. V., Grygoruk, O. V., Kononenko, O. A., Gryzodub, O. P., Stakhovsky, E. O. & Kashuba, V. I. (2018). Expression pattern of genes associated with tumor microenvironment in prostate cancer. Exp. Oncol., 40, No. 4, pp. 315-322. doi: https://doi.org/10.31768/2312-8852.2018.40(4):315-322
Livak, K. & Schmittgen, T. (2001). Analysis of relative gene expression data using real-time quantitative PCR and the 2(-Delta Delta C(T)) Method. Methods, 25, No. 4, pp. 402-408. doi: https://doi.org/10.1006/meth.2001.1262
Benjamini, Y. & Hochberg, Y. (1995). Controlling the false discovery rate: a practical and powerful approach to multiple testing. J. R. Stat. Soc. Series B (Methodological), 57, No. 1, pp. 289-300. doi: https://doi.org/10.1111/j.2517-6161.1995.tb02031.x
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Доповіді Національної академії наук України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
