Egy új számítási módszert előrejelzése fehérje ürül a vizeletbe kerül bemutatásra. A módszer alapja az azonosítását a megkülönböztető jellemzők között található fehérjéket a vizeletben az egészséges emberek és a fehérjék nem tekintendő a vizelet kiválasztó. Ezek a funkciók használják a vonat egy osztályozó megkülönböztetni a kétféle fehérje. Amikor együtt használjuk információk mely fehérjék differenciálisán kifejezve beteg szövetek egy bizonyos típusú versus Citation: Hong CS, Cui J, Ni Z, Su Y, Puett D, Li F, et al. (2011) A Computational módszer Előrejelzése Kiválasztásos fehérjék és alkalmazás azonosítása gyomorrák Markers a vizeletben. PLoS ONE 6 (2): e16875. doi: 10,1371 /journal.pone.0016875 katalógusa Vágó: Vladimir Brusic, Dana-Farber Cancer Institute, Amerikai Egyesült Államok katalógusa Beérkezett: szeptember 22, 2010; Elfogadva: december 31, 2010; Megjelent: február 18, 2011 katalógusa Ez egy nyílt hozzáférésű cikk feltételei szerint terjeszthető a Creative Commons Public Domain nyilatkozat, amely kimondja, hogy ha elhelyezett nyilvános, ez a munka is szabadon másolható, terjeszthető, továbbítani, módosítani, épül, vagy más módon bárki felhasználhatja bármilyen törvényes célra. katalógusa Forrás: Ez a tanulmány részben támogatta a National Science Foundation (CCF-0621700, DBI0542119004, 1R01GM075331), Jilin Egyetem, a University of Georgia, Georgia Cancer Coalition, a Georgia Kutatási Szövetség és a National Institutes of Health (1R01GM075331, DK69711). A finanszírozók nem volt szerepe a tanulmány tervezés, adatgyűjtés és elemzés, döntés, hogy közzéteszi, vagy a készítmény a kézirat. Katalógusa Érdekütközés: A szerzők kijelentették, hogy nem ellentétes érdekek léteznek. Katalógusa Bevezető A gyors haladás a sági katalógusa technikák az utóbbi években lehetővé tette, hogy keresni biomarkerek konkrét emberi betegségek szisztematikus és átfogó módon, amely jelentősen javítja, hogy képesek vagyunk felismerni betegségek korai szakaszok. A legtöbb korábbi biomarker tanulmányok középpontjában szérummarkerek [1], főleg azért, mert az ismert gazdagsága szérum tartalmú jeleket különböző élettani és kórélettani körülmények között. Katalógusa Összehasonlítva szérummarkerek meglévő húgyúti markerek többnyire kapcsolatos húgyúti vagy ahhoz szorosan kapcsolódó betegségek. Csak az elmúlt néhány évben javult proteomikai elemzéseket vizeletmintát kiderült, hogy, mint a sera, vizelet is gazdag információforrás kimutatására humán betegségek, mint például a graft versus katalógusa -host betegség és a szívkoszorúér-betegség [2], [3], [4]. Vegye figyelembe, hogy a vizelet képződik szűréssel a vér a veséken keresztül; ezért egyes fehérjék a vérben átjuthat a szűrők és kiválasztódik a vizeletbe. Ennek eredményeként, a húgyúti fehérjék nem csak tükrözik a feltételeket, a vese és a az urogenitális traktus, hanem azokat is, más szervek, amely lehet disztálisan a vese, legalább 30% -a a vizelettel fehérjék nem eredetileg az urogenitális traktus [5], [6]. A bőséges információt a vizeletben teszi vonzó forrás biomarker szűrés óta, viszonyítva a szérum, az összetétele a vizelet viszonylag egyszerű, és a vizelet gyűjtése könnyebb és nem invazív [7], [8]. Marker azonosító vizeletben potenciálisan véghezvinni összehasonlító proteomikai vizsgálatok vizeletminták betegek egy adott betegség és a kontroll csoportban. A kihívás az ilyen keresések vizeletből markerek egy vak kettős. (A) A vizelet is van egy nagy számú fehérjék /peptidek (ellentétben az előző megértés [8]), és viszonylag alacsony bőség. (B) A dinamikus tartomány a rengeteg ilyen proteinek span néhány nagyságrenddel nagyobb, mint a tartomány általában fedezi a tömegspektrométer [9]. Ezen okok miatt, összehasonlító elemzések, különösen (fél) kvantitatív elemzések, proteomikai adatai vizeletmintát is nagy kihívást jelent. Ez lehet egy fő oka, hogy nincsenek megbízható vizelet markerek rák diagnózisa. Katalógusa A tanulmány a fejlődés egy számítási módszer pontosan előre olyan fehérjéket, amelyek a vizelet kiválasztó (lásd az 1. ábrát a vázlatot a megközelítés ). Ezek a fehérjék kell specifikus tulajdonságokat, amelyek lehetővé teszik számukra, hogy a sejtekből szekretálódik, majd az első ki kell szűrni a glomerulus membránon a vesékben. Egy friss tanulmány proteomikai azonosítottak több mint 1500 fehérjék /peptidek, amelyek a vizelettel ürül az egészséges glomerulus membrán [8]. Használatával a fehérjék és proteinek, nem tekintendő a vizelet kiválasztó azonosítottunk egy listát megkülönböztető jegyek között a két osztály a fehérjék és a képzett szupport vektor gép (SVM) alapuló osztályozó megjósolni, hogy egy adott fehérje lehet a vizelettel ürül . A becslés módszert kísérletileg validált ellenanyag-tömbök együtt Western blot, és az eredmények igen biztató. Katalógusa Ez osztályozó alkalmazták megjósolni fehérjék, amelyek kiválasztódnak a vizeletbe alapján azonosított differenciáltan expresszálódó gének gyomorrák versus katalógusa referencia gyomor szövetek; és számos potenciális vizelet markerek gyomorrák azonosítottak. Egy alapvető hozzájárulást ebben a munkában, hogy ez egy új és hatékony módja annak, hogy irányítsák proteomikai vizsgálatok vizelet javasolva jelölt marker fehérjék, ami lehetővé teszi a célzott marker keresések segítségével antitestek által közvetített technikák, mint a Western blot és Elisa, amelyek lényegében inkább megvalósítható, mint nagyszabású összehasonlító proteomikai elemzéseket vizeletminta célok nélkül, amely a munka. Bár ez a predikciós program már alkalmazták gyomorrák adatok ebben a tanulmányban, nem gyomorrák-specifikus információt használták ebben a programban; így lehet használni a vizelet marker keres más betegségek. katalógusa Módszerek katalógusa Ez a tanulmány három fő részből áll: (i) Egy osztályozó konstruálása előrejelzésére vizelet kiválasztó fehérjéket; (II) értékelik a teljesítményt, az osztályozó azt alkalmazni egy sor fehérjék, amelyek a kiválasztó helyzetét a proteinek ismert; és (iii) alkalmazása a validált osztályozó a génexpressziós adatok gyomorrák bizonyíthassa hatékonyságát megoldásában a vizelet marker azonosítása problémát. katalógusa Ez a kutatás által jóváhagyott intézményi Review Board, a University of Georgia, Athens, Georgia, USA (Hivatal elnökhelyettese Research DHHS Biztosítás ID NO. FWA00003901, projekt száma 2009-10705-1), valamint a kínai Intézményi Review Board felügyeletéért emberi alanyok Jilin University College of Medicine, Changchun, Kína. A beleegyező nyilatkozatot, jóváhagyott IRB a University of Georgia és a kínai IRB gyűjtöttünk minden egyes témában. Minden alany tudatában vannak, hogy minden adat a kutatási felhasználható dokumentumok és kiadványok, ahogy az a beleegyező nyilatkozatot. Katalógusa a. Egy algoritmust előrejelzésére kiválasztó fehérjéket Az általános megértését fehérje-kiválasztás a szövetekből a vizelet, hogy egyes fehérjék szekretált vagy kiszivárgott sejtek vérkeringést, majd egy részét ezek a fehérjék, valamint néhány natív fehérjék vér, lehet a vizelettel ürül. Céljaink első azonosítani sajátossága az ilyen vizelet kiválasztó fehérjéket, és azután, hogy egy osztályozó alapján ezeket a funkciókat megjósolni, mely fehérjék sejtek a vizelettel ürül. A legjobb tudásunk szerint, ott nem volt semmilyen megjelent munkája, amelynek célja, hogy megoldja ezt a problémát. Annak fontosságát, amiért ilyen képesség, hogy egy hatékony kapcsolatot összekötő sági katalógusa elemzések a szövetek marker keresés vizeletben biztosításával jelölt markerek a vizeletben, amely lehet tanulmányozni ellenanyag-alapú megközelítés. Katalógusa Az első lépés a fejlődő ilyen prediktív képesség, azaz olyan osztályozó, az, hogy egy képzési adatbázisba tartalmazó fehérjék, amelyek lehet, és amelyeket nem lehet a vizelettel ürül, mely alapján egy sor megkülönböztető jellemzője lehetne azonosítani. Szerencsére találtunk egy nagy proteomikai adatbázisba vizelet mintát egészséges ember egy nemrég megjelent tanulmány [8], amely több, mint 1500 egyedi fehérjéket, amelyek 1313 van Prot csatlakozás azonosítókat. Mi már használta ezeket 1313 fehérjék, mint a pozitív edzés adatait a külön kiképzett osztályozót. A következő eljárást használjuk ezután, hogy létrehoz egy negatív képzési készlet: önkényesen ki legalább egy proteint minden egyes Pfam család, amely nem tartalmaz semmilyen pozitív edzési adatok, és a szám a kiválasztott fehérjék minden család arányos a méret a család [ ,,,0],10], [11]. Ennek eredményeként 2627 fehérjéket választunk ki és alkalmazunk, mint a negatív képzés készlet. Megvizsgáltuk 18 fizikokémiai jellemzői számított fehérje szekvenciák, amelyek potenciálisan hasznosak a besorolás probléma alapján az általános megértését vizelet kiválasztás fehérjék . A részleteket a 18 funkciók és számítógépes programok kiszámításához használt őket táblázatban felsorolt S1. Néhány ilyen funkciók által képviselt többszörös funkció értékek, például az aminosav-összetételét egy fehérje-szekvencia által képviselt 20 jellemző értékek; összességében a 18 jellemzők képviselik a 243 funkció értékeit. Ezután azonosított elemeinek egy értéket a 243, amely meg tudja különböztetni a pozitív és negatív képzési adatokat egy SVM-alapú osztályozót. Az RBF kernel használtuk mi SVM képzés, tekintve képes kezelni nemlineáris tulajdonságokat [12], [13]. Katalógusa Annak tisztázására, amely az eredetileg figyelembe vett jellemzők valóban hasznos, a szolgáltatás választott eszköz segítségével, a LIBSVM [12] használtuk ki a legigényesebb funkciók közül 243 Egyéb jellemző kiválasztási eszközök esetleg használható lenne, de jelentős tapasztalattal rendelkeznek ezzel az eszközzel, és úgy találta, hogy megfelelő legyen. Használt kódok ennek nyilvánosan hozzáférhetők LIBSVM honlapján (http://www.csie.ntu.edu.tw/~cjlin/libsvm/); mi is történt az adott program hozzáférhető http://seulgi.myweb.uga.edu/files. Egy F-pontszám [12], meghatározása a következő, meg kell mérni az igényes hatalom minden funkció értéket a besorolási probléma katalógusa ahol utal, hogy a képzés jellemző értékeket (k = 1, ..., m); n katalógusa + és n katalógusa - a számos fehérje a pozitív (+) és negatív (-) képzés adatbázisba, illetve; ,, Az átlagok az i A képzés a mi SVM-alapú osztályozó segítségével végzik a szokásos eljárás az LIBSVM [12], hogy megtalálja értékeket két paraméter C katalógusa és γ adnak optimális besorolás edzésadatait, ahol a C katalógusa vezérli a kompromisszum képzés hibák és osztályozás árrés, és γ határozza meg a szélessége a kernel használt [12]. A tanulási folyamat az alábbiak szerint alakult: [12] katalógusa b. Adathalmaz használt teljesítményének értékelésére az osztályozó katalógusa Egy független adatbázisba azt vizsgáltuk, hogy a teljesítményt a képzett osztályozó amelyre a kiválasztó status minden fehérje ismert. A pozitív részhalmaza E-adatbázisba 460 emberi fehérjét a vizeletben egészséges egyének három húgyúti proteomikai vizsgálatok [14], [15], [16], valamint a negatív részhalmaza tartalmaz 2148 választott fehérjék ugyanezzel az eljárással, a korábban leírt, de nem nincs átfedésben a negatív készlet használt képzést. katalógusa a következő intézkedéseket értékeléséhez alkalmazott osztályozás pontossága: az érzékenység, specificitás, a pontosság, a Matthew-féle korrelációs együttható, és az AUC [17]. Az 1. táblázat az osztályozás pontossága a képzést osztályozót a tréning és a teszt adathalmaz [17]. Az osztályozás pontossága a két adatsor, úgy véljük, hogy a képzett osztályozó elfoglalták a kulcsfontosságú különböző funkciók a kiválasztó fehérjevizelés. Katalógusa Ezen felül, a osztályozót teszteltük egy külön adatbázisba, egy részét a 274 fehérjék rögzítenek egy előre elkészített protein antitest array (a RayBio humán G-sorozat Array 4000 (RayBiotech, Inc., Norcross, GA)). A 274 fehérjéket, 111 ismert, hogy a kiválasztó és vontuk be a képzés vagy független vizsgáló adatbázisba. Alkalmaztuk az osztályozót a fennmaradó 163 fehérjéket, amelyek a kiválasztó állapot volt ismert (lásd Eredmények és táblázat S2). Ez a fehérje tömb biztosítja a relatív expressziós szint az egyes fehérje a tömb ha a használt vizsgálati (vizelet) minta, amely a mért szempontjából a jel intenzitás, mennyiségileg a denzitometriás. A háttérben a tömb használtuk a vezérlő határozza meg a tényleges jelenléte a fehérje a (vizelet) minta. A jel intenzitása egy fehérje ítélték, mint egy igazi jel, ha az legalább 5-szer nagyobb, mint a kontroll, ahogy azt a gyártó ajánlása szerint. Koncentráltunk kísérleti érvényesítést igazoló pozitív előrejelzések csak mert szinte lehetetlen bizonyítani a fehérje nincs jelen a vizeletminta korlátai miatt érzékenysége a jelenlegi technológia, amikor a fehérje nagyon alacsony koncentráció a mintában. c. Vizeletminta gyűjtése /készítmény katalógusa vizeletmintáinak gyomorrákos betegek és egészséges kontroll gyűjtöttünk Orvostudományi Karának Jilin University, Changchun, Kína. Gyomorrákos betegek, akitől a mintát vettünk, mind késői stádiumú betegeknél (lásd S3 Betegtájékoztatás). Ezeket a mintákat azonnal liofilizáljuk, és -80 ° C-on, amíg a további felhasználás után a sebészi eltávolítását a betegeknél. Ezeket azután feloldott és centrifugáljuk (3000 XG katalógusa 25 percen át 4 ° C-on), hogy eltávolítsuk a celluláris komponensek. A felülúszókat összegyűjtöttük, és dializáljuk 4 ° C hőmérsékleten ellen Millipore ultratiszta vizet (három puffer változások, majd egy éjszakán át dialízis) alkalmazásával Slide-A-Lyzer Dialízis kazetták (Thermo Fisher Scientific, Rockford, IL). A protein koncentrációt mértük a Bio-Rad Protein Assay (Bio-Rad, Hercules, CA), szarvasmarha szérum albumin standard. Az összesen 80 gyomorrák szövetek és a vele szomszédos rákos szöveteket a 80 beteg gyűjtöttünk Orvostudományi Karának Jilin Egyetem. Microarray kísérletet végeztünk a következő szöveteket az Affymetrix GeneChip Human Exon 1.0 ST Array, amely kiterjed 17.800 emberi gének. A PLIER algoritmus [18] használtuk összefoglalni a szonda jeleket gén szintű kifejezéseket. Minden gén, megvizsgáltuk a megoszlása a kifejezés kinyitható közötti váltás a páros rák és ellenőrzési szövetek minden 80 pár szövetekben. Hagyja K exp, e. Funkció és útvonal dúsítási elemzések katalógusa A DAVID Bioinformatikai erőforrások és a KOBAS webszerver [20], [21] használtuk csinálni funkcionális és útvonal gazdagodás elemzés, illetve az összes megjósolt vizelet-kiválasztó fehérjéket, a egész sor humán fehérjék, mint a háttér. Felhívjuk az olvasók, hogy [20], [21] A részleteket a módszerek funkcionális és útvonal gazdagodás elemzéseket. A Dávid Bioinformatikai Resources, a dúsítási érték egy meghatározott csoportja fehérjék által meghatározott EGYSZERŰ pontszám [20], [22]. KOBAS egy kiegészítő eszköz, DAVID ahogy tágul a gén kommentár segítségével Kegg ortológia (KO) szempontból. A KOBAS webszerver, valamint a KO-alapú jegyzet rendszer [21], [23], arra használták, hogy megtalálják statisztikailag dúsított és alulreprezentáltak utak között az előre jelzett vizelet-kiválasztódik fehérjéket. KOBAS vesz egy sor fehérje-szekvenciák és annotates őket a KO feltételeket. Az annotált KO kifejezéseket ezután összehasonlították az emberi fehérjéket, mint a háttér készlet annak megállapítására, hogy azok dúsított vagy alulreprezentáltak. Katalógusa f. Western blot Vizelet fehérjék minden mintából (összesen 2 mg) egyesítjük 3x minta festék. Mindegyik csövet 5 percig forraltuk és betöltött SDS-PAGE gélek, valamint 10 ul szabványoknak és futtatni 1 órán át 200 voltot. A membránt aktivált 100% metanol, átadást követően a gélből a membrán (100 V, 1 óra). Amint az átvitel befejeződött, a membránt hagytuk megszáradni, rewetted 100% -os metanolban, és mossuk 2X 5 percig minden egyes Tris-pufferelt sóoldattal (TBS). A membránt ezután inkubáltuk 3% tej-blokkoló oldatot 2 órán át szobahőmérsékleten keverjük. Ezután a membránt az első antitest-oldatot (1:200 hígításokat 1,5% tej-blokkoló) 1 órán át szobahőmérsékleten keverjük, és a nem kötött antitestet mosással eltávolítjuk a membrán 3X TBS Tween-20 (TBST) oldattal 10 min minden. Ezután a membránt egy 1:10,000 hígítását a másodlagos antitest 1,5% tej-blokkoló oldatot 1 órán át szobahőmérsékleten keverjük. A membránt 3x mostuk TBST-vel, és 2X TBS (10 perc). Végül a membránt teljesen beborítja azonos mennyiségű fokozót és peroxid-oldatot egy Pierce Western-blot készlet 5 percig, és ki vannak téve a film. Mindegyik kísérletet megismételtük többször reprodukálhatóságának biztosítása [24]. A jel intenzitását határoztuk meg ImageJ szoftver [25]. Minden egyes membrán, az üres sáv arra használták, hogy normalizálják a jel intenzitását át a membránokon. Az előadás segítségével vizsgáltuk ROC és a huzalok-box plot. Katalógusa Eredmények és megbeszélés katalógusa a. Szignál peptid és a másodlagos szerkezetek legfontosabb jellemzői a vizelet-kiválasztódik fehérjék katalógusa A kezdeti szolgáltatások listája gondosan kiválasztott, hogy tartalmazza, amit úgy tűnik, hogy protein jellemzői relevánsak a vizelettel történő kiválasztás alapján szakirodalmi kutatás és a tudomány jelenlegi állása vizelet fehérjéket. Például, a negatív töltésű glomeruláris fal vese lehetővé teszi a szűrés csak pozitívan vagy semleges töltésű fehérjéket. Így felelős egy fehérje egyik jellemzője választottunk. Figyelembe a rendelkezésre álló információt figyelembe véve az összes funkció értékek gyűjtött kezdetben 243 képviselő alapsorrendje tulajdonságait, motívumok, fizikai-kémiai tulajdonságok, és szerkezeti tulajdonságok (táblázat S1). Ebben azonosító jellemzőit, amelyek hatékonyak a diszkrimináló vizelet kiválasztó fehérjéket a nem-kiválasztó is, egy egyszerű és hatékony módszer, hogy megszüntesse jellemzői azt mutatják, hogy alig vagy egyáltalán nem igényes teljesítmény a mi osztályozási probléma alkalmaztunk; 74 funkció értékek kiválasztása a vázolt eljárás szakaszában a Módszerek (táblázat S5). Ezek jellemző értékeket használták, hogy a vonat a végső osztályozó. Katalógusa Ezek a kiválasztott funkciók, legdiszkriminatívabb egyik volt a jelenléte jel peptidek. Magától értetődik, hogy a fehérjék, amelyek szekretálódnak keresztül az ER van szignál peptideket, és áruba rendeltetési helyükre szerint a specifikus jel peptidek; így nem meglepő, hogy a legtöbb kiválasztódik fehérjék ezt a funkciót. Egy másik kiemelkedő jellemzője volt a másodlagos szerkezet típusa; Konkrétabban, a százalékos alfa hélix egy fehérje-szekvencia volt rangsorolva, mint a 2-es szám jellemző érték között a kiválasztott 74 (táblázat S5). Ahogy az várható volt, a felelős fehérje között volt a legmagasabb rangú funkciók kiválasztódik fehérjéket. Ez összhangban van az általános feltétellel, hogy töltés olyan tényező annak meghatározásában, mely fehérjék szűrjük át, a glomeruláris membrán [26] például fehérjék belsejében glomeruláris membránok és podocita hasítékok vannak negatív töltésű, és ezért negatívan töltött proteinek alacsony esélye, hogy szűrjük át a veséket. Valóban, a jellemző értékek pozitív aminosavak és töltés között volt a legmagasabb rangú jellemző értékeket. Katalógusa Érdekes módon azonban, a molekulatömeg amely rangsorolt 232 közül 243 volt, nem szerepel a végleges 74 funkció értékeit. Ez magyarázható a következőket. Fehérje jelen szérum már átesett egy hasadás vagy részben már degradálódott, és így nem lehet a saját ép vagy teljes formában, amikor belépnek a vese. Azt, sőt, megállapították, hogy a legtöbb fehérje vizeletben talált széles körben lebomlik [27]. Míg egy intakt fehérje nem lehet tudni, hogy szűrő segítségével a glomerulus miatt mérete és alakja, egy fehérje-eredetű peptid lehet könnyen áthaladnak a podocita rések. Ennek eredményeként, a molekulatömege az intakt fehérje egy nem-faktor előrejelzésében ha a fehérjét a vizelet kiválasztó. Meg kell jegyezni, hogy a vizelet kiválasztó fehérjéket és szekretált fehérjék néhány közös jellemzőkkel, mint néhány, a jellemzők azonosítására alkalmazott vér-szekretált fehérjék a mi korábbi tanulmány [10] választottak ki a vizelet fehérje predikciós ebben a vizsgálatban. Például, funkciók, mint például oldószer hozzáférhetőségét, polaritás, és a jel peptideket tartalmazza mindkét osztályozók. Ugyanakkor egyértelmű különbség a használt funkcióktól a két osztályozók. Míg funkciók, mint például a béta-szál-tartalom, funkciók kapcsolódó béta-hordó transzmembrán fehérje és fehérje aránya, TatP motívum, transzmembrán domén, protein mérete, és a leghosszabb rendezetlen régió között voltak a legfontosabb funkciók előrejelzésére vér-szekréciós fehérjék [10 ], nem került bele a végleges funkciók a vizelet fehérje előrejelzést. Ezenkívül kapcsolatos funkció pozitív töltés, mint például a készítmény pozitív töltésű aminosavak, volt kiemelkedő a vizelet fehérje predikciós de nincs kiválasztva a vér szekréció előrejelzést. Hasonlóképpen, az alfa-hélix-tartalom és a tekercs-fehérje- között voltak a legfontosabb funkciók a vizelet fehérje előrejelzést, de nem lettek kiválasztva, hogy a vér-szekréciós fehérje előrejelzést. Érdekes megjegyezni, hogy ellentétben a megállapítást, hogy a béta-szálak egy közös másodlagos szerkezet típus között a vér szekréciós proteinek, vizelet-proteinek általában magasabb alfa-hélix és a tekercs tartalmat, ami azt jelzi, hogy a vizelet-fehérjék olyan tulajdonságokkal rendelkeznek, nem közös vér szerinti szekréciós fehérjék általában. katalógusa b. Teljesítménye az osztályozó katalógusa pontosságának meghatározására a végső osztályozó, leteszteltük egy független vizsgáló, amely 460 kísérletileg validált vizelet kiválasztó fehérjéket és 2148 nem a vizelet kiválasztó fehérjéket. A osztályozót a becslés érzékenysége és specificitása ezen független vizsgáló 0,78 és 0,92 volt (1. táblázat). Katalógusa Ezután futott az osztályozót a 163 ki a 274 fehérjék rögzített előre elkészített antitest array (lásd módszerek), amelyek a kiválasztó állapot ismeretlen volt. 163 fehérje, 112 fehérjéket jósolt vizelet kiválasztó által osztályozót. Teljesítményének értékelésére e jóslat, ellenanyag tömbalapú kísérleteket végeztünk 14 vizeletmintát, hét egészséges egyének és hét az gyomorrákos betegek. A 112 előre jelzett vizelet-kiválasztó fehérjéket, 92 találtak legalább az egyik a vizelet minták (asztal S6), amely egy pozitív predikciós mértéke 0,81, ami összhangban van a teljesítményszint az első teszt készlet. meg kell jegyezni, hogy az egyik korlátja, osztályozó, hogy egyes fehérjék lehetett volna részlegesen leromlott mielőtt kiválasztódik a vizelet vagy a vizeletben, ami megnehezíti a mi osztályozó kimutatására így képződött peptidek mint azt képzett egész intakt proteinek. Ezt a kérdést a jövőben foglalkozni keresztül felmerülő jellemző értékek alapján a tényleges fehérjék /peptidek amelyek az előző húgyúti proteomikai vizsgálatok helyett a megfelelő teljes hosszúságú fehérje Elvégzett ebben a vizsgálatban. Bár egyértelműen tovább lehet javítani, a becslési eredmények a jelenlegi osztályozó igen biztató. Katalógusa c. Alkalmazása osztályozó gyomorrák adatok katalógusa A korábbi tanulmány 160 készletek microarray génexpressziós adatok gyomorrák azonosított 715 differenciáltan expresszálódó gének legalább 2-szeres változásokat gyomorrák versus (i), az általunk elvégzett funkcionális és útvonal gazdagodás elemzések minden 201 fehérjék a DAVID [20 ] és KOBAS [21] szervereket, ill. Azt találtuk, hogy a dúsított funkcionális csoportok tartoznak az extracelluláris mátrix (ECM), sejt adhézió, és a fejlesztés, a sejtek mozgékonyságát, védekezési válasz, angiogenezis, melyek az összes ismert, hogy részt vesz a fejlesztés, illetve a védelmi rák (ábra S1A). A legtöbb dúsított utakban ECM-receptor kölcsönhatás és szervetlen ion szállítás és anyagcsere utak (ábra S1B). Katalógusa A következő kritériumokat használták, hogy csökkentsék a lista 201 fehérjék lépés (ii) - (iii): a fehérjék nem számoltak be, hogy kapcsolatban bármilyen rák alapján kiterjedt irodalmi keresést katalógusa, amely okot ad a 71 fehérjéket. A lista tovább csökken alapján egy előre kiválasztott vágási differenciál kifejezéseket és funkcionális magyarázatokat (potenciálisan releváns gyomorrák helyett immunválasz). Katalógusa d. Az endoteliális lipáz jelentősen csökken a vizeletmintákat a gyomor rákos betegek Azért választottuk hat fehérjék (MUC13, COL10A1, AZGP1, LIPF, MMP3, és EL) kísérleti érvényesítés a fenti szűkült listából. Ehhez gyűjtöttük össze vizeletmintát 21 gyomorrákos betegek és 21 egészséges egyén. A hat kiválasztott fehérjék, öt fehérjék, MUC13, COL10A1, LIPG, AZGP1 és El detektáltuk Western blot legalább egy vizelet mintát. Az öt, MUC13, COL10A1 és El detektáltuk még egy nagyon kis mennyisége a teljes vizelet proteinek (1-2 ng). MMP3 nem található a mintákban teszteltük, amely oka lehet, hogy az alacsony koncentrációja MMP3 a vizeletben vagy a hamis predikciós által osztályozó. Ez különösen érdekes megjegyezni, hogy képesek voltunk felismerni konzisztens különbségek az EL bőség (kódolja LIPG katalógusa) között a két 21 vizeletminta. A Western-blotok EL mutatott jelentős csökkentése bőségesen vizeletmintákat a 21 gyomorrák betegeket összehasonlítva a kontroll mintákban. Amint azt a 2A ábra, a többség a kontroll minták jelenlétét mutatta EL, míg a legtöbb a gyomorrák minták viszonylag kis mennyiségű EL. Ez a mintázat volt megfigyelhető ismételten. A molekulatömege ezen protein állapítottuk meg, hogy a 68 kDa-os [28]; Így egy homo-dimer várhatóan 134 kDa. A Western blot azonban sávokat detektáltunk közel 100 kDa. Ez valószínűleg megfelel egy részlegesen hasítjuk homo-dimer, egy aktív formája, amely megerősítette egy korábbi tanulmány [29], bár a lehetőségét, hogy egy monomer formája EL társított másik fehérje nem lehet kizárni. http://csbl.bmb.uga.edu/~juancui/Publications/GC2009/Additional_material.pdf.
kontroll szövetekben, ez a módszer használható megjósolni potenciális vizelet markerek a betegség. Az itt bemutatott részletes algoritmus ezen eljárás és alkalmazás azonosítása vizelet markerek gyomorrák. Az előadás a képzett osztályozót 163 fehérjék kísérletesen validált ellenanyag-tömbök elérésére > 80% igazi pozitív arányt. Alkalmazásával a osztályozót eltérően expresszált gének gyomorrák vs
normális gyomor- szövetekben, azt találtuk, hogy az endoteliális lipáz (EL) lényegesen elnyomják az vizeletmintákat 21 gyomorrákos betegek A versus katalógusa 21 egészséges egyén. Összességében azt igazolták, hogy a előrejelzője vizelet kiválasztó fehérjéket nagyon hatásos, és potenciálisan szolgálhat egy hatékony eszköz a keresések betegség biomarkerek vizeletben általában. Katalógusa
edik jellemző érték az egész képzés adatbázisba, a pozitív és negatív adatbázisba adatbázisba, illetve, és és a i
edik eleme a k katalógusa th fehérje a pozitív és a negatív edzés adatokat, ill. Általában minél nagyobb egy F-pontszám, annál diszkriminatív a megfelelő funkció. A mi kiválasztás minden funkciója F-pontszámok felett előre kiválasztott küszöb tartottuk meg és használják a képzés utolsó osztályozó. Ahhoz, hogy megtalálja az optimális F-pontszám küszöböt, mi tekinthető egy listát a lehetséges küszöbök, majd kiválasztotta a legjobb alapuló képzés eredményeit. Katalógusa
d. Gének azonosítása, amelyek eltérő módon fejeződnek ki a gyomorrák és ellenőrzési szövetek katalógusa
a párok száma szövetek, amelynek kinyitható változás legalább 2 gén minősül differenciáltan expresszálódó katalógusa ha a p
-értéke a megfigyelt K exp
kisebb mint 0,05. Ezen kritérium, összesen 715 gént találtak, hogy eltérő módon fejeződnek ki gyomorrák valamennyi emberi gén, és a nevét a 715 gének, valamint a kapcsolódó K exp katalógusa és p
-értékei, táblázatban adjuk S4. A részletes tanulmány a microarray adatok leírták máshol. [19] katalógusa
vezérlő szövetminták [19]. Bár kívánatos lenne, hogy a proteomikai adatokat a szövetminták, már csak gén-expresszió adat ebben a vizsgálatban. Ezért génexpressziós adatok használják, mint egy közelítés a fehérje expresszió E módszertan-orientált tanulmány. A osztályozó alkalmazták ezeket 715 fehérjéket, és ez azt jósolták, hogy a 201 a 715 fehérjék vizelet kiválasztó. Táblázat S7 ad részletes tájékoztatást a 201 fehérjéket. Mivel ez nem reális, hogy ellenőrizze az összes 201 fehérje ebben a tanulmányban, hogy eldönthessük, a vizelet kiválasztó vagy sem, mi elemzések szűkítéséhez ezt a listát. Konkrétan végeztünk az alábbi elemzések: (i) a funkcionális és útvonal gazdagodás elemzi, hogy jobban megértsék a típusú fehérje jelen van a vizeletben, (ii) szakirodalmi kutatás a vizelet fehérje, hogy információt gyűjtsenek közzétett vizelet marker fehérjék ( iii) megvizsgálja a génexpressziós adatok eltávolítására a gének, amelyek lényegében nem eltérően expresszált között a rák és a kontroll szövetminták; és (iv) Western-blotok a fehérjék közül választott egy leszűkült listát a 201 fehérjéket. Ez az eljárás azt mutatta, a nagy siker arány és vezetett egy érdekes felfedezés potenciális biomarker gyomorrák. Katalógusa
doi:10.1371/journal.pone.0016875.s005
(XLS)
Table
A kereskedelmi kefir termékek címkéi helyesen jelzik a mikrobák szintjét?
A szájvíz befolyásolja a testmozgás hatásait
Az antibiotikumok használatából eredő mikrobiomveszteség befolyásolja az influenza elleni vakcinára adott választ
A spermium mikrobiomája RNS szekvenálással derült ki
A vidéki és városi mikrobiota különbözik fiatal korától,
A kutatások az aerobiomákat vizsgálják,
A bél mikrobiota diszbiózisa súlyos másodlagos fertőzést okozhat a COVID-19 betegeknél
Egy érdekes tanulmány, amelyet tudósok vezettek az Egyesült Államokban, nemrégiben felfedte, hogy a bél mikrobiális közösségét közvetlenül érinti a súlyos akut légzőszervi szindróma 2-es koronavírus (
Mit mondhatnak nekünk az ősi széklet az emberi bél mikrobióma fejlődéséről?
Az ősi mikrobiota információk létfontosságú forrást jelentenek a baktériumok evolúciójának tanulmányozásához és a krónikus betegségek biológiai terjedésének feltárásához a történelem során. Egy nemz
Egy nagy tanulmány szerint a SARS-CoV-2 vírusterhelés a gyermekeknél a legalacsonyabb
A holland kutatók elgondolkodtató új tanulmánya megerősíti azt a hipotézist, hogy súlyos akut légzőszervi szindróma esetén a koronavírus 2 (SARS-CoV-2) fertőzés, a magasabb életkor fokozott vírusterhe