骨肉瘤差异表达基因的生物信息学分析及关键基因筛选

目的筛选成骨型骨肉瘤与正常成骨细胞的差异表达基因, 寻找成骨型骨肉瘤发生、发展的关键基因。方法从Gene Expression Omnibus(GEO)数据库获得正常成骨细胞和骨肉瘤组织的基因表达数据集GSE33382, 采用R语言的limma包筛选正常成骨细胞和成骨型骨肉瘤的差异表达基因, 对差异表达基因进行京都基因与基因组百科全书(KEGG)通路富集分析。采用String数据库构建蛋白交互网络, 应用Cytoscape软件的分子复合物检测(MCODE)插件筛选互作网络中的网络模块, 应用Cytoscape软件中的BiNGO模块对MCODE筛选得到的前3个主要模块所包含的差异表达基因进行基因本体(GO)富集分析。采用MCC算法筛选蛋白互作网络中前10个关键基因。从GEO数据库获得骨肉瘤的基因表达和生存数据集GSE39055, 采用Kaplan-Meier法进行生存分析。选取2005年1月至2015年12月福建医科大学附属第一医院收治的48例成骨型骨肉瘤患者的资料进行验证, 采用免疫组化法测定骨肉瘤组织中STC2蛋白的表达, 结合患者的临床资料进行生存分析。结果从GSE33382数据集...     

肺腺癌相关基因的生物信息学分析

[摘要] 目的：通过生物信息学分析基因表达谱,获取肺腺癌相关基因及信号通路。方法：从GEO数据库下载GSE40791、GSE68571、GSE43458 和GSE18842 表达数据,将4 个微阵列数据集整合获得肺腺癌相关差异表达基因,利用STRING数据库为差异表达基因构建肺腺癌蛋白-蛋白互相作用网络,并挖掘肺腺癌网络中基因模块及关键基因。通过DAVID对各基因模块进行基因富集分析,发掘基因模块在肺腺癌细胞中所执行的调控功能及模块中关键基因与患者的预后关系。结果：初步筛查获得肺腺癌相关37 个上调基因、120 个下调基因,并成功构建蛋白-蛋白相互作用网络,通过MCODE算法在蛋白-蛋白相互作用网络中构建基因模块以及计算关键基因(KIF14,SEPP1,SPP1,RBP4),最终获得的4 个模块分别参与细胞周期、血凝变化、细胞黏附和细胞代谢的调控。经验证4 个关键基因在肺腺癌和正常组织中有明显表达差异(P<0.05)。生存分析显示KIF14 的表达对肺腺癌的预后有显著影响(P<0.01),SEPP1、SPP1 对患者生存率有显著影响(P<0.05),RBP4 对患者的生存率影响无统计学意义(P>0.05)。结论：通过生物信息方法分析肺腺癌和癌旁正常组织的差异基因表达,最终筛选出3 个差异表达非常显著且对患者预后影响明显的基因,对肺腺癌的诊断和预后治疗提供了新思路,提高肺腺癌机制的研究效率。     

急性髓系白血病关键基因的筛选及功能验证

目的基于生物信息学方法筛选急性髓系白血病(AML)发生、发展及预后相关的关键基因, 并对其所涉及的功能进行分析。方法从基因表达综合(GEO)数据库下载AML患者芯片表达谱GSE84881数据集, 包含19例AML样本和4例正常组织样本。利用GEO在线分析工具GEO2R筛选差异表达基因。利用DAVID在线网站对差异表达基因进行基因本体(GO)和京都基因与基因组百科全书(KEGG)富集分析;使用STRING在线数据库对差异表达基因进行蛋白质互作网络(PPI)分析, 并利用Cytoscape软件筛选得到关键基因;利用加权基因共表达网络分析工具(WGCNA)构建共表达网络得到中心基因。利用联川生物云平台构建韦恩图, 将PPI中的关键基因和中心基因进行交叉, 获得真正的关键基因。从GEO数据库下载并分析人体组织的转录组测序(RNA-seq)数据集GSE2191和GSE90062, 验证筛选出来的关键基因。利用GEPIA数据库中的数据, 采用Kaplan-Meier法分析关键基因对AML总生存(OS)的影响。结果 GSE84881数据集中共识别出247个差异表达基因, 包括112个上调基因和135...     

基于生物信息数据挖掘对卵巢浆液性癌差异表达基因筛选及分析

目的:利用生物信息学对卵巢浆液性癌的差异表达基因进行筛选及分析,探索浆液性卵巢癌的潜在治疗靶点。方法:从GEO数据库下载卵巢癌数据集GSE10971、GSE54388、GSE14407,用GEO2R筛选差异表达基因,DAVID数据库进行GO及KEGG富集分析,String数据库构建蛋白互作网络,同时利用Cytoscape获取关键基因,GEPIA数据库分析关键基因的表达情况,UCSC Xena对关键基因进行分层聚类分析,并通过cBioPortal分析关键基因的共表达网络。结果:筛选获得114个差异表达基因,包括41个下调基因及73个上调基因。主要涉及调整细胞周期、有丝分裂、染色体分离等细胞学过程,富集于细胞周期、p53信号通路、细胞衰老等信号通路。从差异表达基因筛选出49个关键基因,在卵巢癌中均呈高表达,其中21个基因的表达与卵巢癌分期相关,BIRC5基因的表达与卵巢癌患者的总生存期相关。结论:利用生物信息学对卵巢浆液性癌差异表达基因功能及信号通路的相关研究,为改善卵巢浆液性癌的预后提供了治疗靶点。     

基于生物信息学方法分析甲酰肽受体1在胶质瘤中的表达及临床意义

目的：分析胶质瘤与正常组织表达差异的基因,筛选和胶质瘤预后相关的关键基因。方法：通过下载GEO（Gene Expression Omnibus）数据库GSE15824原始数据,利用R语言分析正常组织与胶质瘤组织中差异表达的基因,通过生物信息学分析工具（DAVID、String、Cytoscape、oncomine和GEPIA）对差异表达的基因进行生物学功能、蛋白互作网络（PPI）分析及筛选胶质瘤的预后标志物。结果：共筛选出648个差异表达的mRNAs。差异表达mRNAs的生物学功能主要富集于T细胞的激活,调节白细胞的黏附和细胞的迁移。KEGG信号通路分析显示差异基因主要富集于PI3K/Akt,MAPK和钙离子信号通路。FPR1在胶质瘤中明显高表达,其表达水平与胶质瘤的预后呈负相关（Log-rank P < 0.01）。结论：通过基因芯片数据库的分析,FPR1在胶质瘤中高表达,且与患者生存预后相关,为进一步分子机制的研究提供了新思路。     

非小细胞肺癌关键基因的生物信息学分析

目的:通过生物信息学方法挖掘非小细胞肺癌(NSCLC)基因表达谱芯片数据,筛选并验证与NSCLC发生和预后相关的关键基因。方法:从Gene Expression Omnibus(GEO)数据库中下载芯片数据(GSE101929和GSE27262)。采用GEO2R在线工具筛选癌组织和癌旁组织中的差异表达基因(DEGs);采用DAVID在线工具对差异表达基因进行GO和KEGG信号通路分析并用Cytoscape和FunRich软件进行可视化;采用GEPIA在线工具对差异表达基因进行验证和预后分析。结果:共筛选出1816个差异表达基因,其中上调基因数651个,下调基因数1165个。上调基因主要富集在“基质金属肽酶活性”,下调基因主要富集在“受体活性”等分子功能。KEGG信号通路分析显示上调基因主要富集在“有丝分裂前中期”等信号通路,而下调基因主要富集在“上皮-间质转化”信号通路。蛋白-蛋白交互作用(PPI)分析显示,上调基因中的前五位为TOP2A、CDK1、CCNB1、CCNA2和KIF11,而下调基因中的前五位为IL6、FGF2、LRRK2、EDN1和IL1B。总生存率分析显示,KIF11低表达与NSCLC预后呈负相关。结论:本研究鉴定出了与NSCLC相关的关键基因,有望作为NSCLC患者潜在治疗靶点或预后判断相关的生物标志。     

基于TCGA、THPA、GEO数据库挖掘PTTG1在乳腺癌中的表达及预后意义

目的:通过对癌症基因组图谱(The Cancer Genome Atlas,TCGA)、人类蛋白组图谱(The Human Protein Atlas,THPA)和人类肿瘤相关的基因表达汇编(Gene Expression Omnibus,GEO)数据库的数据挖掘,探索垂体肿瘤转化基因1（pituitary tumor-transforming gene 1,PTTG1）在乳腺癌中的表达及预后意义。方法:从TCGA、THPA和GEO数据库提取PTTG1在乳腺癌及正常组织中mRNA和蛋白水平的变化和患者临床病理资料,GEO在线预后分析数据库Kaplan-Meier Plotter(http://kmplot.com)检索PTTG1乳腺癌预后的相关性。结果:在数据库中,PTTG1 mRNA和蛋白水平在乳腺癌队列中表达显著高于正常乳腺组织(P<0.01);PTTG1 mRNA在不同的分子亚型中表达存在显著差异(P<0.05);PTTG1 mRNA在ER和PR阳性乳腺癌患者组织中表达显著低于ER和PR阴性乳腺癌患者(P<0.05);PTTG1 mRNA在进展期乳腺癌患者组织中表达显著高于早期乳腺癌患者(P<0.05);PTTG1 mRNA随着乳腺癌患者组织学分级程度升高而降低(P<0.05)。PTTG1低表达乳腺癌患者的预后显著好于其高表达患者(P<0.001);PTTG1高表达的ER和PR阳性、HER-2阴性乳腺癌患者的预后均显著差于其低表达者(P<0.05)。PTTG1高表达乳腺癌样本富集到细胞因子受体相互作用、趋化因子信号通路、细胞周期、自然杀伤细胞介导细胞毒性、Toll样受体信号通路和T细胞受体信号通路等相关基因集。结论:PTTG1 mRNA和蛋白在乳腺癌组织中高表达,PTTG1 mRNA表达与乳腺癌预后相关且在不同分子分型的乳腺癌中具有不同的预后监测意义,可以作为乳腺癌预后判断的标志物。     

胰腺癌诊断和预后关键生物标志物的筛选鉴定和综合分析CSCD

目的筛选鉴定胰腺癌进展过程的关键基因和途径,并进行综合分析。方法利用GEO2R对胰腺癌基因表达集合GSE15471、GSE16515、GSE28735、GSE62165中差异表达基因(DEGs)进行筛选和识别,运用DAVID数据库进行GO分析和KEGG通路分析。然后应用STRING数据库构建了蛋白质相互作用(PPI)网络,并使用Cytoscape和GEPIA对Hub基因进行了鉴定。用反转录定量聚合酶链反应(RT-qPCR)对这些Hub基因的mRNA水平进行定量分析。结果筛选出181个上调差异表达基因(uDEGs)和64个下调差异表达基因(dDEGs),分析结果显示uDEGs和dDEGs在细胞成分(CC),生物过程(BP)和分子功能(MF)中分别富集,与多条信号通路密切相关。DEGs中degree得分较高的top 25基因。8个基因的差异表达可预测胰腺癌的预后不良。RT-qPCR结果显示这些基因在胰腺癌组织中均有差异表达发生。结论MMP14、MMP1、MET、PLAU、ITGA2、KRT19、COL12A1和ITGA3是与胰腺癌进展有关的关键基因。     

食管腺癌相关关键基因的筛选及其临床意义

目的：通过TCGA和GEO数据库筛选与食管腺癌相关的关键基因,并分析其生物学功能、相关信号通路和临床意义。方法：综合TCGA数据库食管腺癌数据和GEO数据库GSE92396芯片数据,使用R软件的DEseq2包和Limma包进行差异表达基因分析,获得共同差异表达基因。利用R软件的clusterProfiler包对共同差异表达基因进行GO功能富集分析及KEGG通路富集分析。运用string网站和Cytoscape3.7.2软件进行蛋白互作网络分析,筛选出调节食管腺癌蛋白表达量的关键节点基因,再结合TCGA数据库分析关键节点基因与患者生存的关系。结果：通过数据库中90例食管腺癌组织和18例正常食管组织标本的基因芯片数据的分析,获得共同差异表达基因521个,其中高表达基因356个,低表达基因165个,它们主要与表皮发育和表皮细胞分化的代谢过程等相关功能和细胞因子及其受体相互作用等信号通路密切相关。蛋白互作网络分析得出15个关键节点基因,其中CXCL8和CCL20低表达的食管腺癌患者生存期显著长于高表达者（中位生存期32.4 vs 19.7个月,P<0.05;32.4 vs 13.9个月,P <0.05）。结论：数据库挖掘显示CXCL8与CCL20基因可能在食管腺癌的发生发展及预后中起着重要作用,可以作为判断患者预后的潜在指标。     

乳腺浸润性导管癌潜在核心基因的生物信息学分析

目的从分子层面分析乳腺浸润性导管癌(IDC)的差异表达基因(DEGs),识别潜在致病基因和分子机制。方法分析来自美国国立生物技术信息中心(NCBI)的公共基因芯片数据库(GEO)的微阵列数据集(GSE29044)。GEO2R工具筛选出IDC与正常乳腺组织间DEGs。利用DAVID在线数据库对DEGs进行相关基因功能富集分析,同时通过STRING在线数据库构建蛋白质-蛋白质互作网络(PPI),并通过Cytoscape软件进行可视化,使用Kaplan-Meier在线绘图仪生存分析工具来评估枢纽基因的预后价值。结果筛选出398个DEGs,其中有110个上调差异基因和288个下调差异基因,从PPI网络中鉴别出HMMR、CDK1、PBK、CCNB2、TPX2、AURKA、DLGAP5、NUSAP1、TOP2A和CEP55等10个枢纽基因。枢纽基因在IDC中均高表达,且与乳腺癌总体存活不利相关。结论利用生物信息学方法筛选IDC的DEGs和信号通路可以帮助识别IDC潜在致病机制,同正常乳腺组织比较,HMMR、CDK1、PBK、CCNB2、TPX2、AURKA、DLGAP5、NUSAP1、TOP2A和CEP55均在IDC中高表达,且与乳腺癌总体存活不利相关。此外,它还可作为乳腺癌不良预后的生物标志物和药物合成的靶点。     

基于生物信息学筛选胰腺导管腺癌关键基因

目的:利用生物信息学方法分析胰腺导管腺癌（PDAC）基因表达谱芯片并筛选关键基因。方法:从公共数据库基因表达数据库（GEO）中下载PDAC基因表达谱芯片GSE28735、GSE15471、GSE101448,共纳入108例PDAC样本和97例癌旁组织样本。应用R语言limma包和impute包筛选差异表达基因。利用DAVID数据库和在线分析工具Kobas分别对差异基因进行GO功能富集分析和KEGG通路富集分析。利用STRING数据库和Cytoscape软件构建差异蛋白互作网络并进一步筛选关键基因。结果:3个基因表达谱芯片共有161个差异表达基因（|log2 fold-change(FC)|>2,P<0.05）,包括54个上调基因,107个下调基因。GO功能富集分析显示差异基因与extracellular exosome、extracellular space、extracellular matrix organization密切相关。KEGG通路分析显示差异基因主要富集在protein digestion and absorption、ECM-receptor interaction和focal adhesion等通路。蛋白质相互作用网络图中显示节点最多的10个枢纽基因分别是ALB、COL11A1、COL3A1、FN1、EGF、COL1A1、MMP9、COL5A2、ITGA2、COL6A3。结论:筛选所得的10个关键基因可能在PDAC发生发展中发挥重要作用,有望成为PDAC诊断及治疗的生物学靶标,为进一步研究PDAC发生发展的分子机制提供了理论依据。     

Identification of candidate biomarkers and analysis of prognostic values in ovarian cancer by integrated bioinformatics analysis

Ovarian cancer is the first leading cause of mortality in gynecological malignancies. To identify key genes and microRNAs in ovarian cancer, mRNA microarray dataset GSE36668, GSE18520, GSE14407 and microRNA dataset GSE47841 were downloaded from the Gene Expression Omnibus database. Differentially expressed genes (DEGs) and microRNAs (DEMs) were obtained using GEO2R. Functional and pathway enrichment analysis were performed for DEGs using DAVID database. Protein–protein interaction (PPI) network was established by STRING and visualized by Cytoscape. Following, overall survival (OS) analysis of hub genes was performed by the Kaplan–Meier plotter online tool. Module analysis of the PPI network was performed using MCODE. Moreover, miRecords was applied to predict the targets of the DEMs. A total of 345 DEGs were obtained, which were mainly enriched in the terms related to cell cycle, mitosis, and ovulation cycle process. A PPI network was constructed, consisting of 141 nodes and 296 edges. Sixteen genes had high degrees in the network. High expression of four genes of the 16 genes was associated with worse OS of patients with ovarian cancer, including CCNB1, CENPF, KIF11, and ZWINT. A significant module was detected from the PPI network. The enriched functions and pathways included cell cycle, nuclear division, and oocyte meiosis. Additionally, a total of 36 DEMs were identified. The expression of KIF11 was negatively correlated with that of has-miR-424 and has-miR-381, and it was also the potential target of two microRNAs. In conclusion, these results identified key genes, which could provide potential targets for ovarian cancer diagnosis and treatment.     

前列腺癌诊断/预后和耐药分子标志物的筛选及其临床意义

目的：基于已发表的芯片数据通过生物信息学方法筛选差异表达基因,以发现前列腺癌诊断/预后和耐药相关分子标志物。方法：筛选GEO数据库中已发表的前列腺癌mRNA芯片数据GSE6956和前列腺癌细胞多烯紫杉醇耐药mRNA芯片数据GSE33455进行差异表达分析;通过生物学功能注释、基因通路富集分析、蛋白质相互作用网络（protein-protein interaction,PPI）分析等生物信息学方法发现和识别与差异表达基因相关的生物学功能和信号通路;比对TCGA数据库,验证差异表达基因在前列腺癌组织及癌旁组织中的表达,并通过Kaplan-Meier分析差异表达基因对前列腺癌患者生存率的影响;用qPCR方法验证差异表达基因在前列腺癌细胞株PC3及多烯紫杉醇耐药细胞PC3-DTX中的表达情况。结果：共筛选出227个在前列腺癌和前列腺癌多烯紫杉醇耐药细胞芯片数据中共同差异表达基因。差异表达基因主要富集到了癌症相关通路（Lysosome、Sphingolipid、FoxO、Acute myeloid leukemia）,并主要参与细胞黏附、自噬和胞内蛋白转运等生物学过程。构建PPI网络选取18个连接度最高的基因作为Hub基因。Hub基因和共同差异表达基因中,上调基因CITED2、LRP12和RPL17-C18orf32与前列腺癌患者的不良预后显著相关。qPCR验证显示CITED2在多烯紫杉醇耐药细胞PC3-DTX中高表达。结论：通过生物信息学方法筛选出在前列腺癌组织和耐药细胞中共同差异表达,且与前列腺癌患者的不良预后密切相关的基因,为前列腺癌诊断/预后和耐药分子标志物的研究提供了新的思路。     

整合生物信息学挖掘胃癌潜在关键生物标志物

目的:通过整合生物信息学挖掘胃癌潜在关键生物标志物.方法:本研究从GEO数据库下载数据集联合分析,借助R语言挖掘差异基因集,并功能注释和富集这些基因的相关生物通路;采用String数据库和Cytoscape软件挖掘关键基因,并借由Onconmine数据库验证关键基因.结果:本研究总共确定了98个共有差异基因,包括30个...     

Identification of key pathways and genes in colorectal cancer using bioinformatics analysis

Colorectal cancer (CRC) is the most common malignant tumor of digestive system. The aim of this study was to identify gene signatures during CRC and uncover their potential mechanisms. The gene expression profiles of GSE21815 were downloaded from GEO database. The GSE21815 dataset contained 141 samples, including 132 CRC and 9 normal colon epitheliums. The gene ontology (GO) and Kyoto Encyclopedia of Genes and Genomes pathway (KEGG) enrichment analyses were performed, and protein–protein interaction (PPI) network of the differentially expressed genes (DEGs) was constructed by Cytoscape software. In total, 3500 DEGs were identified in CRC, including 1370 up-regulated genes and 2130 down-regulated genes. GO analysis results showed that up-regulated DEGs were significantly enriched in biological processes (BP), including cell cycle, cell division, and cell proliferation; the down-regulated DEGs were significantly enriched in biological processes, including immune response, intracellular signaling cascade and defense response. KEGG pathway analysis showed the up-regulated DEGs were enriched in cell cycle and DNA replication, while the down-regulated DEGs were enriched in drug metabolism, metabolism of xenobiotics by cytochrome P450, and retinol metabolism pathways. The top 10 hub genes, GNG2, AGT, SAA1, ADCY5, LPAR1, NMU, IL8, CXCL12, GNAI1, and CCR2 were identified from the PPI network, and sub-networks revealed these genes were involved in significant pathways, including G protein-coupled receptors signaling pathway, gastrin-CREB signaling pathway via PKC and MAPK, and extracellular matrix organization. In conclusion, the present study indicated that the identified DEGs and hub genes promote our understanding of the molecular mechanisms underlying the development of CRC, and might be used as molecular targets and diagnostic biomarkers for the treatment of CRC.