Analyse des facteurs d'expression des gènes tumoraux avec le portail Web CorExplorer

La recherche du gène ‘BRCA1’ dans l’ensemble de données sur le cancer du poumon révèle qu’il est le plus fortement associé au facteur CorEx 26 (figure 2). L’enrichissement à terme GO pour ce facteur est considéré comme extrêmement élevé, avec la réparation d’ADN présentant un FDR de seulement 1 x 10-19. La sélection attire également l’attention sur le groupe de deuxième niveau L2-8 qui a six facteurs étroitement liés comme les enfants. La sélection de la « réparation de l’ADN » dans les annotations du terme GO ou dans le graphique de facteur GO enrichi déroulant met en évidence les gènes associés dans chacun des facteurs, le facteur 26 ayant de loin le plus, comme prévu11. Le réseau d’interaction protéine-protéine est fortement relié, soutenant davantage la fonctionnalité étroitement liée des gènes dans le facteur 26. Le graphique de survie associé suggère une association possible avec la survie du patient, mais ceci devrait être confirmé dans un ensemble de données plus large. Commencer par la survie peut permettre la dissection des raisons de l’amélioration de la survie associée à des groupes d’expression génétique particuliers. À titre d’exemple, le principal facteur influençant la survie du cancer de l’ovaire est le numéro 39, qui est fortement enrichi pour les gènes associés au système immunitaire (figure 3). Cinq autres facteurs associés au même nœud de niveau 2 sont également indiqués comme étant liés au système immunitaire, mais l’impact sur la survie semble être fortement variable parmi eux, 39 étant le plus élevé et 52 étant le plus faible. L’ajout d’une fenêtre d’interaction protéine-protéine pour un facteur montre le réseau d’interaction immédiat et permet de se connecter au site Web StringDB12 pour interroger divers enrichissements pour les gènes du réseau PPI. En faisant cela pour chacun des facteurs L2-14 à son tour, on constate que les enrichissements de StringDB pour les gènes du réseau PPI suggèrent l’explication possible suivante pour les associations avec la survie. Le facteur 32 contient des gènes qui constituent le complexe protéique majeur de classe I du complexe d’histocompatibilité (MHC), qui est reconnu par les lymphocytes T cytotoxiques. Le facteur 39 correspond à la signalisation cytokine et à la liaison des récepteurs CXCR3, liées aux lymphocytes T CD8MD. Ces deux facteurs semblent conférer un avantage significatif de survie pour les patients présentant l’expression relativement élevée des gènes correspondants. Les lymphocytes Cytotoxic CD8MD T sont principalement responsables de l’immunité antitumorale. Le facteur 52, d’autre part, est composé de gènes codant pour les protéines dans le complexe de classe II de MHC qui sont reconnus principalement par les cellules d’aide de CD4 MD plutôt que directement par les lymphocytes T cytotoxiques. Les autres facteurs De L2-14 reflètent l’activation généralisée du système immunitaire qui ne différencie pas les deux types de populations de lymphocytes. Une association de survie spécifique à la reconnaissance cytotoxique de lymphocyte de T des antigènes cellulaires de classe I de MCH est compatible avec notre compréhension de l’immunité antitumorale en général et d’autres cancers tels que le mélanome13,14. Le portail Web soutient la découverte de paires de facteurs avec des fonctions complémentaires qui peuvent suggérer des thérapies combinées tumeur-spécifiques efficaces. La vue d’ensemble de données peut être numérisée pour les facteurs qui montrent une corrélation avec la survie tout en ayant des enrichissements GO distincts. Pour le mélanome (TCGA-SKCM; Figure 4), on voit que le principal facteur de survie 171 est lié au système immunitaire, tandis que le facteur 88 en bas de la liste montre l’enrichissement des gènes liés à l’organisation de la mitochondrie. En effet, cela a été suggéré comme une cible dans le mélanome15. L’ajout de fenêtres de survie à la page CorExplorer permet de comparer la stratification en utilisant la paire de facteurs à celle de chaque facteur individuellement, montrant que les modèles d’expression génique favorables des deux groupes présentent une tendance de survie meilleure que celle de l’un ou l’autre facteur seul. La strate supérieure ne semble pas être améliorée cependant, suggérant l’immunothérapie seulement peut être la meilleure option pour quelques patients. Les points communs et les différences entre les tumeurs peuvent être observés en cherchant des gènes ou des termes GO dans tous les ensembles de données(figure 5). À titre d’exemple, FLT1 (alias VEGFR1) est un marqueur pro-angiogénique bien étudié16,17. Quand il est mis dans la barre de recherche, toutes les tumeurs ont des facteurs dans lesquels FLT1 joue un rôle majeur. Inversement, lorsque le terme GO «angiogenèse» est entré sur la page de recherche, 5 des 6 groupes FLT1 apparaissent avec cet enrichissement. Tous les facteurs FLT1, à l’exception de SKCM-195, sont répertoriés comme statistiquement enrichis pour les gènes d’angiogenèse. Le sixième facteur a, en fait, l’annotation, mais en dessous du seuil par défaut de 10-8. Lorsque la pondération dans la liste des facteurs est utilisée dans une calculatrice d’enrichissement alternative, par exemple, Gene Set Enrichment Analysis (GSEA)18, le sixième facteur s’est avéré être considérablement enrichi pour les gènes d’angiogenèse ainsi. Il est important de vérifier les cartes thermiques pour s’assurer que le modèle d’expression génique est de qualité suffisante pour soutenir les interprétations biologiques. Les cartes thermiques qui présentent une forte variation claire peuvent présenter une expression coordonnée des gènes du facteur allant de modèles faibles à élevés ou plus complexes, certains gènes ayant une faible expression étant corrélés avec d’autres ayant des facteurs élevés(figure 6). Un marqueur clé d’un groupement de haute qualité est la présence de plusieurs gènes avec une variation lisse de l’expression en fonction du score de facteur. Les cartes thermiques de facteur montrent des échantillons commandés selon le score de facteur, ainsi il devrait y avoir un gradient lisse se déplaçant de gauche à droite. Cependant, cela peut ne pas se produire d’au moins deux façons différentes. Le plus souvent, les corrélations peuvent être extrêmement bruyantes (Figure 5C), remettant en question la robustesse et l’utilité de toute inférence concernant la survie et/ou la fonction biologique. En outre, les modèles qui ne se produisent que dans une petite minorité d’échantillons peuvent ne pas se conformer au modèle de trois états d’expression supposés par l’algorithme CorEx, ce qui entraîne une classification trompeuse des échantillons (côté droit de la figure 5D). Figure 1 : Première page CorExplorer. Après avoir cliqué sur le cancer de l’ovaire sous Quick Links,les détails du graphique de facteur sont affichés. Le modèle hiérarchique CorEx est composé de variables d’entrée (expression génique dans ce cas) sur la couche inférieure et de facteurs latents inférés dans les couches supérieures. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Figure 2 : Utilisation d’un nom de gène pour guider l’exploration. La figure montre une série de captures d’écran illustrant l’exploration des facteurs de cancer du poumon CorEx fortement liés à BRCA1. Tout d’abord, la sélection de «BRCA1» dans la boîte de dépôt de gènes pour le graphique facteur provoque la vue graphique de zoomer sur le facteur pour lequel BRCA1 a le plus de poids. Zoom sur un peu encadre la couche deux nœuds L2-8 reliant ce facteur à d’autres connexes. La survie et les annotations peuvent être comparées : en cliquant sur le terme GO, la réparation de l’ADN met en évidence les gènes annotés. Une fenêtre PPI est ajoutée pour afficher les interactions réseau pour les gènes dans le facteur. L’utilisation du bouton Add Window pour ajouter une carte thermique montre l’association des modèles d’expression avec la survie, suggérant une expression accrue des gènes de réparation de l’ADN peut être associée à une diminution de la survie. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Figure 3 : Utilisation de données cliniques (survie) pour guider l’exploration. L’exploration du facteur associé à la survie (39) pour le cancer de l’ovaire révèle des relations intéressantes entre les facteurs voisins. Après avoir sélectionné le facteur 39 dans le graphique de facteur et zoom sur un peu, le facteur de la couche deux lié au facteur 39 est considéré comme ayant cinq autres facteurs associés. Une fenêtre de survie supplémentaire permet une comparaison directe des différentiels de survie associés. Les facteurs 39 et 32 montrent tous deux une corrélation de survie positive, contrairement au facteur 52, ce qui n’est pas le cas. Les réseaux d’interaction protéines-protéines sont tous bien définis. Lier à StringDB permet de comparer les annotations GO (non montrées) : le facteur 39 est associé à un réseau de signalisation cytokine lié à l’activation cytotoxique des lymphocytes T CD8MD et le facteur 32 est dominé par les protéines présentant des protéines de classe I du MHC qui présentent des protéines qui déclencher la reconnaissance par ces lymphocytes; les facteurs voisins, cependant, sont dominés par d’autres composants du système immunitaire tels que les lymphocytes T d’aide CD4 MD et ne montrent aucune corrélation de survie. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Figure 4 : L’exploration des principaux facteurs de survie suggère des combinaisons thérapeutiques potentielles. Le lien ‘Datasets’ sur la barre de menu de la page d’accueil conduit à une table concise des facteurs de survie classés par p-valeur, avec l’annotation GO haut (non montré). Utilisant cette information pour le mélanome, la combinaison du facteur 171 pour la fonction immunisée avec le facteur 88 pour l’organisation de mitochondndrion semble complémentaire. La figure montre des fenêtres d’annotation pour chacun des facteurs côte à côte pour les contraster. Les courbes de survie pour les patients stratifiés par les deux facteurs individuellement ou ensemble indiquent que la combinaison augmente le différentiel de survie par rapport à l’un ou l’autre facteur seul. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Figure 5 : La page de recherche facilite l’analyse pancancéreuse. Les gènes ou les termes de processus biologique GO peuvent être recherchés dans tous les ensembles de données à l’aide du lien de recherche à partir de la page d’accueil. La figure montre les résultats de recherche pour le gène FLT1 et le terme GO ‘angiogenesis’. Les résultats montrent la présence de FLT1 dans les facteurs annotés avec le terme «angiogenèse» à travers les cancers. Veuillez cliquer ici pour voir une version plus grande de ce chiffre. Figure 6 : Les cartes thermiques peuvent être utilisées pour évaluer qualitativement les corrélations entre les gènes et les échantillons en fonction du score des facteurs. Les relations d’expression génique de haute qualité sont montrées par gradation lisse quand les patients sont commandés par le score de facteur dans les cartes thermiques. La carte thermique la plus à gauche pour le facteur 18 en est un exemple. Les modèles peuvent également englober des signatures complexes d’expression de haut en bas comme dans la carte thermique moyenne grande pour le facteur 11. Des modèles de qualité inférieure montrent parfois des changements brusques dans l’expression pour un sous-groupe de patients comme dans le facteur 9 heatmap sur les corrélations droites ou simples très bruyantes comme dans le facteur 161 heatmap en bas à droite. Veuillez cliquer ici pour voir une version plus grande de ce chiffre.