| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 8645164 | 1569777 | 2018 | 8 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Computational systems biology analysis of biomarkers in lung cancer; unravelling genomic regions which frequently encode biomarkers, enriched pathways, and new candidates
ترجمه فارسی عنوان
تحلیل زیست‌شناسی سیستم‌های رایانشی شاخص‌های زیستی در سرطان ریه؛ بررسی مناطق ژنومی که خیلی اوقات شاخص‌های زیستی، مسیرهای غنی‌سازی و کاندیدهای جدید را رمزگذاری می‌کنند
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
شاخص‌زیستی، سرطان ریه، میکروRNA، زیست‌شناسی سیستم‌ها
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2.روش‌ها
1.2. فرایند متن‌کاوی
جدول 1. آمار پایگاه داده Mammalian+ChemEffect+DiseaseFx استفاده شده برای کاوش منابع در این تحقیق.
2.2.تعریف عبارت‌ها در متن‌کاوی
3.2. یافتن شاخص‌های زیستی سرطان ریه جدید و به صورت بالقوه اثربخش‌ترانسکریپتومیک با ترکیب متن‌کاوی و تحلیل شبکه
4.2. یافتن مناطق ژنومی که باعث شاخص‌زیستی سرطان ریه می‌شوند
5.2. «تحلیل هدف اظهار رایانشی» شاخص‌های زیستی سرطان ریه
6.2. تحلیل آماری
3.نتایج
1.3. شاخص‌های زیستی پروتئینی سرطان ریه، کاوش برحسب متن‌کاوی
2.3. شاخص‌های زیستی RNA بدون رمز سرطان ریه
3.3. شاخص‌های زیستی ملکول کوچک سرطان ریه
4.3. گیرنده‌ها و عامل‌های رونویسی: پرتکرارترین گروه مطالعه شده شاخص‌های زیستی پروتئین سرطان ریه
5.3. جانمایی سلولی شاخص‌های زیستی پروتئین سرطان ریه
6.3. نمونه‌های به کار گرفته شده از بافت و خطوط سلولی برای کشف شاخص‌های زیستی پروتئین سرطان ریه
شکل 1. تحلیل کاوش منابع شاخص‌های زیستی در سرطان ریه. (A) 10 پروتئین پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند. (B) 10 RNA بدون رمز پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند. (C) 10 ملکول کوچک پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند.
7.3. ژنومیک‌های غنی‌شده با شاخص‌های زیستی سرطان ریه
8.3. مکانیسم‌های تنظیمی احتمالی شاخص‌های زیستی پروتئین سرطان ریه
شکل 2. ملکول‌های غیرپروتئینی که به عنوان شاخص‌های زیستی در سرطان ریه گزارش شده‌اند. (A) RNAهای بدون رمز که به عنوان شاخص‌زیستی سرطان ریه در سه یا چند نشریه گزارش شده است. (B) ملکول‌های کوچک که در نقش شاخص‌زیستی سرطان ریه در دو یا چند نشریه گزارش شده‌اند.
شکل 3. گیرنده‌ها و عامل‌های رونویسی به دنبال لیگاندها پرتکرارترین گروه‌های پروتئینی مطالعه شده برای کشف شاخص‌زیستی در سرطان ریه هستند. 5 گیرنده که بیش از دیگران در نقش شاخص‌زیستی سرطان ریه مطالعه شده‌اند عبارتند از EGFR, ERBB2, ALK, CD40, و CD44. 5 عامل رونویسی که بیش از سایرین مطالعه شده‌اند عبارتند از TP53, SHOX2, NKX2-1, HNRNPA2B1, و MYC. 5 لیگاند که بیش از سایرین به عنوان شاخص‌های زیستی سرطان ریه مطالعه شده‌اند عبارتند از GRP, VEGFA, SPP1, CRP, و DKK1.
9.3. یافتن شاخص‌های زیستی سرطان ریه جدید به واسطه ترکیب تحلیل شبکه-متن‌کاوی
جدول 2. جانمایی سلولی شاخص‌زیستی سرطان ریه
4.بحث
شکل 4. بافت‌هایی که برای کشف شاخص‌زیستی در سرطان ریه برطبق متن‌کاوی استفاده شده‌اند. (A) خطوط سلولی که بارها برای کشف شاخص‌زیستی سرطان ریه در سطح پروتئینی استفاده شده‌اند. (B) اندام‌هایی که بارها برای کشف شاخص‌زیستی سرطان ریه در سطح پروتئینی استفاده شده‌اند.
جدول 3. مناطق ژنومی غنی‌شده با شاخص‌زیستی سرطان ریه.
شکل 5. تحلیل شبکه شاخص‌زیستی سرطان ریه مکانیسم‌های تنظیمی احتمالی را تعیین می‌کند که اظهار شاخص‌زیستی پروتئینی سرطان ریه را کنترل می‌کند (شاخص‌زیستی برطبق متن‌کاوی تعیین می‌شود). (A) مسیر سیگنال‌دهی CTNNB-MYC-TP53، (B) سیگنال‌دهی VEGFR – CTNNB.
جدول 4. شبکه‌های فرعی قابل ملاحظه شاخص‌زیستی سرطان ریه بدون رمز برطبق الگوریتم شریک پیوند، کاوش منابع و تحلیل غنی‌سازی
5.نتیجه‌گیری
شکل 6. فلوچارت روش‌شناسی با ترسیم فرایند گام به گام و ابزار/پایگاه داده بکار گرفته شده برای تحلیل شاخص‌زیستی سرطان ریه زیست‌شناسی رایانشی در این تحقیق.
کلمات کلیدی
1.مقدمه
2.روش‌ها
1.2. فرایند متن‌کاوی
جدول 1. آمار پایگاه داده Mammalian+ChemEffect+DiseaseFx استفاده شده برای کاوش منابع در این تحقیق.
2.2.تعریف عبارت‌ها در متن‌کاوی
3.2. یافتن شاخص‌های زیستی سرطان ریه جدید و به صورت بالقوه اثربخش‌ترانسکریپتومیک با ترکیب متن‌کاوی و تحلیل شبکه
4.2. یافتن مناطق ژنومی که باعث شاخص‌زیستی سرطان ریه می‌شوند
5.2. «تحلیل هدف اظهار رایانشی» شاخص‌های زیستی سرطان ریه
6.2. تحلیل آماری
3.نتایج
1.3. شاخص‌های زیستی پروتئینی سرطان ریه، کاوش برحسب متن‌کاوی
2.3. شاخص‌های زیستی RNA بدون رمز سرطان ریه
3.3. شاخص‌های زیستی ملکول کوچک سرطان ریه
4.3. گیرنده‌ها و عامل‌های رونویسی: پرتکرارترین گروه مطالعه شده شاخص‌های زیستی پروتئین سرطان ریه
5.3. جانمایی سلولی شاخص‌های زیستی پروتئین سرطان ریه
6.3. نمونه‌های به کار گرفته شده از بافت و خطوط سلولی برای کشف شاخص‌های زیستی پروتئین سرطان ریه
شکل 1. تحلیل کاوش منابع شاخص‌های زیستی در سرطان ریه. (A) 10 پروتئین پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند. (B) 10 RNA بدون رمز پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند. (C) 10 ملکول کوچک پرتکرار مطالعه شده که به عنوان شاخص‌های زیستی در سرطان ریه استفاده شده‌اند.
7.3. ژنومیک‌های غنی‌شده با شاخص‌های زیستی سرطان ریه
8.3. مکانیسم‌های تنظیمی احتمالی شاخص‌های زیستی پروتئین سرطان ریه
شکل 2. ملکول‌های غیرپروتئینی که به عنوان شاخص‌های زیستی در سرطان ریه گزارش شده‌اند. (A) RNAهای بدون رمز که به عنوان شاخص‌زیستی سرطان ریه در سه یا چند نشریه گزارش شده است. (B) ملکول‌های کوچک که در نقش شاخص‌زیستی سرطان ریه در دو یا چند نشریه گزارش شده‌اند.
شکل 3. گیرنده‌ها و عامل‌های رونویسی به دنبال لیگاندها پرتکرارترین گروه‌های پروتئینی مطالعه شده برای کشف شاخص‌زیستی در سرطان ریه هستند. 5 گیرنده که بیش از دیگران در نقش شاخص‌زیستی سرطان ریه مطالعه شده‌اند عبارتند از EGFR, ERBB2, ALK, CD40, و CD44. 5 عامل رونویسی که بیش از سایرین مطالعه شده‌اند عبارتند از TP53, SHOX2, NKX2-1, HNRNPA2B1, و MYC. 5 لیگاند که بیش از سایرین به عنوان شاخص‌های زیستی سرطان ریه مطالعه شده‌اند عبارتند از GRP, VEGFA, SPP1, CRP, و DKK1.
9.3. یافتن شاخص‌های زیستی سرطان ریه جدید به واسطه ترکیب تحلیل شبکه-متن‌کاوی
جدول 2. جانمایی سلولی شاخص‌زیستی سرطان ریه
4.بحث
شکل 4. بافت‌هایی که برای کشف شاخص‌زیستی در سرطان ریه برطبق متن‌کاوی استفاده شده‌اند. (A) خطوط سلولی که بارها برای کشف شاخص‌زیستی سرطان ریه در سطح پروتئینی استفاده شده‌اند. (B) اندام‌هایی که بارها برای کشف شاخص‌زیستی سرطان ریه در سطح پروتئینی استفاده شده‌اند.
جدول 3. مناطق ژنومی غنی‌شده با شاخص‌زیستی سرطان ریه.
شکل 5. تحلیل شبکه شاخص‌زیستی سرطان ریه مکانیسم‌های تنظیمی احتمالی را تعیین می‌کند که اظهار شاخص‌زیستی پروتئینی سرطان ریه را کنترل می‌کند (شاخص‌زیستی برطبق متن‌کاوی تعیین می‌شود). (A) مسیر سیگنال‌دهی CTNNB-MYC-TP53، (B) سیگنال‌دهی VEGFR – CTNNB.
جدول 4. شبکه‌های فرعی قابل ملاحظه شاخص‌زیستی سرطان ریه بدون رمز برطبق الگوریتم شریک پیوند، کاوش منابع و تحلیل غنی‌سازی
5.نتیجه‌گیری
شکل 6. فلوچارت روش‌شناسی با ترسیم فرایند گام به گام و ابزار/پایگاه داده بکار گرفته شده برای تحلیل شاخص‌زیستی سرطان ریه زیست‌شناسی رایانشی در این تحقیق.
ترجمه چکیده
رشد دانش علمی به لحاظ نمایی در انتشارات علمی منتج به ظهور علوم بین‌رشته‌ای جدید کاوش در منابع می‌شود. در متن‌کاوی، ماشین منابع منتشر شده را می‌خواند و دانش کشف‌شده را به فرمول‌های شبه-ریاضی انتقال می‌دهد. در رویکرد یکپارچه در این تحقیق، از متن‌کاوی در ترکیب با کشف شبکه، تحلیل مسیر و تحلیل غنی‌شده مناطق ژنومی برای درک بهتر شاخص‌های زیستی در سرطان ریه استفاده می‌شود. توجهی خاص به شاخص‌های زیستی بدون رمز شده است. در کل، 60 شاخص زیستی میکروRNA برای سرطان ریه گزارش شد، از جمله چند شاخص زیستی تشخیصی. MIR21, MIR155, MALAT1 و MIR31 برترین شاخص‌های زیستی RNA بدون رمز سرطان ریه بودند. در متن‌کاوی 447 پروتئین شناسایی شد که به عنوان شاخص‌های زیستی در سرطان ریه مطالعه شدند. بیشترین مطالعات بر روی پروتئین‌های ذیل انجام شد: EGFR (دریافت‌کننده)، TP53 (عامل رونویسی)، KRAS, CDKN2A, ENO2, KRT19, RASSF1، GRP (لیگاند)، SHOX2 (عامل رونویسی) و ERBB2 (گیرنده). در ملکول‌های کوچک، تیموسین-a1، اوستروژن و 8-OHdG توجه بیشتری به خود جلب کرده است. چند نوار کروموزومی، نظیر 7q32.2, 18q12.1, 6p12, 11p15.5 و 3p21.3 دریافت کردیم که مشارکت زیادی در هدایت شاخص‌های زیستی سرطان ریه داشتند.
موضوعات مرتبط
علوم زیستی و بیوفناوری
بیوشیمی، ژنتیک و زیست شناسی مولکولی
ژنتیک
چکیده انگلیسی
Exponentially growing scientific knowledge in scientific publications has resulted in the emergence of a new interdisciplinary science of literature mining. In text mining, the machine reads the published literature and transfers the discovered knowledge to mathematical-like formulas. In an integrative approach in this study, we used text mining in combination with network discovery, pathway analysis, and enrichment analysis of genomic regions for better understanding of biomarkers in lung cancer. Particular attention was paid to non-coding biomarkers. In total, 60 MicroRNA biomarkers were reported for lung cancer, including some prognostic biomarkers. MIR21, MIR155, MALAT1, and MIR31 were the top non-coding RNA biomarkers of lung cancer. Text mining identified 447 proteins which have been studied as biomarkers in lung cancer. EGFR (receptor), TP53 (transcription factor), KRAS, CDKN2A, ENO2, KRT19, RASSF1, GRP (ligand), SHOX2 (transcription factor), and ERBB2 (receptor) were the most studied proteins. Within small molecules, thymosin-a1, oestrogen, and 8-OHdG have received more attention. We found some chromosomal bands, such as 7q32.2, 18q12.1, 6p12, 11p15.5, and 3p21.3 that are highly involved in deriving lung cancer biomarkers.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Gene - Volume 659, 15 June 2018, Pages 29-36
Journal: Gene - Volume 659, 15 June 2018, Pages 29-36
نویسندگان
Ibrahim O. Alanazi, Sami A. AlYahya, Esmaeil Ebrahimie, Manijeh Mohammadi-Dehcheshmeh,