A transcriptional network signature characterizes lung cancer subtypes.
A transcriptional network signature characterizes lung cancer subtypes.
复制标题
DOI：
10.1002/cncr.25592
复制
发表时间：
2011-01-15
期刊：
影响因子：
6.2
通讯作者：
Ramoni, Marco F.
中科院分区：
文献类型：
--
作者：
Chang, Hsun-Hsien;Dreyfuss, Jonathan M.;Ramoni, Marco F.
转录网络在癌症发展中起着核心作用。在这里，我们描述了一种系统生物学方法，癌症分类的基础上的逆转录网络的周围的两种最常见的类型的肺癌：腺癌（AC）和鳞状细胞癌（SCC）。一个转录网络分类器是从111人肺癌的分子谱推断出来的。我们在7个独立的队列中测试了其分类准确性，共422名高加索人，非洲人和亚洲人后裔。区分AC和SCC的模型是25基因网络签名。它在七个独立队列上的性能达到95.2%的分类准确率。更令人惊讶的是，95%的这种准确性是由12号染色体上一条狭窄的细胞带上的三个基因（KRT 6A、KRT 6 B、KRT 6C）的相互作用解释的。该染色体区域在区分AC和SCC中的作用通过另一组28名独立受试者的DNA拷贝数变化分析进一步证实。条带12 q12、12 q13和12 q12 -13的拷贝数变化以84%的准确度区分这些样品。这些结果表明，存在一个强大的签名定位在一个相对较小的区域的基因组，并显示从分子谱反向工程转录网络的临床潜力。
Transcriptional networks play a central role in cancer development. Here we describe a systems biology approach to cancer classification based on the reverse engineering of the transcriptional network surrounding the two most common types of lung cancer: adenocarcinomas (AC) and squamous cell carcinomas (SCC). A transcriptional network classifier is inferred from the molecular profiles of 111 human lung carcinomas. We tested its classification accuracy in seven independent cohorts, for a total of 422 subjects of Caucasian, African and Asian descent. The model for distinguishing AC from SCC is a 25-gene network signature. Its performance on the seven independent cohorts achieves 95.2% classification accuracy. Even more surprisingly, 95% of this accuracy is explained by the interplay of three genes (KRT6A, KRT6B, KRT6C) on a narrow cytoband of chromosome 12. The role of this chromosomal region in distinguishing AC and SCC was further confirmed by the analysis of another group of 28 independent subjects assayed by DNA copy number changes. The copy number variations of bands 12q12, 12q13, and 12q12-13 discriminates these samples with 84% accuracy. These results suggest the existence of a robust signature localized in a relatively small area of the genome, and show the clinical potential of reverse engineering transcriptional networks from molecular profiles.
登录
查看更多内容
影响因子：
8
作者：
Heighway, J;Knapp, T;Rickert, P
通讯作者：
Rickert, P
影响因子：
64.8
作者：
Bild, AH;Yao, G;Nevins, JR
通讯作者：
Nevins, JR
影响因子：
3.3
作者：
Copin, MC;Buisine, MP;Porchet, N
通讯作者：
Porchet, N
影响因子：
9.9
作者：
Burger, Lukas;van Nimwegen, Erik
通讯作者：
van Nimwegen, Erik
影响因子：
5.3
作者：
Hawthorn, Lesleyann;Stein, Leighton;Baumann, Heinz
通讯作者：
Baumann, Heinz