JoVE Logo
Yazarlar
Bize Ulaşın

Oturum Aç

Bu içeriği görüntülemek için JoVE aboneliği gereklidir. Oturum açın veya ücretsiz deneme sürümünü başlatın.

Bu Makalede

  • Özet
  • Özet
  • Giriş
  • Protokol
  • Sonuçlar
  • Tartışmalar
  • Açıklamalar
  • Teşekkürler
  • Malzemeler
  • Referanslar
  • Yeniden Basımlar ve İzinler

Özet

Burada, kanserde TMEM200A biyolojik fonksiyonlarını incelemek için çoklu biyoinformatik araçların birleştirildiği bir protokol sunulmaktadır. Ek olarak, biyoinformatik tahminleri deneysel olarak da doğruluyoruz.

Özet

TMEM200A transmembran proteinin insan kanserleri ve immün infiltrasyon ile ilişkili olduğu bilinmektedir. Burada, yaygın kanserlerde TMEM200A fonksiyonunu multiomik analiz ile değerlendirdik ve sonuçları doğrulamak için mide hücrelerinin in vitro hücre kültürlerini kullandık. Çeşitli insan kanser türlerinde TMEM200A ekspresyonu, UCSC Xena veri tabanından alınan RNA-seq verileri kullanılarak değerlendirildi. Biyoinformatik analiz, TMEM200A'in tanısal ve prognostik bir biyobelirteç olarak potansiyel bir rolünü ortaya koymuştur.

Normal mide ve kanser hücre hatlarının kültürleri büyütüldü ve TMEM200A yıkıldı. TMEM200A ekspresyon düzeyleri kantitatif gerçek zamanlı polimeraz zincir reaksiyonu ve western blotlama kullanılarak ölçüldü. Daha sonra mide kanseri (GC) hücrelerinin malign davranışı ve tümör oluşumunda TMEM200A rollerini belirlemek için in vitro fonksiyon kaybı çalışmaları kullanıldı. Yıkımın GC'de epitelyal-mezenkimal geçiş (EMT) ve PI3K/AKT sinyal yolu üzerindeki etkisini değerlendirmek için Western blotları kullanıldı. Biyoinformatik analiz, TMEM200A GC'de yüksek düzeyde eksprese edildiğini göstermiştir.

GC hücrelerinin proliferasyonu, vimentin, N-kaderin ve Snai proteinlerini de azaltan ve AKT fosforilasyonunu inhibe eden TMEM200A yıkımı ile inhibe edildi. PI3K/AKT sinyal yolunun, GC gelişiminin TMEM200A aracılı düzenlenmesinde de rol oynadığı görülmüştür. Burada sunulan sonuçlar , TMEM200A'in EMT'yi etkileyerek tümör mikroçevresini düzenlediğini göstermektedir. TMEM200A ayrıca PI3K / AKT sinyali yoluyla EMT'yi etkileyebilir, böylece tümör mikroçevresini etkileyebilir. Bu nedenle, pan-kanserlerde, özellikle GC'de, TMEM200A potansiyel bir biyobelirteç ve onkogen olabilir.

Giriş

Kanser, dünya çapında yüksek morbidite ve mortalite oranları nedeniyleküresel olarak insan sağlığını tehlikeye atan kalıcıbir halk sağlığı sorunu olarak ortaya çıkmıştır1 ve topluma ağır bir mali ve tıbbi yük oluşturmaktadır 2. Kanser belirteçlerininkeşfi sayesinde son yıllarda kanser tedavisinde önemli ilerlemeler kaydedilmiştir 3 ve araştırmacılar kanseri tedavi etmek için yeni tanı yöntemleri ve yeni ilaçlar geliştirmiştir. Bununla birlikte, kanserli bazı hastalar, ilaç direnci, ilaçların yan etkileri ve kimyasal duyarlılık gibi faktörler nedeniyle hala kötü prognoza sahiptir4. Bu nedenle, erken evre kanserlerin taranması ve tedavisi için yeni biyobelirteçlerin belirlenmesine acil ihtiyaç vardır5.

Zar proteinleri, hücrelere ve organel zarlarınabağlanabilen ve entegre olabilen proteinlerdir 6. Bunlar, zara bağlanma gücüne ve konumlarına bağlı olarak üç kategoride gruplandırılabilir: lipid bağlantılı proteinler, integral proteinler ve periferik zar proteinleri 7,8. Bir transmembran (TMEM) proteini, biyolojik membrandan tamamen veya kısmen geçen en az bir transmembran segment9'dan oluşan entegre bir membran proteinidir.

TMEM ailesine ait proteinlerin etki mekanizmaları tam olarak anlaşılamamış olsa da, bu proteinlerin çeşitli kanser türlerinde rol oynadığı bilinmektedir10. Birkaç TMEM proteini göçmen, proliferatif ve invaziv fenotiplerle ilişkilidir ve ekspresyonu genellikle hastanın prognozuile ilişkilidir 11. Bu nedenle TMEM ailesi üyeleri araştırmaların hedefi haline gelmiştir. TMEM ile ilgili mevcut raporların kapsamlı bir incelemesi, bunların çoğunlukla hücreler arası ve hücre içi sinyal12, bağışıklık ile ilişkili hastalıklar ve tümöroluşumu 10 ile ilişkili olduğunu ortaya koymuştur. Birçok TMEM ayrıca, örneğin plazma zarındaki iyon kanalları, sinyal iletim yollarının aktivasyonu ve ayrıca hücre kemotaksisi, adezyon, apoptoz ve otofajinin aracılık etmesi gibi önemli fizyolojik işlevlere sahiptir10. Bu nedenle, TMEM proteinlerinin tümörlerin saptanması ve tedavisinde önemli prognostik belirteçler olabileceğini varsaydık.

TMEM200A ekspresyonu mide kanserinde (GK) önemli ölçüde yüksektir. Kromozom 6q23.1 üzerinde sekiz ekzon ve tam uzunluğu 77.536 kb olan TMEM200A13'ün daha yüksek ekspresyonu, GC vakalarında genel sağkalım (OS) için kötü bir prognoz ile ilişkilendirilmiştir. Yine de ekspresyonundaki değişiklikler onkoloji çalışmalarında nadiren bildirilmiştir. Bu makale, halka açık farklı veri kümelerini kullanarak çeşitli kanser çalışmalarında terapötik bir hedef ve tümör tanı belirteci olarak TMEM200A'in yararlılığını karşılaştırmakta ve analiz etmektedir. UCSC Xena ve TCGA veri tabanlarından RNA-seq verilerinin yanı sıra gerçek zamanlı kantitatif polimeraz zincir reaksiyonu (qRT-PCR) ve western blotlama kullanarak pan-kanser tanısal ve prognostik bir biyobelirteç olarak TMEM200A'nin etkinliğini ve çeşitli insan kanseri türlerinde ekspresyon seviyelerini değerlendirdik.

TMEM200A ekspresyon seviyelerinin mutasyon oranları, düzenleyici süreçler, tümör teşhisi ve prognozu, immün infiltrasyon ve immünoterapi üzerindeki etkisi, hesaplama araçları ve veri seti web sitelerinin bir karışımı kullanılarak daha fazla araştırıldı. TMEM200A'deki mutasyonları incelemek için CBioPortal ve Kanser Hücrelerinde Somatik Mutasyonlar Kataloğu (COSMIC) veri tabanları kullanıldı. TMEM200A immün infiltrasyonu nasıl etkilediğini anlamak için Sangerbox ve TISIDB web siteleri kullanıldı. TMEM200A işlevini araştırmak için Tümör İmmün Tek Hücre Merkezi (TISCH) çevrimiçi aracı ve CancerSEA veritabanı kullanıldı. Son olarak, TMEM200A'in GC hücrelerinin malign davranışı ve tümör gelişim fonksiyonu üzerindeki etkisini değerlendirmek için, bir in vitro testte bir fonksiyon kaybı deneyi yapıldı. Ek olarak, TMEM200A yıkımın PI3K/AKT sinyal yolunu ve GC'deki epitelyal-mezenkimal geçişi (EMT) nasıl etkilediğini değerlendirmek için western blotlama yapıldı.

Protokol

1. Kanser Genom Atlası (TCGA) veritabanı

NOT: Kanser Genom Atlası (TCGA) veri tabanı, farklı tümör dokularındaki genlerin dizileme verilerini içerir14. Milyonda parça başına TMEM200A transkript (TPM) formatlarının incelenmesi için TCGA'daki RNA-seq verileri, UCSC Xena web sitesinden15 (https://xenabrowser. net/datapages/) çıkarıldı ve log2, örnekler arasındaki ifadeleri karşılaştırmak için dönüştürüldü.

  1. UCSC Xena web sitesi arayüzüne gidin.
  2. Xena'yı Başlat sekmesine tıklayın.
  3. Ekranın üst kısmındaki VERİ SETLERİ sekmesine tıklayın.
  4. Bu sayfadaki 129 kohort ve 1.571 veri kümesinden, GDC TCGA Akut Miyeloid Lösemi (LAML), GDC TCGA Adrenokortikal Kanser (ACC), GDC TCGA Safra Kanalı Kanseri (CHOL) ve daha fazlası gibi toplam 33 kanser için sekmeye tıklayın.
  5. Gen ekspresyonu RNAseq menüsünden HTSeq - FPKM GDC Hub sekmesini seçin ve tıklayın.
    NOT: HTSeq - FPKM GDC Hub , onay ile düzeltilmiş verileri temsil eder.
  6. İndirme menüsünden, ilgili bağlantıya tıklayın.
    NOT: Yukarıdaki yöntemle 33 farklı kanser türü için RNA-Seq verileri indirilmiştir.
  7. 33 farklı kanser türü için RNA-seq verilerinin zip arşivini bilgisayarın masaüstü klasöründeki tek bir dosyada açın.
  8. Sıkıştırılmış txt dosyalarını aynı klasörde birleştirin ve Perl betiklerini bu klasöre yerleştirin.
  9. Perl yazılımını açın, klasörün yolunu kopyalayıp fare imlecinin bulunduğu Perl yazılımına yapıştırın, Enter tuşuna basın, Perl kodunun adını ve genin adını (TMEM200A) girin ve ardından yeni bir txt dosyası (singleGeneExp.txt) almak için Enter tuşuna basın.
    NOT: Bu yeni txt dosyası (singleGeneExp.txt), farklı hastalarda 33 kanserde TMEM200A gen ekspresyonunu içerir.
  10. R kodunu (diffR) açın ve R kodunda setwd'nin bulunduğu satıra singleGeneExp.txt dosyasının bulunduğu yolu kopyalayıp yapıştırın.
  11. R yazılımını açın, değiştirilmiş R kodunu (diffR) çalıştırın ve resmi "ggpubr" paketi aracılığıyla çizin.

2. TIMER2.0 veritabanı

  1. TIMER2.0 (http://timer.cistrome.org) veritabanı 16 web sitesi arayüzüne gidin.
  2. Kanser Keşfi sekmesine tıklayın.
  3. Arama kutusuna gen kimliğini (TMEM200A) girin ve farklı tümör tiplerinde TMEM200A diferansiyel ifade görüntülerini almak için Gönder sekmesine tıklayın.

3. İnsan Protein Atlası (HPA)

  1. İnsan Protein Atlası (HPA) (www.proteinatlas.org) 17web arayüzüne gidin.
  2. Arama kutusuna kimlik (TMEM200A) yazın ve Ara düğmesini tıklayın. DOKU alt atlas'ı seçin.
  3. Sayfanın üzerine gelin ve Protein İfadesine Genel Bakış sekmesini bulmak için aşağı kaydırın.
    NOT: Protein Ekspresyonuna Genel Bakış bölümü, insan vücudundaki 45 organdaki TMEM200A protein ekspresyon seviyelerini gösterir.

4. HumanMethylation450 Illumina Infinium DNA metilasyon platformu dizisi

NOT: Metilasyon hakkında veri toplamak için HumanMethylation450 Illumina Infinium DNA metilasyon platformu dizisi kullanıldı. SMART (http://www.bioinfo-zs.com/smartapp/) veri tabanını kullanarak TMEM200A DNA metilasyon seviyelerini değerlendirebiliriz18.

  1. SMART web sitesi arayüzüne gidin.
  2. Kromozomlardaki TMEM200A dağılımını ve farklı malignite türlerinde TMEM200A metilasyon seviyesini elde etmek için arama kutusuna gen kimliğini (TMEM200A) girin.
  3. Sayfayı aşağı kaydırarak CpG ile birleştirilmiş metilasyonu kontrol etmek için tıklayın menüsüne gidin ve Çizim düğmesine tıklayın. Sayfanın alt kısmında, Şekli İndir düğmesini bulun ve tıklayın. Şekli indirin.

5. UALCAN veritabanı

  1. UALCAN web sitesi arayüzüne gidin.
    NOT: Çeşitli malignitelerde TMEM200A promotör metilasyon seviyelerinin kutu grafikleri UALCAN veri tabanı (http://ualcan.path.uab.edu/analysisprot.html)19 aracılığıyla oluşturulmuştur.
  2. Sayfanın üst kısmındaki TCGA düğmesine tıklayın.
  3. Ekrandaki Gene ID giriş kutusuna TMEM200A girin. TCGA veri kümesi menüsünde aşağı kaydırın ve sorgulanacak kanser türünü seçin.
  4. Keşfet düğmesine tıkladıktan sonra, bu tümörün metilasyon sonuçlarını almak için Analiz için Bağlantılar menüsündeki alt grup analizi Metilasyonuna tıklayın.
    NOT: Bu yöntemle UALCAN veri tabanında bulunan 22 tümör için metilasyon sonuçları elde edilmiştir.

6. Kanser Hücrelerinde Somatik Mutasyonlar Kataloğu (COSMIC) veritabanı

  1. Kanser Hücrelerinde Somatik Mutasyonlar Kataloğu (COSMIC) web sitesi arayüzüne gidin.
    NOT: İnsan genomundaki kodlama mutasyonları, kodlamayan mutant genomik yeniden düzenlemeler ve füzyon genleri hakkındaki veriler, çeşitli kanserlerde çeşitli TMEM200A mutasyonlarının sıklığını belirlemek için de kullanılan Kanser Hücrelerinde Somatik Mutasyonlar Kataloğu (COSMIC) veritabanı20'den (https://cancer.sanger.ac.uk/cosmic/) edinilebilir.
  2. Arama kutusuna gen kimliğini (TMEM200A) girin ve yeni bir ekrana gitmek için ARA düğmesine tıklayın.
  3. Genler menüsünde, TMEM200A gen kimliği adının göründüğü bağlantıyı bulun ve tıklayın.
  4. Tümördeki TMEM200A mutasyon durumunu almak için yeni sayfada Mutasyon dağılım gruplandırma sütununu bulun.

7. CBio Portalı

  1. CBioPortal web sitesi arayüzüne gidin.
    NOT: Kanser genomik verileri, cBioPortal (www.cioportal.org) veritabanı kullanılarak bulunabilir, indirilebilir, analiz edilebilir ve görselleştirilebilir. Somatik mutasyonlar, DNA kopya sayısı değişiklikleri (CNA'lar), mRNA ve mikroRNA (miRNA) ekspresyonu, DNA metilasyonu, protein bolluğu ve fosfoprotein bolluğu, cBioPortal21 tarafından entegre edilen genomik veri türlerinden sadece birkaçıdır. cBioPortal ile çok çeşitli çalışmalar yapılabilir; Bununla birlikte, en büyük vurgu, mutasyonlar ve bunların görselleştirilmesi ile ilgili farklı analizler üzerindedir.
  2. Görselleştirme ve Analiz için Seçme Çalışmaları bölümünün PanKanser Çalışmaları alt bölümünden tüm genomların Pan-kanser analizi veri kümesini seçin. Ardından, Genle Sorgula düğmesine tıklayın.
  3. Genleri Girin sorgu kutusuna hedef gen kimliğini (TMEM200A) girin. Sorguyu Gönder düğmesini tıklayın.
  4. Çeşitli kanser türlerinde TMEM200A mutasyonlarını almak için sayfanın üst kısmındaki Kanser Türü Ayrıntılı düğmesine tıklayın.

8. Sangerbox 3.0 aracı

  1. Sangerbox 3.0 araç arayüzüne gidin.
    NOT: Tüm kanserlerde TMEM200A ekspresyonunun immün infiltrasyon hücreleri, immünosupresif ajanlar, immünostimülatör faktörler ve MHC molekülleri (majör histouyumluluk kompleksi) ile korelasyonu, Sangerbox 3.0 aracı22'deki pan-kanser immün infiltrasyon verileri kullanılarak CIBERSORT immün infiltrasyonu ile analiz edildi (http://vip.sangerbox.com/).
  2. Sayfanın sol tarafında bulunan araç çubuğundan Pan-Kanser Analizi menüsünden İmmünselüler Analiz (CIBERSORT) sekmesini seçin ve tıklayın.
  3. Genleri Girin sorgu kutusuna hedef gen kimliğini (TMEM200A) girin. Gönder düğmesine tıklayın.

9. TISIDB veritabanı

  1. TISIDB web sitesi arayüzüne gidin.
    NOT: Çeşitli kanserlerde TMEM200A ekspresyonunun immün infiltre eden hücreler, immünosupresif ajanlar, immünostimülatör faktörler ve MHC molekülleri ile korelasyonunu incelemek için TISIDB veritabanı23 (http://cis.hku.hk/TISIDB/) kullanıldı.
  2. Genleri Girin sorgu kutusuna hedef Gen Sembolünü (TMEM200A) girin. Gönder düğmesine tıklayın.
  3. Sayfanın üst kısmındaki Lenfositler, İmmünomodülatörler, Kemokinler ve Alt Tip bölümlerine tıklayın. Sayfanın alt kısmından ilgili görselleri indirin.

10. TIDE veritabanı

  1. TIDE web sitesi arayüzüne gidin.
    NOT: TIDE veri tabanı (http://tide.dfci.harvard.edu/), tümör immün kontrol noktası blokaj tedavisine yanıtı tahmin etmek için bir biyobelirteç olarak TMEM200A potansiyelini değerlendirmek için kullanıldı.
  2. Hesabı kaydetmek ve oturum açmak için ilk ekranda e-posta adresini girin.
  3. Sayfanın üst kısmındaki Biyobelirteç Değerlendirmesi alt bölümünü bulun ve üzerine tıklayın.
  4. Sayfanın altındaki Genleri Girin sorgu kutusuna hedef gen kimliğini (TMEM200A) girin. Ardından, Gönder düğmesine tıklayın.
  5. Sayfada, analiz sonuçlarını bulmak üzere sayfayı aşağı kaydırmak için fareyi sürükleyin.

11. CancerSEA veritabanı

  1. CancerSEA web sitesi arayüzüne gidin.
    NOT: Tek hücreli dizileme verileri kullanılarak, TMEM200A ekspresyonu ile farklı tümör hücrelerinin fonksiyonel durumu arasındaki ilişkiler araştırıldı. Bu, CancerSEA veritabanı24 (http://biocc.hrbmu.edu.cn/CancerSEA/) kullanılarak yapıldı.
  2. Sayfanın üst kısmında, Arama sekmesini bulun ve tıklayın.
  3. Genleri Girin sorgu kutusuna hedef gen kimliğini (TMEM200A) girin. Gönder düğmesine tıklayın.

12. Tümör immün tek hücreli merkez (TISCH) ağ aracı

  1. Tümör bağışıklık tek hücre merkezi (TISCH) ağ aracı web sitesi arayüzüne gidin.
    NOT: TMEM200A ve kanser hücrelerinin ekspresyon seviyeleri arasındaki korelasyon, tümör immün tek hücre merkezi (TISCH) ağ aracı25 kullanılarak da gösterilmiştir.
  2. Genleri Girin sorgu kutusuna hedef gen kimliğini (TMEM200A) girin. Keşfet düğmesine tıklayın.
  3. Bu sayfadaki Kanser türü menüsünde, Tüm Kanserler veri kümesini seçin ve tıklayın. Ardından, sayfayı aşağı kaydırın ve Ara düğmesini tıklayın.

13. GeneMANIA (GeneMANIA)

  1. GeneMANIA web sitesi arayüzüne gidin.
    NOT: TMEM200A ve işlevsel olarak ilgili genleri arasındaki korelasyon, gen-gen etkileşimi (GGI) ağları oluşturmak için gen çoklu ilişkilendirme ağı Web Sitesi GeneMANIA (www.genemania.org)26 için entegrasyon stratejisi kullanılarak tahmin edildi.
  2. Sayfanın sol üst köşesindeki arama kutusuna gen kimliğini (TMEM200A) girin ve Arama Araçları'na tıklayın.
    NOT: GeneMANIA web aracı, TMEM200A ile ilişkili 20 geni bulmak için kullanıldı.

14. Fonksiyonel zenginleştirme analizi

  1. Zenginleştirme için analiz edilecek genlerin sembol kimliklerini txt dosya formatında kaydedin.
  2. R kodunu (symbolidR) açın ve yukarıdaki txt dosyasının bulunduğu yolu kopyalayıp R kodunda setwd'nin bulunduğu satıra yapıştırın.
  3. R yazılımını açın ve değiştirilen R kodunu (symbolidR) çalıştırın. Bu genlerin sembol kimliklerini "org. Hs.eg.db" paketi. id.txt dosyasını alın.
  4. R kodunu (GOR ve KEGGR) açın ve R kodunda setwd'nin bulunduğu satıra id.txt dosyasının bulunduğu yolu kopyalayıp yapıştırın.
  5. R yazılımını açın ve değiştirilmiş R kodunu (GOR ve KEGGR) çalıştırın. Bu protokolü takip etmek için, bu genleri GO ve KEGG zenginleştirmesi için "clusterProfiler", "org" paketleriyle analiz edin. Hs.eg.db" ve "enrichplot" ve "gglot2" paketini kullanarak zenginleştirme sonuçlarını çizin.

15. Gen aktivitesindeki farklılıkların analizi

NOT: Her kanser örneğinde TMEM200A skorlama, ssGSEA (tek örnekli gen seti zenginleştirme analizi)27 kullanılarak hesaplandı ve çeşitli kanserler için kanserli ve sağlıklı dokulardaki TMEM200A gen aktivitesinin ayırıcı analizi yapıldı.

  1. Adım 1.7'de indirilen 33 tümör tipinin RNA dizisi verilerine dayanarak, indirilen tüm dosyaları açın ve bunları birleşik bir klasöre yerleştirin.
  2. merge.txt dosyasını yukarıdaki klasöre yerleştirin.
    NOT: BioWolf (www.biowolf.cn)'dan alınan merge.txt dosyadaki veriler, Kanser Genom Atlası (TCGA) veritabanındaki tüm tümörlerdeki tüm hastalar için gen ekspresyonunu içerir.
  3. R kodunu (ssGSEAR) açın ve R kodunda setwd'nin bulunduğu satıra yukarıdaki klasörün bulunduğu yolu kopyalayıp yapıştırın.
  4. geneName'in R kodunda (ssGSEAR) olduğu satırı alın ve gen kimliğini (TMEM200A) girin.
  5. R yazılımını açın ve değiştirilen R kodunu (ssGSEAR) çalıştırın. Gen aktivitesi için puanlama dosyasını alın: scores.txt.
    NOT: ssGSEA algoritması ile öncelikle merge.txt dosyasında verilen verilere göre genler arası korelasyon katsayılarını baz alarak bir gen set dosyası oluşturuyoruz ve dosyadan hedef gen (TMEM200A) ile korelasyonu daha yüksek olan genleri belirliyoruz. Daha sonra, daha yüksek korelasyona sahip genler, TMEM200A aktif genleri olarak birleştirilir ve son olarak, her örnekteki aktif genlerin skorlamasını elde ederiz.
  6. R kodunu (scoreDiffR) açın ve R kodunda setwd'nin bulunduğu satıra scores.txt dosyasının bulunduğu yolu kopyalayıp yapıştırın.
  7. R yazılımını açın, değiştirilmiş R kodunu (scoreDiffR) çalıştırın ve resmi "plyr", "reshape2" ve "ggpubr" paketleri aracılığıyla çizin.

16. Klinikopatolojik korelasyon ve sağkalım prognoz analizi

  1. UCSC Xena web sitesi arayüzüne gidin.
  2. Xena'yı Başlat sekmesine tıklayın.
  3. Ekranın üst kısmındaki VERİ SETLERİ sekmesine tıklayın.
  4. Sayfanın üzerine gelin ve TCGA Pan-Cancer (PANCAN) sekmesini bulmak için aşağı kaydırın.
  5. Bu sayfadaki 129 kohort ve 1.571 veri kümesinden TCGA Pan-Cancer (PANCAN) sekmesine tıklayın.
  6. Fenotip menüsünden, Küratörlü klinik veriler sekmesini seçin ve tıklayın.
  7. İndirme menüsünden, ilgili bağlantıya tıklayın.
    NOT: Yukarıdaki bağlantıdaki TCGA veri tabanından 33 kanser için klinik verileri indirin.
  8. İndirilen klinik veri dosyasını açın ve sıkıştırılmış dosyayı xls dosya biçiminde açın.
  9. Gerekli klinik verileri (evre, yaş, patolojik evre ve hasta durumu) dosyada düzenleyin ve saklayın, kalan gereksiz klinik verileri silin ve klinik olarak yeniden adlandırdıktan sonra tüm dosyayı txt formatında bir dosya olarak kaydedin.
  10. Adım 1.9'da elde edilen singleGeneExp.txt bağlı olarak, bu dosyayı düzenlenen clinical.txt dosyasıyla aynı klasöre koyun.
  11. İndirilen klinik verileri açın ve singleGeneExp.txt ve clinical.txt dosyalarını , sıkıştırılmış klinik dosyalarla aynı klasöre yerleştirin.
  12. R kodunu (clinicalDiffR) açın ve yukarıdaki klasörün bulunduğu yolu kopyalayıp R kodunda setwd'nin bulunduğu satıra yapıştırın.
  13. R yazılımını açın, değiştirilmiş R kodunu (clinicalDiffR) çalıştırın ve "ggpubr" paketini kullanarak resmi çizin.
  14. UCSC Xena web sitesi arayüzüne gidin.
  15. Xena'yı Başlat sekmesine tıklayın.
  16. Ekranın üst kısmındaki VERİ SETLERİ sekmesine tıklayın.
  17. Bu sayfadaki 129 kohort ve 1.571 veri kümesinden, GDC TCGA Akut Miyeloid Lösemi (LAML), GDC TCGA Adrenokortikal Kanser (ACC), GDC TCGA Safra Kanalı Kanseri (CHOL) ve daha fazlası gibi toplam 33 kanser için sekmeye tıklayın.
  18. Fenotip menüsünden, hayatta kalma verileri sekmesini seçin ve tıklayın.
  19. İndirme menüsünden, ilgili bağlantıya tıklayın.
  20. 33 farklı kanser türü için hayatta kalma verilerinin zip arşivini bilgisayarın masaüstü klasöründeki tek bir dosyada açın.
  21. Sıkıştırılmamış hayatta kalma verilerini, adım 1.9'da elde edilen singleGeneExp.txt dosyasıyla aynı klasöre koyun.
  22. R kodunu (preOSR) açın ve yukarıdaki klasörün bulunduğu yolu kopyalayıp R kodunda setwd'nin bulunduğu satıra yapıştırın.
  23. R yazılımını açın ve değiştirilen R kodunu (preOSR) çalıştırın. Pan-kanserde TMEM200A hayatta kalması hakkında bir veri dosyası elde etmek için "limma" paketi aracılığıyla hesaplayın: expTime.txt.
  24. R kodunu (OSR) açın ve R kodunda expTime.txt dosyasının bulunduğu yolu kopyalayıp setwd'nin bulunduğu satıra yapıştırın.
  25. R yazılımını açın ve değiştirilen R kodunu (OSR) çalıştırın. expTime.txt dosyasındaki verilere dayalı olarak "survival" ve "survminer" paketlerini kullanarak bir KM analizi gerçekleştirin ve pan-kanserde TMEM200A için hayatta kalma eğrilerini çizin.

17. Orman parseli yapımı ile tek değişkenli ve çok değişkenli Cox regresyon analizleri

  1. R kodunu (COXR) açıyoruz ve 16.23 çıkışlı expTime.txt dosyasını aldığımız yolu R kodunda setwd'nin bulunduğu satıra kopyalayıp yapıştırın.
  2. R yazılımını açın ve değiştirilen R kodunu (COXR) çalıştırın. expTime.txt dosyasındaki verilere dayanarak, farklı kanserlerde tek değişkenli bir orman TMEM200A grafiği çizmek için "survival", "survminer" ve "forestplot" paketlerini kullanarak tek değişkenli COX regresyon analizleri gerçekleştirin.
  3. 16.23 adımındaki expTime.txt dosyasını ve 16.10 adımındaki clinical.txt dosyayı aynı klasöre yerleştirin.
  4. R kodunu (multicoxR) açın ve 16.23. adımdaki expTime.txt dosyasını ve 16.10. adımdaki clinical.txt dosyayı içeren klasörün bulunduğu yolu kopyalayıp R kodunda setwd'nin bulunduğu satıra yapıştırın.
  5. R yazılımını açın ve değiştirilen R kodunu (multicoxR) çalıştırın. expTime.txt ve clinical.txt dosyalarındaki verilere dayalı olarak farklı kanserlerde çok değişkenli bir TMEM200A orman grafiği çizmek için "hayatta kalma" ve "survminer" paketlerini kullanarak çok değişkenli bir COX regresyon analizi gerçekleştirin.

18. Mide kanserinin TMEM200A ekspresyonu ve klinik özelliklere dayalı prognostik modeli

  1. 16.10. adımdaki clinical.txt dosyasını ve 16.23. adımdaki expTime.txt dosyasını aynı klasöre yerleştirin.
  2. R kodunu (NomoR) açın ve yukarıdaki txt dosyasının bulunduğu yolu kopyalayıp R kodunda setwd'nin bulunduğu satıra yapıştırın.
  3. R yazılımını açın ve değiştirilen R kodunu (NomoR) çalıştırın. Hasta sağkalımını tahmin etmek için prognostik bir model oluşturmak için GC ve klinik verilerdeki TMEM200A ekspresyon verileri için "survival", "regplot" ve "rms" yazılım paketlerini kullanın.

19. Hücre kültürü ve siRNA transfeksiyonu TMEM200A

NOT: İnsan STAD HGC-27 hücreleri, SGC-7901 hücreleri ve insan gastrik mukozal epitelyal GES-1 hücreleri ticari olarak elde edildi (Malzeme Tablosuna bakınız), yeniden canlandırıldı, Roswell Park Memorial Institute (RPMI) 1640 tam besiyerinde aşılandı (% 10 yenidoğan fetal sığır serumu ve% 1 penisilin karışımı içerir) ve% 5 CO2 içinde 37 ° C'de kültürlendi hücre kültürü inkübatörü. Kültür ortamı 2-3 günde bir değiştirildi. İyi büyüme durumundaki hücreler, oyuk başına (2-3) × 105 hücreye göre altı oyuklu plakalara aşılandı.

  1. İlk olarak, üç mikrosantrifüj tüpü alın ve her tüpe 8 μL transfeksiyon reaktifi (Malzemelerin T yeteneğine bakın) ve 200 μL bazal ortam ekleyin. Ardından, her tüpe sırasıyla 4 μg SiRNA1, SiRNA2 ve SiRNA3 ekleyin.
    NOT: TMEM200A yıkım için siRNA tasarlanmış ve satın alınmıştır (Malzeme Tablosuna bakın).
  2. Karışımı üç mikrosantrifüj tüpünde iyice karıştırın ve 6 oyuklu plakanın üç oyuğunun her birine ekleyin. Karışımı eşit şekilde dağıtmak için 6 oyuklu plakayı hafifçe sallayın. Karışımın eklendiği üç kuyucuğu SiRNA-1, SiRNA-2 ve SiRNA-3 olarak etiketleyin.
  3. Hücreler 4-6 saat inkübe edildiğinde, 6 oyuklu plakadaki üç alt kuyucuktaki ortamın yarısını değiştirin.
    NOT: Tam ortamın yarısını değiştirirken, orijinal tam ortamın yarısını aspire edin ve taze tam ortamın yarısı ile doldurun.
  4. Yirmi dört ila 48 saat sonra, deney grubu olarak TMEM200A siRNA ile transfekte edilmiş hücre ve negatif kontrol grubu olarak transfekte edilmemiş hücreler kullanın. Transfeksiyonun hücreler üzerindeki etkisini değerlendirmek için kantitatif gerçek zamanlı polimeraz zincir reaksiyonu (qRT-PCR, bkz. bölüm 20) gerçekleştirin.

20. Kantitatif gerçek zamanlı polimeraz zincir reaksiyonu

  1. Her alt gruptaki hücre kültürü ortamını atın ve hücreleri 1 mL fosfat tamponlu salin (PBS) ile iki kez nazikçe yıkayın.
  2. Bir RNA izolasyon kiti kullanarak toplam RNA'yı izole edin ( Malzeme Tablosuna bakın).
  3. RNA konsantrasyonunu tahmin edin ve üreticinin talimatlarını izleyerek bir cDNA Sentez Kiti kullanarak cDNA'yı 1 μg RNA ile sentezleyin.
  4. Gerçek Zamanlı PCR Test Sistemini kullanarak GAPDH (standardizasyon için), TMEM200A (Malzeme Tablosuna bakın) ve qPCR Master Mix için insana özgü ileri ve geri primerler dahil olmak üzere 10 μL reaksiyon karışımında 10 kat cDNA dilüsyonları üzerinde kantitatif gerçek zamanlı PCR (qRT-PCR) gerçekleştirin.
    NOT: Her deneyi üç kopya halinde gerçekleştirin.
  5. Aşağıdaki qPCR reaksiyon koşullarını kullanın: başlatma, 3 dakika boyunca 95 °C; denatürasyon, 10 saniye boyunca 95 °C; tavlama, 30 saniye boyunca 60 °C; ve uzatma, 10 saniye boyunca 80 °C; Denatürasyon, tavlama ve uzatmayı 40x tekrarlayın. 2-ΔΔCt tekniğini kullanarak her bir genin nispi ekspresyonunu belirleyin28.
  6. Biyolojik üçlüler elde etmek için deneyleri en az üç kez tekrarlayın.

21. İlgili protein ekspresyonunun Western blot tespiti

  1. Her bir alt gruptaki hücre kültürü ortamını atın ve hücreleri 2 x 1 mL PBS ile nazikçe yıkayın.
  2. Hücreleri içeren 6 oyuklu plakaları buz üzerinde soğutun ve 150 μL önceden soğutulmuş radyo immün çökeltme testi (RIPA) lizis tamponu (150 mM NaCl,% 0.1 Triton X-100,% 0.5 sodyum deoksikolat,% 0.1 SDS, 50 mM Tris-HCl pH 8.0 ve taze eklenmiş proteaz inhibitör kokteyli). Lizisin 10 dakika boyunca buz üzerinde ilerlemesine izin verin.
  3. Plastik bir hücre sıyırıcı kullanarak, yapışan hücreleri tabaktan çıkarın ve hücre çözeltisini önceden soğutulmuş bir mikrosantrifüj tüpüne hassas bir şekilde aktarın.
  4. Hücre lizatını 1.5 ° C'de 10 ×10 4 g'de 4 dakika santrifüjleyin. Süpernatanı yeni bir 1.5 mL mikrosantrifüj tüpüne aktarın.
  5. Protein içeriğini üreticinin talimatlarına göre belirlemek için bir BCA protein tahlil Kiti kullanın.
  6. Her numuneden %10 sodyum dodesil sülfat poliakrilamid jel elektroforezi (SDS-PAGE) jeli üzerine 30 g protein yükleyin ve 0,5 saat boyunca 80 V'ta, ardından 120 V'ta 1,5 saat çalıştırın.
  7. Proteinleri jelden 1-1.5 saat boyunca 300 mA voltajda 45 μm poliviniliden diflorür (PVDF) membranına aktarın.
  8. PVDF membranını bir çalkalayıcı üzerine yerleştirdikten ve 3 x 5 dakika çalkaladıktan sonra, protein tarafı (jel tarafı) yukarı bakacak şekilde uygun kaba Tween 20 (TBST, 20 mM Tris-HCl, pH 7.4, 150 mM NaCl ve %0.1 Tween 20) ile Tris-tamponlu salin ekleyin.
  9. Membranı bloke edici tampona yerleştirin ( Malzeme Tablosuna bakın) ve oda sıcaklığında 0,5 saat inkübe edin.
  10. Membranı TBST ile 3 x 10 dakika yıkayın.
  11. Membranı fosfo-AKT (p-AKT; 1:1,000), toplam AKT 1:1,000, E-kaderin (E-ca; 1:1,000), N-kaderin (N-ca; 1:1,000), Vimentin 1:1,000, salyangoz 1:1.000, TMEM200A 1:1.000, gliseraldehit 3-fosfat dehidrojenaz (GAPDH; 1:1.000), gece boyunca 4 °C'de inkübe edin.
  12. Membranı 3 x 10 dakika yıkayın ve membranı oda sıcaklığında 1 saat boyunca bir tavşan veya fare ikincil antikoru (1: 5.000) ile inkübe edin.
  13. PVDF membranını ECL substratı ile 30 saniye boyunca inkübe edin ve bir görüntüleme sistemi kullanarak sinyali tespit edin.

22. CCK-8 testi

  1. 96 oyuklu plakalarda iyi büyüme koşullarında tohum insan STAD HGC-27 hücreleri.
  2. Hücre yoğunluğu %60-70'e ulaştığında, hücreleri TMEM200A siRNA ile transfekte edin (adım 19.3'te olduğu gibi).
  3. Transfekte edilmiş hücreleri, 5 × 10 3 / kuyucuklu bir hücre yoğunluğunda 96 oyuklu plakalara tohumlayın (bir hücre sayacı kullanarak canlı hücreleri sayın), NC ve TMEM200A siRNA grubuna bölün (her grupta üç kopya kuyucuk ile) ve 37 ° C'de inkübe edildi.
  4. CCK-8 reaktifini 0, 24, 48, 72 ve 96 saat sonra ekleyin ve 37 ° C'de 2 saat inkübe edin. Çok işlevli bir enzim etiketleyici kullanarak absorbansı (450 nm) ölçün.

Sonuçlar

Çeşitli kanserlerde TMEM200A ekspresyonu
Şekil 1'de gösterildiği gibi, ilk olarak farklı veri tabanları aracılığıyla çeşitli kanserlerde TMEM200A diferansiyel ekspresyon seviyelerini analiz ettik. Kolanjiokarsinom (CHOL), baş ve boyun skuamöz hücreli karsinomu (HNSC), renal berrak hücreli karsinom (KIRC), renal papiller hücreli karsinom (KIRP), hepatosellüler karsinom (LIHC), STAD ve tiroid karsinomunda (THC...

Tartışmalar

TMEM200A , kanser hücrelerinin çoğalması için gerekli olan bir TMEM ailesine aittir38. Farklı malignitelerde TMEM200A'nin değişken ekspresyonu daha az dikkat çekmiştir ve kapsamlı bir pan-kanser araştırması eksiktir. Bununla birlikte, TMEM transmembran protein ailesinin, çeşitli proteinlerle etkileşimler yoluyla kanser hücrelerini kötü huylu tutmada önemli olabileceğini gösteren kanıtlar birikmeye devam ediyor, örneğin, TMEM16A Ca2+ ile aktive...

Açıklamalar

Yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

Bu çalışma Çin Ulusal Doğa Bilimleri Vakfı (82160550) tarafından desteklenmiştir.

Malzemeler

NameCompanyCatalog NumberComments
Anti-AKT antibodyProteintech Group, Inc60203-2-Ig
Anti-E-cadherin antibodyProteintech Group, Inc20874-1-AP
anti-glyceraldehyde 3-phosphate dehydrogenase (GAPDH) antibodyProteintech Group, Inc10494-1-AP
Anti-N-cadherin antibodyProteintech Group, Inc22018-1-AP
Anti-P-AKT antibodyProteintech Group, Inc66444-1-Ig
Anti-snail antibodyProteintech Group, Inc13099-1-AP
Anti-Vimentin antibodyProteintech Group, Inc10366-1-AP
AxyPrepMultisourceTotalRNAMini-
prep Kit		Suzhou Youyi Landi Biotechnology Co., LtdUEL-UE-MN-MS-RNA-50G
BCA Protein Assay KitEpizyme BiotechZJ101L
CCK-8 reagentMedChemExpressHY-K0301-500T
Fetal bovine serum (FBS)CYAGEN BIOSCIENCES (GUANGZHOU) INCFBSSR-01021
GAPDH primerSangon Biotech (Shanghai) Co., Ltd.Forward primer (5’-3’): TGACATCAAGAAGGTG
GTGAAGCAG; Reverse primer (5’-3’): GTGTCGCTGTTGAAG
TCAGAGGAG
HighGene plus Transfection reagentABclonalRM09014P
HRP-conjugated Affinipure Goat Anti-Mouse lgG (H+L)Proteintech Group, IncSA00001-1
HRP-conjugated Affinipure Goat Anti-Rabbit lgG (H+L)Proteintech Group, IncSA00001-2
Human gastric mucosal epithelial GES-1 cellsGuangzhou Cellcook Biotech Co.,Ltd.
Human STAD HGC-27 cellsProcell Life Science&Technology Co.,Ltd
Human STAD SGC-7901 cellsProcell Life Science&Technology Co.,Ltd
MonAmp SYBR Green qPCR Mix (None ROX)Mona (Suzhou) Biotechnology Co., LtdMQ10101S
MonScript RTIII All-in-One Mix with dsDNase  Mona (Suzhou) Biotechnology Co., LtdMR05101M
Omni-ECL Femto Light Chemiluminescence KitEpizyme BiotechSQ201
PAGE Gel Fast Preparationb Kit Epizyme BiotechPG111
Penicillin-streptomycin (Pen-Strep)Beijing Solarbio Science & Technology Co.,LtdP1400-100
Polyvinylidene difluoride (PVDF) membraneMerck KGaAIPVH00010-1
Protein Free Rapid Blocking BufferEpizyme BiotechPS108P
RIPA lysis solutionBeijing Solarbio Science & Technology Co., LtdR0010
RPMI 1640 complete mediumThermo Fisher ScientificC11875500BT
Skimmed milkCampina: Elk
TBST buffer solutionBeijing Solarbio Science & Technology Co., LtdT1082
The protein loading bufferEpizyme BiotechLT101S
TMEM200A knockdown plasmidMiaoLing Plasmid
TMEM200A primerSangon Biotech (Shanghai) Co., Ltd.Forward primer (5’-3’): AAGGCGGTGTGGTGGTTCG; Reverse primer (5’-3’): GATTTTGGTCTCTTTGTCACGGTT
TMEM200A SiRNA1MiaoLing PlasmidForward primer (5’-3’): ACAACTGATGATAAGACCAG; Reverse primer (5’-3’): TGTTGACTACTATTCTGGTC
TMEM200A SiRNA2MiaoLing PlasmidForward primer (5’-3’): CGTGTGAATGTCAATGACTG; Reverse primer (5’-3’): GCACACTTACAGTTACTGAC
TMEM200A SiRNA3MiaoLing PlasmidForward primer (5’-3’): ACAACCACAACATCTGCCCG; Reverse primer (5’-3’): TGTTGGTGTTGTAGACGGGC
Transmembrane protein 200A AntibodyProteintech Group, Inc48081-1
Equipment
CO2 cell culture incubatorHaier GroupPYXE-80IR
Electrophoresis instrumentBio-RAD
Fluorescence quantitative PCR instrumentBio-RAD
Multifunctional Enzyme LabelerBerthold

Referanslar

  1. Torre, L. A., Siegel, R. L., Ward, E. M., Jemal, A. Global cancer incidence and mortality rates and trends--an update. Cancer Epidemiol Biomarkers Prev. 25 (1), 16-27 (2016).
  2. Long, X., et al. Economic burden of malignant tumors - Yichang City, Hubei Province, China, 2019. China CDC Wkly. 4 (15), 312-316 (2022).
  3. Harbeck, N., Gnant, M. Breast cancer. Lancet. 389 (10074), 1134-1150 (2017).
  4. Bagchi, S., Yuan, R., Engleman, E. G. Immune checkpoint inhibitors for the treatment of cancer: clinical impact and mechanisms of response and resistance. Annu Rev Pathol. 16, 223-249 (2021).
  5. Lam, G. T., et al. Pitfalls in cutaneous melanoma diagnosis and the need for new reliable markers. Mol Diagn Ther. 27 (1), 49-60 (2023).
  6. Gromiha, M. M., Ou, Y. Y. Bioinformatics approaches for functional annotation of membrane proteins. Brief Bioinform. 15 (2), 155-168 (2014).
  7. Schmit, K., Michiels, C. TMEM proteins in cancer: a review. Front Pharmacol. 9, 1345 (2018).
  8. Marx, S., et al. Transmembrane (TMEM) protein family members: Poorly characterized even if essential for the metastatic process. Semin Cancer Biol. 60, 96-106 (2020).
  9. Fu, K., et al. Overexpression of transmembrane protein 168 in the mouse nucleus accumbens induces anxiety and sensorimotor gating deficit. PLoS One. 12 (12), e0189006 (2017).
  10. Cuajungco, M. P., et al. Abnormal accumulation of human transmembrane (TMEM)-176A and 176B proteins is associated with cancer pathology. Acta Histochem. 114 (7), 705-712 (2012).
  11. Zhang, S., et al. TMEM116 is required for lung cancer cell motility and metastasis through PDK1 signaling pathway. Cell Death Dis. 12 (12), 1086 (2021).
  12. Zhang, N., Pan, H., Liang, X., Xie, J., Han, W. The roles of transmembrane family proteins in the regulation of store-operated Ca(2+) entry. Cell Mol Life Sci. 79 (2), 118 (2022).
  13. Zhang, X., Zheng, P., Li, Z., Gao, S., Liu, G. The somatic mutation landscape and RNA prognostic markers in stomach adenocarcinoma. Onco Targets Ther. 13, 7735-7746 (2020).
  14. Jia, D., et al. Mining TCGA database for genes of prognostic value in glioblastoma microenvironment. Aging (Albany NY). 10 (4), 592-605 (2018).
  15. Wang, S., et al. UCSCXenaShiny: an R/CRAN package for interactive analysis of UCSC Xena data. Bioinformatics. 38 (2), 527-529 (2022).
  16. Li, T., et al. TIMER2.0 for analysis of tumor-infiltrating immune cells. Nucleic Acids Res. 48 (W1), W509-W514 (2020).
  17. Thul, P. J., et al. A subcellular map of the human proteome. Science. 356 (6340), eaal3321 (2017).
  18. Li, Y., Ge, D., Lu, C. The SMART App: an interactive web application for comprehensive DNA methylation analysis and visualization. Epigenetics Chromatin. 12 (1), 71 (2019).
  19. Chandrashekar, D. S., et al. UALCAN: An update to the integrated cancer data analysis platform. Neoplasia. 25, 18-27 (2022).
  20. Tate, J. G., et al. COSMIC: the Catalogue Of Somatic Mutations In Cancer. Nucleic Acids Res. 47 (D1), D941-D947 (2019).
  21. Gao, J., et al. Integrative analysis of complex cancer genomics and clinical profiles using the cBioPortal. Sci Signal. 6 (269), pl1 (2013).
  22. Shen, W., et al. Sangerbox: A comprehensive, interaction-friendly clinical bioinformatics analysis platform. iMeta. 1 (3), e36 (2022).
  23. Ru, B., et al. TISIDB: an integrated repository portal for tumor-immune system interactions. Bioinformatics. 35 (20), 4200-4202 (2019).
  24. Yuan, H., et al. CancerSEA: a cancer single-cell state atlas. Nucleic Acids Res. 47 (D1), D900-D908 (2019).
  25. Sun, D., et al. TISCH: a comprehensive web resource enabling interactive single-cell transcriptome visualization of tumor microenvironment. Nucleic Acids Res. 49 (D1), D1420-D1430 (2021).
  26. Warde-Farley, D., et al. The GeneMANIA prediction server: biological network integration for gene prioritization and predicting gene function. Nucleic Acids Res. 38, W214-W220 (2010).
  27. Zhu, Y., Feng, S., Song, Z., Wang, Z., Chen, G. Identification of immunological characteristics and immune subtypes based on single-sample gene set enrichment analysis algorithm in lower-grade glioma. Front Genet. 13, 894865 (2022).
  28. Mueller Bustin, S. A., R, Real-time reverse transcription PCR (qRT-PCR) and its potential use in clinical diagnosis. Clin Sci (Lond). 109 (4), 365-379 (2005).
  29. Sun, L., Zhang, H., Gao, P. Metabolic reprogramming and epigenetic modifications on the path to cancer. Protein Cell. 13 (12), 877-919 (2022).
  30. Ntontsi, P., Photiades, A., Zervas, E., Xanthou, G., Samitas, K. Genetics and epigenetics in asthma. Int J Mol Sci. 22 (5), 2412 (2021).
  31. Martínez-Reyes, I., Chandel, N. S. Cancer metabolism: looking forward. Nat Rev Cancer. 21 (10), 669-680 (2021).
  32. Chen, Y., et al. PremPS: Predicting the impact of missense mutations on protein stability. PLoS Comput Biol. 16 (12), e1008543 (2020).
  33. Li, M., Petukh, M., Alexov, E., Panchenko, A. R. Predicting the impact of missense mutations on protein-protein binding affinity. J Chem Theory Comput. 10 (4), 1770-1780 (2014).
  34. Hirsch, D., et al. Clinical responses to PD-1 inhibition and their molecular characterization in six patients with mismatch repair-deficient metastatic cancer of the digestive system. J Cancer Res Clin Oncol. 147 (1), 263-273 (2021).
  35. Poulogiannis, G., Frayling, I. M., Arends, M. J. DNA mismatch repair deficiency in sporadic colorectal cancer and Lynch syndrome. Histopathology. 56 (2), 167-179 (2010).
  36. Chintamani, J., et al. The expression of mismatched repair genes and their correlation with clinicopathological parameters and response to neo-adjuvant chemotherapy in breast cancer. Int Semin Surg Oncol. 4, 5 (2007).
  37. Deng, H., et al. High expression of TMEM200A is associated with a poor prognosis and immune infiltration in gastric cancer. Pathol Oncol Res. 29, 1610893 (2023).
  38. Stemmler, M. P. Cadherins in development and cancer. Mol Biosyst. 4 (8), 835-850 (2008).
  39. Bill, A., et al. ANO1/TMEM16A interacts with EGFR and correlates with sensitivity to EGFR-targeting therapy in head and neck cancer. Oncotarget. 6 (11), 9173-9188 (2015).
  40. De Las Rivas, J., et al. Cancer drug resistance induced by EMT: novel therapeutic strategies. Arch Toxicol. 95 (7), 2279-2297 (2021).
  41. Tian, S., et al. SERPINH1 regulates EMT and gastric cancer metastasis via the Wnt/β-catenin signaling pathway. Aging (Albany NY). 12 (4), 3574-3593 (2020).

Yeniden Basımlar ve İzinler

Bu JoVE makalesinin metnini veya resimlerini yeniden kullanma izni talebi

Izin talebi

Daha Fazla Makale Keşfet

TMEM200AMultiomik AnalizPan kanser BiyobelirteciTransmembran Proteinmm n nfiltrasyonRNA seq VerileriTan sal BiyobelirtePrognostik BiyobelirteMide Kanseri GCn Vitro H cre K lt rleriKnockdownKantitatif Ger ek Zamanl Polimeraz Zincir Reaksiyonu qPCRWestern BlottingMalign DavranT m r Olu umuEpitelyal mezenkimal Ge i EMTPI3K AKT Sinyal YoluProliferasyon nhibisyonu

This article has been published

Video Coming Soon

JoVE Logo

Gizlilik

Kullanım Şartları

İlkeler

Bize Ulaşın

KÜTÜPHANEYE TAVSİYE ET

JoVE HABER BÜLTENLERİ

Araştırma

Eğitim

Yazarlar

Kütüphaneciler

JoVE Hakkında

Telif Hakkı © 2020 MyJove Corporation. Tüm hakları saklıdır