Information

Ermittlung des Konfidenzniveaus von miRNA-Krankheitsassoziationen

Ermittlung des Konfidenzniveaus von miRNA-Krankheitsassoziationen


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ich studiere Informatik im Grundstudium und habe ein Projekt über Bioinformatik. Auf diese Weise muss ich das Vertrauen der Vorhersage (oder Assoziation, ich bin mir nicht sicher in der richtigen Terminologie) der miRNA-Krankheitsbeziehungen finden. Lassen Sie mich meine Frage an einem Beispiel deutlicher machen. In einer der bioinformatischen Datenbanken (HMDD) heißt es zum Beispiel, dass miRNA X mit der Krankheit Y in Verbindung steht. Ich möchte herausfinden, was das Vertrauen ist. Ich meine, Sie sind sich bei einer solchen Beziehung zu 100% sicher? Kennen Sie dafür eine Datenbank? In HMDD kann ich nur miRNA - Krankheitsnamenpaare finden, es gibt keine Statistiken.


Sie können damit beginnen, zu untersuchen, wie eine miRNA die Funktion eines Gens reguliert. es bindet grundsätzlich an die 3'UTR und 5'UTR einer mRNA und schränkt deren Translation ein. Es wird Gene geben, die mit der Krankheit Ihres Interesses verbunden sind. Finden Sie heraus, welche miRNAs mit diesen Genen zusammenhängen. Sie können Micro-Array-Daten verwenden, um die hochregulierten Gene herauszufinden. Target Scan Human, miRDB, sind verschiedene Datenbanken zum Abrufen der mit den Genen verbundenen miRNAs. Das Vertrauensniveau, um die Assoziation bestimmter miRNAs mit der Krankheit herauszufinden, kann nie 100% betragen. aber eine Beziehung kann hergestellt werden, indem man einfach die Komplementarität zwischen der miRNA und der mRNA, die während des Krankheitszustandes exprimiert wird, betrachtet.


MiRNA

MiRNA-Profiling

Kit-Verfahren für die miRNA-Isolierung sind im Format ähnlich wie Kits, die zur Isolierung größerer zellulärer RNA-Spezies verwendet werden. Diese Verfahren enthalten oft Lysepuffer auf Guanidiniumisothiocyanat-Basis und Chloroform zur Phasentrennung. Sie funktionieren, indem sie RNA auf Spin-Säulen, die aus Silica-Beads oder Glasfaserfiltern bestehen, einfangen und anschließend in einem minimalen Volumen eluieren. In Fällen, in denen Exosomen (und die von ihnen getragene RNA) erwünscht sind, weisen Kits normalerweise einen zusätzlichen Schritt auf, der vesikelgebundene Nukleinsäuren anreichert, indem sie vor der Lyse von den meisten Blutplasmakomponenten sequestriert werden. Bei der Entnahme aus Blut ist es wichtig, das gerinnungshemmende Heparin zu vermeiden, das üblicherweise in den Blutentnahmeröhrchen von Phlebotomisten verwendet wird, da der Schritt der reversen Transkriptase beeinträchtigt werden kann, wenn die Probe mit Heparin verunreinigt wird.

Es ist erwähnenswert, dass die Retention kleiner RNAs, einschließlich miRNA, stark ethanolabhängig ist. Ein Minimum von 50 % Ethanol ist erforderlich, um Moleküle mit weniger als 200 nts auf der Säule zurückzuhalten, während diese kleinen RNAs bei einer Ethanolkonzentration von 35 % oder weniger leicht eluieren. Hinsichtlich einer praktischen Anwendung hängt die Subpopulation der aufzureinigenden RNA stark von der Alkoholkonzentration in den Waschpuffern ab. Um dem Forscher den größtmöglichen Spielraum zu bieten, verfügen einige RNA-Isolierungsprodukte über ein Zwei-Säulen-System, durch das die größeren RNAs unabhängig von kleineren RNAs aus derselben biologischen Quelle gereinigt werden können. Wieder andere Produkte basieren auf magnetischer Bead-Separation, die Bindung an und Elution sind pH-abhängig. Verbesserungen können geänderte Wasch- und Elutionspuffer sowie die Verwendung von Säulen vom Fraktionierungstyp oder Geräten umfassen, die speziell entwickelt wurden, um einen kleinen RNA-Durchfluss zu verhindern.

Aufgereinigte miRNAs können auf verschiedene Weise profiliert werden, einschließlich Array-Analyse, qPCR und RNA-seq, und sogar modifizierte Northern-Analyse unter Verwendung eines steifen Polyacrylamidgels. Hinsichtlich des Assays ist qPCR die empfindlichste Technik zur Profilerstellung von miRNA. Eine beliebte Methode zur schnellen Profilierung der miRNA-Expression ist die Verwendung von PCR-Platten, die mit Primern für den Assay spezifischer miRNAs (z. B. Profiler miRNome Arrays Qiagen) vorbeladen sind. Ein PCR-Reaktionsmix wird in die Wells einer Platte gegeben, gefolgt von einer Real-Time-PCR. Es stehen verschiedene Formate zur Verfügung, die für unterschiedliche Thermocycler-Plattformen geeignet sind. Ein großer Vorteil dieses Ansatzes besteht darin, dass Primer für diese präzise Anwendung optimiert und validiert wurden. Wie bei herkömmlichen Microarrays werden auch miRNA-präparierte Platten thematisiert, darunter verschiedene Krebsarten, Stammzellen, Diabetes, Apoptose, Zelldifferenzierung, Tumorsuppressor-miRNAs und viele andere.

Zwei weitere Vorschläge: Erstens ist eine weitere lohnende Strategie zum Profilieren von miRNA die Durchführung eines Argonaute-Komplex-Pulldowns, um herauszufinden, welche Arten von miRNAs mit ihnen assoziiert sind die Anhäufung großer Mengen unverarbeiteter pri-miRNAs im Zellkern verursachen. Für Labore, die auf den miRNA-Zug aufspringen möchten, bieten mehrere Unternehmen Outsourcing-Dienstleistungen für das miRNA-Profiling an: Sie senden Ihre Probe ein, sie melden zurück, welche miRNAs exprimiert werden. Wie beim Outsourcing der DNA-Sequenzierung, wenn ein Labor nicht über diese Fähigkeit verfügt, ist dies eine großartige Möglichkeit, schnell viele Daten zu erhalten und dem eigenen Forschungsunternehmen eine weitere Dimension zu verleihen.

Ein logischer nächster Schritt bei der Charakterisierung der miRNA-Expression ist die Durchführung von funktionellen Analysestudien zu einer oder mehreren miRNA-Spezies, deren Expression moduliert ist. Diese Arten von Studien unterscheiden sich nicht wesentlich von den Strategien, die verwendet wurden, um andere Gene zu charakterisieren. Sie umfassen die Hemmung oder Herunterregulierung von Genen, um die Folgen des Funktionsverlusts zu entdecken, die Geninduktion oder -hochregulierung, um die Folgen des Funktionsgewinns zu entdecken, oder die Beeinflussung anderer Elemente in einem Expressionsweg, um die Auswirkungen auf die natürliche Expression der interessierenden miRNAs zu entdecken.


Hintergrund

MicroRNAs haben eine geringe Länge (

22nt) nicht-kodierende RNAs, die die Expression einer Ziel-mRNA hemmen, indem sie durch komplementäre Basenpaarung an ihre 3'-UTR binden [1] und daher wirken diese miRNAs als negative Regulatoren der Genexpression [2–4]. Eine reife miRNA reguliert die posttranskriptionale Genexpression, indem sie auf bestimmte mRNAs abzielt, woraufhin sie mehrere Signalwege, biologische Prozesse und Pathophysiologien moduliert. Es wurde jedoch auch nachgewiesen, dass miRNAs in einigen Fällen als positive Regulatoren der Genexpression wirken [5, 6]. Daher ist die Analyse und eingehende Untersuchung des genauen Mechanismus, durch den der Regulationsmechanismus der miRNA seine Funktionalität ausübt, von entscheidender Bedeutung. Die Identifizierung und Vorhersage von miRNA und Krankheitsassoziationen wurde in den letzten Jahren intensiv erforscht [7-10]. Die genauen Mechanismen, mit denen miRNAs Krankheiten regulieren, sind jedoch noch unklar. Ein Großteil des Problems bleibt bestehen, da etwa 60 % der molekularen Grundlagen von Krankheiten noch unbekannt sind [11]. Darüber hinaus gibt es nur sehr wenige Modelle zur Vorhersage oder Bestimmung von Krankheits-miRNA-Assoziationen mit hoher Genauigkeit [12]. Daher ist die Sammlung wertvoller Beweise zur Identifizierung von miRNAs, die menschliche Krankheiten beeinflussen, zu einem weit verbreiteten Interesse im Bereich der biomedizinischen Forschung mit einer Zukunft, die auf die Verbesserung der Humanmedizin ausgerichtet ist [13]. In diesem Artikel untersuchen wir das miRNA-Krankheitsnetzwerk aus einer graphentheoretischen Perspektive und entwickeln netzwerkwissenschaftliche Modelle für maximal gewichtetes Matching und motivbasierte Analysen, um Krankheitskandidaten in einem miRNA-Krankheitsnetzwerk zu priorisieren. Diese Arbeit stellt auch ein Werkzeug dar, DISMIRA die diese Analysen durchführen und die Netzwerkvisualisierung der Ergebnisse anzeigen können und so einen Einblick in die Art der Vernetzung zwischen miRNAs und den damit verbundenen Krankheiten geben.

MiRNA-Krankheitsdatenbank - miRegulome

Um dies zu erleichtern, wird eine interne Datenbank, miRegulome (frei verfügbar unter [14]) erstellt. Diese Datenbank bietet wesentliche Details zu den gesamten regulatorischen Modulen einer miRNA, die aus PubMed-indizierter Literatur kuratiert wurden. Es enthält die Upstream-Regulatoren und Chemikalien, die eine miRNA regulieren, die Downstream-Ziele einer miRNA, miRNA-regulierte Wege, Funktionen und Krankheiten zusammen mit den zugehörigen PubMed-IDs. Derzeit enthält miRegulome Informationen zu 613 miRNAs, 156 Krankheiten, 305 Signalwegen und 96 Chemikalien. Diese Daten wurden aus 3298 PubMed-IDs zusammengestellt. miRegulome hat derzeit 3751 eindeutige miRNA-Krankheitsassoziationen mit unterstützenden PubMed-IDs.

Die in dieser Studie vorgestellte Arbeit verwendet die gesammelten Daten in miRegulome Datenbank.

Komplexe Netzwerke

Die Identifizierung von miRNA-Krankheitsassoziationen durch experimentelle Labormethoden ist zeitaufwendig und teuer [7]. Daher wurde ein großes Interesse darauf gerichtet, wichtige zugrunde liegende Assoziationen durch verschiedene Rechenmodelle zu finden.

Ein Netzwerk von miRNAs und Krankheiten, denen TFs und Zielgene zugrunde liegen, ist ein sehr dichtes Netzwerk und wirft damit ein sehr komplexes Netzwerkproblem auf. Komplexe Netzwerke bieten eine einzigartige Perspektive, um Beziehungen zwischen homogenen und heterogenen Einheiten zu untersuchen. Diese Entitäten können biologische Moleküle, Krankheiten, Gene usw. sein. Daher ist das graphentheoretische Konzept sehr geeignet, wichtige MiRNA-Krankheitsassoziationen zu modellieren und zu analysieren. In unserer Forschung wurden fast alle beobachteten miRNA-Krankheitsnetzwerke, wie z miRegulome, mir2Disease [15], miRNA-Disease Association Network (MDAN) [1] und Human MicroRNA Disease Database (HMDD) [16] sind skalenfrei, d. h. wenige Knoten, d. Daher folgt ein miRNA-Krankheitsnetzwerk den topologischen Eigenschaften von skalenfreien Netzwerken. Für z.B. Abbildung 1 zeigt ein skalenfreies Netzwerk des miRNA-Krankheitsassoziationsnetzwerks von HMDD. Weitere Details zu den topologischen Metriken der skalenfreien Natur dieser miRNA-Krankheitsnetzwerke werden im Abschnitt ausgearbeitet Motivbasierte Analyse.

Netzwerk von miRNA-Krankheitsassoziationen in HMDD. Blaue Kreise stehen für miRNAs und rote Dreiecke für Krankheiten.

Literatur

Es gab viele Ansätze, um Zusammenhänge zwischen miRNAs und Krankheiten vorherzusagen und zu bestimmen. Eine dieser Vorarbeiten zur Entwicklung von miRNA-Krankheitsvorhersagemodellen zeigt, dass miRNAs, die mit denselben Krankheiten verwandt sind, dazu neigen, als miRNA-Gruppen zusammenzuarbeiten [15]. Dies ist eine bedeutende Beobachtung. Es erfordert, dass jedes Modell der miRNA-Krankheitsassoziation/Vorhersage, das behauptet, effektiv zu sein, diese dynamische Natur der miRNA berücksichtigt. Jiang et al., 2010 [9] verwendet den gleichen Ansatz und leitet weiter eine funktionelle Ähnlichkeit zwischen krankheitsbezogenen miRNAs und phänotypischen Ähnlichkeiten ab, um einen Score abzuleiten, der die Wahrscheinlichkeit einer Assoziation einer miRNA und der Krankheit bewertet. Jiang et al., 2010 [17] nutzt die Krankheitsgen-Assoziationen, um ein Naïve − Bayes Modell, das Kandidaten-miRNAs basierend auf ihrer genomischen Verteilung priorisiert. Dieses Modell beruht stark auf den Assoziationen zwischen Gen-Krankheit und Interaktionen von miRNA und Ziel. Beide Modelle haben jedoch hohe falsch-positive und hohe falsch-negative in ihren Vorhersagen [1]. Diese Einschränkung wurde jedoch behoben [7], indem ein Support-Vektor-Maschinen-Klassifikator basierend auf dem Eingabesatz von Merkmalen trainiert wurde, die aus falsch-positiven und falsch-negativen vorhergesagten Assoziationen extrahiert wurden. Wie von Lu et al., 2008 [16] demonstriert, neigen miRNA-Set-Familien dazu, auf bestimmte Krankheiten hin eng zusammenzuarbeiten. Daher neigen Krankheiten implizit dazu, auch die Wirkung anderer Krankheiten zu beeinträchtigen. Dies wurde auch untersucht [18], wo speziell Prostatakrebs- und Nicht-Prostatakrebs-miRNAs durch die Verwendung topologischer Merkmale unterschieden werden. Hier wurde eine Priorisierung der Krankheitskandidaten mit einer netzwerkzentrischen Methode durchgeführt. Abgesehen von der Verwendung von Krankheitsgen-Informationen haben nur wenige Modelle die Annahme verwendet, dass miRNA-Loci und Online Mendelian Inheritance in Man (OMIM)-Krankheitsloci signifikante Überschneidungen aufweisen können [19]. Dieser Signifikanz-Score wird berechnet und verwendet, um potenzielle Assoziationen zwischen miRNAs und OMIM-Erkrankungen zu identifizieren. Chen et al., 2012 [1] verwendet ein globales Netzwerk-Ähnlichkeitsmaß im Vergleich zu lokalen Netzwerkinformationen, um einen Random Walk auf einem funktionell ähnlichen miRNA-Netzwerk zu implementieren, das Kandidaten-miRNAs für bestimmte Krankheiten priorisiert. Xuan et al., 2013 [8] improvisiert den Ansatz der geschätzten miRNA-Funktionalität, indem er Informationen über die Ähnlichkeit des Krankheitsphänotyps und den Inhalt der Krankheitsbegriffe an die vorhandene Methode anhängt. Dies wird verwendet, um miRNA-Krankheitsassoziationen Gewicht zuzuweisen und ein gewichtetes k- die ähnlichste nachbarbasierte Vorhersagemethode wird eingesetzt. Globale Netzwerkähnlichkeit wird auch in den vorgestellten Inferenzmethoden verwendet [10], wobei neben miRNA-Ähnlichkeits- und Phänotyp-Ähnlichkeitsinferenzen ein netzwerkbasiertes Inferenzmodell verwendet wird. In diesem Modell [10] werden die miRNAs, die mit der abgefragten miRNA verwandt sind, geordnet und mit geordneten Krankheitsphänotypen assoziiert, die mit dem Zielphänotyp assoziiert sind, wobei auf bekannte Gen-Phänotyp-Assoziationen zurückgegriffen wird. Zur Modellierung und Analyse solcher biologischer Netzwerke wurde in großem Umfang die Graphentheorie verwendet [16] und insbesondere die bipartite Graphenmodellierung wurde verwendet, um das miRNA-Krankheitsnetzwerk zu modellieren [1, 10, 12, 16]. Kürzlich haben Chen et al., 2014 [20] versucht, die Einschränkungen verschiedener früherer Arbeiten zu überwinden, indem sie einen Algorithmus der Regularized Least Squares for miRNA-disease Association (RLSMDA) entwickelt haben. Frühere Modelle wie das von Chen et al., 2012 [1], die aufgrund ihrer Fallstudien und Kreuzvalidierung zwar eine hohe Genauigkeit bei der Vorhersage zeigen, können jedoch nicht in Szenarien funktionieren, in denen Assoziationen zwischen den Krankheiten und miRNAs unbekannt sind, und können daher keine neuen Vorhersagen treffen miRNA-Krankheitsassoziationen. Chen und Zhang [10] befassten sich in ihrer Arbeit, die neue Assoziationen zwischen Krankheiten und miRNAs vorhersagen konnte, ohne ihre Assoziation vorher zu kennen. Seine Leistung war jedoch der von Chen et al. [1] basierend auf Kreuzvalidierungsergebnissen [20]. Die von Chen et al. [20] verwendet die funktionelle Ähnlichkeit der miRNA und die funktionelle Ähnlichkeit der Krankheit [21] und entwickelt eine Optimierungsformulierung, um eine kontinuierliche Klassifikationsfunktion zu generieren, die den Wahrscheinlichkeits-Score jeder miRNA für eine bestimmte Krankheit berechnet [20]. Unter Verwendung der Graphentheorie wurden auch einige netzwerkinferenzbasierte Vorhersagealgorithmen verwendet, wie in [22]. In diesem Fall wurden drei Netzwerke: Umweltfaktoren (EF)-miRNA, EF-Krankheit und miRNA-Krankheit in bipartite Netzwerke und drei Methoden modelliert, dh netzwerkbasierter Inferenz-(NFI)-Algorithmus [23], EF-Strukturähnlichkeits-basiertes Inferenzmodell und auf Krankheitsphänotyp-Ähnlichkeit basierende Inferenzmodelle wurden verwendet, um ein EF-miRNA-Krankheitsassoziationsmodell zu generieren, das durch 10-fache Kreuzvalidierung validiert wird. Die vorgestellten Fallstudien zeigen beeindruckende Ergebnisse. Allerdings kann auch diese Arbeit bereits bekannte Assoziationen zwischen EF-miRNA-Krankheiten vorhersagen und keine neuen Assoziationen vorhersagen [22]. Unsere Arbeit präsentiert keine miRNA-Krankheitsvorhersagen, sondern führt ein maximales Matching in einer Reihe von miRNAs und Krankheiten durch, um Krankheiten mit der höchsten kumulativen Wirkung zu bestimmen und zu priorisieren. Daher gibt es für die resultierenden Krankheiten jeweils gültige PubMed-Literatur, die sie unterstützt, und damit eine genaue Assoziation mit miRNAs. Dies gibt dem Benutzer volles Vertrauen in die Ergebnisse, die ihm zur Verfügung gestellt werden. Darüber hinaus sind alle anderen vorherigen Tools Vorhersagemodelle, die Vorhersagen ein miRNA-Krankheitsrand/-assoziation. Diese Modelle erzeugen keine Assoziationen zwischen einer Reihe von miRNAs und einer Reihe von Krankheiten, wodurch die Gesamtdynamik der mehrstufigen Interaktion eines miRNA-Krankheitsnetzwerks nicht untersucht wird. Unser Modell, das als Erweiterung der bestehenden Arbeit auf diesem Gebiet fungiert, arbeitet an einer Reihe von miRNAs und erzeugt eine Ausgabe einer Reihe von assoziierten Krankheiten, wobei die Auswirkungen und die Assoziation jeder miRNA im Set mit jeder Krankheit berücksichtigt werden im Satz.

Unter Verwendung des graphentheoretischen Netzwerkmodells wollen wir in dieser Arbeit die am stärksten betroffenen Krankheiten durch die Aktion/Wechsel bestimmter miRNAs finden. Hier stellen wir ein Modell vor, das eine priorisierte Reihe von Krankheiten bestimmt, die definitiv von der kumulativen Wirkung / Veränderung bestimmter miRNAs beeinflusst werden. Diese Assoziationen werden durch einen Pipeline-Prozess bestimmt, bei dem der Maximum-Weighted-Maximum-Matching-Algorithmus auf das Netzwerkmodell in Abschnitt . angewendet wird Modell der maximal gewichteten Matching-Inferenz, Berechnung der kumulativen Gewichte pro Krankheit in Abschnitt Priorisierung von Krankheitskandidaten, und Anwendung des Krankheitsranking-Schemas in Abschnitt Krankheitsranking-Schema. Eine vorläufige Version dieser Arbeit wurde vorgelegt [24]. Darüber hinaus hat keine der früheren Arbeiten Arbeiten zur Motivanalyse von miRNA-Krankheitsnetzwerken vorgelegt. In diesem Artikel analysieren wir die topologischen Merkmale mehrerer miRNA-Krankheitsnetzwerke, insbesondere die Motive in diesen Netzwerken und auch den kumulativen Einfluss einer Reihe von miRNAs auf eine Reihe von Krankheiten. Die motivbasierten Analysen werden in Abschnitt . vorgestellt Motivbasierte Analyse. Die Visualisierung dieser Ergebnisse und ihrer topologischen Perspektive wird im Abschnitt Visualisierung.


Hintergrund

Das Konzept der Informationsverbreitung in einem Netzwerk ist im Bereich der Theorie sozialer Netzwerke weit verbreitet, um die Verbreitung von Ideen, Gerüchten und die Produktakzeptanz zwischen den Individuen im Netzwerk über die Mundpropaganda Wirkung 28,29,30 . Es gibt im Wesentlichen zwei grundlegende Modelle der Informationsverbreitung in sozialen Netzwerken - lineare Schwelle (LT) und unabhängige Kaskade (NS) Modell. Jedes andere in der Literatur vorgeschlagene Modell ist eine Ableitung dieser kanonischen Modelle. Obwohl dieses Konzept auf dem Gebiet der Soziologie angewendet wurde, um die verschiedenen Verhaltensphänomene zu untersuchen, wie beispielsweise die Verbreitung eines neuen Konzepts 31 , wurde es auch erweitert, um die Dynamik der Verbreitung von Krankheiten zu verstehen 32,33,34 . Das Verständnis der Einflussdiffusion in einem komplexen Netzwerk von miRNAs wurde jedoch noch nie zuvor versucht und ist aufgrund der Mehrebenennatur der Wechselwirkungen eine Herausforderung. Angesichts der Tatsache, dass miRNAs ähnlicher Krankheiten dazu neigen, kooperativ zu agieren 24 , konzentrieren wir uns in dieser Arbeit auf die soziale Natur von miRNAs im Zusammenhang mit einer Klasse von Krankheiten. Wir verwenden ein Informationsdiffusionsmodell, mit dem der Einfluss einer miRNA auf ihre benachbarten miRNAs analysiert und quantifiziert wird.Sozialer Einfluss kann eine Reihe von Verhaltensweisen in Netzwerken beeinflussen, wie die Verbreitung von Informationen/Einfluss, Kommunikation und in diesem Fall sogar Mutation. In beiden LT und NS Modell können sich die Knoten (d. h. die miRNAs) im Netzwerk in einem der beiden Zustände befinden - aktiv oder inaktiv. Die aktivierten Knoten verbreiten ihren Einfluss, indem sie ihre benachbarten inaktiven Knoten basierend auf einem bestimmten Kriterium oder Effekt aktivieren. Garnovetter et al. 35 schlugen vor LT Modell durch Anwenden eines bestimmten Schwellenwerts in jedem der Knoten des Netzwerks. Dabei wird jeder Knoten nur von seinem oder seinen Nachbarn aktiviert, abhängig vom kumulativen Gewicht der ankommenden Kanten zum Knoten. Der Knoten wird aktiv, wenn die kumulative Summe der Gewichtung der eingehenden Kanten von einem aktiven Nachbarknoten seinen Schwellenwert überschreitet. Einmal aktiviert, bleibt der Knoten aktiv und versucht, seinen Nachbarn zu aktivieren, um dadurch seinen Einfluss zu verbreiten. Im Gegenteil, die NS Modell verwendet Kantenwahrscheinlichkeit, um die Informationsdiffusion zu bestimmen. In diesem Modell hat ein aktiver Knoten eine einzige Gelegenheit, seine Nachbarn zu aktivieren. Die Kantengewichte repräsentieren die Aktivierungswahrscheinlichkeit oder Wahrscheinlichkeit der Informationsausbreitung zwischen zwei Knoten. Daher wird ein aktiver Nachbar bei der Aktivierung wahrscheinlich einen Nachbarn mit dem höchsten Kantengewicht auswählen, um als nächstes zu aktivieren.

Das miRNA-miRNA-Interaktionsnetzwerk in DMINDie in dieser Studie verwendeten s haben Wahrscheinlichkeitswerte als Kantengewichte. Diese Scores fungieren als Aktivierungswahrscheinlichkeiten. Verwendung der NS Modell können wir bei Aktivierung einer bestimmten miRNA anhand der Kantengewichte zwischen ihren Nachbarn die nächste wahrscheinlich aktivierte miRNA bestimmen. In diesem Zusammenhang impliziert die Aktivierung eine ursächliche Wirkung auf das Expressionsniveau einer anderen miRNA. Dieser Effekt kann direkt sein (wenn eine miRNA direkt die Expression einer anderen kontrolliert) oder indirekt (wenn eine solche Regulierung auf intermediäre Gene/Proteine ​​zurückzuführen ist, die diese miRNAs regulieren). Nach diesem Muster lässt sich der Informationsfluss bzw. die Einflussverteilung über die miRNAs nachweisen. Somit kann das Einflussmuster von miRNAs auf eine Krankheit identifiziert und untersucht werden. Außerdem integrieren wir verschiedene DMINs dem gleichen Kategorieprofil angehören (z. B. „Magen-Darm-Krebs“) und die Ausbreitung des Einflusses zwischen miRNA-miRNA-Interaktionsnetzwerken, die diesem Profil angehören, erkennen. Anschließend bestimmen wir die wichtigsten miRNAs, die bei allen Krankheiten innerhalb eines bestimmten Profils eine einflussreiche Rolle spielen.


Zirkulierende miRNAs als potenzielle Biomarker bei Herz-Kreislauf-Erkrankungen

Aufgrund ihrer robusten Stabilität und ihrer relativ einfachen Nachweisbarkeit im Blutkreislauf erweisen sich zirkulierende miRNAs als attraktive diagnostische Biomarker-Kandidaten bei einer Vielzahl von Herz-Kreislauf-Erkrankungen (Tabelle 1). Von diesen zirkulierenden miRNAs haben sich kardiale angereicherte miRNAs wie miR-1, miR-133, miR-208 und miR-499 zu den am umfassendsten untersuchten miRNAs entwickelt, insbesondere für die Diagnose des akuten Koronarsyndroms (ACS) und akuter Myokardinfarkt (AMI) im Vergleich zu herkömmlichen Markern für Myokardschäden wie Kreatinkinase (CK) oder kardiales Troponin [10, 53]. Beispielsweise wurde herzspezifischer miR-208a, der ausschließlich im Herzen exprimiert wird, als attraktiver miRNA-Kandidat beschrieben, der durchweg in einem Ratten-Myokardverletzungsmodell [54] und einer Studie zu humanen AMI-Fällen [55] beobachtet wurde. Die Charakterisierung einer einzelnen miRNA als zuverlässiger kardialer Biomarker kann jedoch beispielsweise eine Herausforderung darstellen, da in anderen Studien die Plasmakonzentration von miR-208a zu niedrig war, um entweder zu Studienbeginn oder nach Myokardverletzung nachgewiesen zu werden [53, 56, 57]. Darüber hinaus war in den jüngsten groß angelegten Studien, die bei Patienten mit Verdacht auf ACS durchgeführt wurden, die diagnostische Genauigkeit der Verwendung einzelner miRNAs zum Nachweis von MI geringer als die von kardialem Troponin T [58, 59]. Im Gegensatz dazu wurde berichtet, dass die Verwendung eines Panels mehrerer miRNAs oder einer Kombination von miRNAs mit kardialem Troponin die Unterscheidungskraft bei der ACS-Diagnose verbessert [60, 61]. Die Freisetzungskinetik dieser miRNAs kann im Vergleich zu herkömmlichen Biomarkern auch eine frühzeitige Diagnose von AMI ermöglichen. Vor kurzem haben Libetrau et al. [62] zeigten, dass Serum miR-1 und miR-133a innerhalb von 15 Minuten nach Induktion von AMI bei Patienten mit hypertropher Kardiomyopathie freigesetzt werden, die sich einer transkoronaren Ablation wegen Septumhypertrophie unterzogen. Diese Ergebnisse stimmen mit anderen Studien überein, die die Freisetzung von kardialen miRNAs vor CK oder Troponin nach längerem aeroben Training berichten (d.h., Marathonlauf) [63]. Zusammengenommen legen diese Daten die Nützlichkeit von zirkulierenden kardialen miRNAs bei der frühen Diagnose von AMI und Myokardschädigung nahe. Um schließlich die Quelle der Freisetzung von miRNAs aus Herzgewebe zu bestätigen, haben De Rosa et al. [64] demonstrierten das Vorliegen eines transkoronaren Konzentrationsgradienten kardialer angereicherter miRNAs, der proportional zum Ausmaß der Myokardschädigung bei ACS ist, was darauf hindeutet, dass ein beschädigtes Myokard die wahrscheinliche Quelle der freigesetzten miRNAs ist. Gidl཯ et al. [58] unterstützten diese Idee auch durch den Nachweis des Vorhandenseins von miR-208b und miR-499-5p im Koronarsinus unmittelbar nach, jedoch nicht vor der Kardioplegie bei Patienten, die sich einer koronaren Bypass-Operation unterziehen. Diese Ergebnisse legen nahe, dass diese miRNAs aus verletztem Myokard freigesetzt werden. Es ist jedoch noch unklar, ob diese freigesetzten miRNAs nur ein Nebenprodukt eines geschädigten Myokards sind oder eine zusätzliche Rolle als interzelluläre Botenstoffe haben.

Tabelle 1

Zirkulierende miRNAs als diagnostische Biomarker für Herz-Kreislauf-Erkrankungen

Umlauf
miRNAs
Expression bei Herz-Kreislauf-ErkrankungenVerweise
miR-1Hochregulierung in AMI[91, 125, 126]
Hochregulierung in ACS[60]
miR-16Herunterregulierung in CAD[127]
miR-17Herunterregulierung in CAD[128]
miR-19aHochregulierung in AMI[129]
miR-21Hochregulierung von NSTEMI bei älteren Menschen[130]
Hochregulierung in ACS[60]
miR-22Hochregulierung in HF[131]
miR-23bHochregulierung in PH[74]
miR-26aHerunterregulierung bei PAH[77]
miR-30aHochregulierung in AMI[132]
miR-30bHerunterregulierung bei HF vs. Nicht-HF
Dyspnoe oder Kontrolle
[66]
miR-31Herunterregulierung in CAD[127]
miR-92aHerunterregulierung in CAD[128]
miR-92bHochregulierung in HF[131]
miR-103Herunterregulierung bei HF vs. Nicht-HF
Dyspnoe oder Kontrolle
[66]
miR-122Herunterregulierung in AMI[53]
miR-125bHerunterregulierung in AMI[133]
miR-126Herunterregulierung in AMI[126]
Herunterregulierung in CAD[128]
miR-130aHochregulierung in PH[74]
miR-132Herunterregulierung in UA[61]
miR-133aHochregulierung in AMI[53, 134]
Hochregulierung in ACS[57, 64]
Hochregulierung in CAD[134]
miR-133bHochregulierung in AMI[53]
miR-134Hochregulierung in AMI[135]
Hochregulierung bei APE vs. Nicht-APE oder
Steuerung
[78]
miR-142-3pHerunterregulierung bei HF vs. Nicht-HF
Dyspnoe oder Kontrolle
[66]
miR-145Herunterregulierung in CAD[127, 128]
miR-150Herunterregulierung in UA[61]
Herunterregulierung bei PAH[73]
Herunterregulierung bei Vorhofflimmern[80]
miR-155Herunterregulierung in CAD[128]
miR-181aHerunterregulierung in CAD[127]
miR-186Hochregulierung in UA[61]
miR-191Hochregulierung in PH[74]
miR-195Hochregulierung in AMI[132]
miR-208aHochregulierung in AMI[55]
Hochregulierung in ACS[64]
miR-208bHochregulierung in AMI[10, 58-60,
136]
miR-320aHochregulierung in AMI[59]
Hochregulierung in HF[131]
miR-320bHerunterregulierung in AMI[133]
miR-323-3pHochregulierung in ACS[87]
miR-328Hochregulierung in AMI[135]
miR-342-3pHerunterregulierung bei HF vs. Nicht-HF
Dyspnoe oder Kontrolle
[66]
miR-375Herunterregulierung in AMI[53]
miR-423-5pHochregulierung bei HF vs. Nicht-HF-Dyspnoe
oder kontrollieren
[65]
Hochregulierung in HF[131]
miR-433Hochregulierung in CAD[137]
miR-451Herunterregulierung bei PH[74]
miR-485-3pHochregulierung in CAD[137]
miR-499Hochregulierung in AMI[10, 53, 58, 59,
136]
Hochregulierung von NSTEMI bei älteren Menschen[130]
Hochregulierung in ACS[60, 64]
Hochregulierung in HF[136]
miR-1246Herunterregulierung bei PH[74]
lass-7bHerunterregulierung in AMI[132]
Herunterregulierung bei CTEPH[79]

ACS, akutes Koronarsyndrom AMI, akuter Myokardinfarkt APE, akute Lungenembolie KHK, koronare Herzkrankheit CTEPH, chronische thromboembolische pulmonale Hypertonie HF, Herzinsuffizienz NSTEMI, Nicht-ST-Hebungs-Myokardinfarkt PAH, pulmonale arterielle Hypertonie PH, pulmonale , instabile Angina.

Neben der Diagnose einer koronaren Herzkrankheit wurde über Veränderungen in der Expression mehrerer zirkulierender miRNAs, einschließlich miR-423-5p, berichtet, um Herzinsuffizienz (HF) von Dyspnoe unterschiedlicher Ätiologie zu unterscheiden [65, 66]. Bemerkenswert ist, dass zirkulierendes miR-423-5p bei der Identifizierung von Patienten mit rechter HF nicht hilfreich war [67], was darauf hindeutet, dass sich möglicherweise jeder miRNA-abhängige Regulationsmechanismus für rechte HF von denen für linke HF unterscheidet. Zirkulierende miRNAs wurden bei Patienten mit HF mit erhaltener Ejektionsfraktion (EF) untersucht [68, 69]. Obwohl keine einzelne miRNA besser war als B-natriuretisches Peptid (BNP), um HF mit konserviertem EF von HF mit reduziertem EF zu unterscheiden, verbesserte die Bewertung mehrerer Plasma-miRNAs oder Kombinationen von miRNAs mit BNP die Unterscheidungskraft im Vergleich zu BNP allein. Kürzlich wurden zirkulierende miRNAs hinsichtlich des Ansprechens auf die Behandlung bei Patienten mit HF im Endstadium untersucht. Akatet al. [70] zeigten, dass erhöhte Spiegel bestimmter myomiRs wie miR-208a, miR-208b, miR-499 und miR-1 nach der Initiierung eines linksventrikulären Unterstützungssystems (LVAD) bei fortgeschrittener HF fast vollständig rückgängig gemacht wurden, was darauf hindeutet, dass die Nützlichkeit dieser myomiRs als Biomarker zur Überwachung von Herzverletzungen. Morley-Smith et al. [71] fanden auch heraus, dass miR-1202 nützlich war, um zwischen gutem und schlechtem Ansprechen auf die LVAD-Platzierung zu unterscheiden. Darüber hinaus wurde eine unterschiedliche Expression bestimmter miRNAs bei der Abstoßung von Allotransplantaten beobachtet, was auf ihren potentiellen Nutzen zur Überwachung des Fortschritts nach einer Herztransplantation hindeutet [72].

Auch andere Gefäßerkrankungen wie pulmonale Hypertonie wurden in dieser Hinsicht untersucht. Rhodoset al. berichteten, dass die zirkulierenden miR-150-Spiegel bei Patienten mit pulmonaler arterieller Hypertonie (PAH) reduziert waren und reduzierte miR-150-Plasmaspiegel bei diesen Patienten mit einem schlechten Überleben verbunden waren [73]. Weiet al. [74] zeigten, dass ein bestimmter Satz zirkulierender miRNAs bei Patienten mit pulmonaler Hypertonie (PH) fehlreguliert war und proportional zum Grad der PH war, der durch den mittleren pulmonalen arteriellen Druck bestimmt wurde. Andere miRNAs wie die Familie miR-130/301 [75] und miR-210 [76], die bekannte ursächliche Wirkungen auf die Pathogenese der PH haben, wurden im Lungenkreislauf von PH-Patienten erhöht. Es wurde auch festgestellt, dass zirkulierendes miR-26a bei PAH reduziert ist und in direktem Zusammenhang mit der funktionellen Schwere dieser Erkrankung steht [77]. Eine unterschiedliche Expression von Plasma-miRNAs wurde bei akuter Lungenembolie [78] und chronischer thromboembolischer PH [79] berichtet.

Das Vorliegen von Arrhythmien wie Vorhofflimmern (AF) wurde mit Veränderungen der zirkulierenden miRNAs in Verbindung gebracht. Liuet al. [80] berichteten, dass die Plasmaspiegel von miR-150 bei Patienten mit VHF im Vergleich zu gesunden Kontrollen signifikant niedriger waren. Diese Ergebnisse wurden unabhängig von McManus et al. in einer größeren Population validiert. [81]. Interessanterweise waren in dieser Studie die miR-21- und miR-150-Spiegel bei persistierendem VHF niedriger als bei paroxysmalem VHF und stiegen nach Katheterablation von VHF an [81]. Darüber hinaus wurden mehrere Versuche unternommen, miRNAs-Signaturen unter Verwendung von zirkulierenden miRNAs für verschiedene Herz-Kreislauf-Erkrankungen zu erstellen, einschließlich peripherer arterieller Verschlusskrankheit [82] oder angeborener Herzkrankheiten wie Ventrikelseptumdefekt [83].

Neben ihrer Rolle als mutmaßliche diagnostische Biomarker wurde auch der prognostische Wert von zirkulierenden miRNAs bei kardiovaskulären Erkrankungen mit gemischtem Nutzen untersucht (Tabelle 2). Es wurde gezeigt, dass die zirkulierenden Spiegel von miR-133a und miR-208b mit der Gesamtmortalität nach 6 Monaten bei ACS-Patienten in Zusammenhang standen [84]. Beide miRNAs fügten dem hochsensitiven Troponin jedoch nur einen geringen prognostischen Wert hinzu. In Übereinstimmung mit diesem Ergebnis haben Eitel et al. [85] berichteten auch, dass die zirkulierende Konzentration von miR-133a kardiovaskuläre Ereignisse bei Patienten mit ST-Strecken-Hebungsinfarkt nach Anpassung um traditionelle Marker nicht unabhängig vorhersagen konnte. Die Assoziation erhöhter Spiegel von miR-208b und miR-499-5p mit einem erhöhten Mortalitäts- oder HF-Risiko bei MI-Patienten ging nach der Adjustierung für Troponin T verloren [58]. Auf der anderen Seite wurde berichtet, dass eine niedrige Konzentration von zirkulierendem miR-150 das LV-Remodeling nach AMI vorhersagt und in dieser Hinsicht das N-terminale proBNP übertraf [86]. Pilbrowet al. [87] berichteten, dass niedrigere MiR-652-Spiegel HF nach AMI unabhängig vorhersagen können. Darüber hinaus schien die Verwendung eines Panels mehrerer miRNAs oder einer Kombination von miRNAs mit bestehenden prognostischen Markern wie BNP oder kardialem Troponin in diesem Zusammenhang die Risikostratifizierung zu verbessern [87–89].

Tabelle 2

Zirkulierende miRNAs als prognostische Biomarker für Herz-Kreislauf-Erkrankungen

Umlauf
miRNAs
ErgebnisparameterAusdruck
verknüpft mit
Schlechtes Ergebnis
Verweise
miR-10Allotransplantatabstoßung nach Herz
Transplantation
Runter-
Verordnung
[72]
miR-16LV-Kontraktilität nach 6 Monaten
post-MI
Hochregulierung[88]
miR-27aLV-Kontraktilität nach 6 Monaten
post-MI
Hochregulierung[88]
miR-29aLVEDV 90 Tage nach MIHochregulierung[138]
miR-31Allotransplantatabstoßung nach Herz
Transplantation
Hochregulierung[72]
miR-34aHF innerhalb von 1 Jahr nach MIHochregulierung[139]
Mortalität oder HF innerhalb von 6 Monaten
post-MI
Hochregulierung[89]
LVEDD 1 Jahr nach MIHochregulierung[139]
LVEDV 6 Monate nach MIHochregulierung[89]
miR-92aAllotransplantatabstoßung nach Herz
Transplantation
Hochregulierung[72]
miR-101LV-Kontraktilität nach 6 Monaten
post-MI
Herunterregulierung[88]
miR-126Vorfall MI innerhalb von 10 JahrenHochregulierung[140]
miR-133aGesamtmortalität innerhalb von 6
Monate nach ACS
Hochregulierung[84]
MACE innerhalb von 6 Monaten nach MIHochregulierung[85]
miR-133bFrühe Myokardschädigung und
Erholung nach Herz
Transplantation
Hochregulierung[141]
miR-134Herztod oder HF innerhalb von 6
Monate nach MI
Hochregulierung[135]
miR-150LVEDV nach MIRunter-
Verordnung
[86]
LV-Kontraktilität nach 6 Monaten
post-MI
Runter-
Verordnung
[88]
Überleben in PAHRunter-
Verordnung
[73]
miR-155Herztod innerhalb von 1 Jahr
post-MI
Hochregulierung[142]
Allotransplantatabstoßung nach Herz
Transplantation
Hochregulierung[72]
miR-192HF innerhalb von 1 Jahr nach MIHochregulierung[139]
miR-194HF innerhalb von 1 Jahr nach MIHochregulierung[139]
LVEDD 1 Jahr nach MIHochregulierung[139]
miR-197Vorfall MI innerhalb von 10 JahrenRunter-
Verordnung
[140]
miR-208bMortalität oder HF innerhalb von 30 Tagen
post-MI
Hochregulierung[58]
Mortalität oder HF innerhalb von 6 Monaten
post-MI
Hochregulierung[89]
LVEDV 6 Monate nach MIHochregulierung[89]
Gesamtmortalität innerhalb von 6
Monate nach ACS
Hochregulierung[84]
miR-223Vorfall MI innerhalb von 10 JahrenRunter-
Verordnung
[140]
miR-328Herztod oder HF innerhalb von 6
Monate nach MI
Hochregulierung[135]
miR-380*Herztod innerhalb von 1 Jahr
post-MI
Hochregulierung[142]
miR-499-5pMortalität oder HF innerhalb von 30 Tagen
post-MI
Hochregulierung[58]
miR-652Wiederaufnahme für HF nach ACSRunter-
Verordnung
[87]
miR-1202Ansprechen auf die LVAD-TherapieHochregulierung[71]

ACS, akutes Koronarsyndrom HF, Herzinsuffizienz LV, linksventrikuläres LVAD, linksventrikuläres Unterstützungsgerät LVEDD, linksventrikuläres enddiastolisches Maß LVEDV, linksventrikuläres enddiastolisches Volumen MACE, schweres kardiovaskuläres Ereignis MI, Myokardinfarkt PAH, pulmonale arterielle Hypertonie.

Trotz der Attraktivität der Messung zirkulierender miRNAs bestehen viele Herausforderungen beim Nachweis ihrer Nützlichkeit als idealer diagnostischer oder prognostischer Biomarker bei kardiovaskulären Erkrankungen ( Abb. 2 ). Erstens sind viele dieser miRNAs allgegenwärtig, sodass die definitive Quelle dieser miRNAs in den meisten Fällen nicht identifiziert werden kann, mit Ausnahme einiger kardialen oder muskelspezifischen miRNAs (sogenannten “myomiRs”) [6]. Trotz neuer Bemühungen, die Gewebequelle der freigesetzten miRNAs eindeutiger zu identifizieren [58, 64], bleiben viele Fragen offen, beispielsweise ob die Veränderung der miRNA-Spiegel bei Herz-Kreislauf-Erkrankungen einer erhöhten Expression oder einer einfachen Freisetzung aus geschädigtem Gewebe zugeschrieben werden kann und ob freigesetzt miRNAs sind lediglich Nebenprodukte von Zellverletzungen oder spielen einen tatsächlichen biologischen Zweck bei der Progression oder Manifestation von Krankheiten. Zweitens gibt es zahlreiche Beispiele derselben zirkulierenden miRNA oder myomiR, die in einer Vielzahl von klinischen Situationen verändert wurden (Tabelle 1). Daher ist eine Berücksichtigung der Kontextspezifität bei der zukünftigen Bestimmung des Nutzens dieser miRNAs als echte Biomarker von Krankheiten erforderlich. Drittens können einige kardiale und muskelspezifische zirkulierende miRNAs aufgrund ihrer geringen Expression mit derzeit verfügbaren Methoden schwer nachzuweisen und genau zu quantifizieren sein [90]. In Verbindung mit der Möglichkeit einer Kontamination durch Blutzellen kann die Messung dieser miRNAs mit Fehlern behaftet sein [42]. Daher erfordern eine Reihe der Veränderungen in zirkulierenden miRNAs, die zuvor bei einer Vielzahl von Herz-Kreislauf-Erkrankungen berichtet wurden (Tabellen 1 und ​ und 2) 2 ), eine unabhängige Validierung in größeren Kohorten von Patienten für eine reale Anwendung in der klinischen Praxis. Viertens gibt es keine standardisierten endogenen Kontrollen zur Normalisierung. Obwohl der Spike-in exogener miRNAs (z.B., vom Wurm abgeleitete miRNAs Caenorhabditis elegans) in solchen Analysen weit verbreitet ist [9], wurden alternative Methoden zur Normalisierung mit endogenen miRNA-Kontrollen [53] oder Plasmavolumen [91] verwendet, oft mit unterschiedlichen Auswirkungen auf die endgültige Quantifizierung. Fünftens gibt es sicherlich interindividuelle und intraindividuelle Variationen der zirkulierenden miRNA-Expression, insbesondere abhängig von Tageszeit, Diät oder Ernährung oder Geschlecht [92, 93] sowie Aktivitätsniveau oder körperlicher Fitness [63, 94]. Daher gibt es keine Referenzwerte für “normal expression” für eine einfache klinische Interpretation. Schließlich ist noch unklar, welche Art von Assay-System für miRNA-Messungen ideal für den klinischen Einsatz wäre, mit Möglichkeiten wie quantitative Polymerase-Kettenreaktion vs. Sequenzierung der nächsten Generation. Jüngste Fortschritte bei beiden Plattformen haben die gleichzeitige Bewertung mehrerer miRNAs mit verbesserter Sensitivität ermöglicht. Die Entscheidung über die Diagnose einer Herz-Kreislauf-Erkrankung ist jedoch in der Regel dringend erforderlich, insbesondere beim ACS. Daher müssen möglicherweise in Zukunft schnellere und sensitivere Quantifizierungstechniken entwickelt werden, wenn zirkulierende miRNAs als klinisch anwendbare Biomarker nützlich sein sollen [95].

Obwohl miRNAs viele attraktive Eigenschaften für die Untersuchung im zirkulierenden Blutkreislauf aufweisen, gibt es noch viele Herausforderungen, zirkulierende miRNAs als klinisch nützliche Biomarker zu etablieren. Dazu gehören unspezifische Gewebe- oder Organverteilung, niedrige Serum-/Plasmakonzentration, große inter- oder intraindividuelle Variationen, das Fehlen von Kontrollen zur Normalisierung und das Fehlen standardisierter Quantifizierungsmethoden.


MiRNA-Krankheitsassoziationsvorhersage mit kollaborativer Matrixfaktorisierung

Als einer der Faktoren in der Familie der nichtkodierenden RNAs sind microRNAs (miRNAs) an der Entstehung und dem Fortschreiten verschiedener komplexer Krankheiten beteiligt. Die experimentelle Identifizierung der miRNA-Krankheitsassoziation ist teuer und zeitaufwendig. Daher ist es notwendig, effiziente Algorithmen zu entwickeln, um neue miRNA-Krankheitsassoziationen zu identifizieren. In diesem Papier haben wir die Computermethode der kollaborativen Matrixfaktorisierung für die Vorhersage der miRNA-Krankheits-Assoziation (CMFMDA) entwickelt, um potenzielle miRNA-Krankheitsassoziationen zu identifizieren, indem wir die funktionelle Ähnlichkeit der miRNA, die semantische Ähnlichkeit der Krankheit und experimentell verifizierte miRNA-Krankheitsassoziationen integrieren. Experimente bestätigten, dass CMFMDA mit seinem kurzen Zeitaufwand und seiner hohen Vorhersagegenauigkeit die beabsichtigten Zweck- und Anwendungswerte erreicht. Darüber hinaus haben wir CMFMDA bei Ösophagus- und Nierenneoplasmen verwendet, um deren potenziell verwandte miRNAs aufzudecken. Als Ergebnis wurden 84 % bzw. 82 % der Top 50 der vorhergesagten miRNA-Krankheitspaare für diese beiden Krankheiten experimentell bestätigt. Nicht nur dies, sondern auch CMFMDA könnte ohne bekannte Assoziationen auf neue Krankheiten und neue miRNAs angewendet werden, die die Mängel vieler früherer Computermethoden überwinden.

1. Einleitung

MicroRNAs (miRNAs) sind eine Klasse kurzer nichtkodierender RNAs (19

25 nt), die normalerweise die Genexpression und Proteinproduktion regulieren, indem sie auf Boten-RNAs (mRNAs) auf posttranskriptioneller Ebene abzielen [1–9]. Seit 1993 und 2000 die ersten beiden miRNAs lin-4 und let-7 gefunden wurden [10, 11], wurden Tausende von miRNAs in eukaryotischen Organismen von Nematoden bis hin zum Menschen nachgewiesen. Das neueste Wildbret von miRBase enthält 26845 Einträge und mehr als 2000 miRNAs wurden beim Menschen nachgewiesen [12–14]. Mit der Entwicklung der Bioinformatik und dem Fortschreiten von miRNA-bezogenen Projekten konzentriert sich die Forschung nach und nach auf die Funktion von miRNAs. Vorhandene Studien haben gezeigt, dass miRNAs an vielen wichtigen biologischen Prozessen beteiligt sind [15, 16], wie Zelldifferenzierung [17], Proliferation [18], Signalübertragung [19], Virusinfektion [20] und so weiter. Daher ist es leicht zu erkennen, dass miRNAs eine enge Beziehung zu verschiedenen komplexen menschlichen Erkrankungen haben [12, 21–26]. Forscher fanden beispielsweise heraus, dass mir-433 bei Magenkarzinomen hochreguliert wird, indem es die Expression von GRB2 reguliert, einem bekannten tumorassoziierten Protein [27]. Mir-126 kann nicht nur als Inhibitor fungieren, um das Wachstum von Darmkrebszellen durch seine Überexpression zu unterdrücken, sondern kann auch helfen, zwischen malignem und normalem Darmgewebe zu unterscheiden [28]. Außerdem der Wechsel von mir-17

Die Expression von 92 miRNA-Clustern hat einen engen Zusammenhang mit dem Wachstum von Nierenzysten bei polyzystischer Nierenerkrankung [29]. Angesichts der engen Beziehung zwischen miRNA und Krankheit sollten wir alle Mittel versuchen, alle latenten Assoziationen zwischen miRNA und Krankheit aufzudecken und die Diagnose, Prävention und Behandlung von komplexen menschlichen Erkrankungen zu erleichtern [30–33]. Die Verwendung experimenteller Methoden zur Identifizierung einer miRNA-Krankheitsassoziation ist jedoch teuer und zeitaufwändig. Da die miRNA-bezogenen Theorien immer häufiger vorkommen, wie das Vorhersagemodell über miRNA und Krankheit, die Funktion von miRNA in biologischen Prozessen und Signalwege, werden dringend neue Therapien zur Behandlung komplexer Erkrankungen benötigt entwickeln leistungsfähige Computermethoden, um potenzielle MiRNA-Krankheitsassoziationen aufzudecken [12, 15, 20, 34–40].

Frühere Studien hatten gezeigt, dass funktionell ähnliche miRNAs immer bei ähnlichen Krankheiten auftreten, daher wurden viele Computermodelle vorgeschlagen, um neue MiRNA-Krankheitsassoziationen zu identifizieren [13, 41–46]. Jiang et al. [31] analysierten und verbesserten das Krankheitsgen-Vorhersagemodell, stellten das Prinzip der hypergeometrischen Verteilung und seine Verwendung vor und diskutierten seine Anwendung im Vorhersagemodell und seine tatsächliche Wirkung. Um die Vorhersagefunktion des verbesserten Modells zu realisieren, verwendeten sie verschiedene Arten von Datensätzen, darunter miRNA-Funktionsähnlichkeitsdaten, Krankheitsphänotyp-Ähnlichkeitsdaten und die bekannten humanen Krankheits-miRNA-Assoziationsdaten. Daher wird die Vorhersagegenauigkeit dieser Methode stark durch miRNA-Nachbarinformationen und die Vorhersage der miRNA-Target-Interaktion beeinflusst. Chenet al. [47] berichteten über eine neue Methode HGIMDA zur Identifizierung einer neuen miRNA-Krankheitsassoziation unter Verwendung heterogener Graphinferenz. Dieser Algorithmus kann eine bessere Vorhersagegenauigkeit erreichen, indem er bekannte miRNA-Krankheitsassoziationen, funktionelle Ähnlichkeiten von miRNA, semantische Ähnlichkeiten von Krankheiten und Kernel-Ähnlichkeit des Gaußschen Interaktionsprofils für Krankheiten und miRNAs integriert. Darüber hinaus könnte HGIMDA bei neuen Krankheiten und neuen miRNAs angewendet werden, die keine bekannte Assoziation haben. Liet al. [48] ​​schlugen das Computermodell Matrix-Vervollständigung für die Vorhersage von MiRNA-Krankheitsassoziationen (MCMDA) vor, um MiRNA-Krankheitsassoziationen vorherzusagen. Dieses Modell verwendet nur bekannte miRNA-Krankheitsassoziationen und erzielte eine bessere Vorhersageleistung. Die Einschränkung von MCMDA besteht darin, dass es nicht für neue Krankheiten und neue miRNAs, die keine bekannte Assoziation haben, angewendet werden konnte. Sie et al. [49] entwickelten das Modell Path-Based MiRNA-Disease Association Prediction (PBMDA), um miRNA-Krankheitsassoziationen vorherzusagen, indem bekannte menschliche miRNA-Krankheitsassoziationen, funktionelle miRNA-Ähnlichkeit, semantische Ähnlichkeit der Krankheit und Kernelähnlichkeit des Gaußschen Interaktionsprofils für miRNAs und Krankheiten integriert wurden. In diesem Modell wurde ein Tiefensuchalgorithmus verwendet, um neue miRNA-Krankheitsassoziationen zu identifizieren. PBMDA profitiert von einem effektiven Algorithmus und zuverlässigen biologischen Datensätzen und bietet eine bessere Vorhersageleistung. Darüber hinaus haben Xu et al. [50] stellten einen Ansatz vor, um krankheitsbezogene miRNAs durch das miRNA-Target-Dysregulated Network (MTDN) zu identifizieren. Um krankheitsbezogene miRNAs von Kandidaten zu unterscheiden und zu identifizieren, wurde ein SVM-Klassifikator basierend auf der radialen Basisfunktion und das lib-SVM-Paket vorgeschlagen. Untersuchungen haben gezeigt, dass miRNAs funktionell mit Umweltfaktoren (EFs) interagieren können, um komplexe menschliche Krankheiten zu beeinflussen und zu bestimmen. Chen [51] schlug das Modell miREFRWR vor, um den Zusammenhang zwischen Krankheit und miRNA-EF-Wechselwirkungen vorherzusagen. Die Random-Walks-Theorie wurde auf das miRNA-Ähnlichkeitsnetzwerk und das EF-Ähnlichkeitsnetzwerk angewendet. Darüber hinaus wurden auch die Ähnlichkeit der chemischen Struktur von Arzneimitteln, die Ähnlichkeit der miRNA-Funktion und die netzwerkbasierte Ähnlichkeit in miREFRWR verwendet. Basierend auf diesen biologischen Datensätzen und einer effizienten Berechnungsmethode könnte miREFRWR ein effektives Werkzeug in der Computerbiologie sein. Darüber hinaus haben Chen et al. [52] schlugen auch ein Computermodell RKNNMDA vor, um die potenziellen Assoziationen zwischen miRNA und Krankheit vorherzusagen. In RKNNMDA wurden vier biologische Datensätze, experimentell verifizierte humane miRNA-Krankheitsassoziationen, funktionelle Ähnlichkeit der miRNA, semantische Ähnlichkeit der Krankheit und Kernähnlichkeit des Gaußschen Interaktionsprofils für miRNAs und Krankheiten integriert. Es kann festgestellt werden, dass die Vorhersagegenauigkeit von RKNNMDA ausgezeichnet ist. Darüber hinaus könnte RKNNMDA für neue Krankheiten eingesetzt werden, für die keine verwandten miRNA-Informationen bekannt sind.

Im Allgemeinen weist das aktuelle Vorhersagemodell zur MiRNA-Krankheitsassoziation immer noch einige Mängel auf. Zum Beispiel haben unzuverlässige Datensätze einen großen Einfluss auf die Genauigkeit des Vorhersagemodells, wie z. B. miRNA-Target-Interaktionen und Krankheitsgen-Assoziationen. Darüber hinaus können wir für miRNAs und Krankheiten, für die keine Assoziationen bekannt sind, einige der vorhandenen Modelle nicht verwenden, um die relevanten Informationen vorherzusagen. Mit anderen Worten, wir müssen ein neues effektives Rechenmodell entwerfen und entwickeln. Unter der Annahme, dass funktionell ähnliche miRNAs immer bei ähnlichen Krankheiten auftreten, führen wir das Modell der Collaborative Matrix Factorization for MiRNA-Disease Association Prediction (CMFMDA) ein, um eine neue miRNA-Krankheitsassoziation durch die Integration experimentell validierter miRNA-Krankheitsassoziationen, die funktionelle Ähnlichkeit von miRNA, aufzudecken Informationen und Informationen zur semantischen Ähnlichkeit von Krankheiten. Für CMFMDA können wir seine Testergebnisse auf drei verschiedene Arten erhalten: 5-facher CV, lokaler LOOCV und globaler LOOCV. Die AUCs dieser drei Methoden sind 0,8697, 0,8318 bzw. 0,8841, was darauf hindeutet, dass CMFMDA ein zuverlässiges und effizientes Vorhersagemodell ist. Und dann verwenden wir zwei Fälle: Neoplasien der Speiseröhre und Neoplasien der Niere, um die Leistung von CMFMDA zu bewerten. Bei beiden dieser beiden wichtigen Krankheiten wurden 42 bzw. 41 der Top 50 der vorhergesagten miRNA-Krankheitsassoziationen durch neuere experimentelle Literatur bestätigt. Darüber hinaus zeigen Experimente, dass CMFMDA ohne bekannte Assoziation bei Krankheiten und miRNAs eingesetzt werden kann.

2. Materialien und Methoden

2.1. Humane miRNA-Krankheits-Assoziationen

Wir erhielten Informationen über die Assoziationen zwischen miRNA und Krankheit von HMDD, einschließlich 5430 experimentell bestätigter humaner miRNA-Krankheitsassoziationen zu 383 Krankheiten und 495 miRNAs. Adjazenzmatrix

wird vorgeschlagen, den Zusammenhang zwischen miRNA und Krankheit zu beschreiben. Wenn miRNA

ist mit Krankheit verbunden

ist 1, sonst 0. Darüber hinaus haben wir zwei Variablen nm und nd deklariert, um die Anzahl der in dieser Arbeit untersuchten miRNAs bzw. Krankheiten darzustellen.

2.2. Funktionelle Ähnlichkeit der MiRNA

Ausgehend von der Annahme, dass miRNAs mit ähnlichen Funktionen an ähnlichen Erkrankungen beteiligt sind, haben Wang et al. [42] stellen eine Methode zur Berechnung des funktionellen Ähnlichkeitsscores der miRNA vor. Wir haben die funktionellen Ähnlichkeitsbewertungen von miRNA von http://www.cuilab.cn/files/images/cuilab/misim.zip heruntergeladen und eine Matrix konstruiert

um das miRNA-Funktionsähnlichkeitsnetzwerk darzustellen, wobei die Entität den funktionellen Ähnlichkeitsscore zwischen miRNA und darstellt.

2.3. Semantische Ähnlichkeit der Krankheit

In dieser Arbeit kann Krankheit als gerichteter azyklischer Graph (DAG) beschrieben werden und

wurde verwendet, um Krankheit zu beschreiben, wobei der Knotensatz einschließlich aller Vorfahrenknoten von und sich selbst ist und der entsprechende Linksatz einschließlich der direkten Kanten von Elternknoten zu Kindknoten ist. Der semantische Wert von Krankheit in wird wie folgt definiert:


Vorhersage von miRNA-Krankheitsassoziationen basierend auf Weighted K -Nächste bekannte Nachbarn und Netzwerkkonsistenzprojektion

MicroRNAs (miRNA) sind eine Art von nicht-kodierenden RNA-Molekülen, die bei der Entstehung und dem Fortschreiten vieler verschiedener Krankheiten wirksam sind. Verschiedene Forschungen haben berichtet, dass miRNAs eine wichtige Rolle bei der Prävention, Diagnose und Behandlung komplexer menschlicher Krankheiten spielen. In den letzten Jahren haben Forscher enorme Anstrengungen unternommen, um mögliche Zusammenhänge zwischen miRNAs und Krankheiten zu finden. Da die experimentellen Techniken, mit denen festgestellt wurde, dass neue miRNA-Krankheitsbeziehungen zeitaufwendig und teuer sind, wurden viele Computertechniken entwickelt. In dieser Studie wurden gewichtete K-Nearest Known Neighbors und Network Consistency Projection-Techniken vorgeschlagen, um neue miRNA-Krankheitsbeziehungen anhand verschiedener Arten von Wissen vorherzusagen, wie z. B. bekannte miRNA-Krankheitsbeziehungen, funktionelle Ähnlichkeit von miRNA und semantische Ähnlichkeit von Krankheiten. Eine durchschnittliche AUC von 0,9037 und 0,9168 wurde in unserer Methode durch 5-fache bzw. Leave-one-out-Kreuzvalidierung berechnet. Fallstudien von Brust-, Lungen- und Dickdarm-Neoplasmen wurden angewendet, um die Leistungsfähigkeit unserer vorgeschlagenen Technik zu beweisen, und die Ergebnisse bestätigten die prädiktive Zuverlässigkeit dieser Methode. Daher haben berichtete experimentelle Ergebnisse gezeigt, dass unsere vorgeschlagene Methode als zuverlässiges Rechenmodell verwendet werden kann, um potenzielle Beziehungen zwischen miRNAs und Krankheiten aufzudecken.


EBAepidermolysis bullosa erwerb
eQTLQuantitative Trait-Loci/Locus der Expression
lncRNALange nicht kodierende RNA
miRNAMikro-RNA
QTLQuantitative Trait-Loci/Locus
SnoRNAKleine nukleoläre RNA
SnRNAKleine nukleäre RNA

Zusätzliche Datei

Flussdiagramm, das den Analyse-Workflow beschreibt. Das Flussdiagramm bietet einen Überblick über die Analyse, die zum Verständnis der Regulation von miRNAs und ihres Beitrags zum Krankheitsphänotyp durchgeführt wurde. Abbildung S2 Interaktionsnetzwerk, auf das über IPA-Software zur Epistase von miR-501 zugegriffen wird. Die Grafik zeigt die wechselwirkenden Gene, die aus dem Epistase-Scan von miRNA miR-501 in Chromosom 1 und Chromosom 2 identifiziert wurden. Die Grafik zeigt alle bekannten Geninteraktionen zwischen den beiden Loci, wobei gelb gefärbte Gene von Locus auf Chromosom 2 und grün von Locus On sind Chromosom 1. Die rote Linie zeigt den möglichen Weg zur Regulation von miR-501. Abbildung S3 qRT-PCR-Validierung der miR-223-Expression in EBA und normaler Maushaut. (PLZ 637 kb)


Elektronisches Zusatzmaterial ist online unter https://doi.org/10.6084/m9.figshare.c.5015282 verfügbar.

Veröffentlicht von der Royal Society unter den Bedingungen der Creative Commons Attribution License http://creativecommons.org/licenses/by/4.0/, die eine uneingeschränkte Nutzung gestattet, sofern der ursprüngliche Autor und die Quelle angegeben werden.

Verweise

Hosaka T, Yamashita T, Tamaoka A, Kwak S

. 2019 Extrazelluläre RNAs als Biomarker der sporadischen amyotrophen Lateralsklerose und anderer neurodegenerativer Erkrankungen . Int. J.Mol. Wissenschaft 20, 3148. (doi:10.3390/ijms20133148) Crossref, ISI, Google Scholar

. 2017 klinische Phase-I-Studie zur Sicherheit von L-Serin bei ALS-Patienten . Amyotroph. Seitlicher Scler. Vorderseite. Degeneriert. 18, 107-111. (doi:10.180/21678421.2016.1221971) Crossref, PubMed, ISI, Google Scholar

. 2006 Identifizierung potenzieller Liquor-Biomarker bei ALS. Neurologie 66, 1218-1222. (doi:10.1212/01.wnl.0000203129.82104.07) Crossref, PubMed, ISI, Google Scholar

. 2001 Verminderte Glutamataufnahme durch die Blutplättchen bei Patienten mit amyotropher Lateralsklerose. Neurologie 56, 270-272. (doi:10.1212/WNL.56.2.270) Crossref, PubMed, ISI, Google Scholar

. 2015 Plasma-Neurofilament-Schwerkettenspiegel und Krankheitsverlauf bei amyotropher Lateralsklerose: Erkenntnisse aus einer Längsschnittstudie . J. Neurol. Neurochirurg. Psychiatrie 86, 565-573. (doi:10.1136/jnnp-2014-307672) Crossref, PubMed, ISI, Google Scholar

Labra J, Menon P, Byth K, Morrison S, Vucic S

. 2016 Krankheitsprogressionsrate: ein prognostischer Biomarker bei ALS . J. Neurol. Neurochirurg. Psychiatrie 87, 628-632. (doi:10.1136/jnnp-2015-310998) Crossref, PubMed, ISI, Google Scholar

Shepheard SR, Wuu J, Cardoso M, Wiklendt L, Dinning PG, Chataway T, Schultz D, Benatar M, Rogers ML

. 2017 Urinary p75ECD: ein prognostischer, Krankheitsverlauf und pharmakodynamischer Biomarker bei ALS . Neurologie 88, 1137-1143. (doi:10.1212/WNL.0000000000003741) Crossref, PubMed, ISI, Google Scholar

2019 Diagnostische und prognostische Leistung von Neurofilamenten bei ALS . Vorderseite. Neurol. 9, 1167. (doi:10.3389/fneur.2018.01167) Crossref, PubMed, ISI, Google Scholar

Simpson EP, Henry YK, Henkel JS, Smith RG, Appel SH

. 2004 Erhöhte Lipidperoxidation in Seren von ALS-Patienten: ein potenzieller Biomarker für die Krankheitslast . Neurologie 62, 1758-1765. (doi:10.1212/WNL.62.10.1758) Crossref, PubMed, ISI, Google Scholar

Boylan K, Yang C, Crook J, Overstreet K, Heckman M, Wang Y, Borchelt D, Shaw G

. 2009 Immunreaktivität der phosphorylierten axonalen Neurofilament-H-Untereinheit (pNF-H) im Blut von ALS-Modellnagern und ALS-Patienten: Bewertung von Blut-pNF-H als potenzieller ALS-Biomarker . J. Neurochem. 111, 1182-1191. (doi:10.1111/j.1471-4159.2009.06386.x) Crossref, PubMed, ISI, Google Scholar

Wilson ME, Boumaza I, Lacomis D, Bowser R

. 2010 Cystatin C: ein Kandidat für Biomarker für amyotrophe Lateralsklerose . Plus eins 5, e15133. (doi:10.1371/journal.pone.0015133) Crossref, PubMed, ISI, Google Scholar

Bede P, Bokde ALW, Byrne S, Elamin M, Fagan AJ, Hardiman O

. 2012 Rückenmarksmarker bei ALS: Überlegungen zu Diagnostik und Biomarkern . Amyotroph. Seitlicher Scler. 13, 407-415. (doi:10.3109/17482968.2011.649760) Crossref, PubMed, Google Scholar

. 2012 Elektrische Impedanzmyographie als Biomarker zur Beurteilung der ALS-Progression . Amyotroph. Seitlicher Scler. 13, 439-445. (doi:10.3109/17482968.2012.688837) Crossref, PubMed, Google Scholar

Tarasiuk J, Kułakowska A, Drozdowski W, Kornhuber J, Lewczuk P

. 2012 Liquormarker bei amyotropher Lateralsklerose . J. Neuronale Transm. 119, 747-757. (doi:10.1007/s00702-012-0806-y) Crossref, PubMed, ISI, Google Scholar

Feneberg E, Steinacker P, Lehnert S, Schneider A, Walther P, Thal DR, Linsenmeier M, Ludolph AC, Otto M

. 2014 Begrenzte Rolle von freiem TDP-43 als diagnostisches Werkzeug bei neurodegenerativen Erkrankungen . Amyotroph. Seitlicher Scler. Vorderseite. Degeneriert. 15, 351-356. (doi:10.3109/21678421.2014.905606) Crossref, PubMed, ISI, Google Scholar

. 2015 Neurofilament-Leichtkette: ein prognostischer Biomarker bei amyotropher Lateralsklerose . Neurologie 84, 2247-2257. (doi:10.1212/WNL.0000000000001642) Crossref, PubMed, ISI, Google Scholar

2012 Überwachung von Liquor-Proteomveränderungen bei amyotropher Lateralsklerose: Hindernisse und Perspektiven bei der Übertragung eines neuartigen Markerpanels in die Klinik . Plus eins 7, e44401. (doi:10.1371/journal.pone.0044401) Crossref, PubMed, ISI, Google Scholar

. 2018 Minimalinformation für Studien zu extrazellulären Vesikeln 2018 (MISEV2018): ein Positionsstatement der Internationalen Gesellschaft für Extrazelluläre Vesikel und Aktualisierung der MISEV2014-Richtlinien . J. Extracell. Vesikel 7, 1535750. (doi:10.1080/20013078.2018.1535750) Crossref, PubMed, ISI, Google Scholar

Cheruiyot C, Pataki Z, Ramratnam B, Li M

. 2018 Proteomische Analyse von Exosomen und ihre Anwendung bei der HIV-1-Infektion . Proteomics-Klin. Appl. 12, 1700142. (doi:10.1002/prca.201700142) Crossref, ISI, Google Scholar

. 2018 Exosom-assoziiertes miRNA-Profil als prognostisches Instrument zur Überwachung des Therapieansprechens bei Patienten mit Multipler Sklerose . FASEB J. 32, 4241-4246. (doi:10.1096/fj.201701533R) Crossref, PubMed, ISI, Google Scholar

Y. Meng, J. Sun, X. Wang, T. Hu, Y. Ma, C. Kong, H. Piao, T. Yu, G. Zhang

. 2019 Exosomen: ein vielversprechender Weg zur Diagnose von Brustkrebs . techn. Krebs Res. Behandeln. 18, 1533033818821421. (doi:10.1177/1533033818821421) Crossref, ISI, Google Scholar

Shi M, Jiang Y, Yang L, Yan S, Wang Y-G, Lu X-J

. 2018 Verminderte Spiegel des exosomalen miR-638 im Serum sagen eine schlechte Prognose beim hepatozellulären Karzinom voraus. J. Zelle. Biochem. 119, 4711-4716. (doi:10.1002/jcb.26650) Crossref, PubMed, ISI, Google Scholar

Chen B, Xia Z, Deng YN, Yang Y, Zhang P, Zhu H, Xu N, Liang S

. 2019 Neue microRNA-Biomarker für die Diagnose und Prognose von Darmkrebs . Biol. öffnen 9, 180212. (doi:10.1098/rsob.180212) Link, ISI, Google Scholar

Wu HZY, Ong KL, Seeher K, Armstrong NJ, Thalamuthu A, Brodaty H, Sachdev P, Mather K

. 2015 Zirkulierende microRNAs als Biomarker der Alzheimer-Krankheit: eine systematische Übersicht . J. Alzheimer-Dis. 49, 755-766. (doi:10.3233/JAD-150619) Crossref, ISI, Google Scholar

Zheng X, Zhang Y, Yue P, Liu L, Wang C, Zhou K, Hua Y, Wu G, Li Y

. 2019 Diagnostische Bedeutung zirkulierender miRNAs bei systemischem Lupus erythematodes . Plus eins 14, e0217523. (doi:10.1371/journal.pone.0217523) Crossref, PubMed, ISI, Google Scholar

. 2019 Eine Übersicht über MicroRNA-Biomarker bei Schädel-Hirn-Traumata. J. Erw. Neurosci. 13, 117906951983228. (doi:10.1177/1179069519832286) Crossref, ISI, Google Scholar

Zhou SS, Jin JP, Wang JQ, Zhang ZG, Freedman JH, Zheng Y, Cai L

. 2018 MiRNAS bei Herz-Kreislauf-Erkrankungen: potenzielle Biomarker, therapeutische Ziele und Herausforderungen Übersichtsartikel . Acta Pharmacol. Sünde. 39, 1073-1084. (doi:10.1038/aps.2018.30) Crossref, PubMed, ISI, Google Scholar

Roser AE, Caldi Gomes L, Schünemann J, Maass F, Lingor P

. 2018 Zirkulierende miRNAs als diagnostische Biomarker für die Parkinson-Krankheit . Vorderseite. Neurosci. 12, 625. (doi:10.3389/fnins.2018.00625) Crossref, PubMed, ISI, Google Scholar

Piket E, Zheleznyakova GY, Kular L, Jagodic M

. 2019 Kleine nicht-kodierende RNAs als wichtige Player, Biomarker und therapeutische Targets bei Multipler Sklerose: ein umfassender Überblick . J. Autoimmun. 101, 17-25. (doi:10.1016/j.jaut.2019.04.002) Crossref, PubMed, ISI, Google Scholar

Vaishya S, Sarwade RD, Seshadri V

. 2018 MicroRNA, Proteine ​​und Metaboliten als neuartige Biomarker für Prädiabetes, Diabetes und verwandte Komplikationen . Vorderseite. Endokrinol. (Lausanne) 9, 180. (doi:10.3389/fendo.2018.00180) Crossref, PubMed, ISI, Google Scholar

Mustapic M, Eitan E, Werner JKJ, Berkowitz ST, Lazaropoulos MP, Tran J, Goetzl EJ, Kapogiannis D

. 2017 Extrazelluläre Plasmavesikel, angereichert für neuronalen Ursprung: ein potenzielles Fenster in pathologische Prozesse des Gehirns . Vorderseite. Neurosci. 11, 278. (doi:10.3389/FNINS.2017.00278) Crossref, PubMed, ISI, Google Scholar

Brooks BR, Miller RG, Swash M, Munsat TL

. 2000 El Escorial revisited: überarbeitete Kriterien für die Diagnose der amyotrophen Lateralsklerose . Amyotroph. Seitlicher Scler. 1, 293-299. (doi:10.180/146608200300079536) Google Scholar

. 2011 Cutadapt entfernt Adaptersequenzen aus Hochdurchsatz-Sequenzierungslesevorgängen. EMBnet.journal 17, 10. (doi:10.14806/ej.17.1.200) Crossref, Google Scholar

. 2012 Schnelles Ausrichten von Lücken beim Lesen mit Bowtie 2 . Nat. Methoden 9, 357-359. (doi:10.1038/nmeth.1923) Crossref, PubMed, ISI, Google Scholar

Robinson MD, McCarthy DJ, Smyth GK

. 2009 edgeR: ein Bioleiterpaket für die differentielle Expressionsanalyse digitaler Genexpressionsdaten . Bioinformatik 26, 139-140. (doi:10.1093/bioinformatics/btp616) Crossref, PubMed, ISI, Google Scholar

. 2010 Eine Skalierungsnormalisierungsmethode für die Differenzial-Expressionsanalyse von RNA-seq-Daten . Genom Biol. 11, R25. (doi:10.1186/gb-2010-11-3-r25) Crossref, PubMed, ISI, Google Scholar

Kozomara A, Griffiths-Jones S

. 2014 miRBase: Annotation von microRNAs mit hoher Konfidenz unter Verwendung von Deep-Sequencing-Daten . Nukleinsäuren Res. 42, D68-D73. (doi:10.1093/nar/gkt1181) Crossref, PubMed, ISI, Google Scholar

. 2009 Die MIQE-Richtlinien: Mindestangaben für die Veröffentlichung quantitativer Real-Time-PCR-Experimente . Klin. Chem.-Nr. 55, 611-622. (doi:10.1373/clinchem.2008.112797) Crossref, PubMed, ISI, Google Scholar

Andersen CL, Jensen JL, Ørntoft TF

. 2004 Normalisierung von quantitativen Reverse-Transkriptions-PCR-Daten in Echtzeit: ein modellbasierter Ansatz zur Varianzschätzung zur Identifizierung von Genen, die für die Normalisierung geeignet sind, angewendet auf Datensätze von Blasen- und Dickdarmkrebs . Krebs Res. 64, 5245-5250. (doi:10.1158/0008-5472.CAN-04-0496) Crossref, PubMed, ISI, Google Scholar

Vandesompele J, De Preter K, Pattyn F, Poppe B, Van Roy N, De Paepe A, Speleman F.

2002 Genaue Normalisierung quantitativer Echtzeit-RT-PCR-Daten durch geometrische Mittelung mehrerer interner Kontrollgene. Genom Biol. 3, FORSCHUNG0034. (doi:10.1186/gb-2002-3-7-research0034) Crossref, PubMed, ISI, Google Scholar

. 2013 Standardisierung von Probennahme-, Isolierungs- und Analysemethoden in der extrazellulären Vesikelforschung . J. Extracell. Vesikel 2, 20360. (doi:10.3402/jev.v2i0.20360) Crossref, Google Scholar

Hill AF, Pegtel DM, Lambertz U, Leonardi T, O'Driscoll L, Pluchino S, Ter-Ovanesyan D, Nolte-‘t Hoen ENM

. 2013 ISEV Positionspapier: Extrazelluläre Vesikel-RNA-Analyse und Bioinformatik . J. Extracell. Vesikel 2, 22859. (doi:10.3402/jev.v2i0.22859) Crossref, Google Scholar

Katsu M, Hama Y, Utsumi J, Takashina K, Yasumatsu H, Mori F, Wakabayashi K, Shoji M, Sasaki H

. 2019 MicroRNA-Expressionsprofile von Neuronen-abgeleiteten extrazellulären Vesikeln im Plasma von Patienten mit amyotropher Lateralsklerose. Neurosci. Lette. 708, 134176. (doi:10.1016/j.neulet.2019.03.048) Crossref, PubMed, ISI, Google Scholar

. 2012 Die Modulierung entzündlicher Monozyten mit einer einzigartigen microRNA-Gensignatur verbessert die murine ALS. J. Clin. Investieren. 122, 3063-3087. (doi:10.1172/JCI62636) Crossref, PubMed, ISI, Google Scholar

De Felice B, Guida M, Guida M, Coppola C, De Mieri G, Cotrufo R.

2012 Eine miRNA-Signatur in Leukozyten von sporadischer amyotropher Lateralsklerose. Gen 508, 35-40. (doi:10.1016/j.gene.2012.07.058) Crossref, PubMed, ISI, Google Scholar

. 2017 Serum-miRNAs miR-206, 143-3p und 374b-5p als potenzielle Biomarker für amyotrophe Lateralsklerose (ALS) . Neurobiol. Altern 55, 123-131. (doi:10.1016/j.neurobiolaging.2017.03.027) Crossref, PubMed, ISI, Google Scholar

Liguori M, Nuzziello N, Introna A, Consiglio A, Licciulli F, D'Errico E, Scarafino A, Distaso E, Simone IL

. 2018 Dysregulation von microRNAs und Zielgen-Netzwerken im peripheren Blut von Patienten mit sporadischer amyotropher Lateralsklerose . Vorderseite. Mol.-Nr. Neurosci. 11, 288. (doi:10.3389/fnmol.2018.00288) Crossref, PubMed, ISI, Google Scholar

. 2018 Korrelation von Serummikrornas und klinischen Parametern bei amyotropher Lateralsklerose . Muskelnerv 58, 261-269. (doi:10.1002/mus.26106) Crossref, PubMed, ISI, Google Scholar

Vrabec K, Boštjančič E, Koritnik B, Leonardis L, Dolenc Grošelj L, Zidar J, Rogelj B, Glavač D, Ravnik-Glavač M

. 2018 Differentielle Expression mehrerer miRNAs und der Wirtsgene AATK und DNM2 in Leukozyten von sporadischen ALS-Patienten . Vorderseite. Mol.-Nr. Neurosci. 11, 106. (doi:10.3389/fnmol.2018.00106) Crossref, PubMed, ISI, Google Scholar

. 2014 miR-338-3p wird in Blut, CFS, Serum und Rückenmark von sporadischen Patienten mit amyotropher Lateralsklerose überexprimiert . Neurogenetik 15, 243-253. (doi:10.1007/s10048-014-0420-2) Crossref, PubMed, ISI, Google Scholar

Toivonen JM, Manzano R, Oliván S, Zaragoza P, García-Redondo A, Osta R

. 2014 MicroRNA-206: ein potenzieller zirkulierender Biomarker-Kandidat für amyotrophe Lateralsklerose . Plus eins 9, e89065. (doi:10.1371/journal.pone.0089065) Crossref, PubMed, ISI, Google Scholar

Takahashi I, Hama Y, Matsushima M, Hirotani M, Kano T, Hohzen H, Yabe I, Utsumi J, Sasaki H

. 2015 Identifizierung von Plasma-microRNAs als Biomarker der sporadischen amyotrophen Lateralsklerose . Mol.-Nr. Gehirn 8, 67. (doi:10.1186/s13041-015-0161-7) Crossref, PubMed, ISI, Google Scholar

Chen Y, Wei Q, Chen X, Li C, Cao B, Ou R, Hadano S, Shang H-F

. 2016 Aberration der miRNAs-Expression in Leukozyten von sporadischer amyotropher Lateralsklerose . Vorderseite. Mol.-Nr. Neurosci. 9, 69. (doi:10.3389/fnmol.2016.00069) Crossref, PubMed, ISI, Google Scholar

de Andrade HMT, de Albuquerque M, Avansini SH, de Rocha SC, Dogini DB, Nucci A, Carvalho B, Lopes-Cendes I

. 2016 MicroRNAs-424 und 206 sind potenzielle prognostische Marker bei spinaler amyotropher Lateralsklerose. J. Neurol. Wissenschaft 368, 19-24. (doi:10.1016/j.jns.2016.06.046) Crossref, PubMed, ISI, Google Scholar

Tasca E, Pegoraro V, Merico A, Angelini C

. 2016 Zirkulierende microRNAs als Biomarker für Muskeldifferenzierung und -atrophie bei ALS . Klin. Neuropathol. 35, 22-30. (doi:10.5414/NP300889) Crossref, PubMed, ISI, Google Scholar

. 2017 Zirkulierende hirnangereicherte microRNAs als neuartige Biomarker zur Erkennung und Differenzierung neurodegenerativer Erkrankungen . Alzheimer Res. Da. 9, 1-13. (doi:10.1186/s13195-017-0316-0) Crossref, PubMed, ISI, Google Scholar

Waller R, Wyles M, Heath PR, Kazoka M, Wollff H, Shaw PJ, Kirby J

. 2018 Small RNA-Sequenzierung von sporadischer amyotropher Lateralsklerose Liquor zeigt differenziell exprimierte miRNAs im Zusammenhang mit neuraler und glialer Aktivität. Vorderseite. Neurosci. 11, 731. (doi:10.3389/fnins.2017.00731) Crossref, PubMed, ISI, Google Scholar

Benoist M, Palenzuela R, Rozas C, Rojas P, Tortosa E, Morales B, González-Billault C, Ávila J, Esteban JA

. 2013 MAP1B-abhängige Rac-Aktivierung ist für die AMPA-Rezeptor-Endozytose während einer Langzeitdepression erforderlich. EMBO J. 32, 2287-2299. (doi:10.1038/emboj.2013.166) Crossref, PubMed, ISI, Google Scholar

. 2012 Regulierung der funktionellen Heterogenität von Monozyten durch miR-146a und Relb. Zellvertreter 1, 317-324. (doi:10.1016/j.celrep.2012.02.009) Crossref, PubMed, ISI, Google Scholar

. 2013 Modulation der mGluR-abhängigen MAP1B-Translation und AMPA-Rezeptor-Endozytose durch microRNA miR-146a-5p . J. Neurosci. 33, 9013-9020. (doi:10.1523/JNEUROSCI.5210-12.2013) Crossref, PubMed, ISI, Google Scholar

Sison SL, Patitucci TN, Seminar ER, Villalon E, Lorson CL, Ebert AD

. 2017 Astrozyten-produziertes miR-146a als Mediator des Verlusts von Motoneuronen bei spinaler Muskelatrophie. Summen. Mol.-Nr. Genet. 26, 3409-3420. (doi:10.1093/hmg/ddx230) Crossref, PubMed, ISI, Google Scholar

Lu Y, Cao DL, Jiang BC, Yang T, Gao YJ

. 2015 MicroRNA-146a-5p dämpft neuropathische Schmerzen durch die Unterdrückung der TRAF6-Signalgebung im Rückenmark. Gehirn. Verhalten Immun. 49, 119-129. (doi:10.1016/j.bbi.2015.04.018) Crossref, PubMed, ISI, Google Scholar

Iyer A, Zurolo E, Prabowo A, Fluiter K, Spliet WGM, van Rijen PC, Gorter JA, Aronica E.

2012 MicroRNA-146a: ein wichtiger Regulator der Astrozyten-vermittelten Entzündungsreaktion . Plus eins 7, e44789. (doi:10.1371/journal.pone.0044789) Crossref, PubMed, ISI, Google Scholar

. 2012 Assoziation von microRNA-146a mit Autoimmunerkrankungen . Entzündung 35, 1525-1529. (doi:10.1007/s10753-012-9467-0) Crossref, PubMed, ISI, Google Scholar

Cui JG, Li YY, Zhao Y, Bhattacharjee S, Lukiw WJ

. 2010 Differentielle Regulation der Interleukin-1-Rezeptor-assoziierten Kinase-1 (IRAK-1) und IRAK-2 durch microRNA-146a und NF-κB in gestressten menschlichen Astrogliazellen und bei der Alzheimer-Krankheit . J. Biol. Chem.-Nr. 285, 38 951-38 960. (doi:10.1074/jbc.M110.178848) Crossref, ISI, Google Scholar

. 2008 Die Identifizierung von miRNA-Veränderungen im Gehirn und im Liquor der Alzheimer-Krankheit liefert mutmaßliche Biomarker und Einblicke in Krankheitswege. J. Alzheimer-Dis. 14, 27-41. (doi:10.3233/JAD-2008-14103) Crossref, PubMed, ISI, Google Scholar

. 2009 Mikro-RNA-Abundanz und -Stabilität im menschlichen Gehirn: spezifische Veränderungen im Temporallappen-Neocortex der Alzheimer-Krankheit . Neurosci. Lette. 459, 100-104. (doi:10.1016/j.neulet.2009.04.052) Crossref, PubMed, ISI, Google Scholar

Kiko T, Nakagawa K, Tsuduki T, Furukawa K, Arai H, Miyazawa T

. 2014 MicroRNAs in Plasma und Liquor als potenzielle Marker für die Alzheimer-Krankheit . J. Alzheimer-Dis. 39, 253-259. (doi:10.3233/JAD-130932) Crossref, PubMed, ISI, Google Scholar

Müller M, Kuiperij HB, Claassen JA, Küsters B, Verbeek MM

. 2014 MicroRNAs bei der Alzheimer-Krankheit: Differenzielle Expression im Hippocampus und zellfreier Liquor cerebrospinalis . Neurobiol. Altern 35, 152-158. (doi:10.1016/j.neurobiolaging.2013.07.005) Crossref, PubMed, ISI, Google Scholar

. 2015 Serum-MicroRNA-Profile dienen als neuartige Biomarker für die Diagnose der Alzheimer-Krankheit. Dis. Markierungen 2015, 625659. (doi:10.1155/2015/625659) Crossref, PubMed, ISI, Google Scholar

. 2014 Schnelle Isolierung extrazellulärer Vesikel aus Zellkultur und biologischen Flüssigkeiten unter Verwendung eines synthetischen Peptids mit spezifischer Affinität für Hitzeschockproteine. Plus eins 9, e110443. (doi:10.1371/journal.pone.0110443) Crossref, PubMed, ISI, Google Scholar

. 2019 Identifizierung einer zirkulierenden miRNA-Signatur in extrazellulären Vesikeln, die von Patienten mit amyotropher Lateralsklerose gesammelt wurden. Gehirnres. 1708, 100-108. (doi:10.1016/j.brainres.2018.12.016) Crossref, PubMed, ISI, Google Scholar

Hua YJ, Tang ZY, Tu K, Zhu L, Li YX, Xie L, Xiao HS

. 2009 Identifizierung und Zielvorhersage von miRNAs, die spezifisch in neuronalem Gewebe von Ratten exprimiert werden. BMC Genomics 10, 214. (doi:10.1186/1471-2164-10-214) Crossref, PubMed, ISI, Google Scholar

Liu G, Detloff MR, Miller KN, Santi L, Houlé JD

. 2012 Sport moduliert microRNAs, die den PTEN/mTOR-Signalweg bei Ratten nach einer Rückenmarksverletzung beeinflussen. Erw. Neurol. 233, 447-456. (doi:10.1016/j.expneurol.2011.11.018) Crossref, PubMed, ISI, Google Scholar

. 2015 Die MiR-10b-5p-Expression im Gehirn der Huntington-Krankheit hängt mit dem Erkrankungsalter und dem Ausmaß der Striatumbeteiligung zusammen. BMC Med. Genomik 8, 1-14. (doi:10.1186/s12920-015-0083-3) Crossref, PubMed, ISI, Google Scholar

Varendi K, Kumar A, Härma MA, Andressoo JO

. 2014 MIR-1, miR-10b, miR-155 und miR-191 sind neue Regulatoren von BDNF. Zelle. Mol.-Nr. Leben Sci. 71, 4443-4456. (doi:10.1007/s00018-014-1628-x) Crossref, PubMed, ISI, Google Scholar

Li Y, Yui D, Luikart BW, McKay RM, Li Y, Rubenstein JL, Parada LF

. 2012 Bedingte Ablation des vom Gehirn abgeleiteten neurotrophen Faktors-TrkB-Signalwegs beeinträchtigt die Entwicklung von Striatum-Neuronen . Proz. Natl Acad. Wissenschaft Vereinigte Staaten von Amerika 109, 15 491-15 496. (doi:10.1073/pnas.1212899109) Crossref, ISI, Google Scholar

Buchman AS, Yu L, Boyle PA, Schneider JA, De Jager PL, Bennett DA.

2016 Eine höhere BDNF-Genexpression im Gehirn ist mit einem langsameren kognitiven Verfall bei älteren Erwachsenen verbunden. Neurologie 86, 735-741. (doi:10.1212/WNL.0000000000002387) Crossref, PubMed, ISI, Google Scholar

Sadanand A, Janardhanan A, Vanisree AJ, Pavai T

. 2018 Neurotrophin-Expression in Lymphozyten: ein starker Indikator für die Degeneration bei der Parkinson-Krankheit, der amyotrophen Lateralsklerose und der Ataxie . J.Mol. Neurosci. 64, 224-232. (doi:10.1007/s12031-017-1014-x) Crossref, PubMed, ISI, Google Scholar

. 2015 Die zwei Gesichter von miR-29 . J. Cardiovasc. Med. 16, 480-490. (doi:10.2459/JCM.00000000000000246) Crossref, Google Scholar

. 2014 Serum-microRNA-Profile bei Kindern mit Autismus. Mol.-Nr. Autismus 5, 40. (doi:10.1186/2040-2392-5-40) Crossref, PubMed, ISI, Google Scholar

Moreau MP, Bruse SE, David-Rus R, Buyske S, Brzustowicz LM

. 2011 Veränderte microRNA-Expressionsprofile in postmortalen Hirnproben von Personen mit Schizophrenie und bipolarer Störung. Biol. Psychiatrie 69, 188-193. (doi:10.1016/j.biopsych.2010.09.039) Crossref, PubMed, ISI, Google Scholar

. 2013 Eine blutbasierte 12-miRNA-Signatur von Alzheimer-Patienten . Genom Biol. 14, R78. (doi:10.1186/gb-2013-14-7-r78) Crossref, PubMed, ISI, Google Scholar

2018 miRNA-basierte Signaturen im Liquor als potenzielle Diagnosewerkzeuge für die Parkinson-Krankheit im Frühstadium . Oncotarget 9, 17 455-17 465. (doi:10.18632/oncotarget.24736) Crossref, Google Scholar

Pallarès-Albanell J, Zomeño-Abellán MT, Escaramís G, Pantano L, Soriano A, Segura MF, Martí E

. 2019 Ein Hochdurchsatz-Screening identifiziert microRNA-Inhibitoren, die die neuronale Aufrechterhaltung und/oder Reaktion auf oxidativen Stress beeinflussen. Mol.-Nr. Da. Nukleinsäuren 17, 374-387. (doi:10.1016/j.omtn.2019.06.007) Crossref, PubMed, ISI, Google Scholar

Kruman II, Pedersen WA, Springer JE, Mattson MP

. 1999 ALS-verknüpfte Cu/Zn-SOD-Mutation erhöht die Anfälligkeit von Motoneuronen für Exzitotoxizität durch einen Mechanismus, der erhöhten oxidativen Stress und gestörte Calciumhomöostase beinhaltet. Erw. Neurol. 160, 28-39. (doi:10.1006/exnr.1999.7190) Crossref, PubMed, ISI, Google Scholar

Bao N, Fang B, Lv H, Jiang Y, Chen F, Wang Z, Ma H

. 2018 Hochregulation von miR-199a-5p schützt das Rückenmark vor Ischämie/Reperfusions-induzierter Schädigung durch Herunterregulierung von ECE1 bei Ratten. Zelle. Mol.-Nr. Neurobiol. 38, 1293-1303. (doi:10.1007/s10571-018-0597-2) Crossref, PubMed, ISI, Google Scholar


Diskussion

In dieser Arbeit haben wir FCMDAP entwickelt, um krankheitsbedingte miRNAs beim Menschen vorherzusagen. FCMDAP berechnet die Ähnlichkeit zwischen miRNAs, indem es gegenseitige Informationen basierend auf den bekannten miRNA-mRNA-Interaktionsinformationen verwendet und die Informationen der miRNA-Familie hinzufügt, um einen miRNA-Raum zu konstruieren. FCMDAP integriert krankheitsfunktionelle Ähnlichkeit basierend auf der Krankheit-Gen-Interaktion und krankheitssemantische Ähnlichkeit basierend auf dem DAG von MeSH, um einen Krankheitsraum zu konstruieren. FCMDAP integriert die Assoziations-Scores zwischen miRNA und Krankheit aus miRNA- und Krankheitsräumen. Die Assoziationspunkte zwischen miRNA und Krankheit werden basierend auf dem berechnet k ähnlichsten Nachbarempfehlungsalgorithmus, und miRNA-Clusterinformationen werden in den miRNA-Raum eingefügt. Wie NSIM und andere Methoden sagt auch FCMDAP unbekannte Assoziationen vorher, indem es ein miRNA-Netzwerk und ein Krankheitsnetzwerk konstruiert.Dabei sind die Ähnlichkeitsberechnungen von miRNA und Krankheit jedoch unabhängig voneinander. Es werden mehrere Arten von Daten berücksichtigt, darunter miRNA-mRNA-Interaktion, Informationen zur miRNA-Familie, Krankheitsgen-Interaktion, DAG von MeSH zur Berechnung der miRNA-Ähnlichkeit und Krankheitsähnlichkeit Genauigkeit von Ähnlichkeitsberechnungen. Verwendung der k ähnlicher Nachbarempfehlungsalgorithmus und miRNA-Clusterinformationen machen die Vorhersageergebnisse vernünftiger und verbessern die Vorhersageleistung.

LOOCV und Fallstudien zeigen, dass FCMDAP eine hervorragende Leistung bei der Vorhersage von miRNA-Krankheitsassoziationen zeigt. FCMDAP zeigt eine zufriedenstellende Leistung bei der Vorhersage von Krankheiten ohne zugehörige miRNA-Informationen und miRNAs ohne zugehörige Krankheitsinformationen. Die durchschnittliche AUC von FCMDAP zur Vorhersage isolierter Krankheiten und isolierter miRNAs beträgt 0,8417 bzw. 0,8944. Bei isolierten Lungenneoplasmen erreichte die Vorhersagegenauigkeit bei den Top 50 der vorhergesagten miRNAs 100 %. Für das isolierte hsa-mir-93 erreichte die Vorhersagegenauigkeit bei den Top-10-Erkrankungen 90%.

FCMDAP weist jedoch die folgenden Einschränkungen auf. Die Ähnlichkeit der miRNA kann weiter verbessert werden, wenn andere Biomoleküle in Betracht gezogen werden, die mit miRNAs interagieren. Da FCMDAP auf experimentell verifizierten miRNA-Krankheitsassoziationen entwickelt wird, können miRNA-Krankheitsassoziationen experimentell verifiziert werden, wodurch die Leistung von FCMDAP verbessert wird.