论文：Oncoprotein-specific molecular interaction maps (SigMaps) for cancer network analyses（癌蛋白特异性分子相互作用图谱(SIGMAPs)在肿瘤网络分析中的应用）
肿瘤特异性阐明物理和功能的癌蛋白相互作用可以改善肿瘤的发生机制、特征和治疗反应预测。然而，目前的相互作用模型和途径缺乏上下文特异性，而且不是癌蛋白特异性的。
我们介绍SigMaps作为上下文特定的网络，包括调制器、效应器和同源结合-特定癌蛋白的伙伴。SigMaps重构德雷沃通过OncoSig机器学习框架整合各种证据来源--包括蛋白质结构、基因表达和突变谱。
我们首先构建了肺腺癌的kras特异性SigMap，该图对已发表的kras生物学进行了概述，确定了在三维球体模型中实验验证的新型合成致死性蛋白质，并与Rab/rho建立了未表征的串扰。
为了证明OncoSig是可推广的，我们首先推导出10个突变最多的人类癌蛋白的SigMap，然后在宇宙癌症基因普查中推断出715个蛋白质的全部序列。综合起来，这些SigMaps(交互式分析)表明细胞的调控和信号结构具有高度的组织特异性。
(A)：在恢复已建立的kras途径蛋白(fpr≤0.0 5(5%))时，roc曲线显示。射频(红色曲线，N=1,114)，KRAS mRNA表达与LUAD其它蛋白mRNA表达的相关性(绿色曲线，N=957)，随机预测(黑色曲线)。嵌体显示完全的ROC曲线(红色曲线，N=19,548；绿色曲线，N=18,891)。
(B)：ROC曲线(A)对于FPR≤0.01(1%，N=263)，根据预测是否对应于(I)建立KRAS-途径蛋白(顶部面板，黄色圆圈)，与最著名的kras途径蛋白单独标记或(2)新的KRAS SigMap蛋白(底部面板，白色圆圈)。
圆圈将预测注释为“可下药”(药物再定位中心)(红色)，经实验验证的KRAS相互作用物(BioGRID)(蓝色)，或两者兼而有之(黑色)。
(C)：OncoSig射频在概念上描述的特定于LUAD的KRAS SigMap图1a。为了防止视觉混乱，只有前68位的OncoSig射频预测，也是毒蛇-推断的KRAS之间的因素，预PPI预测的物理相互作用，或两者，都被描绘。
粗体和规则的文本节点标签分别表示已建立的和新颖的预测；橙色和蓝色的节点颜色分别表示上游调控器和下游效应器；红色、黑色和紫色节点边框分别表示可下药的预测(药物再定位集线器)。
KRAS穆特文献中的合成致命性伴侣或在本研究中验证，并分别验证；实心橙色和蓝线以及灰色节点表示PrePPI预测的物理KRAS交互作用；绿色虚线表示自动调节和前馈回路交互作用。
(A)：聚合shRNA阴性筛选实验的原理图。平均有四个shRNAs针对协议中的每个基因。克拉斯G12D/+/p53fl/fl原发肿瘤细胞(绿色斑块)是从小鼠中分离出来的，并被放置在一个半固态的三维基质(圆柱体)中。
一个集合的shRNA基因敲除(第1天)，每个细胞随机地将一个shRNA整合到其DNA中。整合不同shRNA的细胞表现为：红色(代表新预测的shRNA)、绿色和紫色(用于阳性对照)和黑色(用于背景池)。
一些细胞及其子代细胞形成球状细胞(第6天)。球体被分离，重新植入一个新的矩阵，并进行改革(第12天)。在第6天和第12天，通过对shRNA进行深度测序，测定shRNA丰度的折叠变化(FC)。
(B)：原木地块2针对KRAS功能伙伴(红色，N=100)，已知的KRAS信号通路成员(RALGDS，MAPK 1，RASA 1和AKT 1)(紫色，N=17)和两个合成的致死阳性对照(NUP 205和TBK 1)(绿色，N=8)。
黑点显示原木2针对背景聚合屏(BPS，N=2286)中515个基因的shRNAfc不参与KRAS调控的信号转导。X轴是由排序日志计算的归一化秩。2每组shRNAs的FC，除以该组中的shRNAs数。每个基因由几个点表示，这些点对应于不同的shRNAs。看见扩展数据图3更多细节。
(C)*原木密度图2Fc表示预测的KRAS功能伙伴(红色)、所有个体BPS(灰色)和所有BPS(黑色)的平均数。
(D)：重组shRNA阴性筛选实验中显著抑制细胞器生长的基因的变化与显着性差异(FDR<0.05，灰度虚线)。原木2ShRNAs的fc，去除一两个离群点发夹后的平均值，是用原木绘制的。10-转换后的FDR调整p值。ShRNAs被着色，如(B)。
PAAD与LUAD的比较没有确定实质性的上下文特异性。虽然这可能仅仅反映了KRAS在这两种肿瘤中更强的保守性，但PAAD分析具有挑战性，因为大多数样本(>90%)存在KRAS突变，而且几乎所有样本都具有显著的KRAS通路活性。
因此，在这种情况下，作为阴性对照的样本不像队列中那样有效，在队列中，突变只发生在一个相对较小的样本子集中。这也可能是未能识别特定于上下文的效应器和调制器的原因。
作为回顾性验证的衡量标准，我们评估了该算法在先前发表的600蛋白质EGFR特异性网络中对蛋白质进行重述的能力。使用排除该网络中的蛋白质的PGSS(补充档案1和3)。SigMap预测在以EGFR为中心的网络蛋白中高度富集(p=2.3 x 10−43, 扩展数据图6b)。
此外，预测还高度富集了58个基因，这些基因的敲除被证明能使细胞对EGFR靶向抑制剂(p=1.4 x 10−9)。最后，EGFR SigMap区分了使细胞对EGFR敏感的基因--靶向药物与不敏感的基因(p=2.0 x 10−4，通过韦尔奇的两个样本t检验；扩展数据图6c).
靶向突变特异性依赖关系是发现新的kras的一种方法。KRAS SigMap在KRAS中高度丰富。其中许多依赖项是可药的。以前的一些研究使用高吞吐量屏幕来发现kras。尽管它们的预测中的重叠程度很低。这是由于KRAS介导的依赖性和合成致死性的上下文特异性以及对传统单层细胞系培养的依赖。
然而，OncoSig的富集射频KRAS中的预测穆特其他研究确定的依赖项和在此获得的高验证率(图3)建议增加许多善意甚至在实验测试中得分相对较低的预测中，也可以识别出更多可复制的KRAS功能调制剂和效应因子(补充档案3)，并且可以由它们的组织特定的上下文来定义，从而进一步增加可服药的kras信号伙伴的数量。
因此，SigMaps可以为许多突变癌蛋白(包括kras)提供额外的、药物上可获得的候选靶点，从而为指导基于假说的研究提供宝贵的资源，以验证其与疾病相关的相关性。
总之，OncoSig生成一个单一的积分，表示蛋白质属于特定SigMap的概率。使用PrePPI有助于识别物理蛋白质-蛋白质相互作用，而ARACNe、Viper和Cindy则提供了支持物理和功能相互作用的关键组织特异性和补充证据。综合起来，这些单独的证据来源可以有效地分配在概念分子-相互作用体系结构中的位置蛋白。
欢迎微信关注【非编码RNA研究园地】，我们致力于及时发布医学科研前沿进展，帮助医务工作者开拓思路，从专业角度解答课题基金及SCI相关问题，助力学术成果转化。
联系客服
