Yasemin ÖZTEMUR, Alp AYDOS, Bala DEDEOĞLU GÜR

Meme kanseri mikrodizin verilerinin biyoinformatik yöntemler ile bir araya getirilmesi - Meta-analiz yaklaşımları

Meme kanseri kadınlarda en yaygın görülen kansertürüdür ve akciğer kanserinden sonra kadınlarda kanserölümlerinde ikinci sıradadır. Çok sebepli, kompleks birgenetik hastalık olan meme kanseri moleküler düzeydedetaylı bir şekilde çalışılmış ve yüksek işlem hacimlimikrodizin çalışmaları sayesinde moleküler alt tipleresınıflandırılmıştır. Meme kanserine sebep olan vegelişiminde rol oynayan pek çok gen tespit edilmiş olsa dameme kanserinin regülasyonunda rol oynayan molekülermekanizmalar hala tam olarak açıklanamamıştır. Bueksiklik, meme kanseri oluşumunu öngörücü yenibiyobelirteçlerin aranmasını zorunlu kılmıştır. Yüksekişlem hacimli bir yöntem olan mikrodizin aynı andabinlerce genin ifadesinin belirlenmesine olanaksağlamaktadır. Mikrodizin yöntemi ile elde edilmişham ve işlenmiş verilerin, hatta deneylerde kullanılanörneklerin klinik ve/ veya patolojik özelliklerininbulunduğu halka açık veritabanları bulunmaktadır.Mikrodizin veritabanlarına yüklenmiş olan bağımsızmikrodizin verilerinden daha fazla bilgi sağlamakmeta-analiz yöntemiyle mümkün olmakta ve var olanveriyi değerli kılmaktadır. Meta-analiz yöntemleri farklıkanser tiplerinde ve çeşitli hastalıklarda her geçen gündaha fazla kullanılmaktadır. Meme kanserinde de metaanalizçalışmaları çok fazla olmamakla birlikte sayısıgün geçtikçe artmaktadır. Bu yöntem hastalığın tanısınıve gidişatını öngörebilecek ayrıca tedavisine katkısağlayabilecek yeni biyobelirteçlerin belirlenmesinimümkün kılmaktadır. Ciddi bütçelerle yapılan mikrodizin çalışmalarının çeşitli meta-analiz yöntemleriyle biraraya getirilmesi her bir çalışmanın kendi başına ortayaçıkaramayacağı sonuçların alınmasında önemlidir.Meta-analiz çalışması pek çok veriyi bir araya getirmeşansı tanıdığı için, elde edilen sonuçlar yalnızca birvakaya özel değil; daha genel bilgiyi yansıtmaktadır.Bu nedenle meme kanserinin de içerisinde bulunduğubirçok hastalıktaki mekanizmaların meta-analizyöntemlerinin yardımıyla detaylı ve kapsamlı bir şekildearaştırılmasının tanı ve tedavi için alternatif ve etkinhedeflerin belirlenmesine olanak sağlaması mümkündür.

Combination of breast cancer microarray data by using bioinformatic methods - Meta-analysis approaches

Today breast cancer is one of the major cancer types among women in the world. After lung cancer, it is the second leading cause of cancer death in women. Breast cancer is a multi-factorial and complex genetic disease, which was studied in detail at the molecular level. With the use of microarray technology breast cancer was classified into molecular subtypes. Although some genes were found to be responsible for the development and the progression of the disease, many of the molecular mechanisms underlying breast cancer progression remain poorly understood. This deficit has led to significant interest in the quest for novel predictive markers for breast cancer. Microarray is a high throughput technique, which provides to detection of thousands of genes' expression. There are many publicly accessible databases, which have raw and processed data of microarray analysis and clinical and /or pathological information of samples. Metaanalysis approaches are provided more information from independent microarray datasets, which were uploaded on publicly accessible databases. Meta-analysis approaches are used for different cancer types and various diseases including breast cancer increasingly in recent years. These methods allow the finding of predictive biomarkers for the development and progression of the disease while they can also be used for new or alternative targets for the treatment of the disease. Meta-analysis might increase the knowledge by gathering and processingindividual microarray datasets. Accordingly it ispredicted that new or alternative targets mightbe identified by researching on numerous diseasemechanisms including breast cancer.

PDF

___

1. Oldenburg R, Meijers-Heijboer H, Cornelisse C, Devilee P. Genetic susceptibility for breast cancer: how many more genes to be found? Critical Rev Oncol/Hematol. 2007; 63(2): 125-149.
2. http://www.cancer.org (Erişim tarihi: 23.09.2014)
3. Rakha EA, Reis-Filho JS, Baehner F, Dabbs DJ, Decker T, Evsebi V, et al. Breast cancer prognostic classification in the molecular era: the role of histological grade. Breast Cancer Res, 2010; 12(4): 207.
4. Bertos NR, Park M. Breast cancer-one term, many entities? J Clin Invest, 2011; 121(10): 3789.
5. Gusterson BA, Ross DT, Heath VJ, Stein T. Basal cytokeratins and their relationship to the cellular origin and functional classification of breast cancer. Breast cancer research : BCR, 2005; 7(4): 143-8.
6. Perou CM, Sørlie T, Eisen MB, Van de Rijn M, Jeffrey SS, Rees CA, et al. Molecular portraits of human breast tumours. Nature, 2000; 406(6797): 747-52.
7. Sørlie T, Tibshirani R, Parker J, Hastie T, Marron JS, Nobel A, et al. Repeated observation of breast tumor subtypes in independent gene expression data sets. Proc N Acad Sci USA. Jul 8 2003; 100(14): 8418-23.
8. Siziopikou KP. Ductal Carcinoma In Situ of the Breast: Current Concepts and Future Directions. Arch Pathol Lab Med, 2013; 137(4): 462-6.
9. Rosen PP, Lesser ML, Arroyo CD, Cranor M, Borgen P, Norton L. Immunohistochemical detection of HER2/neu in patients with axillary lymph node negative breast carcinoma. A study of epidemiologic risk factors, histologic features, and prognosis. Cancer, 1995; 75(6): 1320-6.
10. Gusterson BA, Gelber RD, Goldhirsch A, Price KN, Säve-Söderborgh J, Anbazhagan R, et al. Prognostic importance of c-erbB-2 expression in breast cancer. International (Ludwig) Breast Cancer Study Group. J Clin Oncol, 1992; 10(7): 1049-56.
11. Slamon DJ, Leyland-Jones B, Shak S, Fuchs H, Paton V, Bajamonde A, et al. Use of chemotherapy plus a monoclonal antibody against HER2 for metastatic breast cancer that overexpresses HER2. N Engl J Med, 2001; 344(11): 783-92.
12. Marty M, Cognetti F, Maraninchi D, Snyder R, Mauriac L, Tubiana-Hulin M, et al. Randomized phase II trial of the efficacy and safety of trastuzumab combined with docetaxel in patients with human epidermal growth factor receptor 2-positive metastatic breast cancer administered as first-line treatment: the M77001 study group. J Clin Oncol, 2005; 23(19): 4265-74.
13. den Hollander P, Savage MI, Brown PH. Targeted therapy for breast cancer prevention. Front Oncol, 2013; 3.
14. Herschkowitz JI, Simin K, Weigman VJ, Mikaelian I, Usaty J, Itu Z, et al. Identification of conserved gene expression features between murine mammary carcinoma models and human breast tumors. Genom Biol, 2007; 8(5): 76.
15. Romero-Cordoba S, Rodriguez-Cuevas S, RebollarVega R, Quintanar-Jurado V, Maffuz-Aziz A,Jimenes-Sanchez G, et al. Identification and pathway analysis of microRNAs with no previous involvement in breast cancer. PloS One, 2012; 7(3): 31904.
16. Yulug IG, Gur-Dedeoglu B. Functional genomics in translational cancer research: focus on breast cancer. Brief Func Gen Proteomic, 2008; 7(1): 1-7.
17. Gershon D. Microarray technology: an array of opportunities. Nature, 2002; 416(6883): 885-91.
18. Brazma A, Hingamp P, Quackenbush J, et al. Minimum information about a microarray experiment (MIAME)--toward standards for microarray data. Nat Genet, 2001; 29(4): 365-71.
19. http://www.ncbi.nlm.nih.gov/geo (Erişim tarihi: 23.09.2014)
20.http://www.ebi.ac.uk/arrayexpress (Erişim tarihi: 23.09.2014)
21. Normand S-LT. Tutorial in biostatistics metaanalysis: formulating, evaluating, combining, and reporting. Stat Med, 1999; 18(3): 321-59.
22. Gur-Dedeoglu B, Konu O, Kir S, Ozturk AR, Bozkurt B, Ergul G, Yulug IG. A resampling-based meta-analysis for detection of differential gene expression in breast cancer. BMC Cancer, 2008; 8: 396.
23. Smith D, Sætrom P, Snøve O, et al. Meta-analysis of breast cancer microarray studies in conjunction with conserved cis-elements suggest patterns for coordinate regulation. BMC Bioinformatic, 2008; 9(1): 63.
24. Thomassen M, Tan Q, Kruse TA. Gene expression meta-analysis identifies metastatic pathways and transcription factors in breast cancer. BMC Cancer, 2008; 8: 394.
25. Phan JH, Young AN, Wang MD. Robust microarray meta-analysis identifies differentially expressed genes for clinical prediction. Sci World J, 2012; 2012: 989637.