從微陣列數據發現癌癥相關基因的新分析法

　　日前，美國德克薩斯大學和達特茅斯學院的研究人員開發出一種識別癌癥基因的新型基因表達分析方法。相關研究結果以“How to get the most from microarray data： advice from reverse genomics”為題發表在2014年3月21日的《BMC Genomics》雜志。研究結果向當前的微陣列數據分析范式發出了挑戰，表明這種新方法能夠提高對癌癥相關基因的識別能力。

　　典型的微陣列基因表達分析，是通過比較相鄰正常組織和腫瘤組織的基因表達。在這些分析中，表達具有強大統計差異的基因被鑒定出來。然而，許多基因在腫瘤中是異常表達的，作為腫瘤發生的一個副產品。這些“過客”基因在正常組織和腫瘤組織之間的表達是有差異的，但是它們并不是腫瘤發生的“驅動者”。因此，傳統的癌癥基因識別方法不是非常有效，需要更好的分析方法，來發現更多真正的癌癥相關“驅動”基因。

　　本文第一作者、社區及家庭醫學副教授Ivan P. Gorlov博士和社區及家庭醫學教授、基因組醫學中心主任Christopher Amos博士，描述了微陣列數據分析的一種新型方法。研究小組證明，以基因表達在個體腫瘤間的差異為基礎的基因分類，要優于傳統的分析方法。結果在4種主要癌癥類型中是一致的：乳腺癌、結腸癌、肺癌和前列腺癌。

　　研究小組使用文本挖掘來識別已知與乳腺癌、結腸癌、肺癌和前列腺癌相關的基因。然后，他們通過確定這些已知癌癥相關基因在不同分析方法鑒定的幾大候選基因之中的發生頻率，評估了富集因子。富集因子描述了與純粹通過偶然機會發現的頻率相比癌癥相關基因的識別頻率。在所有四種癌癥類型中，基于基因表達在個體腫瘤間差異的候選基因選擇新方法，要優于其他方法，包括比較相鄰正常組織和腫瘤組織的平均基因表達的標準方法。Gorlov博士和他的同事們還利用這種方法來確定新的腫瘤相關基因。

　　作者援引腫瘤異質性作為他們這種方法成功的最可能的原因。該方法基于可被不同癌癥基因驅動的不同腫瘤的知識。該方法通過識別在腫瘤間表達有高度差異的基因，優先確定與癌癥特別相關的基因。當比較鄰近腫瘤組織和正常組織的平均基因表達時，這一相同特征——腫瘤的異質性，可能會降低識別關鍵基因表達變化的能力，因為相同類型的腫瘤可能具有差異性表達的不同基因。

　　該研究結果，向比較相鄰正常組織和腫瘤組織平均基因表達的模型，發出了挑戰，是識別癌癥相關基因的最好方法。事實上，該小組確定了相鄰“正常“組織樣品中的高度變異，它們通常被用作基于平均基因表達的對比分析的參照樣本。研究表明，基于個體間表達差異的方法，可能有助于我們從現有和未來的全基因組表達研究中獲得最大的收益。