آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
جلد 18، شماره 2 - ( مجله علمی بیماری های پستان ایران 1404 )
جلد 18 شماره 2 صفحات 125-105 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hosseini S, Yahyapour A, yaghoobi M, Askari N. Gene Network Analysis for Identifying Hub Genes and Biological Pathways Associated with Breast Cancer Progression Using Bioinformatics Analysis. ijbd 2025; 18 (2) :105-125
URL: http://ijbd.ir/article-1-1157-fa.html
URL: http://ijbd.ir/article-1-1157-fa.html
حسینی ستایش سادات، یحیی پور امیرحسان، یعقوبی محمدمهدی، عسکری ناهید. تحلیل شبکه ژنی برای شناسایی ژن های هاب و مسیرهای زیستی مرتبط با پیشرفت سرطان پستان با استفاده از آنالیز بیوانفورماتیکی. بیماری‌های پستان ایران. 1404; 18 (2) :105-125
1- گروه بیوتکنولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران
2- گروه بیوتکنولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران ،nahidaskari@gmail.com
2- گروه بیوتکنولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران ،
چکیده: (587 مشاهده)
مقدمه: فرآیند مولکولی تومورزایی در سرطان پستان به‌طور کامل شناخته نشده است و شناسایی ژن‌های مربوط به آن، مکانیسم‌های مولکولی اولیه سرطان را روشن می‌سازد. هدف این مطالعه، شناسایی ژن‌هایی با بیان متفاوت دخیل در بیماری‌زایی و پیش‌آگهی سرطان پستان از طریق آنالیز بیوانفورماتیک است.
روش بررسی: مجموعه داده‌های GSE45827، GSE65194، و GSE42568 از قسمت Gene Expression Omnibus در پایگاه داده NCBI جهت شناسایی ژن‌های با بیان متفاوت دانلود و آنالیز شدند. هستی شناسی و مسیر ژنی در KEGG نیز مورد مطالعه قرار گرفت. سپس برهمکنش پروتئین-پروتئین توسط پایگاه داده STITCH رسم و با استفاده از افزونه MCODE در نرم افزار Cytoscape تحلیل شد. سطح بیان ژن‌های هاب با استفاده از UALCAN و Kaplan-Meier plotter آنالیز و سپس با استفاده از CTD شبکه تعاملی ژن-دارو ایجاد شد.
یافته‌ها: در مجموع 599 ژنها با بیان متفاوت انتخاب و چهار ژن هاب با بیشترین تعامل در شبکه، به کمک پایگاه داده GTEx شناسایی شدند. نتایج نشان داد که NDE1، RAD21، ZWILCH و ZWINT ممکن است ژن‌های کلیدی در مسیرهای چرخه سلولی، P53، PI3K-Akt و AMPK و پیشرفت سرطان پستان باشند.
نتیجه‌گیری: با توجه به نقش کلیدی چهار ژن هاب در مسیرهای اساسی و شناخته شده سرطان پستان، این ژنها می‌توانند به عنوان نشانگرهای زیستی بالقوه با ارزش پیش آگهی و اهداف درمانی نوین در نظر گرفته شوند. درک بهتر این ژن ها و مسیرها می تواند به جلوگیری از پیشرفت سرطان پستان کمک کند. بنابراین تحقیقات بیشتری در این زمینه مورد نیاز است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
انفورماتیک پزشکی
دریافت: 1403/9/15 | پذیرش: 1403/12/24 | انتشار: 1404/4/10
دریافت: 1403/9/15 | پذیرش: 1403/12/24 | انتشار: 1404/4/10
فهرست منابع
1. Momenimovahed Z, Salehiniya H. Epidemiological characteristics of and risk factors for breast cancer in the world. Breast Cancer: Targets and Therapy. 2019:151-64. [DOI:10.2147/BCTT.S176070] [PMID] []
2. Wang S, Shang P, Yao G, Ye C, Chen L, Hu X. A genomic and transcriptomic study toward breast cancer. Frontiers in Genetics. 2022;13:989565. [DOI:10.3389/fgene.2022.989565] [PMID] []
3. Johnson KS, Conant EF, Soo MS. Molecular subtypes of breast cancer: a review for breast radiologists. Journal of Breast Imaging. 2021;3(1):12-24. [DOI:10.1093/jbi/wbaa110] [PMID]
4. Cuong DM, Van Ngoc B. Identification of hub genes and drug-gene interactions for targeted breast cancer treatment by integrated bioinformatics analysis. Vietnam Journal of Biotechnology. 2023;21(1):21-34. [DOI:10.15625/1811-4989/17399]
5. Gruosso T, Mieulet V, Cardon M, Bourachot B, Kieffer Y, Devun F, et al. Chronic oxidative stress promotes H2AX protein degradation and enhances chemosensitivity in breast cancer patients. EMBO Molecular Medicine. 2016;8(5):527-49. [DOI:10.15252/emmm.201505891] [PMID] []
6. Maire V, Némati F, Richardson M, Vincent-Salomon A, Tesson B, Rigaill G, et al. Polo-like Kinase 1: A Potential Therapeutic Option in Combination with Conventional Chemotherapy for the Management of Patients with Triple-Negative Breast Cancer. Cancer Research. 2013;73(2):813-23. [DOI:10.1158/0008-5472.CAN-12-2633] [PMID]
7. Clarke C, Madden SF, Doolan P, Aherne ST, Joyce H, O'Driscoll L, et al. Correlating transcriptional networks to breast cancer survival: a large-scale coexpression analysis. Carcinogenesis. 2013;34(10):2300-8. [DOI:10.1093/carcin/bgt208] [PMID]
8. Ge SX, Jung D, Yao R. ShinyGO: a graphical gene-set enrichment tool for animals and plants. Bioinformatics. 2020;36(8):2628-9. [DOI:10.1093/bioinformatics/btz931] [PMID] []
9. Shannon P, Markiel A, Ozier O, Baliga NS, Wang JT, Ramage D, et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome research. 2003;13(11):2498-504. [DOI:10.1101/gr.1239303] [PMID] []
10. Chandrashekar DS, Karthikeyan SK, Korla PK, Patel H, Shovon AR, Athar M, et al. UALCAN: An update to the integrated cancer data analysis platform. Neoplasia. 2022;25:18-27. [DOI:10.1016/j.neo.2022.01.001] [PMID] []
11. Chandrashekar DS, Bashel B, Balasubramanya SAH, Creighton CJ, Ponce-Rodriguez I, Chakravarthi BV, et al. UALCAN: a portal for facilitating tumor subgroup gene expression and survival analyses. Neoplasia. 2017;19(8):649-58. [DOI:10.1016/j.neo.2017.05.002] [PMID] []
12. Győrffy B. Integrated analysis of public datasets for the discovery and validation of survival-associated genes in solid tumors. The Innovation. 2024;5(3). [DOI:10.1016/j.xinn.2024.100625] [PMID] []
13. Davis AP, Wiegers TC, Johnson RJ, Sciaky D, Wiegers J, Mattingly CJ. Comparative toxicogenomics database (CTD): update 2023. Nucleic acids research. 2023;51(D1):D1257-D62. [DOI:10.1093/nar/gkac833] [PMID] []
14. Shahmoradi M, Fazilat A, Ghaderi-Zefrehei M, Ardalan A, Bigdeli A, Nafissi N, et al. Unveiling Recurrence Patterns: Analyzing Predictive Risk Factors for Breast Cancer Recurrence after Surgery. Cancer Informatics. 2024;23:11769351241297633. [DOI:10.1177/11769351241297633] [PMID] []
15. Amiri R, Nabi PN, Fazilat A, Roshani F, Kararoudi AN, Hemmati-Dinarvand M, et al. Crosstalk between miRNAs and signaling pathways in the development of drug resistance in breast cancer. Hormone Molecular Biology and Clinical Investigation. 2024. [DOI:10.1515/hmbci-2024-0066] [PMID]
16. Ren Q, Khoo WH, Corr AP, Phan TG, Croucher PI, Stewart SA. Gene expression predicts dormant metastatic breast cancer cell phenotype. Breast Cancer Research. 2022;24(1):10. [DOI:10.1186/s13058-022-01503-5] [PMID] []
17. Di Nardo M, Pallotta MM, Musio A. The multifaceted roles of cohesin in cancer. Journal of Experimental & Clinical Cancer Research. 2022;41(1):96. [DOI:10.1186/s13046-022-02321-5] [PMID] []
18. Aslan M, Hsu E-C, Garcia-Marques FJ, Bermudez A, Liu S, Shen M, et al. Oncogene-mediated metabolic gene signature predicts breast cancer outcome. NPJ Breast Cancer. 2021;7(1):141. [DOI:10.1038/s41523-021-00341-6] [PMID] []
19. Li H-N, Zheng W-H, Du Y-Y, Wang G, Dong M-L, Yang Z-F, et al. ZW10 interacting kinetochore protein may serve as a prognostic biomarker for human breast cancer: An integrated bioinformatics analysis. Oncology Letters. 2020;19(3):2163-74. [DOI:10.3892/ol.2020.11353]
20. Wang P, Ning J, Chen W, Zou F, Yu W, Rao T, et al. Comprehensive analysis indicated that NDE1 is a potential biomarker for pan‐cancer and promotes bladder cancer progression. Cancer Medicine. 2024;13(5):e6931. [DOI:10.1002/cam4.6931] [PMID] []
21. Blatkiewicz M, Kamiński K, Szyszka M, Al-Shakarchi Z, Olechnowicz A, Stelcer E, et al. The Enhanced Expression of ZWILCH Predicts Poor Survival of Adrenocortical Carcinoma Patients. Biomedicines. 2023;11(4):1233. [DOI:10.3390/biomedicines11041233] [PMID] []
22. Lin T, Zhang Y, Lin Z, Peng L. ZWINT is a promising therapeutic biomarker associated with the immune microenvironment of hepatocellular carcinoma. International Journal of General Medicine. 2021:7487-501. [DOI:10.2147/IJGM.S340057] [PMID] []
23. Lin Y, Kuang W, Wu B, Xie C, Liu C, Tu Z. IL-12 induces autophagy in human breast cancer cells through AMPK and the PI3K/Akt pathway. Molecular medicine reports. 2017;16(4):4113-8. [DOI:10.3892/mmr.2017.7114] [PMID]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
