Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Network modeling of the t… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Network modeling of the transcriptional effects of copy number aberrations in glioblastoma

Artikel i vetenskaplig tidskrift
Författare Rebecka Jörnsten
Tobias Abenius
Teresia Kling
Linnéa Schmidt
Erik Johansson
Torbjörn E M Nordling
Bodil Nordlander
Chris Sander
Peter Gennemark
Keiko Funa
Björn Nilsson
Linda Lindahl
Sven Nelander
Publicerad i Molecular Systems Biology
Volym 7
Sidor 486
ISSN 1744-4292
Publiceringsår 2011
Publicerad vid Institutionen för matematiska vetenskaper
Institutionen för matematiska vetenskaper, matematisk statistik
Institutionen för biomedicin
Institutionen för medicin
Institutionen för cell- och molekylärbiologi, mikrobiologi
Sidor 486
Språk en
Länkar dx.doi.org/10.1038/msb.2011.17
https://gup.ub.gu.se/file/205119
Ämnesord Cell Line, Tumor, Chromosome Aberrations, Databases, Factual, Gene Dosage, Gene Expression Profiling, Gene Expression Regulation, Neoplastic, Gene Regulatory Networks, Genome, Human, Genome-Wide Association Study, Glioblastoma, genetics, metabolism, mortality, pathology, Humans, Models, Genetic, Nerve Tissue Proteins, genetics, metabolism, Nervous System Neoplasms, genetics, metabolism, mortality, pathology, Nuclear Proteins, genetics, metabolism, Prognosis, Software, Transcriptional Activation, genetics, Tumor Suppressor Protein p53, genetics, metabolism
Ämneskategorier Matematisk statistik, Bioinformatik och systembiologi, Funktionsgenomik, Tumörbiologi, Molekylär medicin

Sammanfattning

DNA copy number aberrations (CNAs) are a hallmark of cancer genomes. However, little is known about how such changes affect global gene expression. We develop a modeling framework, EPoC (Endogenous Perturbation analysis of Cancer), to (1) detect disease-driving CNAs and their effect on target mRNA expression, and to (2) stratify cancer patients into long- and short-term survivors. Our method constructs causal network models of gene expression by combining genome-wide DNA- and RNA-level data. Prognostic scores are obtained from a singular value decomposition of the networks. By applying EPoC to glioblastoma data from The Cancer Genome Atlas consortium, we demonstrate that the resulting network models contain known disease-relevant hub genes, reveal interesting candidate hubs, and uncover predictors of patient survival. Targeted validations in four glioblastoma cell lines support selected predictions, and implicate the p53-interacting protein Necdin in suppressing glioblastoma cell growth. We conclude that large-scale network modeling of the effects of CNAs on gene expression may provide insights into the biology of human cancer. Free software in MATLAB and R is provided.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?