DNA Microarrays i Càncer de Pròstata  

Introducció

El càncer de pròstata és el tipus de càncer més extès i dels més greus en l'home. Malgrat existeixen proves, com el screening del PSA, que identifiquen la malaltia, aquestes no són prou específiques. La caracterització dels perfils d’expressió gènica mitjançant la hibridació de microarrays pot permetre distingir molecularment en neoplàsies prostàtiques els gens involucrats en la carcinogènesi de pròstata (potencials gens diana de disseny de fàrmacs), elucidar biomarcadors clínics, i porta necessàriament cap a una millora de la classificació dels càncers de pròstata.

Recentment, dos grups diferents han utilitzat els microarrays de DNA per tal d'identificar un conjunt de gens predictius del desenvolupament de metàstasis a curt termini. En concret, van estudiar l'expressió de més de 15000 gens en grups de teixits de pròstata que incluien mostres metastàsiques i mostres no malignes. Tant un grup com l'altre proposen gens que poden ésser utilitzats com a marcadors tumorals. L'objectiu del projecte és revelar un conjunt de gens comuns als dos grups que podrien ser bons marcadors tumorals.

Els Microarrays

Els microarrays són una col·lecció de biomolècules ordenades ortogonalment sobre un suport sòlid miniaturitzat, és a dir, els microarrays són una peça petita que conté molts pous a cada un dels quals s´ha introduit una seqüència de cDNA de cadena simple d´un gen determinat.

Els microarrays és una de les tècniques més recents amb les que compta la biologia molecular. Va ser desenvolupada a finals dels anys 80 i és una eina molt útil per trobar diferències d´expressió gènica entre cèl.lules o teixits que estan sotmesos a diferents condicions. Així podem trobar els gens que estan sobreexpresat o reprimits en les diferents fases del cicle cel·lular, durant el procés de desenvolupament dels òrgans, en resposta a diferents estímuls externs (temperatura) o en diferents condicions patològiques, com per exemple el càncer. A partir d´aquests patrons d´expressió es poden predir certes condicions patològiques.

Procediment d´obtenció d´un experiment de microarrays

• Immobilització de les sondes sobre la superfície del xip de forma que sabem en cada punt de la matriu què és el que s´ha dipositat, permetent l'anàlisi posterior.
  
  Fig. 1 Immobilització de sondes específiques per cada pou
  

• Extracció del RNA de les cèl·lules que volem analitzar.
• Purificació del mRNA
• Síntesi del cDNA a partir del mRNA mitjançant la transcriptasa reversa
• Marcar les cadenes de DNA amb fluorocroms per diferenciar les dues condicions que estem analitzant (per exemple, les cèl·lules normals les marquem amb un fluorocrom com Cyc3 i les cèl·lules tumorals amb un altre com Cyc5).
  
  Fig. 2 Marcatge del DNA amb fluorocroms
  

• Hibridació de les cadenes de DNA de les mostres marcades amb les seves respectives complementàries immobilitzades a la superfície del xip per permetre la seva posterior identificació.
  
  Fig. 3 Hibridació de les sondes amb el DNA
  

• Després es fan rentats per eliminar les interaccions inespecífiques.
• Revelat: utilització d´escàners, làser i càmeres CCD per la detecció dels marcadors fluorescents amb els que hem marcat la mostra.
• Càlcul del logaritme del ratio de les intensitats de la fluorescència per cada gen que hem examinat.

Processament de la informació obtinguda en l´experiment de microarrays

• Normalització de les dades, que consisteix en fer la mitjana de les mostres per cada gen i dividir-la entre la desviació estàndard.
• Anàlisi de significació de les dades(anàlisi estadístic com, per exemple, el t-test)
• Agrupació dels gens segons unes condicions determinades (per exemple agrupament jeràrquic).
• Extracció de les dades(data mining) per seleccionar la informació rellevant.

Tipus d´agrupaments

Hi ha diversos tipus d´agrupament o clusterings utlitzats en microarrays:

El clustering és un procés d´agrupament de dades de tal forma que els objectes d´un cluster tinguin una similaritat alta entre ells i baixa entre els objectes d´altres clustering.

• Clustering jeràrquic
  

  És un agrupament aglomeratiu que genera un arbre jeràrquic. És un sistema molt simple i els seus resultats són molt fàcils de representar mitjançant programens com el Tree View.
  

• Clustering K-means
  

  És un clustering divisiu en el que es parteix d´un nombre predeterminat de grups de gens o condicions (igual que en els altres programas de Cluster) i calcula un vector d´expressió promig que es va refinant per càlcul reiteratiu. No produeix arbre, només t´agrupa els gens segons la seva expressió diferencial.
  

• SOMs
  

  És un clustering divisiu basat en xarxes neuronals. És un mètode que optimitza la separació de grups en base a geometria predefinida sobre la qual s´entrenen vectors de referencia. Maximitza la convergència entre vectors i punts de cada cluster.
  

  
  

Coneixements Previs

El nostre treball ha estat basat en l'estudi de dos articles. Aquests articles són els següents:

• Delineation of prognostic biomarkers in prostate cancer. Dhanasekaran SM, Barrette TR, Ghosh D, Shah R, Varambally S, Kurachi K, Pienta KJ, Rubin MA, Chinnaiyan AM. Nature, 2001, Aug 23;412(6849):822-6.
  

• Analysis of Gene Expression Identifies Candidate Markers and Pharmacological Targets in Prostate Cancer. Welsh JB, Sapinoso LM, Su AI, Kern SG, Wang-Rodriguez J, Moskaluk CA, Frierson HF, Hampton JM. Cancer Res. 2001 Aug 15;61(16):5974-8.

Investigació dirigida per Dhanasekaran

El grup de recerca dirigit per Dhanasekaran va examinar mitjançant l’ús de microarrays de cDNA, els perfils d’expressió gènica de més de 50 mostres de teixit prostàtic normal i neoplàsic, en les que es va analitzar l’expressió d’un total de 9.984 gens. Les mostres analitzades foren les següents: 4 mostres de BPH (Glàndules Hipertrofiades Benignes), 8 mostres de NAP (Teixit Prostàtic Normal Adjacent), 1 pool comercial de teixit normal de pròstata de 19 individus, 1 mostra de prostatitis, 11 PCA (mostres de càncer de pròstata localitzat), 7 MET (mostres de càncer de pròstata metastàsics), 3 línies de càncer de pròstata metastàsic : DU-145, LnCAP, PC3. A més, es van incloure en l’estudi 28 mostres de teixit de pròstata addicional. Com a mostres de referència es van utilitzar 2 pools diferents: 1 pool de NAP de pacients amb càncer de pròstata i un pool comercial.

Un cop obtinguts els valors d’expressió per cada gen, es van utilitzar diferents mètodes estadístics (t-test) per centrar l’anàlisi només en els gens que tenen una expressió significativament major en les mostres tumorals. Per agrupar els gens i les mostres experimentals segons les relacions d’expressió gènica obtingudes al microarray es va utilitzar un algoritme de clustering jeràrquic. Per visualitzar aquestes dades van fer servir un dendrograma, on el patró de les branques reflectia el grau de relació dels gens.

El resultat de l’estudi va ser que hi havia un conjunt de gens sobreexpressats que podien servir com a marcadors de càncer de pròstata. Aquest set de gens és el següent: HPN (hepsina), LIM (ENIGMA), Pim1 (proto-oncogen), MYC (proto-oncogen), Sintasa d’àcids grassos, TIMP2, HEVIN, RIG, THBS1 (thrombospondin-1), MTA-1 (metastasis-associated1), MYBL2 i FLS353. Aquests gens identificats per anàlisi de microarray van ésser corroborats posteriorment mitjançant Northern Bloot.

Investigació dirigida per Welsh

El grup de recerca dirigit per Welsh va caracteritzar el càncer de pròstata primari mitjançant la monitorització dels nivells d’expressió de més de 8900 gens en teixits normals i teixits malignes. La finalitat del grup d’investigadors era augmentar l’especificitat per detectar el càncer de pròstata invasiu i trobar noves dianes terapèutiques específiques del càncer de pròstata. Les mostres que van utilitzar van ser les següents: 25 mostres derivades de teixit de càncer de pròstata, 9 mostres provinents de teixits prostàtics no malignes, i 21 línies cel·lulars. Com a control van utilitzar les següents línies cel·lulars: PrEC (Epiteli Prostàtic Normal), hPr1 (cél·lules infectades amb papiloma), CAF1598, 1303, 1852, 2585 (fibroblasts adjacents a l’adenocarcinoma), BPHF 1598 (Glàndules Hipertrofiades Benignes), PrSC (Cèl·lules de l’Estroma Prostàtic).

Els valors d’expressió obtinguts (intensitat d’hibridació) van ser normalizats per cada gen. Gens i mostres van ésser agrupades mitjançant clustering jeràrquic. L’expressió diferencial dels gens en teixits benignes i malignes de pròstata va ésser estimada mitjançant un algorsime basat en les diferències d’intensitat de la hibridació (u_tumor - u_normal), el quocient d’intensitats d’hibridació (u_tumor / u_normal) i el resultat d’un t-test de dades no aparellades dels nivells d’expressió en tumor i teixits normals. Els gens van ser puntuats segons aquests tres paràmetres i ordenats segons la suma de les tres puntuacions. Amb els valors obtinguts es va dibuixar un dendrograma en el que la similaritat total és proporcional a la longitud de les branques verticals.

El perfils d’expressió gènica obtinguts van revelar l’existència d’un grup d’uns 400 gens que es troben sobreexpressats en tumors. Els més importants d’aquests gens estan representats en la figura següent:

Desenvolupament del treball

Els passos que hem dut a terme per realitzar el nostre treball estan resumits als següents punts:

1. De totes les mostres de teixit que tenim hem escollit les que són tumorals i les que són normals, i hem eliminat les mostres control que havien utilitzat els investigadors. Així fem una comparació directa de mostres tumorals versus no tumorals. Els fitxers inicials dels dos treballs sobre els quals hem realitzat totes les modificacions i càlculs són Fitxer de dades de Dhanasekaran i Fitxer de dades de Welsh.
   

2. Hem decidit eliminar mitjançant la comanda egrep del UNIX tots els gens que no tenien valors d’expressió per a totes les mostres ja que volíem assegurar-nos que realment els gens que obteníem estiguessin sobreexpressats en tumors i poc expressats en cèl·lules normals. Si agafàvem gens que no tenien un valor en tots els teixits podia donar lloc a errors a l’hora de comparar els valors entre teixit tumoral i no tumoral. Vam marcar amb Ms Excel les caselles buides de tota la taula i vam conservar amb la comanda egrep tots els gens que tenen un valor en cada mostra de teixit. La comanda utilitzada fou la següent:
   
   egrep –v borrar fitxerinicial.txt > fitxerfinal.txt.
   

3. En principi totes les taules de microarrays s’han de normalitzar per poder veure les diferències d’expressió entre els gens. La taula del grup de Welsh ja la vam obtenir amb valors normalitzats d'expressió, però la taula de Danasekaran la vam haver de normalitzar. La normalització consisteix en reconstruïr la taula mitjançant uns valors que estiguin en relació amb la mitja i la desviació estàndar de cada gen. Els gens que estiguin sobreexpressats seran positius mentre que els que no ho estiguin seran negatius. El valor de la normalització s´ha de recalcular per a cada gen amb la següent fòrmula:
   
   
   

4. Hem efectuat una prova t-test per als valors d’expressió dels diferents gens analitzats de les mostres per tal de seleccionar només els gens que tenen una p-value (probabilitat de que la hipòtesi nul·la sigui certa) inferior a 0’001 (0’1%). Després d’efectuar aquesta selecció ens hem quedat amb 1179 gens del treball de Welsh i 162 del treball de Dhanasekaran.
   

5. Hem transformat les taules de cada fitxer per obtenir el format d´entrada pel programa Gene Cluster. Aquest programa utilitza un algoritme d'agrupació jeràrquic que genera un arbre que representa l’espressió diferencial dels gens, i que podem visualitzar mitjançant el programa Tree View Gene. En aquest arbre podem seleccionar els clusters d'agrupació que més ens interessen. Agafem, per tant, tots aquells gens que estiguin sobreexpressats en tumor (vermell en l´arbre) i que no ho estiguin en els teixits normals (verd en l´arbre). Obtenim 40 gens pel set de Danasekaran i 268 gens pel set de Welsh. Els arbres obtinguts mitjançant el programa Gene Cluster són els següents:
   
   Arbre de Dhanasekaran
   
   Arbre de Welsh
   

6. Per corroborar aquests valors hem efectuat un altre tipus d'anàlisi d'agrupació. Aquest tipus de clustering és l'anomenat K-mean i no es tracta d'una agrupació jeràrquica sinó divisiva a diferència del clustering jeràrquic. Aquest clustering l'hem realitzat amb el programa Expression Profiler accessible per internet. L'agrupació K-mean no genera un arbre jeràrquic però sí que ens permet seleccionar clusters d'agrupació específicament. Els resultats obtinguts amb aquest tipus d'anàlisi són molt semblants als obtinguts en l'anàlisi anterior: en el set de Dhanasekaran obtenim 40 gens sobreexpressats (exactament els mateixos obtinguts anteriorment) mentre que en el set de Welsh hi ha un total de 280 gens sobreexpressats (en comptes dels 268 d'abans). Donats aquests resultats, decidim escollir per a l'anàlisi posterior el set de 280 gens enlloc del set de 268 gens de l'estudi de Welsh ja que és més probable trobar gens compartits si el conjunt de gens a comparar és major.
   

7. Arribats a aquest punt, el problema que tenim és que els noms dels gens no són els mateixos als dos sets, i per dur a terme l’anàlisi fa falta estandaritzar-los. Per fer això obtem per buscar els Representative mRNA Acces que corresponen a cada gen, és a dir, els NM098.... Aquests noms els obtenim de la web amb el programa source, i els guardem en un fitxer, de manera que ara només tindrem dos fitxers amb una columna de noms cadascun que corresponen als gens sobreexpressats en cada estudi. En aquests fitxers hem hagut d'eliminar alguns gens ja que no hem trobat el seu Representative mRNA Acces i, per tant, no teniem cap manera de comparar-los. Ara només falta relacionar aquests dos fitxers per obtenir el conjunt de gens sobreexpressats que estan compartits per ambdós estudis. Això ho fem utilitzant comandes UNIX de la següent manera:
   
   • sort fitxerwelsh.txt | uniq > Welsh.txt (per eliminar NMs repetits dins del fitxer Welsh i evitar sobreestimacions)
     

   • sort fitxerdhanasekaran.txt | uniq > Dhanasekaran.txt (per eliminar NMs repetits dins del fitxer Dhanasekaran i evitar sobreestimacions)
     

   • cat Welsh Dhanasekaran | sort | uniq –c | gawk ‘{if($1>=2)} print$2’ (amb l'opció uniq -c marquem els NM que són compartits pels dos fitxers amb un 2 i amb l'opció gawk els seleccionem)
     

   El fet de trobar gens compartits en els dos experiments fa que els resultats siguin més fiables.

Resultats i Discussió

• Els resultats que hem obtingut d'estudiar l'expressió genètica diferencial exposada en ambdós estudis és que hi ha 5 gens compartits que es sobreexpressen en teixits tumorals. Aquests 5 gens són l'Aminocylasa 1 (ACY1), el Factor d'Elongació 1 gamma (EEF1G), l'Hepsina (HPN), una proteïna similar a la Proteïna Quinasa C (LIM) i una proteïna de la família de les Serin-Treonin Quinases (CAMKK2). L'expressió específica de cada un d'aquests gens als diferents teixits és la següent
  

  
  

  Fig. 5 Expressió diferencial dels 5 gens compartits als teixits utilitzats en l'anàlisi de Dhanasekaran.

  
  

  Fig. 6 Expressió diferencial dels 5 gens compartits als teixits utilitzats en l'anàlisi de Welsh.

  
  

• A partir del codi GenBank d´aquests gens anem al programa GO que es un programa que ens representa un gràfic de les funcions metabòliques en les que estan implicades els gens que li entrem. El gràfic que obtenim dels 5 gens seleccionats és el següent:

  
  Fig. 7 Vies metabòliques en les que intervenen els gens seleccionats

  Traducció de senyals (GO:0007165)	LIM
  Metabolisme (GO:0008152)	ACY1, CAMKK2, EEF1G, HPN

  Taula 1. Resultats de la cerca al programa GO

  Veiem que 4 dels 5 gens estan implicats en metabolisme i només un gen està implicat en transducció de senyals. Cap dels 5 gens està implicat en cicle cel·lular, ni en proliferació cel·lular, ni en oncogènesi que són funcions, en principi, més relacionades amb càncer.
  

• També busquem informació sobre els gens a GenBank i sobre les proteïnes a Swissprot.La informació que obtenim és la següent:
  

  • NM_000666 (codi GenBank L07548).

    Aquest gen codifica per l´aminoacylasa 1 d´Homo sapiens. L´aminoacylasa-1 és un enzim citosòlic homodimèric que s´uneix a zenc i està involucrat en el metabolisme dels aminoàcids i en la degradació de proteïnes. Concretament, catalitza la hidròlisis de l´aminoàcid L-acilat a aminoàcid L i un grup acil. ACY1 ha estat assignat al cromosoma 3p21.1, una regió reduïda a homozigositat en càncer de pulmó de cèl·lules petites (SCLC), i s´ha vist que la seva expressió es troba disminuida en les línies cel·lulars d´aquest càncer.
    

  • NM_001404 (codi GenBank M55409).

    Aquest gen codifica per una subunitat del complexe 1 del factor d´elongació gamma, que és el responsable d´apropar els tRNAs al ribosoma. Aquesta subunitat conté un domini N-terminal de la glutatión transferasa, que pot estar implicat en la regulació de l´ensamblatge de complexes amb multisubunitats que contenen aquest factor d´elongació.
    

  • NM_002151 (codi GenBank X07732)

    Hepsin és una serin proteasa transmembrana d'Homo sapiens.
    

  • NM_006457 (codi GenBank AF061258).

    LIM és una proteïna similar a la proteïna kinasa C que s´uneix a Enigma.
    

  • NM_006549 (codi GenBank AB018330).

    El producte d´aquest gen pertany a la família de les Serin-threonin kinases. Aquesta prote&imul;na juga un rol en la cascada de quinases depenents de calci/calmodulina (CaM) fosforilant la quinasa downstream CaMK1 i CaMK4. A partir de 7 transcrits es poden codificar 6 isoformes diferents.
    

  
  

• Obtenim molt poca informació sobre aquestes proteïnes perquè estan molt poc estudiades. Per aquest motiu pensem fer el mateix gràfic al programa GO amb els sets de gens que havíem obtingut en el punt 5 i 6. Aquests sets són els gens que estaven sobreexpressats en tumors abans de comparar el set de Welsh amb el Danasekaran. Així podem veure quina funció predomina en aquests gens. Els gràfics són els següents:

  
  Fig. 8 Vies metabòliques en les que intervenen els gens que hem seleccionat pel set de Danasekaran
  
  Fig. 9 Vies metabòliques en les que intervenen els gens que hem seleccionat pel set de Welsh
  

  Veiem que als dos sets de gens trobem molts gens que estan implicats en metabolisme (com ACY1,EEF1G,HPN,CAMKK2) i altres que estan expressats en transducció de senyals (com LIM), cicle cel·lular i transport, però amb molta menys proporció. Per aquest motiu pensem que hi ha d´haver vies metabòliques que estiguin implicades en el desenvolupament de càncer de pròstata.
  

• Un altre punt important és comprobar quina p-value tenien inicialment aquests gens en els dos sets de dades. La taula següent ens ho mostra:

  Gen symbol	Codi GenBank	Codi NM	p-Value Welsh	p-Value Dhanasekaran
  ACY1	L07548	NM_000666	6.6348E-05	7.14566E-04
  EEF1G	M55409	M55409	3.9887E-04	2.49258E-04
  Hepsin	X07732	NM_002151	1.1493E-08	2.9248E-09
  LIM	AF061258	NM_006457	3.3952E-06	8.40588E-04
  CAMKK2	AB018330	NM_006549	2.6691E-03	2.41308E-04

  Taula 2. Resultats del t-test de Dhanasekaran vs el t-test de Welsh

  En aquesta taula veiem una clara diferència entre els valors de p-value de l´experiment de Welsh i els de Dhanasekaran. Això ens indica que el fet d´utilitzar diferents mostres de teixits normals i tumorals pot fer variar els valors resultants d´un experiment de microarrays i, per tant, dos experiments de microarrays fets amb la mateixa finalitat poden donar resultats molt diferents.
  

• S´ha de tenir en compte que tant els teixits PCA com els teixits metastàsics són tumorals, però es diferencien en que el PCA és un teixit tumoral localitzat i per tant menys maligne que el teixit metastàsic que és molt més greu. Pensem que és interessant intentar obtenir més informació dels 5 gens que hem obtingut comparant les seves expressions entre teixits normals i PCA, entre PCA i teixits metastàsics i entre teixits normals i teixits metastàsics. Per fer això fem un t-test per cada un dels plantejaments (Normal vs PCA, PCA vs Met i Normal vs Met) i eliminem els gens que tenen una p-value superior a 0,001, quedant-nos amb els gens que són significatius.Aquest experiment només el podem fer amb les dades del treball de Danasekaran perquè utilitzen teixits PCA i Metastàsic. En l'experiment de Welsh no es fan diferències entre els estadis dels teixits tumorals que estudien. El fet d´utilitzar les dades d´un únic experiment fa que els resultats obtinguts seguin menys fiables ja que el fet de comparar experiment dóna més credibilitat als resultats. Seguidament mostrem els resultats per cada experiment.

  Gens sobreexpressats en PCA vs Normal

  Per fer aquest gràfic hem eliminat els gens ACY1 i EEF1G perquè ens donava un valor de p-value inferior a 0.001. A partir del tres gens que ens queden mirem la seva expressió diferencial i la representem en forma de gràfic. Els resultats són els següents:
  

  Fig. 10 Gens que estan sobreexpressats en PCA (mostres de càncer de pròstata localitzat) comparat amb teixits normals.

  Gens sobreexpressats en Met vs PCA

  Per fer aquest gràfic hem eliminat tots els gens menys el EEF1G perquè ens donaven un valor de p-value inferior a 0.001. Amb el gen que ens queda mirem la seva expressió diferencial i la representem en forma de gràfic. Els resultats són els següents:
  

  Fig. 11 Gens que estan sobreexpressats en Met (mostres de càncer de pròstata metatàsic) comparat amb PCA (mostres de càncer de pròstata localitzat).

  Gens sobreexpressats en Met vs Normal

  Per fer aquest gràfic hem eliminat els gens ACY1,LIM I CAMKK2 perquè ens donava un valor de p-value inferior a 0.001. A partir del tres gens que ens queden mirem la seva expressió diferencial i la representem en forma de gràfic. Els resultats són els següents:
  

  Fig. 12 Gens que estan sobreexpressats en Met (mostres de càncer de pròstata metastàsic) comparat amb teixits normals.

Conclusions

Les conclusions a les que hem arribat després de realitzar el nostre anàlisi són les següents:

• Segons els resultats obtinguts del GO (figures 7, 8 i 9) podem dir que hi ha d'haver vies metabòliques concretes estretament relacionades amb el càncer de pròstata.
  

• Segons els resultats de la taula 2 podem concloure que hi ha diferències significatives entre els resultats obinguts en dos experimentals que tenen la mateixa finalitat. Per aquest motiu, en comparar els dos sets de gens sobreexpressats n'obtenim molt pocs en comú.
  

• A partir de les figures 10, 11 i 12 podem dir que els gens LIM, CAMKK2 i HPN estan implicat en el pas de cèl.lules normals a PCA. Això ens suggereix que poden ésser utilitzats com a marcadors de càncer de pròstata poc avançat (localitzat) perquè estan sobreexpressats en PCA comparat amb cèl.lules normals, mentre no ho estan en teixit Metastàsic comparat amb PCA. Això vol dir que a partir d´aquest marcadors podem detectar el càncer de pròstata en fases benignes abans de que passi a etapes més avançades (càncer metastàsic) i que el tractament es compliqui. De la mateixa manera, el gen EEF1G està implicat en el pas de PCA a Metastàsic i pot ser un marcador molt important per diagnosticar un càncer de pròstata avançat (metastàsic) i poder procedir al seu tractament d'urgència. Això ho podem deduir perquè aquest gen està sobreexpressat en tumors metastàsics en comparació amb PCA, mentre que no hi ha diferències d´expressió importants entre PCA i teixit normal.
  

• Aquests gens també ens poden servir per futurs tractament de càncer de pròstata ja que estan sobreexpressats en teixits cancerígens i fan funcions importants dins de la cèl·lula com són metabolisme (EEF1G, HPN,CAMKK2) o transducció de senyals (LIM). Si podem bloquejar d´alguna manera la sobreexpressió d´aquest gens podríem impedir l'evolució normal del càncer.
  

• Els gens sobreexpressats i compartits són un bon punt de partida per futures investigacions. Podem efectuar cerques amb el programa BLAST per trobar proteïnes relacionades amb les nostres i analitzar-les. D'aquesta manera podem focalitzar molt més el nostre estudi en proteïnes que poden ser candidates a ser bons marcadors de les diferents fases del càncer de próstata, o que poden ésser susceptibles a tractament.
  

• Per trobar noves proteïnes relacionades amb el càncer de pròstata podríem fer un experiment de Two Hibrid System mitjançant el qual podríem trobar les proteïnes amb les que interaccionen els productes dels nostres gens. A partir de les proteïnes obtingudes podríem suggerir noves dianes terapèutiques pel càncer de pròstata.
  

• El fet que les proteïnes que hem trobat estan molt poc estudiades ens pot impulsar a realitzar un estudi exaustiu sobre elles per caracteritzar-les. Per fer això podem recórrer a bases de dades de proteïnes, a anàlisis estructurals, predicció tridimensional, modelització, etc. Un millor coneixement d'aquestes proteïnes ens permetrà una millor interpretació dels resultats i encaminar el nostre anàlisi a estructures proteiques concretes.

Per qualsevol dubte o suggerència que tingueu no dubteu en enviar-nos un mail!!       

      Una salutació dels qui han creat la pàgina