Resumen
Introducción: este estudio busca identificar patrones comunes de expresión génica y vías desreguladas en diversos trastornos tiroideos aprovechando conjuntos de datos transcriptómicos públicamente disponibles. La integración de otros datos ómicos, cuando sea posible, nos permitirá descubrir posibles impulsores moleculares y biomarcadores asociados con disfunciones tiroideas específicas. Sin embargo, aún existen lagunas en el análisis de los transcriptomas de los diversos trastornos tiroideos.
Objetivo: realizar un análisis comparativo del transcriptoma de la tiroides en trastornos tiroideos utilizando enfoques de bioinformática.
Métodos: se recolectaron conjuntos de datos de expresión génica públicamente disponibles relacionados con la tiroides del European Nucleotide Archive. El preprocesamiento de datos involucró la aplicación de controles de calidad, el recorte de lecturas y su alineación con un genoma de referencia. Se realizó un análisis de expresión diferencial utilizando paquetes de bioinformática, y se llevó a cabo un análisis de enriquecimiento funcional para obtener información sobre los procesos biológicos. Se realizó un análisis de redes para explorar las interacciones y relaciones regulatorias entre los genes diferencialmente expresados.
Resultados: el análisis incluyó un total de 18 conjuntos de datos de expresión génica, de los cuales 15 fueron seleccionados según criterios de inclusión y evaluación de calidad. Se identificó un gran número de genes diferencialmente expresados (p<0.01), y estos genes se clasificaron según su relevancia. El análisis de enriquecimiento funcional reveló numerosos procesos biológicos asociados con los genes diferencialmente expresados, proporcionando información sobre los mecanismos moleculares de los trastornos tiroideos. El análisis de redes utilizando el software Cytoscape reveló interacciones potenciales entre los genes diferencialmente expresados e identificó genes centrales clave y posibles objetivos terapéuticos.
Conclusión: este estudio demuestra una metodología accesible para realizar un análisis comparativo del transcriptoma de la tiroides en diferentes trastornos sin necesidad de muestras de tejido tiroideo. La integración de enfoques de bioinformática proporciona una comprensión integral de los mecanismos moleculares subyacentes a las enfermedades tiroideas.
Citas
Ilnytskyy S, Bilichak A. Bioinformatics Analysis of Small RNA Transcriptomes: The Detailed Workflow. Methods Mol Biol. 2017;1456:197-224. https://doi.org/10.1007/978-1-4899-7708-3_16
Skowron P, Ramaswamy V, Taylor MD. Genetic and molecular alterations across medulloblastoma subgroups. J Mol Med (Berl). 2015;93(10):1075-84. https://doi.org/10.1007/s00109-015-1333-8
Vitale L, Piovesan A, Antonaros F, Strippoli P, Pelleri MC, Caracausi M. Dataset of differential gene expression between total normal human thyroid and histologically normal thyroid adjacent to papillary thyroid carcinoma. Data Brief. 2019;24:103835. https://doi.org/10.1016/j.dib.2019.103835
Cai LL, Liu GY, Tzeng CM. Genome-wide DNA methylation profiling and its involved molecular pathways from one individual with thyroid malignant/benign tumor and hyperplasia: A case report. Medicine (Baltimore). 2016;95(35):e4695. https://doi.org/10.1097/MD.0000000000004695
Massolt ET, Meima ME, Swagemakers SMA, Leeuwenburgh S, van den Hout-van Vroonhoven MCGM, Brigante G, et al. Thyroid State Regulates Gene Expression in Human Whole Blood. J Clin Endocrinol Metab. 2018;103(1):169-178. https://doi.org/10.1210/jc.2017-01144
Marabita F, James T, Karhu A, Virtanen H, Kettunen K, Stenlund H, et al. Multiomics and digital monitoring during lifestyle changes reveal independent dimensions of human biology and health. Cell Syst. 2022;13(3):241-255.e7. https://doi.org/10.1016/j.cels.2021.11.001
Cho BA, Yoo SK, Song YS, Kim SJ, Lee KE, Shong M, et al. Transcriptome Network Analysis Reveals Aging-Related Mitochondrial and Proteasomal Dysfunction and Immune Activation in Human Thyroid. Thyroid. 2018;28(5):656-666. https://doi.org/10.1089/thy.2017.0359
Liu C, Pan Y, Li Q, Zhang Y. Bioinformatics analysis identified shared differentially expressed genes as potential biomarkers for Hashimoto's thyroiditis-related papillary thyroid cancer. Int J Med Sci. 2021;18(15):3478-3487. https://doi.org/10.7150/ijms.63402
He H, Liyanarachchi S, Li W, Comiskey DF Jr, Yan P, Bundschuh R, et al. Transcriptome analysis discloses dysregulated genes in normal appearing tumor-adjacent thyroid tissues from patients with papillary thyroid carcinoma. Sci Rep. 2021;11(1):14126. https://doi.org/10.1038/s41598-021-93526-9
Shih ML, Lawal B, Cheng SY, Olugbodi JO, Babalghith AO, Ho CL, et al. Large-scale transcriptomic analysis of coding and non-coding pathological biomarkers, associated with the tumor immune microenvironment of thyroid cancer and potential target therapy exploration. Front Cell Dev Biol. 2022;10:923503. https://doi.org/10.3389/fcell.2022.923503
Payne K, Brooks J, Spruce R, Batis N, Taylor G, Nankivell P, et al. Circulating Tumour Cell Biomarkers in Head and Neck Cancer: Current Progress and Future Prospects. Cancers (Basel). 2019;11(8):1115. https://doi.org/10.3390/cancers11081115
Dennis G Jr, Sherman BT, Hosack DA, Yang J, Gao W, Lane HC, et al. DAVID: Database for Annotation, Visualization, and Integrated Discovery. Genome Biol. 2003;4(5):P3. https://doi.org/10.1002/jbt.20304
Kuleshov MV, Jones MR, Rouillard AD, Fernandez NF, Duan Q, Wang Z, et al. Enrichr: a comprehensive gene set enrichment analysis web server 2016 update. Nucleic Acids Res. 2016;44(W1):W90-7. https://doi.org/10.1093/nar/gkw377
Wu T, Hu E, Xu S, Chen M, Guo P, Dai Z, et al. clusterProfiler 4.0: A universal enrichment tool for interpreting omics data. Innovation (Camb). 2021;2(3):100141. https://doi.org/10.1016/j.xinn.2021.100141
Simmonds MJ, Gough SC. Unravelling the genetic complexity of autoimmune thyroid disease: HLA, CTLA-4 and beyond. Clin Exp Immunol. 2004;136(1):1-10. https://doi.org/10.1111/j.1365-2249.2004.02424.x
Cummins C, Ahamed A, Aslam R, Burgin J, Devraj R, Edbali O, et al. The European Nucleotide Archive in 2021. Nucleic Acids Res. 2022;50(D1):D106-D110. https://doi.org/10.1093/nar/gkab1051
Kapushesky M, Adamusiak T, Burdett T, Culhane A, Farne A, Filippov A, et al. Gene Expression Atlas update--a value-added database of microarray and sequencing-based functional genomics experiments. Nucleic Acids Res. 2012;40(Database issue):D1077-81. https://doi.org/10.1093/nar/gkr913
Lau SF, Cao H, Fu AKY, Ip NY. Single-nucleus transcriptome analysis reveals dysregulation of angiogenic endothelial cells and neuroprotective glia in Alzheimer's disease. Proc Natl Acad Sci U S A. 2020;117(41):25800-25809. https://doi.org/10.1073/pnas.2008762117
Zhang S, Wang Q, Han Q, Han H, Lu P. Identification and analysis of genes associated with papillary thyroid carcinoma by bioinformatics methods. Biosci Rep. 2019;39(4):BSR20190083. https://doi.org/10.1042/BSR20190083
Hossain MA, Asa TA, Rahman MM, Uddin S, Moustafa AA, Quinn JMW, et al. Network-Based Genetic Profiling Reveals Cellular Pathway Differences Between Follicular Thyroid Carcinoma and Follicular Thyroid Adenoma. Int J Environ Res Public Health. 2020;17(4):1373. https://doi.org/10.3390/ijerph17041373
Andalib KMS, Rahman MH, Habib A. Bioinformatics and cheminformatics approaches to identify pathways, molecular mechanisms and drug substances related to genetic basis of cervical cancer. J Biomol Struct Dyn. 2023:1-16. https://doi.org/10.1080/07391102.2023.2179542
Doncheva NT, Morris JH, Gorodkin J, Jensen LJ. Cytoscape StringApp: Network Analysis and Visualization of Proteomics Data. J Proteome Res. 2019;18(2):623-632. https://doi.org/10.1021/acs.jproteome.8b00702
Wan Y, Zhang X, Leng H, Yin W, Zeng W, Zhang C. Identifying hub genes of papillary thyroid carcinoma in the TCGA and GEO database using bioinformatics analysis. PeerJ. 2020;8:e9120. https://doi.org/10.7717/peerj.9120
Qiu K, Li K, Zeng T, Liao Y, Min J, Zhang N, et al. Integrative Analyses of Genes Associated with Hashimoto's Thyroiditis. J Immunol Res. 2021;2021:8263829. https://doi.org/10.1155/2021/8263829
Guo Q, Qiu P, Yao Q, Chen J, Lin J. Integrated Bioinformatics Analysis for the Screening of Hub Genes and Therapeutic Drugs in Androgen Receptor-Positive TNBC. Dis Markers. 2022;2022:4964793. https://doi.org/10.1155/2022/4964793
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Derechos de autor 2024 Revista Colombiana de Endocrinología, Diabetes & Metabolismo