新型分析改善了微阵列数据的癌症相关基因的鉴定

达特茅斯定量生物医学科学研究所(iQBS)的研究人员开发了一种新的基因表达分析方法来识别癌症基因。这篇论文的题目是“如何从微阵列数据中得到最大的好处:反向基因组学的建议”，于2014年3月21日在线发表BMC基因组学。研究结果挑战了微阵列数据分析的目前范式，并表明新方法可以改善癌症相关基因的鉴定。

典型的微阵列基因表达分析比较了癌旁正常组织和癌旁组织的基因表达。在这些分析,基因鉴定了表达的强大统计差异。然而，许多基因在肿瘤中以异常表达，作为肿瘤发生的副产品。这些“乘客”基因在正常和肿瘤组织之间进行差异表达，但它们不是肿瘤发生的“司机”。因此，需要更好地进行丰富具有真实癌症相关的“驾驶员”基因的候选基因列表的分析方法。

牵头作者，Ivan P. Gorlov，Ph.D.，博士，社区和家庭医学副教授，克里斯托弗·阿莫斯，博士学位，社区和家庭医学教授，基因组医学中心主任描述了一种新方法分析微阵列数据。研究小组证明，基于基因表达间的肿瘤间变异的排名基因优于传统的分析方法。结果含有4种主要癌症类型：乳腺癌，结直肠癌，肺和前列腺癌一致。

该团队使用文本挖掘来鉴定已知与乳腺，结肠直肠，肺和前列腺癌相关联的基因。然后，通过确定通过不同分析方法鉴定的顶部基因候选物中发生的那些已知的癌症相关基因的频率估计富集因子。富集因子描述了与纯机会所期望的识别频率相比，鉴定了癌症相关基因的常见程度。在所有四种癌症类型中，选择的新方法候选基因基于基因表达的肿瘤间变异优于其他方法，包括比较相邻正常和肿瘤组织中的平均表达的标准方法。Gorlov和同事博士也使用这种方法来鉴定新型癌症相关基因。

作者称为肿瘤异质性，作为基于方差的方法成功的最可能原因。该方法基于不同肿瘤可以由癌症基因的不同亚组驱动的知识。通过鉴定具有高变异的基因在肿瘤之间的表达高，方法优先识别与癌症特异性相关的基因。这种相同的特征，肿瘤异质性可以降低鉴定相邻肿瘤和正常组织中的平均基因表达时识别关键基因表达的能力，因为相同类型的肿瘤可以具有差异表达不同的基因组。

该研究的结果对比较癌旁正常组织和癌旁组织中平均基因表达是鉴别的最佳方法的模型提出了挑战癌症相关的基因。事实上，该团队在邻近的“正常”组织样本中发现了高变异，这些样本通常被用作对照样本，用于基于平均基因表达的分析比较。这项研究表明，基于方差的方法可能有助于从现有和未来的全球中获得最大的收益基因表达学习。

---

---