Postepy Hig Med Dosw. (online), 2012; 66: 330-338
Review
Full Text PDF  

Rola profilowania genowego z zastosowaniem macierzy DNA w diagnostyce, określaniu rokowania i odpowiedzi na leczenie w raku jelita grubego
DNA microarray-based gene expression profiling in diagnosis, assessing prognosis and predicting response to therapy in colorectal cancer
Przemysław Kwiatkowski1  , Piotr Wierzbicki2  , Andrzej Kmieć3  , Janusz Godlewski4  
1Katedra Histologii i Embriologii Człowieka Uniwersytetu Warmińsko-Mazurskiego w Olsztynie
2Katedra i Zakład Histologii Gdańskiego Uniwersytetu Medycznego
3Zakład Propedeutyki Onkologii Gdańskiego Uniwersytetu Medycznego
4Oddział Kliniczny Chirurgii Onkologicznej Wydziału Nauk Medycznych Uniwersytetu Warmińsko-Mazurskiego w Olsztynie
Adres do korespondencji
dr Przemysław Kwiatkowski, Katedra Histologii i Embriologii Człowieka Uniwersytetu Warmińsko-Mazurskiego w Olsztynie, ul. Warszawska 30; e-mail: przemysław.kwiatkowski@uwm.edu.pl

Otrzymano:  2012.01.25
Zaakceptowano:  2012.04.25
Opublikowano:  2012.06.11

Streszczenie
Rak jelita grubego to najczęstszy nowotwór przewodu pokarmowego. Nowotwór ten rozpatrywa­ny jest jako biologiczny model kancerogenezy, w którego przemianie od wczesnego do późne­go gruczolaka, a następnie do późnego raka towarzyszą wyraźne zmiany genetyczne. Stosowane kliniczne i patologiczne parametry oceny chorych są obecnie niewystarczające do personalizacji sposobu leczenia w dotychczas klasyfikowanych grupach pacjentów, a wiarygodne markery mo­lekularne o dużej wartości prognostycznej nie zostały jak dotąd poznane. Badania molekularne z użyciem techniki mikrosiatek wskazały wiele genów zaangażowanych w proliferację i różni­cowanie komórkowe w procesie kancerogenezy. Jednocześnie określanie profilu genowego ko­mórek raka za pomocą techniki mikromacierzy może być użytecznym narzędziem w wyodręb­nianiu pacjentów o różnym przebiegu klinicznym, dla których leczenie uzupełniające może być zindywidualizowane.
Ponadto białkowe produkty tych genów mogłyby stanowić cel nowych leków przeciwnowotworowych.
Głównym celem pracy jest przedstawienie obecnego stanu wiedzy na temat praktycznego zasto­sowania profilowania genowego z użyciem techniki mikromacierzy w diagnostyce, określaniu rokowania i odpowiedzi na leczenie w raku jelita grubego.
Słowa kluczowe: rak jelita grubego • mikromacierze • profilowanie genowe • określanie rokowania • określanie odpowiedzi na leczenie


Summary
Colorectal cancer is the most common cancer of the gastrointestinal tract. It is considered as a bio­logical model of a certain type of cancerogenesis process in which progression from an early to late stage adenoma and cancer is accompanied by distinct genetic alterations.
Clinical and pathological parameters commonly used in clinical practice are often insufficient to determine groups of patients suitable for personalized treatment. Moreover, reliable molecular markers with high prognostic value have not yet been determined. Molecular studies using DNA-based microarrays have identified numerous genes involved in cell proliferation and differentia­tion during the process of cancerogenesis. Assessment of the genetic profile of colorectal cancer using the microarray technique might be a useful tool in determining the groups of patients with different clinical outcomes who would benefit from additional personalized treatment.
The main objective of this study was to present the current state of knowledge on the practical application of gene profiling techniques using microarrays for determining diagnosis, prognosis and response to treatment in colorectal cancer.
Key words: colorectal cancer • DNA microarray • gene profiling • assessing prognosis • predicting response to therapy




1. Wprowadzenie
Klasyfikacja TNM nowotworów złośliwych, oparta na roz­poznaniu histopatologicznym jest powszechnie stosowana we wszystkich ośrodkach medycznych. Przyporządkowanie do określonej grupy opiera się na opisie takich cech no­wotworu jak: wielkość guza, obecność przerzutów do re­gionalnych węzłów chłonnych oraz obecność przerzutów odległych. Ten dotychczas stosowany system klasyfikacji nie jest zadowalający w odniesieniu do wymaganej obec­nie personalizacji leczenia, ponieważ nie daje pełnej wie­dzy dotyczącej zróżnicowanej biologii nowotworu w prze­biegu kancerogenezy.
Ze względu na to, iż u podstaw rozwoju każdego nowotworu leżą zaburzenia na poziomie molekularnym, poszukiwane są precyzyjne systemy klasyfikacji, które koncentrują się na nowoczesnych metodach obejmujących analizę muta­cji materiału genetycznego; genomika - dla genomowego i mitochondrialnego DNA, tranksryptomika - analiza in­formacyjnego RNA (mRNA). Mutacje te mogą mieć po­średnie lub bezpośrednie przełożenie na jakość i/lub ilość finalnych produktów białkowych, stąd też kolejnym narzę­dziem jest proteomika - jako analiza profili białkowych w komórce. Podobnie badanie interakcji białek w obrębie szlaków metabolicznych (metabolomika), pozwala bada­czom poznać aktywność i czynność komórek nowotworo­wych. Natomiast główne narzędzia systeomiki koncentru­ją się na opracowywaniu swego rodzaju „molekularnych portretów" komórek nowotworowych i wyróżnianiu grup w określonych histologicznie typach nowotworów.
Najnowsze badania w dziedzinie biologii molekularnej no­wotworów koncentrują się na transkryptomice pod kątem jakościowej i ilościowej analizy mRNA. Tradycyjne me­tody badania poziomu ekspresji genów, takie jak hybrydy­zacja RNA (Northern blotting) [5], różnicowego namna­żania (differential display) [38], SAGE (serial analysis of gene expression) [59], hybrydyzacja „dotblot" [37] mają wspólną wadę - pozwalają na jednoczesne badanie eks­presji niewielkiej liczby genów, ponadto wymagają dużych ilości materiału wyjściowego.
W przeciwieństwie do wymienionych wyżej, innowacyj­na technika mikromacierzy (mikrosiatek - microarray) po­zwala na symultaniczną analizę ekspresji tysięcy genów, umożliwiając przez to określenie aktywności konkretnych genów w danych warunkach przy stosunkowo niewielkiej ilości materiału wyjściowego. Niekiedy do dalszej klasy­fikacji lub określenia prognozy badane pole zawęża się do kilku wybranych genów i dalsze analizy mogą być prowa­dzone tańszymi i mniej skomplikowanymi technikami bio­logii molekularnej, np. ilościowy PCR (QPCR - quantita­tive PCR, real-time PCR - PCR w czasie rzeczywistym).
Metoda mikromacierzy jest nowoczesną techniką, która zyskała szczególne uznanie po opublikowaniu w 1999 r. na łamach „Science" pracy poświęconej profilowi mole­kularnemu blastów białaczkowych [28]. Wykazano wów­czas, że za pomocą techniki mikromacierzy można odróż­nić ostrą białaczkę szpikową od białaczki limfoblastycznej w oparciu o dane dotyczące ekspresji odpowiednich grup genów. Wyniki tych badań dały także podstawy do wpro­wadzenia kilku nowych terminów w onkologii, mianowi­cie „odkrywania klas" (class discovery) czyli identyfikacji nieznanych podtypów nowotworów, „przewidywania klas" (class prediction) - przyporządkowywania nowotworów do zdefiniowanych grup oraz „porównywania klas" (class comparison) - zestawiania różnych profili ekspresji w ob­rębie dobrze zdefiniowanych grup [28].
Ze względu na możliwość jednoczesnego badania ekspresji ogromnej liczby genów przy stosunkowo niewielkiej ilości materiału wyjściowego, to właśnie technika mikromacie­rzy znajduje obecnie największe zastosowanie w anali­zach profili genowych (ryc.1).
Ryc. 1. Potencjalne możliwości wykorzystania profilowania genowego w onkologii

2. Systemy mikromacierzy
Mikromacierze ze względu na budowę, sposób otrzymy­wania oraz działanie można podzielić na dwa odrębne sys­temy różniące się długością sond, a przez to swoistością do wykrywanych fragmentów RNA.
Pierwsze z nich, mikromacierze oparte na oligonukleoty­dach, noszą nazwę mikromacierzy oligonukleotydowych wysokiej gęstości (chipów DNA) i otrzymywane są metodą fotolitograficzną GeneChip® [58,62]. Metoda ta polega na przeprowadzaniu kontrolowanej syntezy oligonukleotydów DNA o określonej sekwencji bezpośrednio na plastikowej płytce (in situ) o powierzchni około 2 cm2. Otrzymane oligo­nukleotydy mają najczęściej długość 15-25 nt, a ich fizycz­ny rozmiar nie przekracza 10 µm. Dzięki temu możliwe jest umieszczenie na jednej płytce do 750 tys. sond oligonukle­otydowych, co umożliwia hybrydyzację z komplementar­nym DNA lub RNA (cDNA, cRNA) oraz z microRNA [31].
Drugi z systemów mikromacierzy, opracowany na Uniwersytecie Stanforda, zwany mikromacierzami cDNA, opiera się na wykorzystaniu biblioteki klonów DNA. Za pomocą mikrodrukarki komputerowej jednoniciowe znako­wane fluorescencyjnie sondy cDNA długości 500-2000 nu­kleotydów są automatycznie nanoszone na szkiełko podsta­wowe mikroskopu pokryte poli-L-lizyną (nawet do 25 tys. cDNA na powierzchni jednego szkiełka) [41,49,65]. W ko­lejnym etapie zachodzi hybrydyzacja badanego RNA lub cDNA z odpowiednimi sondami cDNA. W obu przypad­kach pomiar intensywności sygnału fluorescencyjnego hy­bryd badanego RNA/cDNA-cDNA jest wykonywany z za­stosowaniem odpowiednich detektorów.
Technika mikrosiatek cDNA ma pewną przewagę nad me­todą opartą na oligonukleotydach. Za pomocą mikromacie­rzy cDNA możliwe jest badanie ekspresji genów, nie zna­jąc ich pełnej sekwencji, a do reakcji potrzebne są jedynie odpowiednie klony DNA uzyskane w reakcji odwrotnej transkrypcji na matrycy RNA z badanych prób, następnie cDNA jest amplifikowane z wykorzystaniem swoistych lub zdegenerowanych starterów w reakcji PCR. W przypadku analizy zjawiska alternatywnego składania mRNA, oba sys­temy umożliwiają analizę różnych wariantów mRNA (izo­form). Natomiast technika mikromacierzy oligonukleoty­dowych umożliwia analizę ilościową microRNA (miRNA).
Obecnie z wykorzystaniem mikromacierzy ekspresyjnych można mierzyć ekspresję ponad 750 tysięcy sekwencji RNA dla 28 tysięcy genów w jednej próbce (dla sekwen­cji Homo sapiens), natomiast próg detekcji jest niezwykle niski, gdyż dysponując zaledwie jedną kopią transkryptu na komórkę możliwe jest wykrycie już dwukrotnego wzro­stu ekspresji genu [30].
W medycynie technika mikromacierzy znalazła już zasto­sowanie w badaniach związanych z poszukiwaniem związ­ków między określoną mutacją wywołującą chorobę mo­lekularną a fenotypem (np. w mukowiscydozie [57] lub w badaniach procesów zapalnych [64]).
Ze względu na jednoczesną analizę ekspresji wielu tysię­cy genów, w ostatnim czasie największe nadzieje wiąże się z praktycznym wykorzystaniem mikromacierzy w diagno­styce, prognozowaniu i terapii chorób nowotworowych, jako że u podłoża transformacji nowotworowej leży nagroma­dzenie przynajmniej kilku kluczowych nieletalnych muta­cji genetycznych w pojedynczej komórce.
3. Technika mikromacierzy a sekwencjonowanie DNA/RNA
Technika mikrosiatek umożliwiła bardzo duży skok ilościo­wy i jakościowy w uzyskiwaniu informacji dotyczących po­ziomu ekspresji dziesiątek tysięcy genów w pojedynczej próbie. Jednak, mimo możliwości ilościowego określenia występowania zróżnicowanych izoform mRNA, w onko­logii doświadczalnej kluczowym elementem jest pozna­nie sekwencji transkryptów, a także genomowego DNA. Technika mikromacierzy jest wykorzystywana w amerykań­skim projekcie „The cancer genome atlas" (TCGA), nad­zorowanym przez National Cancer Institute oraz National Human Genome Research Institute przy współudziale wielu instytutów medyczno-badawczych. Projekt ten, rozpoczę­ty w 2005 r. ma na celu skatalogowanie kluczowych mu­tacji DNA, zmian epigenetycznych (hipermetylacja regio­nów promotorowych) i profili ekspresji charakterystycznych dla różnych typów nowotworów. W ramach TCGA głów­ny nacisk położono na ilość i jakość materiału badawcze­go - m.in. 500 sparowanych tkanek dla każdego nowotwo­ru (tkanka guza + tkanka makroskopowo niezmieniona lub krew), wprowadzono standaryzację pobierania, przechowy­wania i transportu prób biologicznych. Projekt TCGA za­kłada analizę następujących nowotworów: glejaka gwiaź­dzistego, raka piersi, jajnika, szyjki macicy, tarczycy, ostrej białaczki szpikowej, czerniaka oraz raka płuc, nerki, pęche­rza, gruczołu krokowego. W badaniach nad genetyką nowo­tworów w obrębie układu pokarmowego zakłada się analizę raka żołądka oraz raka jelita grubego. Badania molekular­ne obejmują głównie sekwencjonowanie egzomu - sekwen­cji kodujących w obrębie genomowego DNA. Jednocześnie prowadzona jest analiza profilowania ekspresji metodą mi­kromacierzy cDNA. Ze względu na konieczność obróbki gigantycznej ilości danych, na podstawie wyników projek­tu TCGA opublikowano jak dotąd jedynie prace o profi­lowaniu genetycznym glejaka [14,17,18] oraz raka jajnika [16,43,68], natomiast pozostałe grupy nowotworów podle­gają obecnie obróbce molekularno-informatycznej.
W przypadku sekwencjonowania mRNA w próbach mole­kularnych (RNA-Seq), polegającej na sekwencjonowaniu dziesiątek tysięcy transkryptów w pojedynczej próbie na nośniku stałym, trwa dyskusja nad wyższością tej techniki nad mikromacierzami [42]. Głównym ograniczeniem mi­krosiatek jest brak znajomości wszystkich sekwencji mRNA w analizowanej próbie, stąd ten element jest podstawową zaletą sekwencjonowania RNA-Seq, gdzie analizie podda­wane jest każde dojrzałe mRNA o długości większej niż 25 nt. Jednakże zdecydowane zalety techniki mikromacie­rzy, takie jak niższy próg detekcji [42], cena pojedyncze­go oznaczenia - prawie 10-krotnie mniejsza niż RNA-Seq, a także rozmiar wyników z pojedynczego eksperymentu - maksymalnie 30 MB dla mikromacierzy w stosunku do 20-30 GB danych dla analogicznego doświadczenia RNA-Seq [8] skutkuje znacznie częstszym wykorzystywaniem mikromacierzy niż RNA-Seq [50]. Jednak część zespołów badawczych stosuje symultanicznie RNA-Seq i mikrosiat­ki, uzyskując analogiczne wyniki [1,13,39].
4. Zastosowanie mikromacierzy w onkologii
Pierwszym nowotworem, którego molekularne podstawy opisano technikami mikromacierzy, jest rak piersi. Perou i wsp. wyodrębnili metodą biologii molekularnej 5 gene­tycznych podtypów raka piersi, charakteryzujących się róż­nym poziomem ekspresji genów. Wykazali korelację mię­dzy podtypem molekularnym a rokowaniem i odpowiedzią na leczenie, wskazując na wartości prognostyczne okre­ślania profilu genowego z użyciem techniki mikrosiatek DNA [54]. Autorzy zwrócili również uwagę na to, że po­zyskane w oparciu o technikę mikromacierzy profile mo­lekularne raka piersi, wydają się lepiej określać biologię guza oraz prognozować przebieg choroby niż dotychczas stosowane cechy kliniczno-patologiczne.
Spośród innych nowotworów, które badano techniką mikro­macierzy były wspomniane już nowotwory hematologiczne, gruczołów wewnątrzwydzielniczych, a także rak płuc, krta­ni, jajnika, prostaty i trzustki [9,19,23,40,45,47,53].
W ostatnich latach dużo uwagi poświęca się określaniu profili genowych z wykorzystaniem technik mikromacie­rzy w najczęstszym nowotworze przewodu pokarmowego czyli w raku jelita grubego. Dzieje się tak z kilku wzglę­dów. Po pierwsze, rak jelita grubego jest uznany jako mo­del kancerogenezy, w którym przemianie gruczolaka do wczesnego, a następnie późnego raka, towarzyszą zdefi­niowane zmiany genetyczne [60]. Po drugie, obecnie sto­sowane kliniczne i patologiczne parametry oceny choroby są niewystarczające do indywidualizacji przebiegu cho­roby, a jednocześnie nie zostały dotąd poznane markery molekularne o dużej wartości prognostycznej. I wreszcie po trzecie, stosowane powszechnie w leczeniu raka jeli­ta grubego konwencjonalne chemioterapeutyki, takie jak 5-fluorouracyl i leukoworyna, odznaczają się znaczną tok­sycznością, a odpowiedź kliniczna po ich zastosowaniu jest różna u pacjentów z tym samym stopniem zaawanso­wania klinicznego choroby. Dlatego też obecnie stawiany jest wymóg precyzyjnego określenia tych pacjentów, któ­rzy odniosą korzyść z leczenia oraz tych, u których będzie ono tylko miało działanie toksyczne a nie terapeutyczne.
Obecnie prowadzone badania nad określaniem profilu ge­nowego raka jelita grubego z użyciem techniki mikroma­cierzy, można podzielić na następujące grupy:
• badania nad molekularnymi aspektami procesu kancerogenezy,
• badania nad przewidywaniem rokowania,
• badania nad prognozowaniem odpowiedzi na leczenie.
4.1. Mikromacierze w badaniu molekularnych podstaw procesu kancerogenezy w raku jelita grubego
Zastosowanie technik mikromacierzy w badaniu procesu kancerogenezy raka jelita grubego ma na celu określenie swoistych zmian ekspresji genów oraz przyporządkowa­nie nowotworu do określonej grupy o biologicznie znanej charakterystyce nowotworzenia. Badania określane mia­nem „porównywania klas" mają na celu określenie profilu genowego swoistego dla prawidłowego nabłonka jelitowe­go, gruczolaka oraz raka. W celu przewidzenia przebiegu choroby porównuje się pod względem różnic w ekspresji genów guzy pierwotne i przerzutowe, a także te umiejsco­wione prawo- i lewostronnie (tab.1).
Tabela 1. Zastosowanie mikromacierzy DNA w diagnostyce i leczeniu raka jelita grubego

Pierwsze badanie, w którym porównywano różnice ekspresji genów między prawidłową śluzówką a tkanką nowotworo­wą za pomocą macierzy nukleotydowych (Affymetrix), było badanie przeprowadzone przez Alona i wsp. w 1999 r. [4]. Wyodrębniono wówczas zestaw 500 genów, których ekspre­sja wyraźnie różniła się między badanymi próbkami prawi­dłowej i zmienionej nowotworowo śluzówki jelita. W innym badaniu, przeprowadzonym dwa lata później przez zespół ba­daczy z Uniwersytetu w Princeton, przeanalizowano ponad 4 tysiące genów i na podstawie różnic ich ekspresji wyodręb­niono 3 duże grupy genów odróżniające prawidłową śluzów­kę jelita grubego od gruczolaka i gruczolaka od raka [48].
Dane literaturowe wskazują również na różnice w ekspre­sji genów między różnymi stopniami zaawansowania raka jelita grubego. Zależną od stopnia zaawansowania nowo­tworu wg skali TNM, specyficzną ekspresję genów po­twierdzono w kilku odrębnych badaniach [20,25,29,36,46].
W innym badaniu wykryto zestawy genów, których po­ziom ekspresji różnił się między prawidłową śluzówką jelita, a miejscowo zaawansowanym rakiem jelita grube­go, między miejscowo zaawansowanym rakiem, a rakiem przerzutującym do węzłów chłonnych, wreszcie między rakiem z przerzutami do regionalnych węzłów chłonnych a rakiem z przerzutami odległymi [26].
W celu dokładniejszego określenia zmian genetycznych le­żących u podstaw progresji nowotworu, porównano profile ekspresji genów guzów pierwotnych oraz guzów przerzuto­wych do narządów odległych [67]. Wykazano różnice eks­presji wielu genów zaangażowanych w procesy proliferacji, inwazji oraz adhezji komórkowej. Spośród tych genów gen SPP1 białka osteopontyny wykazywał 10-20-krotnie więk­szą ekspresję w ogniskach przerzutowych w wątrobie w po­równaniu do prawidłowej śluzówki oraz gruczolaków [2].
Wykazano ponadto różnice ekspresji genów porównując raki prawej i lewej części okrężnicy, a także porównywa­no profile genowe polipów płaskich i ząbkowanych wzglę­dem prawidłowego nabłonka jelitowego, sugerując różne mechanizmy molekularne leżące u podstaw tych zmian przedrakowych [27,34,35].
Mimo iż prowadzone badania nad określaniem profi­lu genowego zmian nowotworowych raka jelita grubego z użyciem techniki mikromacierzy dostarczają wielu no­wych informacji na temat molekularnych podstaw proce­su kancerogenezy, jak dotąd nie udało się jednoznacznie stworzyć panelu wiarygodnych biomarkerów, który mógł­by być wykorzystany na szerszą skalę w praktyce klinicz­nej. Sytuacja ta może wynikać z różnych platform analizy genomu, jakich używano w tych badaniach, gdyż w jed­nych badaniach używano systemu GeneChip, a w innych używano mikromacierzy cDNA oraz różnych metod po­zyskiwania próbek tkankowych oraz różnych metod staty­stycznych użytych do opracowania danych.
4.2. Badania nad przewidywaniem rokowania w raku jelita grubego
Badania nad określeniem profili genowych w różnych sta­diach zaawansowania raka jelita grubego, oprócz opisane­go powyżej porównywania klas, mają na celu wyróżnienie grup pacjentów o złym przebiegu choroby. Podstawowe zna­czenie ma wyodrębnienie grup chorych z różnym ryzykiem wystąpienia przerzutów odległych, co bezpośrednio prze­kłada się na gorsze rokowanie u tych chorych. W 2004 r. opublikowano wyniki badania, w którym określono zestaw 194 genów ulegających różnej ekspresji w guzie pierwot­nym w porównaniu do zmian przerzutowych i jednocze­śnie przyporządkowano chorych do grup o istotnie różnym odsetku 5-letnich przeżyć [12] (tab.2).
Tabela 2. Zastosowanie mikromacierzy w tworzeniu profili ekspresyjnych w raku jelita grubego

Przewidywanie nawrotu choroby jest istotnym zagadnieniem u pacjentów poddanych resekcji jelita grubego w stadium raka bez przerzutów do węzłów chłonnych (stadium B wg Dukesa), ponieważ rola adiuwantowej chemioterapii u tych chorych jest przedmiotem badań. Odsetek pięcioletnich prze­żyć u chorych w stadium B choroby wynosi około 75%, co wskazuje na to, że większość chorych odpowiada pozytywnie wyłącznie na leczenie chirurgiczne. Jednak u około 40% tych chorych dojdzie do wznowy choroby w ciągu dalszego życia. Dlatego ważne byłoby określenie, która część z tej grupy pa­cjentów odniosłaby korzyści z uzupełniającej chemioterapii.
Badania przeprowadzone w 2004 r. przez zespół badaczy z Uniwersytetu w St. Louis, pozwoliły określić panel 23 genów, który z dużym prawdopodobieństwem, rzędu 78% pozwolił określić ryzyko nawrotu raka jelita grubego [61].
Wyniki badań nad określaniem profilu genowego nowotwo­ru w stadium II i III raka jelita grubego (wg klasyfikacji UICC/AJCC, stadium B i C w skali Dukesa) dały poten­cjalną szansę wyróżnienia grup chorych o dobrym i złym rokowaniu, w sposób bardziej wiarygodny niż tradycyj­na klasyfikacja TNM. Zidentyfikowano panel 43 genów, za pomocą którego udało się z prawdopodobieństwem bli­skim 90% przewidzieć okres 3-letniego przeżycia u chorych w stadiach II i III raka jelita grubego [24], natomiast z wy­korzystaniem innego zestawu, wykorzystując profil 17 ge­nów, wyróżniono spośród 137 chorych w stadium III choro­by, dwie grupy o znacząco różnym okresie nawrotu choroby po zabiegu operacyjnym [6]. Niedawno opublikowane ba­dania wskazały na wartość kliniczną testu, gotowego zesta­wu, służącego do analizy 7 wybranych genów - Oncotype DX® i dotyczyły analizy chorych w stadium II choroby [63].
Ciekawym badaniem okazała się analiza przeprowadzona przez Barriera i wsp., w której punktem wyjścia było za­łożenie, iż między makroskopowo niezmienioną śluzówką jelitową znajdującą się w bezpośrednim sąsiedztwie guza, a samym guzem zachodzą ścisłe interakcje. Z tego wzglę­du ocenie poddano ekspresję 70 genów niezmienionej no­wotworowo śluzówki z tkanek otoczenia guza chorych po leczeniu operacyjnym. Wykazano, że różny poziom eks­presji tych genów wiązał się z 83% ryzykiem nawrotu cho­roby po zabiegu operacyjnym [10,11].
Podjęto także próbę wyodrębnienia grup pacjentów o różnym rokowaniu wśród chorych w najbardziej zaawansowanym sta­dium choroby (D wg Dukesa) i zdefiniowano 8 genów, któ­rych ekspresja koreluje z okresem przeżycia tych chorych [15].
Badania ostatnich lat koncentrują się na określeniu genów ściśle związanych z potencjałem metastatycznym komórek guza pierwotnego. Analizie poddano próbki ogniska pierwot­nego chorych, u których nie obserwowano nawrotu choroby w okresie pięcioletniej obserwacji. W drugiej grupie zba­dano tkankę nowotworową ogniska pierwotnego pacjentów z rozsiewem choroby do wątroby. Wyniki analizy pozwoliły wyróżnić zestaw 29 różnych genów o istotnie różnym pozio­mie ekspresji, wskazując na ich potencjalną rolę jako mar­kerów przerzutowania [21]. Inne badania dały podstawy aby sądzić, że potencjał metastatyczny jest zakodowany w guzie pierwotnym i może być określony metodą profilowania ge­nowego. Analizie poddano próbki guzów pierwotnych pa­cjentów w różnych stadiach choroby (bez i z przerzutami odległymi) oraz próbki zmian przerzutowych w wątrobie. Wyróżniono panel 119 genów i wyodrębniono dwie klasy nowotworu: bez potencjalnej zdolności oraz z potencjalną zdolnością do utworzenia przerzutów odległych [66].
4.3. Badania nad określaniem odpowiedzi na leczenie
Możliwość zastosowania techniki mikromacierzy w okre­ślaniu grup pacjentów o różnych stopniach odpowiedzi na leczenie pozostaje niepewna ze względu na niewielką do­tychczas liczbę przeprowadzonych w tym zakresie badań. Większość z badań, które zostały opublikowane, przepro­wadzono na modelowych liniach komórkowych zawiera­jących profil genowy „dobrego" i „złego" rokowania (tzw. „przewidywanie klas") [52].
Mariadason i wsp. przebadali 30 różnych linii komórko­wych raka jelita grubego i wyodrębnili panel 420 genów zaangażowanych w procesy replikacji i naprawy DNA, których poziom ekspresji korelował z odpowiedzią na po­wszechnie stosowany w terapii raka jelita grubego 5-flu­orouracyl. Wartość predykcyjna wybranych 50 genów, któ­rych poziom ekspresji najsilniej korelował z odpowiedzią na leczenie, okazała się ważniejszym czynnikiem niż po­wszechnie stosowane w raku jelita grubego markery pre­dykcyjne, takie jak syntetaza tymidylowa, fosforylaza tymi­dynowa czy białko p53. W tym samym badaniu wykazano także związek między poziomem ekspresji 149 genów a od­powiedzią na inny szeroko stosowany w terapii raka jelita grubego chemioterapeutyk - irinotekan [44].
W niedawno opublikowanej pracy, wykazano ścisłą zależ­ność między opornością na stosowany 5-fluorouracyl a po­ziomem ekspresji genów RAPGEF2, PTRF i SART1 zmian przerzutowych wątroby w przebiegu raka jelita grubego [3]. Podjęto także próbę określenia profilu genowego ko­mórek nowotworowych o większej wrażliwości na inny po­wszechnie stosowany w schematach chemioterapii w raku jelita grubego związek - oksaliplatynę. Wyniki badań po­zwoliły wyróżnić panel 80 genów, których poziom ekspre­sji wyraźnie korelował z efektem apoptotycznym pochod­nej platyny na komórki nowotworowe [7].
Opublikowane wyniki badań, przeprowadzonych na tkan­kach guza pochodzących od pacjentów z rakiem jelita gru­bego, dostarczyły pewnych informacji na temat przewi­dywanej odpowiedzi na zastosowane leczenie zależne od poziomu ekspresji wybranego panelu genów. W jednym z nich przeanalizowano próbki 21 guzów pierwotnych cho­rych w zaawansowanym stadium choroby i na podstawie różnic ekspresji 14 genów, z prawdopodobieństwem rów­nym 95%, chorych podzielono na grupę o złej i dobrej od­powiedzi na zastosowaną chemioterapię z użyciem leuko­woryny, fluorouracylu i irinotekanu [22].
Inna analiza dotyczyła próby określenia profilu genowe­go zmian przerzutowych w wątrobie i powiązania tej ce­chy z wrażliwością na zastosowany lek, monoklonalne chi­meryczne przeciwciało przeciw receptorowi naskórkowego czynnika wzrostu (EGFR). Badaniu podlegały próbki uzy­skane z ognisk przerzutowych od 25 chorych z dobrą odpo­wiedzią na lek i próbki od 50 chorych o złej odpowiedzi kli­nicznej na stosowane przeciwciało monoklonalne. Spośród 629 przebadanych genów za markery dobrej odpowiedzi na leczenie uznano geny epireguliny i amfireguliny czyli receptorów naskórkowego czynnika wzrostu (EGF) [32].
Próbę określenia profilu genowego i wskazania jako poten­cjalnego czynnika predykcyjnego odpowiedzi na leczenie podjęto także w grupie pacjentów z zaawansowanym ra­kiem jelita grubego poddawanych chemioterapii przedope­racyjnej. Wyodrębniono zestawy genów, których poziom ekspresji wyraźnie różnicował grupę pacjentów o dobrej i złej odpowiedzi na chemioterapię neoadiuwantową [33,51].
W ostatnim czasie przeprowadzono badania linii komór­kowych, wskazując geny szlaku kinaz serynowo/treoni­nowych (MAPK) jako potencjalne czynniki warunkujące wrażliwość na radiochemioterapię u chorych na raka je­lita grubego [56].
W stadium badań pozostaje kilka substancji o potencjal­nych wartościach terapeutycznych w raku jelita grubego, głównie przeciwciał skierowanych przeciwko receptorowi naskórkowego czynnika wzrostu. Określenie czynników predykcyjnych, w tym określanie profilu genowego wraż­liwości na lek, pozostaje w sferze badań [55].
5. Dyskusja
Poznanie genetycznych podstaw procesu kancerogenezy oraz identyfikacja genowych sygnatur o wartości progno­stycznej i predykcyjnej stanowią główny cel badań w raku jelita grubego z wykorzystaniem techniki mikromacierzy. Wyniki dotychczas przeprowadzonych badań wskazują na potencjalną wartość kliniczną genowych sygnatur oznacza­nych techniką mikrosiatek. Dzięki ich zastosowaniu szerzej zostały opisane molekularne podstawy procesu kanceroge­nezy, wskazano na sygnatury genowe związane z lepszym rokowaniem, a w kilku badaniach wykazano korelację eks­presji swoistych genów z lepszą odpowiedzią na zastoso­wane leczenie. Określanie profilu genowego komórek raka techniką mikromacierzy może być użytecznym narzędziem w wyodrębnianiu grup pacjentów, którzy mogą odnieść ko­rzyści z zastosowania poszczególnych schematów leczenia.
Celowym wydaje się głębsze poznanie sygnatur genowych związanych z rozwojem przerzutów nowotworowych do wą­troby, ponieważ 95% zgonów z powodu raka jelita grube­go wiąże się właśnie z rozwojem zmian metastatycznych. Pomimo wskazania genów o potencjale metastatycznym, kodujących białka zaangażowane w procesy adhezji i mi­gracji komórek oraz angiogenezy, pełna sygnatura geno­wa zmian przerzutowych nie została jeszcze zdefiniowana.
Szczególnym wyzwaniem dla współczesnej onkologii jest odkrycie cząsteczek, będących punktem uchwytu nowych terapii celowanych. Badania molekularne z użyciem techni­ki mikrosiatek wskazały pewne geny zaangażowane w pro­cesy proliferacji i różnicowania komórkowego. Białkowe produkty tych genów mogłyby stanowić cel nowych leków przeciwnowotworowych, jednak wymaga to dalszej anali­zy na poziomie proteomiki.
Przeniesienie tych obiecujących wyników do codziennej praktyki klinicznej jest jeszcze dość odległą perspektywą z kilku względów. Po pierwsze, wyniki równoległych ba­dań nie pokrywają się, najprawdopodobniej w związku z użyciem różnych platform badawczych (mikromacierze cDNA i oligonukleotydowe) i różnych metod analizy sta­tystycznej. Po drugie, brakuje dużych randomizowanych badań przeprowadzonych na wystarczająco dużej grupie chorych, a takie są niezbędne do wyeliminowania wyników skrajnych oraz do całościowego spojrzenia na dany pro­blem kliniczny. Wreszcie niezbędne jest wyselekcjonowa­nie spośród wielu przesłanek tylko tych informacji, które będą miały największy potencjał zastosowania w codzien­nej praktyce klinicznej. Spośród dużych zbiorów genów powinny zostać wybrane mniejsze, o szczególnym znacze­niu predykcyjnym i rokowniczym, a następnie retrospek­tywnie lub prospektywnie sprawdzone z użyciem konwen­cjonalnej analizy ilościowej, np. QPCR.
PIŚMIENNICTWO
[1] Agarwal A., Koppstein D., Rozowsky J., Sboner A., Habegger L., Hillier L.W., Sasidharan R., Reinke V., Waterston R.H., Gerstein M.: Comparison and calibration of transcriptome data from RNA-Seq and tiling arrays. BMC Genomics, 2010; 11: 383
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[2] Agrawal D., Chen T., Irby R., Quackenbush J., Chambers A.F., Szabo M., Cantor A., Coppola D., Yeatman T.J.: Osteopontin identified as lead marker of colon cancer progression, using pooled sample expression profiling. J. Natl. Cancer Inst., 2002; 94: 513-521
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[3] Allen W.L., Stevenson L., Coyle V.M., Jithesh P.V., Proutski I., Carson G., Gordon M.A., Lenz H.J., Van Schaeybroeck S., Longley D.B., Johnston P.G.: A systems biology approach identifies SART1 as a novel determinant of both 5-fluorouracil and SN38 drug resistance incolorectal cancer. Mol. Cancer Ther., 2011; 11: 119-131
[PubMed]  
[4] Alon U., Barkai N., Notterman D.A., Gish K., Ybarra S., Mack D., Levine A.J.: Broad patterns of gene expression revealed by clustering analysis of tumor and normal colon tissues probed by oligonucleotide arrays. Proc. Natl. Acad. Sci. USA, 1999; 96: 6745-6750
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[5] Alwine J.C., Kemp D.J., Stark G.R.: Method for detection of specific RNAs in agarose gels by transfer to diazobenzyloxymethyl-paper and hybridization with DNA probes. Proc. Natl. Acad. Sci. USA, 1977; 74: 5350-5354
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[6] Arango D., Laiho P., Kokko A., Alhopuro P., Sammalkorpi H., Salovaara R., Nicorici D., Hautaniemi S., Alazzouzi H., Mecklin J.P., Järvinen H., Hemminki A., Astola J.,Schwartz S. Jr, Aaltonen L.A.: Gene-expression profiling predicts recurrence in Dukes' C colorectal cancer. Gastroenterology, 2005; 129: 874-884
[PubMed]  
[7] Arango D., Wilson A.J., Shi Q., Corner G.A., Aranes M.J., Nicholas C., Lesser M., Mariadason J.M., Augenlicht L.H.: Molecular mechanisms of action and prediction of response to oxaliplatin in colorectal cancer cells. Br. J. Cancer, 2004; 91: 1931-1946
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[8] Auer P.L., Doerge R.W.: Statistical design and analysis of RNA sequencing data. Genetics, 2010, 185: 405-416
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[9] Bacher U., Kohlmann A., Haferlach C., Haferlach T.: Gene expression profiling in acute myeloid leukaemia (AML). Best Practice Res. Clin. Haematol., 2009; 22: 169-180
[PubMed]  
[10] Barrier A., Lemoine A., Boelle P.Y., Tse C., Brault D., Chiappini F., Breittschneider J., Lacaine F., Houry S., Huguier M., Van der Laan M.J., Speed T., Debuire B., Flahault A., Dudoit S.: Colon cancer prognosis prediction by gene expression profiling. Oncogene, 2005; 24: 6155-6164
[PubMed]  
[11] Barrier A., Roser F., Boëlle P.Y., Franc B., Tse C., Brault D., Lacaine F., Houry S., Callard P., Penna C., Debuire B., Flahault A., Dudoit S., Lemoine A.: Prognosis of stage II colon cancer by nonneoplastic mucosa gene expression profiling. Oncogene, 2007; 26: 2642-2648
[PubMed]  
[12] Bertucci F., Salas S., Eysteries S., Nasser V., Finetti P., Ginestier C., Charafe-Jauffret E., Loriod B., Bachelart L., Montfort J., Victorero G., Viret F., Ollendorff V., Fert V., Giovaninni M., Delpero J.R., Nguyen C., Viens P., Monges G., Birnbaum D., Houlgatte R.: Gene expression profiling of colon cancer by DNA microarrays and correlation with histological parameters. Oncogene, 2004; 23: 1377-1391
[PubMed]  
[13] Bloom J.S., Khan Z., Kruglyak L., Singh M., Caudy A.A.: Measuring differential gene expression by short read sequencing: quantitative comparison to 2-channel gene expression microarrays. BMC Genomics, 2009; 10: 221
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[14] Cancer Genome Atlas Research Network. Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature, 2008; 455: 1061-1068
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[15] Cavalieri D., Dolara P., Mini E., Luceri C., Castagnini C., Toti S., Maciag K., De Filippo C., Nobili S., Morganti M., Napoli C., Tonini G., Baccini M., Biggeri A., Tonelli F., Valanzano R., Orlando C., Gelmini S., Cianchi F., Messerini L., Luzzatto L.: Analysis of gene expression profiles reveals novel correlations with the clinical course of colorectal cancer. Oncol. Res., 2007; 16: 535-548
[PubMed]  
[16] Chen L., Xuan J., Gu J., Wang Y., Zhang Z., Wang T.L., Shih I.M.: Integrative network analysis to identify aberrant pathway networks in ovarian cancer. Pac. Symp. Biocomput., 2012: 31-42
[PubMed]  [Full Text PDF]  
[17] Cheng W.Y., Kandel J.J., Yamashiro D.J., Canoll P., Anastassiou D.: A multi-cancer mesenchymal transition gene expression signature is associated with prolonged time to recurrence in glioblastoma. PLoS One, 2012; 7: e34705
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[18] Cooper L.A., Gutman D.A., Chisolm C., Appin C., Kong J., Rong Y., Kurc T., Van Meir E.G., Saltz J.H., Moreno C.S., Brat D.J.: The tumor microenvironment strongly impacts master transcriptional regulators and gene expression class of glioblastoma. Am. J. Pathol., 2012; 180: 2108-2119
[PubMed]  
[19] Cortese R., Hartmann O., Berlin K., Eckhardt F.: Correlative gene expression and DNA methylation development nominate new biomarkers in lung cancer. Int. J. Biochem. Cell Biol., 2008; 40: 1494-1508
[PubMed]  
[20] Croner R.S., Förtsch T., Brückl W.M., Rödel F., Rödel C., Papadopoulos T., Brabletz T., Kirchner T., Sachs M., Behrens J., Klein-Hitpass L., Stürzl M., Hohenberger W., Lausen B.: Molecular signature for lymphatic metastasis in colorectal carcinomas. Ann. Surg., 2008; 247: 803-810
[PubMed]  
[21] D'Arrigo A., Belluco C., Ambrosi A., Digito M., Esposito G., Bertola A., Fabris M., Nofrate V., Mammano E., Leon A., Nitti D., Lise M.: Metastatic transcriptional pattern revealed by gene expression profiling in primary colorectal carcinoma. Int. J. Cancer, 2005; 115: 256-262
[PubMed]  
[22] Del Rio M., Molina F., Bascoul-Mollevi C., Copois V., Bibeau F., Chalbos P., Bareil C., Kramar A., Salvetat N., Fraslon C., Conseiller E., Granci V., Leblanc B., Pau B., Martineau P., Ychou M.: Gene expression signature in advanced colorectal cancer patients select drugs and response for the use of leucovorin, fluorouracil, and irinotecan. J. Clin. Oncol., 2007; 25: 773-780
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[23] Durand S., Ferraro-Peyret C., Selmi-Ruby S., Paulin C., Borson-Chazot F., Rousset B.A.: Evaluation of gene expression profiles in thyroid nodule biopsy material to diagnose thyroid cancer. J. Clin. Endocrinol. Metab., 2008; 93: 1195-1202
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[24] Eschrich S., Yang I., Bloom G., Kwong K.Y., Boulware D., Cantor A., Coppola D., Kruhoffer M., Aaltonen L., Orntoft T.F., Quackenbush J., Yeatman T.J.: Molecular staging for survival prediction of colorectal cancer patients. J. Clin. Oncol., 2005; 23: 3526-3535
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[25] Frederiksen C.M., Knudsen S., Laurberg S., Orntoft T.F.: Classification of Dukes' B and C colorectal cancers using expression arrays. J. Cancer Res. Clin. Oncol., 2003; 129: 263-271
[PubMed]  
[26] Friederichs J., Rosenberg R., Mages J., Janssen K.P., Maeckl C., Nekarda H., Holzmann B., Siewert J.R.: Gene expression profiles of different clinical stages of colorectal carcinoma: toward a molecular genetic understanding of tumor progression. Int. J. Colorectal Dis., 2005; 20: 391-402
[PubMed]  
[27] Galamb O., Spisák S., Sipos F., Tóth K., Solymosi N., Wichmann B., Krenács T., Valcz G., Tulassay Z., Molnár B.: Reversal of gene expression changes in the colorectal normal - adenoma pathway by NS398 selective COX2 inhibitor. Br. J. Cancer., 2010; 16: 102: 765-773
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[28] Golub T.R., Slonim D.K., Tamayo P., Huard C., Gaasenbeek M., Mesirov J.P., Coller H., Loh M.L., Downing J.R., Caligiuri M.A., Bloomfield C.D., Lander E.S.: Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science, 1999; 286: 531-537
[PubMed]  
[29] Groene J., Mansmann U., Meister R., Staub E., Roepcke S., Heinze M., Klaman I., Brümmendorf T., Hermann K., Loddenkemper C., Pilarsky C., Mann B., Adams H.P., Buhr H.J., Rosenthal A.: Transcriptional census of 36 microdissected colorectal cancers yields a gene signature to distinguish UICC II and III. Int. J. Cancer, 2006; 119: 1829-1836
[PubMed]  
[30] Iyer V.R., Eisen M.B., Ross D.T., Schuler G., Moore T., Lee J.C., Trent J.M., Staudt L.M., Hudson J. Jr, Boguski M.S., Lashkari D., Shalon D., Botstein D., Brown P.O.: The transcriptional program in the response of human fibroblasts to serum. Science, 1999; 283: 83-87
[PubMed]  
[31] Jarząb B., Gubała E., Lange D.: Mikromacierze DNA i profil ekspresji genów raka brodawkowatego tarczycy. Endokrynol. Polska, 2005; 56: 293-301
[PubMed]  [Full Text PDF]  
[32] Khambata-Ford S., Garrett C.R., Meropol N.J., Basik M., Harbison C.T., Wu S., Wong T.W., Huang X., Takimoto C.H., Godwin A.K., Tan B.R., Krishnamurthi S.S., Burris H.A. 3rd, Poplin E.A., Hidalgo M., Baselga J., Clark E.A., Mauro D.J.: Expression of epiregulin and amphiregulin and K-ras mutation status predict disease control in metastatic colorectal cancer patients treated with cetuximab. J. Clin. Oncol., 2007; 25: 3230-3237
[PubMed]  
[33] Kim I.J., Lim S.B., Kang H.C., Chang H.J., Ahn S.A., Park H.W., Jang S.G., Park J.H., Kim D.Y., Jung K.H., Choi H.S., Jeong S.Y., Sohn D.K., Kim D.W., Park J.G.: Microarray gene expression profiling for predicting complete response to preoperative chemoradiotherapy in patients with advanced rectal cancer. Dis. Colon Rectum, 2007; 50: 1342-1353
[PubMed]  
[34] Kim K., Park U., Wang J., Lee J., Park S., Kim S., Choi D., Kim C., Park J.: Gene profiling of colonic serrated adenomas by using oligonucleotide microarray. Int. J. Colorectal Dis., 2008; 23: 569-580
[PubMed]  
[35] Kita H., Hikichi Y., Hikami K., Tsuneyama K., Cui Z.G., Osawa H., Ohnishi H., Mutoh H., Hoshino H., Bowlus C.L., Yamamoto H., Sugano K.: Differential gene expression between flat adenoma and normal mucosa in the colon in a microarray analysis. J. Gastroenterol., 2006; 41: 1053-1063
[PubMed]  
[36] Kwong K.Y., Bloom G.C., Yang I., Boulware D., Coppola D., Haseman J., Chen E., McGrath A., Makusky A.J., Taylor J., Steiner S., Zhou J., Yeatman T.J., Quackenbush J.: Synchronous global assessment of gene and protein expression in colorectal cancer progression. Genomics, 2005; 86: 142-158
[PubMed]  
[37] Lennon G.G., Lehrach H.: Hybridization analyses of arrayed cDNA libraries. Trends Genet., 1991; 7: 314-317
[PubMed]  
[38] Liang P., Pardee A.B.: Differential display of eukaryotic messenger RNA by means of the polymerase chain reaction. Science, 1992; 257: 967-971
[PubMed]  
[39] Liu S., Lin L., Jiang P., Wang D., Xing Y.: A comparison of RNA-Seq and high-density exon array for detecting differential gene expression between closely related species. Nucleic Acids Res., 2010; 39: 578-588
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[40] Lowe A.W., Olsen M., Hao Y., Lee S.P., Taek Lee K., Chen X., van de Rijn M., Brown P.O.: Gene expression patterns in pancreatic tumors, cells and tissues. PLoS. One, 2007; 28: e323
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[41] Mace M.L. Jr, Montagu J., Rose D.S., McGuiness G.: Novel microarray printing and detection technologies. Microarray Biochip Technology. BioTechniques Books, Natick M.A., 2000: 39-64
[42] Malone J.H., Oliver B.: Microarrays, deep sequencing and the true measure of the transcriptome. BMC Biol., 2011; 9: 34
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[43] Mankoo P.K., Shen R., Schultz N., Levine D.A., Sander C.: Time to recurrence and survival in serous ovarian tumors predicted from integrated genomic profiles. PLoS One, 2011; 6: e24709
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[44] Mariadason J.M., Arango D., Shi Q., Wilson A.J., Corner G.A., Nicholas C., Aranes M.J., Lesser M., Schwartz E.L., Augenlicht L.H.: Gene expression profiling-based prediction of response of colon carcinoma cells to 5-fluorouracil and camptothecin. Cancer Res., 2003; 63: 8791-8812
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[45] Markowski J., Oczko-Wojciechowska M., Gierek T., Jarzab M., Paluch J., Kowalska M., Wygoda Z., Pfeifer A., Tyszkiewicz T., Jarzab B., Niedzielska I., Borgiel-Marek H.: Gene expression profile analysis in laryngeal cancer by high-density oligonucleotide microarrays. J. Physiol. Pharmacol., 2009; 60, Suppl. 1: 57-63
[PubMed]  [Full Text PDF]  
[46] Mazurek U., Owczarek A., Nowakowska-Zajdel E., Wierzgon J., Grochowska-Niedworok E., Kokot T., Muc-Wierzgon M.: Statistical analysis of differential gene expression in colorectal cancer using CLEAR-test. J. Biol. Regul. Homeost. Agents, 2011; 25: 279-283
[PubMed]  
[47] Mougeot Jean-Luc C., Bahrani-Mostafavi Z., Vachris Judy C., McKinney Kimberly Q., Gurlov S., Zhang J., Naumann R.W., Higgins R.V., Hall J.B.: Gene expression profiling of ovarian tissues for determination of molecular pathways reflective of tumorigenesis. J. Mol. Biol., 2006; 358: 310-329
[PubMed]  
[48] Notterman D.A., Alon U., Sierk A.J., Levine A.J.: Trascriptional gene expression profiles of colorectal adenoma, adenocarcinoma and normal tissue examined by oligonucleotide arrays. Cancer Res., 2001; 61: 3124-3130
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[49] Pawliczak R., Kowalski M.: Badanie ekspresji genów metodą microarray - perspektywy wykorzystania w medycynie. Alergia Astma Immunologia, 2001; 6: 77-83
[Full Text PDF]  
[50] Reimers M.: Making informed choices about microarray data analysis. PLoS Comput. Biol., 2010, 6: e1000786
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[51] Rimkus C., Friederichs J., Boulesteix A.L., Theisen J., Mages J., Becker K., Nekarda H., Rosenberg R., Janssen K.P., Siewert J.R.: Microarray-based prediction of tumor response to neoadjuvant radiochemotherapy of patients with locally advanced rectal cancer. Clin. Gastroenterol. Hepatol., 2008; 6: 53-61
[PubMed]  
[52] Shimizu D., Ishikawa T., Ichikawa Y., Togo S., Hayasizaki Y., Okazaki Y., Danenberg P.V., Shimada H.: Prediction of chemosensitivity of colorectal cancer to 5-fluorouracil by gene expression profiling with cDNA microarrays. Int. J. Oncol., 2005; 27: 371-376
[PubMed]  
[53] Sorensen K.D., Orntoft T.F.: Discovery of prostate cancer biomarkers by microarray gene expression profiling. Expert Rev. Mol. Diagn., 2010; 10: 49-64
[PubMed]  
[54] Sorlie T., Perou C.M., Tibshirani R., Aas T., Geisler S., Johnsen H., Hastie T., Eisen M.B., van de Rijn M., Jeffrey S.S., Thorsen T., Quist H., Matese J.C., Brown P.O., Botstein D., Lonning P.E., Borresen-Dale A.L.: Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications. Proc. Natl. Acad. Sci. USA, 2001; 98: 10869-10874
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[55] Spano J.P., Milano G., Vignot S., Khayat D.: Potential predictive markers of response to EGFR-targeted therapies in colorectal cancer. Crit. Rev. Oncol. Hematol., 2008; 66: 21-30
[PubMed]  
[56] Spitzner M., Emons G., Kramer F., Gaedcke J., Rave-Fränk M., Scharf J.G., Burfeind P., Becker H., Beissbarth T., Ghadimi B.M., Ried T., Grade M.: A gene expression signature for chemoradiosensitivity of colorectal cancer cells. Int. J. Radiat. Oncol. Biol. Phys., 2010; 15: 78: 1184-1192
[PubMed]  
[57] Srivastava M., Eidelman O., Pollard H.B.: Pharmacogenomics of the cystic fibrosis transmembrane conductance regulator (CFTR) and the cystic fibrosis drug CPX using genome microarray analysis. Mol. Med., 1999; 5: 753-767
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[58] Tillib S.V., Mirzabekov A.D.: Advances in the analysis of DNA sequence variations using oligonucleotide microchip technology. Curr. Opin. Biotechnol., 2001; 12: 53-58
[PubMed]  
[59] Velculescu V.E., Zhang L., Vogelstein B., Kinzler K.: Serial analysis of gene expression. Science, 1995; 270: 484-487
[PubMed]  
[60] Vogelstein B., Fearon E.R., Hamilton S.R., Kern S.E., Preisinger A.C., Leppert M., Nakamura Y., White R., Smits A.M., Bos J.L.: Genetic alterations during colorectal-tumor development. N. Engl. J. Med., 1988; 319: 525-532
[PubMed]  
[61] Wang Y., Jatkoe T., Zhang Y., Mutch M.G., Talantov D., Jiang J., McLeod H.L., Atkins D.: Gene expression profiles and molecular markers to predict recurrence of Duke's B colon cancer. J. Clin. Oncol., 2004; 22: 1564-1571
[PubMed]  
[62] Warrington J.A., Dee S.: Large-scale genomic analysis using Affymetrix GenechipR probe arrays. Microarray Biochip Technology. M. Schena. Natick, MA, Eaton Publishing, 2000; 119-148
[63] Webber E.M., Lin J.S., Whitlock E.P.: Oncotype DX tumor gene expression profiling in stage II colon cancer. Application: prognostic, risk prediction. PLoS Curr., 2010; 2: RRN1177
[PubMed]  [Full Text HTML]  
[64] Wiltshire S., O'Malley S., Lambert J., Kukanskis K., Edgar D., Kingsmore S.F., Schweitzer B.: Detection of multiple allergen-specific IgEs on microarrays by immunoassay with rolling circle amplification. Clin. Chem., 2000; 46: 1990-1993
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[65] Worley J., Bechtol K., Penn S.: A system approach to fabricating and analyzing DNA microarrays. Microarray Biochip Technology. BioTechniques Books, Natick, MA, 2000: 65-86
[66] Yamasaki M., Takemasa I., Komori T., Watanabe S., Sekimoto M., Doki Y., Matsubara K., Monden M.: The gene expression profile represents the molecular nature of liver metastasis in colorectal cancer. Int. J. Oncol., 2007; 30: 129-138
[PubMed]  [Full Text PDF]  
[67] Yanagawa R., Furukawa Y., Tsunoda T., Kitahara O., Kameyama M., Murata K., Ishikawa O., Nakamura Y.: Genome-wide screening of genes showing altered expression in liver metastases of human colorectal cancers by cDNA microarray. Neoplasia, 2001; 5: 395-401
[PubMed]  [Full Text HTML]  [Full Text PDF]  
[68] Yoshihara K., Tsunoda T., Shigemizu D., Fujiwara H., Hatae M., Fujiwara H., Masuzaki H., Katabuchi H., Kawakami Y., Okamoto A., Nogawa., Matsumura N., Udagawa Y., Saito T., Itamochi H., Takano M., Miyagi E., Sudo T., Ushijima K., Iwase H., Seki H., Terao Y., Enomoto T., Mikami M., Akazawa K., Tsuda H., Moriya T., Tajima A., Inoue I., Tanaka K.: Japanese Serous Ovarian Cancer Study Group. High-risk ovarian cancer based on 126-gene expression signature is uniquely characterized by downregulation of antigen presentation pathway. Clin. Cancer Res., 2012; 18: 1374-1385
[PubMed]  
Autorzy deklarują brak potencjalnych konfliktów interesów.