蛋白质组学与生物信息学杂志
开放获取

抽象的

挖掘乳腺癌蛋白质组作为药物敏感性的预测因子

Leslie C Timpe、Dian Li、Ten-Yang Yen、Judi Wong、Roger Yen、Bruce A Macher 和 Alexandra Piryatinska

FDA 已批准大约 20 种药物用于乳腺癌治疗，但已知的预测性生物标志物仅用于其中少数药物。其他生物标志物的鉴定对于目前批准用于乳腺癌治疗的药物和新药开发都是有用的。使用通过质谱收集的糖蛋白表达数据，结合弹性网或套索回归构建的统计模型，我们对乳腺癌细胞系对约 90 种药物的反应进行了定量建模。Lasso 和弹性网络回归将 HER2 确定为拉帕替尼、阿法替尼、吉非替尼和厄洛替尼的预测蛋白，这些蛋白靶向 HER2 或 EGF 受体，从而为该方法提供了内部对照。还测试了另外两个蛋白质数据集和两个 RNA 数据集，作为药物敏感性建模的预测蛋白来源。通过质谱法测量的蛋白质表达给出的模型比反相蛋白质阵列 (RPPA) 预测数据具有更高的确定系数。此外，弹性网络模型的交叉验证表明，对于许多药物来说，当预测数据来自蛋白质而不是微阵列上测量的 mRNA 表达时，预测误差较低。可以有效建模的药物包括 PI3K 抑制剂、Akt 抑制剂、紫杉醇和多西他赛、雷帕霉素、依维莫司和替西罗莫司、吉西他滨和长春瑞滨。引人注目的是，这种使用蛋白质预测因子的建模方法对于靶向药物通常会成功，即使名义目标不在数据集中也是如此。通过质谱法测量的蛋白质表达给出的模型比反相蛋白质阵列 (RPPA) 预测数据具有更高的确定系数。此外，弹性网络模型的交叉验证表明，对于许多药物来说，当预测数据来自蛋白质而不是微阵列上测量的 mRNA 表达时，预测误差较低。可以有效建模的药物包括 PI3K 抑制剂、Akt 抑制剂、紫杉醇和多西他赛、雷帕霉素、依维莫司和替西罗莫司、吉西他滨和长春瑞滨。引人注目的是，这种使用蛋白质预测因子的建模方法对于靶向药物通常会成功，即使名义目标不在数据集中也是如此。通过质谱法测量的蛋白质表达给出的模型比反相蛋白质阵列 (RPPA) 预测数据具有更高的确定系数。此外，弹性网络模型的交叉验证表明，对于许多药物来说，当预测数据来自蛋白质而不是微阵列上测量的 mRNA 表达时，预测误差较低。可以有效建模的药物包括 PI3K 抑制剂、Akt 抑制剂、紫杉醇和多西他赛、雷帕霉素、依维莫司和替西罗莫司、吉西他滨和长春瑞滨。引人注目的是，这种使用蛋白质预测因子的建模方法对于靶向药物通常会成功，即使名义目标不在数据集中也是如此。