Summary

Opdagelsen af Driver Gener i Kolorektal HT29-afledt Cancer Stem-Lignende Tumorsfærer

Published: July 22, 2020
doi:

Summary

Præsenteret her er en protokol til at opdage de overudtrykte driver gener opretholde de etablerede kræft stamceller-lignende celler stammer fra kolorektal HT29 celler. RNAseq med tilgængelig bioinformatik blev udført for at undersøge og screene genekspressionnetværk for at belyse en potentiel mekanisme, der er involveret i overlevelsen af målrettede tumorceller.

Abstract

Kræft stamceller spiller en afgørende rolle mod kliniske behandlinger, bidrager til tumor tilbagefald. Der er mange onkogener involveret i tumorigenesis og indledningen af kræft stængelegenskaber. Da genekspression i dannelsen af kolorektal cancer-afledte tumorsfærer er uklart, det tager tid at opdage de mekanismer, der arbejder på et gen ad gangen. Denne undersøgelse viser en metode til hurtigt at opdage føreren gener involveret i overlevelsen af kolorektal cancer stamceller-lignende celler in vitro. Kolorektal HT29 kræftceller, der udtrykker LGR5 når dyrket som sfæroider og ledsage en stigning CD133 stængel markører blev udvalgt og brugt i denne undersøgelse. Den præsenterede protokol bruges til at udføre RNAseq med tilgængelige bioinformatik til hurtigt at afdække de overudtrykte driver gener i dannelsen af kolorektal HT29-afledte stængel-lignende tumorsfærer. Metoden kan hurtigt screene og opdage potentielle drivergener i andre sygdomsmodeller.

Introduction

Kolorektal cancer (CRC) er en førende dødsårsag med høj prævalens og dødelighed påverdensplan 1,2. På grund af genmutationer og forstærkninger vokser kræftcellerne uden proliferativ kontrol, hvilket bidrager til celleoverlevelse3,anti-apoptose4og kræftstændthed5,,6,7. Inden for en tumor væv, tumor heterogenitet tillader tumorceller til at tilpasse sig og overleve under terapeutiske behandlinger8. Kræft stamceller (CSCs), med en højere grad af selvfornyelse og pluripotency end differentialkræft typer, er hovedansvarlige for tumor tilbagefald9,,10 og metastatisk CRC11. CsCs nuværende mere resistens12,,13,,14 og anti-apoptose egenskaber15,,16, dermed overlevende tumor kemoterapi.

Her, for at undersøge den potentielle mekanisme for stamtændighed i de udvalgte CRC stamceller, RNAseq blev udført for at screene differentieret udtrykte gener i tumor sfæroider. Kræftcellerne kan danne sfæroider (også kaldet tumorsfærer), når de dyrkes i lav overholdelse betingelser og stimuleres af vækstfaktorer føjet til dyrket medium, herunder EGF, bFGF, HGF, og IL6. Derfor valgte vi CRC HT29 tumorceller, der modstår kemoterapi med en stigning i fosforyleret STAT3, når de behandles med oxaliplatin og irinotecon17. Desuden udtrykte HT29 højere stængelmarkører, når de dyrkes under de beskrevne kulturforhold. Den HT29-afledte CSC-model udtrykte større mængder leucinrige gentagende G-protein-koblede receptor 5 (LGR5)18, en specifik markør for CRC-stamceller19,20. Desuden, CD133, betragtes som en generel biomarkør for kræft stamceller, er også meget udtrykt i HT29 cellelinje21. Denne protokol formål er at opdage grupper af driver gener i de etablerede kræft stilk-lignende tumorsfærer baseret på bioinformatik datasæt i modsætning til at undersøge individuelle onkogener22. Det undersøger potentielle molekylære mekanismer gennem RNAseq analyse efterfulgt af tilgængelige bioinformatik analyser.

Næste generation sekventering er en høj-throughput, let tilgængelige, og pålidelig DNA sekventering metode baseret på beregningsmæssige hjælp, der anvendes til omfattende skærm driver gener til at vejlede tumor behandlinger23. Teknologien bruges også til at detektere genekspression fra omvendt transskription af en isoleret RNA-prøve24. Men når screening med RNAseq, de vigtigste gener til at målrette med terapi kan ikke have den højeste udtryksforskel mellem eksperimentelle og kontrol prøver. Derfor er der udviklet bioinformatik til klassificering og identifikation af gener baseret på aktuelle datasæt som KEGG25,GO26,27eller PANTHER28, herunder Ingenuity Pathway Analysis (IPA)29 og NetworkAnalyst30. Denne protokol viser integrationen af RNAseq og NetworkAnalyst for hurtigt at opdage en gruppe af gener i de valgte HT29-afledte sfæroider sammenlignet med forældre HT29-celler. Anvendelse af denne metode til andre sygdomsmodeller er også foreslået for at opdage forskelle i vigtige gener.

Sammenlignet med undersøgelse af individuelle genekspression, en høj-throughput teknik giver fordele at finde potentielle driver gener nemt for tumor præcision medicin. Med nyttige datasæt som KEGG, GO eller PANTHER kan specifikke gener identificeres baseret på sygdomsmodeller, signalveje eller specifikke funktioner, og det giver mulighed for hurtigt at fokusere på specifikke, vigtige gener, hvilket sparer tid og forskningsomkostninger. En lignende ansøgning anvendes i tidligere undersøgelser14,18,31. Især, en tumor er mere kompliceret, fordi forskellige typer af tumorer udtrykke skelne gener og veje for overlevelse og spredning. Derfor kan denne protokol afhente gener, der adskiller forskellige tumortyper under forskellige omstændigheder. Der er potentiale til at finde effektive strategier mod kræft ved at forstå mekanismen for specifikke genekspression.

Protocol

1. Cellekultur og tumorsfæredannelse Kultur HT29 celler i en 10 cm skål, der indeholder Dulbecco’s modificerede ørn medium (DMEM) med 10% føtal kvæg serum (FBS) og 1% penicillin-streptomycin antibiotikum (P / S). Cellerne vokser i en inkubator ved 37 °C med 5% CO2 og 95% luftfugtighed under aseptiske forhold, indtil de når 80% sammenflydende. Trypsinize HT29 celler med 1 ml af 0,25% trypsin i 5 min ved 37 °C og dermed neutralisere trypsin ved at tilføje 2 ml DMEM med 10% …

Representative Results

For at etablere modellen til undersøgelse af mekanismen i kræft stamceller, kolorektal HT29 celler blev brugt til at dyrke kræft stamceller in vitro i en lav-vedhæftede fil plade indeholdende B27, EGF, bFGF, HGF, og IL6. Tumorsfærerne >100 μm i diameter blev dannet i 7 dage (Figur 1A). Tumorsfærerne blev trypsiniseret til enkelte celler og analyseret ved hjælp af flowcytometri til at opdage LGR5 og CD133 udtryk. LGR5 steg i HT29-fordring tumorsfærer fra 1,1% til 11,4%, og cellerne b…

Discussion

I denne undersøgelse, dyrket kræft stilk-lignende tumorsfærer blev brugt som en model i at analysere RNAseq data med tilgængelige bioinformatik. For en sygdom model, HT29-afledte tumorsfærer blev brugt. Fordi tumorsfærer har resistens over for tumorbehandlinger, den etablerede model kan bruges til at undersøge de detaljerede mekanismer for resistens ved at undersøge forskelle i genekspression. Desuden giver genomisk teknologi, der anvender RNAseq med tilgængelig bioinformatik, en hurtig forståelse af studiemode…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Forfatterne takker Radiation Biology Core Laboratory of Institute for Radiological Research, Chang Gung Memorial Hospital, for teknisk support. Denne undersøgelse blev støttet af tilskud fra Chang Gung Memorial hospital (CMRPD1J0321), Cheng Hsin General Hospital (CHGH 106-06), og Mackay Memorial Hospital (MMH-CT-10605 og MMH-106-61). Finansieringsorganerne havde ingen indflydelse på udformningen af undersøgelsen og dataindsamlingen, analysen og fortolkningen af data eller skriftligt manuskriptet.

Materials

iRiS Digital Cell Imaging System Logos Biosystems, Inc I10999 for observing the formation of tumorspheres
Flow cytometry BD biosciences FACSCalibur for detecting the LGR5 and CD133 in the tumorspheres
anti-LGR5-PE Biolegend 373803 LGR5 detection reagent
anti-CD133-PE Biolegend 372803 CD133 detection reagent
EGF GenScript Z00333 for culture of tumorspheres
bFGF GenScript Z03116 for culture of tumorspheres
HGF GenScript Z03229 for culture of tumorspheres
IL6 GenScript Z03034 for culture of tumorspheres
PureLink RNA extraction kit Invitrogen 12183025 isolate total RNA for RNAseq analysis
RNAseq performance Biotools, Taiwan RNAseq analysis is done commerially by Biotools, Ttaiwan
NetworkAnalyst Institute of Parasitology, McGill University, Montreal, Quebec, Canada http://www.networkanalyst.ca/
Prism GraphPad Software a statistical analysis software

References

  1. Rawla, P., Sunkara, T., Barsouk, A. Epidemiology of colorectal cancer: incidence, mortality, survival, and risk factors. Przegląd Gastroenterologiczny. 14 (2), 89-103 (2019).
  2. Wong, M. C., Ding, H., Wang, J., Chan, P. S., Huang, J. Prevalence and risk factors of colorectal cancer in Asia. Intestinal Research. 17 (3), 317-329 (2019).
  3. Liu, Q., et al. Positive expression of basic transcription factor 3 predicts poor survival of colorectal cancer patients: possible mechanisms involved. Cell Death & Disease. 10 (7), 509 (2019).
  4. Slattery, M. L., et al. Dysregulated genes and miRNAs in the apoptosis pathway in colorectal cancer patients. Apoptosis. 23 (3-4), 237-250 (2018).
  5. Arteaga, C. L., Engelman, J. A. ERBB receptors: from oncogene discovery to basic science to mechanism-based cancer therapeutics. Cancer Cell. 25 (3), 282-303 (2014).
  6. Yarden, Y., Pines, G. The ERBB network: at last, cancer therapy meets systems biology. Nature Reviews Cancer. 12 (8), 553-563 (2012).
  7. Cheng, C. C., et al. YM155 as an inhibitor of cancer stemness simultaneously inhibits autophosphorylation of epidermal growth factor receptor and G9a-mediated stemness in lung cancer cells. PLoS One. 12 (8), 0182149 (2017).
  8. Prasetyanti, P. R., Medema, J. P. Intra-tumor heterogeneity from a cancer stem cell perspective. Molecular Cancer. 16 (1), 41 (2017).
  9. Zhao, Y., et al. CD133 expression may be useful as a prognostic indicator in colorectal cancer, a tool for optimizing therapy and supportive evidence for the cancer stem cell hypothesis: a meta-analysis. Oncotarget. 7 (9), 10023-10036 (2016).
  10. Choi, J. E., et al. Expression of epithelial-mesenchymal transition and cancer stem cell markers in colorectal adenocarcinoma: Clinicopathological significance. Oncology Reports. 38 (3), 1695-1705 (2017).
  11. Massard, C., Deutsch, E., Soria, J. C. Tumour stem cell-targeted treatment: elimination or differentiation. Annals of Oncology. 17 (11), 1620-1624 (2006).
  12. Grillet, F., et al. Circulating tumour cells from patients with colorectal cancer have cancer stem cell hallmarks in ex vivo culture. Gut. 66 (10), 1802-1810 (2017).
  13. Dallas, N. A., et al. Chemoresistant colorectal cancer cells, the cancer stem cell phenotype, and increased sensitivity to insulin-like growth factor-I receptor inhibition. Recherche en cancérologie. 69 (5), 1951-1957 (2009).
  14. Chang, Y. F., et al. STAT3 induces G9a to exacerbate HER3 expression for the survival of epidermal growth factor receptor-tyrosine kinase inhibitors in lung cancers. BMC Cancer. 19 (1), 959 (2019).
  15. Catalano, V., et al. Colorectal cancer stem cells and cell death. Cancers (Basel). 3 (2), 1929-1946 (2011).
  16. Piggott, L., et al. Suppression of apoptosis inhibitor c-FLIP selectively eliminates breast cancer stem cell activity in response to the anti-cancer agent, TRAIL. Breast Cancer Research. 13 (5), 88 (2011).
  17. Chung, S. Y., et al. Two novel SHP-1 agonists, SC-43 and SC-78, are more potent than regorafenib in suppressing the in vitro stemness of human colorectal cancer cells. Cell Death Discovery. 4, 25 (2018).
  18. Cheng, C. C., et al. STAT3 exacerbates survival of cancer stem-like tumorspheres in EGFR-positive colorectal cancers: RNAseq analysis and therapeutic screening. Journal of Biomedical Science. 25 (1), 60 (2018).
  19. Kleist, B., Xu, L., Li, G., Kersten, C. Expression of the adult intestinal stem cell marker Lgr5 in the metastatic cascade of colorectal cancer. International Journal of Clinical and Experimental Pathology. 4 (4), 327-335 (2011).
  20. Medema, J. P. Targeting the Colorectal Cancer Stem Cell. New England Journal of Medicine. 377 (9), 888-890 (2017).
  21. Sahlberg, S. H., Spiegelberg, D., Glimelius, B., Stenerlow, B., Nestor, M. Evaluation of cancer stem cell markers CD133, CD44, CD24: association with AKT isoforms and radiation resistance in colon cancer cells. PLoS One. 9 (4), 94621 (2014).
  22. Xia, J., Gill, E. E., Hancock, R. E. NetworkAnalyst for statistical, visual and network-based meta-analysis of gene expression data. Nature Protocols. 10 (6), 823-844 (2015).
  23. Gagan, J., Van Allen, E. M. Next-generation sequencing to guide cancer therapy. Genome Medicine. 7 (1), 80 (2015).
  24. Panichnantakul, P., Bourgey, M., Montpetit, A., Bourque, G., Riazalhosseini, Y. RNA-Seq as a Tool to Study the Tumor Microenvironment. Methods in Molecular Biology. 1458, 311-337 (2016).
  25. Kanehisa, M., Sato, Y. KEGG Mapper for inferring cellular functions from protein sequences. Protein Science. 29 (1), 28-35 (2020).
  26. Ashburner, M., et al. Gene ontology: tool for the unification of biology. The Gene Ontology Consortium. Nature Genetics. 25 (1), (2000).
  27. The Gene Ontology Collective. The Gene Ontology Resource: 20 years and still GOing strong. Nucleic Acids Research. 47, 330-338 (2019).
  28. Mi, H., Muruganujan, A., Thomas, P. D. PANTHER in 2013: modeling the evolution of gene function, and other gene attributes, in the context of phylogenetic trees. Nucleic Acids Research. 41, 377-386 (2013).
  29. Yu, F., Shen, X. Y., Fan, L., Yu, Z. C. Genome-wide analysis of genetic variations assisted by Ingenuity Pathway Analysis to comprehensively investigate potential genetic targets associated with the progression of hepatocellular carcinoma. European Review for Medical and Pharmacological Sciences. 18 (15), 2102-2108 (2014).
  30. Zhou, G., et al. NetworkAnalyst 3.0: a visual analytics platform for comprehensive gene expression profiling and meta-analysis. Nucleic Acids Research. 47 (1), 234-241 (2019).
  31. Cheng, C. C., et al. Epidermal growth factor induces STAT1 expression to exacerbate the IFNr-mediated PD-L1 axis in epidermal growth factor receptor-positive cancers. Molecular Carcinogenesis. 57 (11), 1588-1598 (2018).
  32. Gallego Romero, I., Pai, A. A., Tung, J., Gilad, Y. RNA-seq: impact of RNA degradation on transcript quantification. BMC Biology. 12, 42 (2014).
check_url/fr/61077?article_type=t

Play Video

Citer Cet Article
Cheng, C., Hsu, P., Sie, Z., Chen, F. Discovery of Driver Genes in Colorectal HT29-derived Cancer Stem-Like Tumorspheres. J. Vis. Exp. (161), e61077, doi:10.3791/61077 (2020).

View Video