Présentation
Row 1
Présentation des données
Les données de 787 patients ont été récupérées sur le site du GDC Data Portal. 72 individus présentent différents échantillons (entre 2 et 5) pour un total de 859 échantillons. Les fichiers de données transcriptomiques comportent les valeurs d’expression de 60 660 gènes. Des données cliniques ont également été récupérées afin de caractériser le profil des patients.
Différentes quantifications étaients disponibles : unstranded, stranded-first, stranded-second, TPM, FPKM et FPKM-UQ. Nous avons choisi de travailler sur les données TPM.
Nous avons réduis le nombre de gènes à 19 962 en ne gardant que les gènes codant pour des protéines (protein-coding) puis à 19 515 en enlevant les gènes d’expression nulle. Les expressions ont été log2 transformées (log2(TPM + 1)) afin de réduire l’impact des valeurs extrêmes.
Récapitulatif
| Nb.Individus | Nb.Échantillons | Nb.Gènes | Gènes.d.intérêt |
|---|---|---|---|
| 787 | 859 | 19515 | SORT1 + GJA1 + NTRK2 + NTRK3 |
Row 2
Logiciels et type des données
Le langage de programmation R a été utilisé afin de réaliser toutes les démarches statistiques (clustering, graphiques,…). Le logiciel Visual Studio Code a également été utilisé afin d’observer les fichiers ainsi que pour faire un premier nettoyage des fichiers de données cliniques (parfois volumineux).
Concernant le clustering hiérarchique, les packages cluster, dendextend, pheatmap ont été utilisés afin de réaliser les clustering et d’observer les résultats (dendogrammes et heatmaps).
Les fichiers (gène et cliniques) étaient au format tsv et ont été chargés en utilisant le package readr (interface Rstudio).
Feuille de Route
Le travail a débuté par la récupération des données (génétique et clinique) sur le site du GDC Data Portal, grâce notamment aux outils Cohort Builder et Data Transfer Tool.
Les données cliniques ont ensuite été nettoyées et transformées afin d’observer les profils des patients : Suppression des variables sans observation (ou en contenant très peu); Recodage de certaines variables en catégories (âge); Transformation des modalités de certaines variables (regroupement de modalités redondantes).
Les données transcriptomiques ont quant à elles été nettoyées (suppression de lignes contenant des identifiants) et regroupées en un seul jeu de données. Les identifiants Ensembl ont été remplacés par les noms de gènes (pour une meilleure lisibilité). Ils ont cependant été utilisés afin de comparer des gènes redondants dans les données (noms identiques mais identifiants différents). La majorité de ces gènes correspondait à des gènes d’expression nulle (qui ont été retirés ultérieurement) tandis que les gènes restants ne figurent pas dans les gènes analysés par clustering.
Clustering
Pour le clustering, nous avons choisi de transformer les données en standardisant les valeurs d’expression des gènes (z-score). Nous avons ensuite appliqué un clustering hiérarchique sur les données standardisées.
Column 1
Méthodologie
Nous allons comparer les résultats de plusieurs clustering hiérarchique en utilisant différentes méthodes de distance (4) et de dissimilarité (6). Nous allons également visualiser les résultats à l’aide de dendrogrammes et de heatmaps.
| Distance | Euclidienne | Manhattan.Maximum.Canberra |
|---|---|---|
| Dissimilarité | Ward.D2 + Ward.D + Average + Single + Complete + Mcquitty | Average + Single + Complete + Mcquitty |
Résultats Silhouette (Qualité clustering)
| Linkage | Distance | Silhouette_Score | Optimal_k |
|---|---|---|---|
| mcquitty | maximum | 0.4378992 | 2 |
| average | maximum | 0.4281839 | 3 |
| complete | euclidean | 0.3434793 | 4 |
| ward.D2 | euclidean | 0.3428027 | 3 |
| average | euclidean | 0.3426938 | 4 |
| mcquitty | euclidean | 0.3426938 | 4 |
| ward.D | euclidean | 0.3410119 | 3 |
| average | manhattan | 0.3396025 | 2 |
| complete | manhattan | 0.3396025 | 2 |
| mcquitty | manhattan | 0.3396025 | 2 |
| complete | maximum | 0.3394818 | 2 |
| single | manhattan | 0.2998725 | 3 |
| single | maximum | 0.2673367 | 2 |
| average | canberra | 0.2456916 | 2 |
| complete | canberra | 0.2456916 | 2 |
| mcquitty | canberra | 0.2456916 | 2 |
| single | euclidean | 0.2326849 | 4 |
| single | canberra | 0.1993812 | 2 |
La silhouette est comprise entre [0, 1] et quantifie la qualité du clustering (proche de 1 ↔︎ clustering de bonne qualité).
Column 2
Choix des gènes
La grande dimensionnalité des données nous a poussé à réduire le nombre de gènes étudiés. Ainsi nous avons choisi de ne garder que les gènes dont la corrélation absolue (par rapport à nos gènes d’intérêt) est supérieure à 0.5.
Récapitulatif
| Nombre.de.gènes.original | Nombre.de.gènes.clustering |
|---|---|
| 19515 | 158 |
Euclidean
Heatmaps et Dendrogrammes
Average
Complete
Single
Mcquitty
Ward.D2
Ward.D
Maximum
Heatmaps et Dendrogrammes
Average
Complete
Single
Mcquitty
Manhattan
Heatmaps et Dendrogrammes
Average
Complete
Single
Mcquitty
Canberra
Heatmaps et Dendrogrammes
Average
Complete
Single
Mcquitty
Conclusion
Résultats
Euclidean
Maximum
Manhattan
Canberra
Conclusion générale
Analyse de la qualité du clustering
Les scores de silhouettes présentés dans la partie Clustering montrent une qualité de clustering faible à modérée, avec des scores variant de 0.2 à 0.44 selon les distances/dissimilarités. La distance Maximum couplée aux dissimilarités Mcquitty et Average présente les meilleurs performances. Cette distance, sensible aux valeurs extrêmes semblent être adaptée à la structure des données, en la capturant en 2 ou 3 clusters. La distance euclidienne fournit des scores modérés et semble séparés en 3 ou 4 clusters aux profils particulièrement différents (voir heatmaps). La distance de Manhanttan offre des scores similaires à Euclidean mais est cependant moins discriminante (2 clusters majoritairement). Enfin, la distance de Canberra présente des scores de silhouette plus faibles, indiquant une capacité moindre à clusteriser les données.
Nombre de clusters
Le nombre de clusters varient entre 2 et 4, avec une tendance à 2 ou 3 clusters pour les meilleurs performances. Le clustering hiérarchique semble donc avoir permis d’observer la structuration globale des données, sans pour autant parvenir à décrire des caractéristiques particulières. En effet, des clusters contenant seulement 1 gène sont observables pour plusieurs couples de distance/dissimilarité (ex : Euclidean/Mcquitty, Manhattan/Single).
Une certaine structure apparaît à plusieurs reprises dans nos résultats : la séparation d’un cluster d’une dizaine de gènes (dont SORT1) avec un ou plusieurs gros clusters contenant le reste des données, compliquant ainsi l’interprétation.
Synthèse des résultats par gène d’intérêt
- GJA1
Les gènes associés varient selon les distances. Euclidean identifie FN1, PDGFRB, et COL14A1 (surtout avec Ward.D/Ward.D2), Manhattan et Canberra mettent en avant IGFBP3, tandis que Maximum pointe TRAPPC3L. Il est intéressant de remarquer que le gène FN1 est particulièrement mis en avant (Distance euclidienne et de Manhattan).
Il est intéressant de noter que GJA1 (avec FN1) montre souvent une expression plus forte pour des petits groupes d’individus, démarquant avec les gènes au alentour (ex : heatmap Euclidean/Ward.D2).
- NTRK2
Euclidean met en avant IL12B (surtout avec Complete/Mcquitty/Ward), Manhattan favorise NUAK1/SMARCA1, Maximum identifie DOCK4/RNASE4, et Canberra pointe APBA2.
Les observations des heatmaps ne montrent généralement pas de comportements caractéristiques (à la différence de GJA1), suggérant que NTRK2 posséderait un comportement relativement moyen.
- NTRK3
NTRK3 présente un comportement particulier, souvent classé dans un cluster individuel ou bien présentant des caractéristiques différentes des autres gènes (voir heatmaps). Son profil distinct des autres gènes n’a pas permis d’établir d’association.
- SORT1
SORT1 présente une cohérence avec CELSR2, RAI1, NF1, GPR135, SLC25A29, CDK2AP1, ODF2L, DRAM2, LPIN2, CBLB à travers toutes les distances. Ce comportement est observable autant dans les dendogrammes (cluster entier) que dans les heatmaps.
GJA1
Gènes Associés :
- FN1 (Fibronectin 1) : Protéine de la matrice extracellulaire (MEC) impliquée notamment dans l’adhésion et la migration cellulaire (embryogénèse, coagulation,…).
Lien Potentiel : GJA1 et FN1 pourraient être liés via leur rôle dans le microenvironnement tumoral, où les jonctions gap (GJA1) et la MEC (FN1) influencent la survie et l’invasion des cellules cancéreuses.
- PDGFRB (Platelet-Derived Growth Factor Receptor Beta) : Récepteur tyrosine kinase impliqué dans la croissance, la prolifération et la survie cellulaire. Pour le myélome, il joue un rôle important dans l’angiogénèse, la prolifération et la dissémination. [Bilalis et al., « Increased Expression of Platelet Derived Growth Factor Receptor β on Trephine Biopsies Correlates with Advanced Myeloma ».]
Lien Potentiel : GJA1 pourrait interagir avec PDGFRB dans des voies de signalisation favorisant la prolifération et la survie des cellules tumorales.
- COL14A1 (Collagen Type XIV Alpha 1) : Composant de la MEC, impliqué dans la structure des tissus conjonctifs (fibrillogenèse).
Lien Potentiel : Comme FN1, COL14A1 pourrait être lié à GJA1 via des interactions avec la MEC, influençant le microenvironnement tumoral.
- IGFBP3 (Insulin-Like Growth Factor Binding Protein 3) : Régule la disponibilité de l’IGF, influençant la prolifération et l’apoptose. Dans le myélome, le système IGF (dont fait parti IGFBP3) contribue à la survie et la prolifération des cellules cancéreuses ainsi qu’à l’angiogénèse et l’ostéolyse. [Bieghs et al., « The insulin-like growth factor system in multiple myeloma »].
Lien Potentiel : GJA1 et IGFBP3 pourraient interagir dans la régulation de l’apoptose ou de la prolifération cellulaire.
- TRAPPC3L (trafficking protein particle complex subunit 3L) : Peu étudié, mais lié au trafic vésiculaire intracellulaire (appareil de Golgi).
NTRK2
Gènes Associés :
IL12B (Interleukin 12B) : Cytokine impliquée dans l’immunité (lymphocyte T). Observée dans le cadre de la Sclérose en plaques notamment en diminuant l’inflammation neuronale.
SMARCA1 (SNF2 related chromatin remodeling ATPase 1) : Impliqué dans le remodelage de la chromatine (transcription). Contribue également dans l’inihibtion de la croissance cellulaire et l’apoptose des cellules cancéreuses.
NUAK1 (NUAK Family Kinase 1) : Kinase impliquée dans la régulation de l’adhésion cellulaire et de la sénescence cellulaire (arrêt division cellulaire).
Lien Potentiel : NTRK2 et NUAK1 pourraient partager des voies de signalisation communes.
SYNDIG1 (Synapse Differentiation Inducing 1) : Protéine transmembranaire exprimée dans le système nerveux. Impliquée dans la formation des synapses, mais peu étudiée dans le cadre du cancer.
DOCK4 (Dedicator of Cytokinesis 4) : Impliqué dans la migration cellulaire et la régulation des jonctions adhérentes, entre autres. Lien potentiel : Interaction connue entre NTRK1 et DOCK4.
RNASE4 (Ribonuclease A Family Member 4) : Métabolisme de l’ARN, rôle dans la prolifération et l’angiogenèse tumorale ainsi que dans l’activation de récepteur tyrosine kinase dans le cadre du cancer de la prostate.
ZP1 (Zona Pellucida Glycoprotein 1) : Matrice extracellulaire impliquée dans la reproduction (régulation de la liaison avec les spermatozoïdes).
APBA2 (Amyloid Beta Precursor Protein Binding Family A Member 2) : Impliquée dans le trafic neuronal (protéine adaptatrice neuronale).
Lien potentiel : Interaction possible dans des contextes où NTRK2 joue un rôle neuronal.
ATRNL1 (Attractin Like 1) : Rôle peu clair dans le cancer.
SORT1
Gènes Associés :
CELSR2 (Cadherin EGF LAG Seven-Pass G-Type Receptor 2) : Récepteur impliqué dans l’adhésion cellulaire et des interactions ligand-récepteur.
RAI1 (Retinoic Acid Induced 1) : Régulation transcriptionnelle particulièrement dans les neurones.
NF1 (Neurofibromin 1) : Régule la voie MAPK/ERK (négativement). Impliqué dans la croissance et la prolifération cellulaires notamment.
GPR135 (G Protein-Coupled Receptor 135) : Récepteur orphelin couplé aux protéines G (transduction du signal).
SLC25A29 (Solute Carrier Family 25 Member 29) : Transport d’acides aminés jusqu’aux mitochondries (synthèse de protéines mitochondrial).
CDK2AP1 (Cyclin Dependent Kinase 2 Associated Protein 1) : Régulation (négative) du cycle cellulaire. Inhibe l’activité de CDK2 (rôle dans initialisation synthèse d’ADN).
ODF2L (Outer Dense Fiber of Sperm Tails 2 Like) : Impliqué dans l’inhibition de la ciliogenèse (formation des cils, rôle dans communication cellulaire et contrôle de la division notamment).
DRAM2 (DNA Damage Regulated Autophagy Modulator 2) : Impliqué dans l’autophagie et l’apoptose.
LPIN2 (Lipin 2) : Métabolisme des lipides, rôle potentiel dans l’inflammation.
CBLB (Cbl Proto-Oncogene B) : Impliqué dans la réponse immunitaire en limitant les récepteurs aux cellules T et B.
Lien Potentiel : Ce groupe de gènes est très cohérent à travers les distances et dissimilarités, suggérant une co-régulation avec SORT1. Plusieurs gènes (NF1, CDK2AP1, DRAM2,ODF2L) sont liés à des processus oncogéniques (cycle cellulaire, apoptose, signalisation). Cela pourrait indiquer que SORT1 est impliqué dans un réseau régulant la progression tumorale dans le myélome multiple.