Abstract Pathogenic mechanisms that underlie malignant follicular thyroid carcinoma (FTC) development are poorly understood. To identify key genes and pathways driving malignant behaviour we employed a system biology-based integrative analyses comparing FTC transcriptomes with a similar but benign lesion, follicular thyroid adenoma (FTA). We identified differentially expressed genes (DEGs) in microarray gene expression datasets (n=52) of FTCs and FTA tissues. Pathway analyses of DEGs using gene ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) resources revealed significant pathways, and pathway hub genes using protein-protein interactions (PPI). We identified 598 DEGs (relative to FTAs) in FTCs and 12 significant pathways with altered expression in FTC. 10 GO groups were significantly connected with FTC-high expression DEGs and 80 with low-FTC expression. PPI analysis identified 12 potential hub genes based on degree and betweenness centrality. Moreover, 10 transcription factors (TFs) were identified that may underlie DEG expression as well as a number of microRNA (miRNAs). Thus, we identified DEGs, pathways, TFs and miRNAs that reflect molecular mechanisms differing between FTC and benign FTA. These may constitute biomarkers that distinguish these lesions and, given the similarities and common origin of the lesions, they may also be indicators of malignant progression potential.

Identification of genes whose regulation of expression is similar in both brain and blood cells could enable monitoring of significant neurological traits and disorders by analysis of blood samples. We thus employed transcriptional analysis of pathologically affected tissues, using agnostic approaches to identify overlapping gene functions and integrating this transcriptomic information with expression quantitative trait loci (eQTL) data. Here, we estimate the correlation of genetic expression in the top-associated cis-eQTLs of brain tissue and blood cells in Parkinson’s (PD).We introduced quantitative frameworks to reveal the complex relationship of various biasing genetic factors in PD, a neurodegenerative disease. We examined gene expression microarray and RNA-Seq datasets from human brain and blood tissues from PD-affected and control individuals. Differentially expressed genes (DEG) were identified for both brain and blood cells to determine common DEG overlaps. Based on neighborhood-based bench-marking and multilayer network topology aproaches we then developed genetic associations of factors with PD.Overlapping DEG sets underwent gene enrichment using pathway analysis and gene ontology methods, which identified candidate common genes and pathways. We identified 12 significantly dysregulated genes shared by brain and blood cells, which were validated using dbGaP (gene SNP-disease linkage) database for gold-standard benchmarking of their significance in disease processes. Ontological and pathway analyses identified significant gene ontology and molecular pathways that indicate PD progression.In sum, we found possible novel links between pathological processes in brain and blood cells by examining cell pathway commonalities, corroborating these associations using well validated datasets. This demonstrates that for brain-related pathologies combining gene expression analysis and blood cell cis-eQTL is a potentially powerful analytical approach. Thus, our methodologies facilitate data-driven approaches that can advance knowledge of disease mechanisms and may enable prediction of neurological dysfunction using blood cell transcript profiling.

Mitochondrial dysfunction can cause various neurological diseases. We therefore developed a quantitative framework to explore how mitochondrial dysfunction may influence the progression of Alzheimer's, Parkinson's, Huntington's and Lou Gehrig's diseases and cerebral palsy through analysis of genes showing altered expression in these conditions. We sought insights about the gene profiles of mitochondrial and associated neurological diseases by investigating gene-disease networks, KEGG pathways, gene ontologies and protein-protein interaction network. Gene disease networks were constructed to connect shared genes which are commonly found between the neurological diseases and Mitochondrial Dysfunction. We also generated KEGG pathways and gene ontologies to explore functional enrichment among them, and protein-protein interaction networks to identify the shared protein groups of these diseases. Finally, we verified our biomarkers using gold benchmark databases (e.g., OMIM and dbGaP) which identified effective reasons of it. Our network-based methodologies are useful to investigate disease mechanisms, predictions for comorbidities and identified distinct similarities among different neurological disorders for mitochondrial dysfunction.

Platinum drugs cisplatin and carboplatin, given in combination with paclitaxel, constitute the standard chemotherapy against ovarian cancer (OC). Oc chemoresistance is a major obstacle to effective treatment, but knowledge of the mechanisms that underlie it remains incomplete. We thus sought to discover key proteins associated with platinum resistance by comparing A2780 OC cells with A2780cisR cells (resistant cells derived from the A2780 line) to identify proteins with markedly altered expression levels in the resistant cells. We also determined which proteins in these cells had altered expression in response to treatment with either designed monofunctional platinum alone or a combination with cisplatin with selected phytochemical therapeutic agents. We thus performed proteomic analysis using 2D-gel electrophoresis A2780 and A2780cisR to identify proteins with differential expression; these were eluted and analysed by mass spectrometry to identify them. A total of 122 proteins were found to be differentially expressed between A2780 and A2780cisR cell lines in the absence of any drug treatment. Among them, levels of 27 proteins in A2780cisR cell line were further altered (up- or down-regulated) in response to one or more of the drug treatments. We then investigated primary OC tissue RNA expression levels (compared to l ovarian tissue) of genes coding for these candidate 27 proteins using publically available datasets (The Cancer Genome Atlas). We assessed how the expression of these genes in OC tissue associates with patient survival using Cox Proportional Hazard (PH) regression models to determine the relative risk of death associated with each factor. Our Cox PH regression-based machine learning method confirmed a significant relationship of mortality with altered expression of ARHGDIA, CCT6A and HISTIH4F genes. This indicated that these genes affect OC patient survival, i.e., provided mechanistic evidence, in addition to that of the clinical traits, that these genes may be critical mediators of the processes that underlie OC progression and mortality. Thus, we identified differentially expressed proteins that are implicated in platinum-based chemotherapy resistance mechanisms which may serve as resistance biomarkers. These drug resistance associated proteins may also serve as potential OC therapeutic targets whose blockade may enhance the effectiveness of platinum based drugs.

Background: Welding exposes different types of fumes, gases and radiant energy that can be potentially dangerous for unsafe welder's health. Welding fumes (WFs) are a significant problem among all those exposed. WFs are a complex mixture of metallic oxides, silicates and fluorides that may result in different health effects. If a welder inhales such fumes in large quantities over a long period of time, there is a risk of various neurodegenerative disease (NDGD) developments. Methods: We developed quantitative frameworks to identify the genetic relationship of WFs and NDGDs. We analyzed Gene Expression microarray data from WFs exposed tissues and NDGDs including Parkinson's disease (PD), Alzheimer's disease (AD), Lou Gehrig's disease (LGD), Epilepsy disease (ED), Multiple Sclerosis disease (MSD) datasets. We constructed relationship networks and identified dysregulated pathways, ontological pathways and protein-protein interaction sub-network using multilayer network topology and neighborhood-based benchmarking. Results: We observed that WFs shares 18, 16, 13, 19 and 19 differentially expressed genes with PD, AD, LGD, ED and MSD respectively. Gene expression dysregulation along with relationship networks, pathways and ontologic analysis showed that WFs are responsible for the progression of PD, AD, LGD, ED and MSD neurodegenerative diseases. Conclusion: Our developed network-based approach to analysis and investigate the genetic effects of welding fumes on PD, AD, LGD, ED and MSD neurodegenerative diseases could be helpful to understand the causal influences of WF exposure for the progression of the NDGDs.

Ovarian cancer (OC) is a common cause of death from cancer among women worldwide, so there is a pressing need to identify factors influencing mortality. Much OC patient clinical data is now publically accessible (including patient age, cancer site stage and subtype), as are large datasets of OC gene transcription profiles. These have enabled studies correlating OC patient survival with clinical variables and with gene expression but it is not well understood how these two aspects interact to influence mortality. To study this we integrated clinical and tissue transcriptome data from the same patients available from the Broad Institute Cancer Genome Atlas (TCGA) portal. We investigated OC mRNA expression levels (relative to normal patient tissue) of 26 genes already strongly implicated in OC, assessed how their expression in OC tissue predicts patient survival then employed Cox Proportional Hazard regression models to analyse both clinical factors and transcriptomic information to determine relative risk of death associated with each factor. Multivariate analysis of combined data (clinical and gene mRNA expression) found age, ovary tumour site and cancer stage IB significantly correlated with patient survival. Univariate analysis also confirmed significant differences in patient survival time when altered transcription levels of KLK6, CD36, MEF2C and SCGB2A1 were evident, while multivariate analysis that considered the 26 genes simultaneously revealed a significant relationship of mortality with KLK6, CD36 and E2F1 genes. However, analysis that considered all 26 genes with clinical variables together identified WFDC2, E2F1, BRCA1, KLK6, SCGB2A1 and SLPI genes as independently related to mortality in OC. This indicated that the latter genes affect OC patient survival, i.e., provided mechanistic and predictive information in addition to that of the clinical traits and provide strong evidence that these genes are critical markers of processes that underlie OC progression and mortality.

Alzheimer’s disease (AD) is a progressive neurodegenerative disease characterized by the accumulation of amyloid plaques and neurofibrillary tangles in the brain. However, there are no peripheral biomarkers available that can detect AD onset. This study aimed to identify such AD biomarkers through an integrative analysis of blood cell gene expression data. We used two microarray datasets (GSE4226 and GSE4229) comparing blood cell transcriptomes of AD patients and matched controls to identify differentially expressed genes (DEGs). Geneset and protein overrepresentation analysis, protein-protein interaction (PPI), DEGs-Transcription Factor interactions, DEGs-MicroRNAs interactions, protein-drug interactions, and protein subcellular localizations analyses were performed on DEGs common to the datasets. We identified 25 common DEGs between the two datasets. Integration of genome scale transcriptome datasets with biomolecular networks revealed hub genes (TUBB, ATF3, NOL6, UQCRC1, SND1, CASP2, BTF3, INPP5K, VCAM1, and CSTF1), common transcription factors (FOXC1, ZNF3, GEMIN7, and SMG9) and miRNAs (mir-20a-5p, mir-93-5p, mir-16-5p, let-7b-5p, mir-708-5p, mir-24-3p, mir-26b-5p, mir-17-5p, mir-4270, and mir-4441). These included 8 previously identified AD markers (BTF3, VCAM, FOXC1, mir-26b-5p, mir-20a-5p, mir-93-5p, let-7b-5p, mir-24-3p) and 13 novel AD biomarkers. Evaluation of histone modification revealed that hub genes and transcription factors possess several histone modification sites associated with AD. Protein-drug interactions revealed 10 compounds that affect the identified AD candidate markers, including anti-neoplastic agents (Vinorelbine, Vincristine, Vinblastine, Epothilone D, Epothilone B, CYT997, and ZEN-012), a dermatological (Podofilox) and an immunosuppressive agent (Colchicine). The subcellular localization of markers varied, including nuclear, plasma membrane and cytosolic proteins. This study identified blood-cell derived molecular biomarker signatures that might be useful as peripheral biomarkers in AD. This study also identified drug and epigenetic data associated with these molecules that may be useful in designing therapeutic approaches to ameliorate AD.

Background The welding process releases potentially hazardous gases and fumes, mainly composed of metallic oxides, fluorides and silicates. Long term welding fume (WF) inhalation is a recognized health issue that carries a risk of developing chronic health problems, particularly respiratory system diseases (RSDs). Aside from general airway irritation, WF exposure may drive direct cellular responses in the respiratory system which increase risk of RSD, but these are not well understood.Methods We developed a quantitative framework to identify gene expression effects of WF exposure that may affect RSD development. We analyzed gene expression microarray data from WF-exposed tissues and RSD-affected tissues, including chronic bronchitis (CB), asthma (AS), pulmonary edema (PE), lung cancer (LC) datasets. We built disease-gene (diseasome) association networks and identified dysregulated signaling and ontological pathways, and protein-protein interaction sub-network using neighborhood-based benchmarking and multilayer network topology.Results We observed many genes with altered expression in WF-exposed tissues were also among differentially expressed genes (DEGs) in RSD tissues; for CB, AS, PE and LC there were 34, 27, 50 and 26 genes respectively. DEG analysis, using disease association networks, pathways, ontological analysis and protein-protein interaction sub-network suggest significant links between WF exposure and the development of CB, AS, PE and LC.Conclusions Our network-based analysis and investigation of the genetic links of WFs and RSDs confirm a number of genes and gene products are plausible participants in RSD development. Our results are a significant resource to identify causal influences on the development of RSDs, particularly in the context of WF exposure.

Alzheimer's disease (AD) is an incurable disease, and the causative risk factors, especially the modifiable ones, are still poorly understood which impedes the effective prevention and remedy strategies. We proposed a network-based quantitative framework to reveal the complex relationship of various biasing genetic factors for the AD. We analyzed gene expression microarray data from the AD, ageing, severe alcohol consumption, type II diabetes, high body fat, high dietary fat, obesity, dietary red meat, sedentary lifestyle, smoking, and control datasets. We have developed genetic associations and diseasome network of various factors with the AD based on the neighbourhood-based benchmarking and multilayer network topology approaches. The study identified 484 differentially expressed genes of the AD. Among them, 27 genes were highly expressed in both for the AD and smoking whereas the number of genes is 21 for the AD and type II diabetes, and 12 for the AD and sedentary lifestyle. However, AD shared less than ten significant biomarkers with other factors. Notably, 3 significant genes, HLA-DRB4, IGH and IGHA2 are commonly up-regulated among the AD, type II diabetes and alcohol consumption; 2 significant genes IGHD and IGHG1 are commonly up-regulated among the AD, type II diabetes, alcohol consumption and sedentary lifestyle. Protein-protein interaction network identified 10 hub genes: CREBBP, PRKCB, ITGB1, GAD1, GNB5, PPP3CA, CABP1, SMARCA4, SNAP25 and GRIA1. Ontological and pathway analyses have identified significant gene ontology and molecular pathways that enhance our understanding of the fundamental molecular procedure of AD progression. Therapeutic targets of the AD could be developed using these identified target genes, ontologies and pathways. Online Mendelian Inheritance in Man (OMIM) and dbGaP databases were used for gold benchmark gene-disease associations to validate the significance of these identified target genes in AD progression. Our formulated methodologies demonstrate a network-based approach to understand the disease mechanism and the causative reason for the AD, and the identification of therapeutic targets for the AD.