ArchivDeutsches Ärzteblatt5/2003Globale Genexpressionsanalyse mit Mikroarrays: Diagnostik und Klassifikation von Tumorerkrankungen

MEDIZIN

Globale Genexpressionsanalyse mit Mikroarrays: Diagnostik und Klassifikation von Tumorerkrankungen

Hofmann, Wolf-Karsten; Ottmann, Oliver G.; Hoelzer, Dieter

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...
LNSLNS
Oligonukleotid-Mikroarray, Gene- Chip Human Genome U133A (Affymetrix Inc.). Auf einer Fläche von etwa 170 mm² sind Oligonukleotide für 22 000 humane Gene auf einem speziellen Glasobjektträger verankert. Dieser Glasobjektträger ist in einem Plastikgehäuse untergebracht, in welches über verschiedene Öffnungen die RNA-Probe und die einzelnen Reagenzien für die Hybridisierung vollautomatisch zugeführt werden.
Oligonukleotid-Mikroarray, Gene- Chip Human Genome U133A (Affymetrix Inc.). Auf einer Fläche von etwa 170 mm² sind Oligonukleotide für 22 000 humane Gene auf einem speziellen Glasobjektträger verankert. Dieser Glasobjektträger ist in einem Plastikgehäuse untergebracht, in welches über verschiedene Öffnungen die RNA-Probe und die einzelnen Reagenzien für die Hybridisierung vollautomatisch zugeführt werden.
Zusammenfassung
Die Mikroarraytechnik ist eine wichtige Entwicklung auf dem Gebiet der globalen Genexpressionsanalyse. Hiermit kann die Expression von mehreren Hundert Genen parallel untersucht werden. Bei einzelnen Tumoren wurden durch Genexpressionsanalyse wichtige zellbiologische Zusammenhänge in den Tumorzellen entdeckt. Die in Zukunft wohl bedeutsamste Rolle der Mikroarraytechnik liegt bei der Klassifikation und prognostischen Einschätzung von Krankheiten anhand der Genexpression. Für einzelne Erkrankungssubtypen oder Risikogruppen können spezifische Genexpressionsprofile erstellt werden. Mit diesen Informationen ist es dann möglich – in Ergänzung zu den bisher verfügbaren morphologischen und molekulargenetischen Kriterien – die Klassifikation und Prognoseabschätzung von Tumorerkrankungen zu verbessern. Ein weiteres Anwendungsgebiet der globalen Genexpressionsanalyse besteht in der „Vorhersage“ der Wirksamkeit von Medikamenten. Arbeiten deuten darauf hin, dass es möglich sein wird, Genexpressionsprofile von Körperzellen zu erstellen, die spezifisch für die Reaktionen der Zellen gegenüber einer medikamentösen Therapie sind. Dies kann zukünftig für die individuelle Therapie bei Tumorerkrankungen wichtig sein.

Schlüsselwörter: Krebsdiagnostik, Prognose, Mikroarray, Genexpressionsanalyse, Klassifikation

Summary
Global Gene Expression Analysis with Microarrays – Diagnosis and Classification of Malignant Diseases
Microarray analysis has been recently developed as a highly efficient method of global gene expression analysis. By evaluating cellular signal pathways, this technique has been thought to give a major input to
understand the pathogenesis of malignant diseases. In addition, microarray analysis is used by several groups to subclassify
tumours, in particular breast cancer, highgrade lymphoma and leukemia. Using the expression data of about 30.000 human genes it may be possible to find new prognostic parameters which can be used to predict
the clinical course of malignant diseases.
Furthermore, the sensitivity of cancer cells to several treatment modalities can be analyzed by gene expression profiling. This may
have an impact on the future individual therapeutic strategies in patients with malignancies.

Key words: cancer diagnosis, prognosis, microarray, gene expression, classification


Ziel der Diagnostik bei malignen Lymphomen, Leukämien und anderen bösartigen Erkrankungen ist eine möglichst genaue Charakterisierung der malignen Zellen für die Klassifikation, die Prognose und die Therapieentscheidung. Trotz zunehmend verbesserter morphologischer Untersuchungstechniken, Immunphänotypisierung, Chromosomenuntersuchung und anderen Methoden sind erhebliche Unterschiede in der Prognose und im Therapieansprechen letztlich mit den genannten Methoden nicht erklärbar. Aus diesem Grund widmet man sich den elementaren Bausteinen der Zelle, den Genen, um so
genauere Informationen über das gestörte Wachstum der Tumorzellen zu erhalten. Dabei ist von besonderem Interesse, welche Gene in den Tumorzellen aktiv (angeschaltet, exprimiert, hohe Konzentration von RNA) und welche inaktiv (abgeschaltet, nichtexprimiert, geringe oder keine RNA-Konzentration) sind. Bisher wurde die Expression einzelner Gene in Zellen nach Auftrennung der RNA im elektrischen Feld auf einem Gel mithilfe von radioaktiv markierten Sonden gemessen (Northern-Blot). Dieses Verfahren ist sehr arbeits- und zeitaufwendig, und die Experimente können nur in speziellen, für das Arbeiten mit radioaktiven Stoffen geeigneten, Labors durchgeführt werden. In einem Experiment kann nur die Analyse eines Gens erfolgen.
Anfang der 90er-Jahre wurde die Polymerase-Kettenreaktion (PCR) entwickelt. Durch künstlich erzeugte komplementäre DNA kann die RNA wiederholt vervielfältigt werden. Dadurch ist es möglich, selbst minimale Mengen an RNA nachzuweisen. In den letzten Jahren hat sich die Technik der PCR so weit verbessert, dass diese auch in der klinischen Routine (zum Beispiel zum Nachweis viraler RNA) einsetzbar ist.
Mikroarrays
Mitte der 90er-Jahre wurden so genannte Genearrays entwickelt, die die gleichzeitige Expressionsanalyse von vielen Genen erlauben. Zunächst war es mit Gensonden, die auf Membranen aufgebracht waren, möglich, bis zu mehrere Hundert Gene parallel zu untersuchen. Seit 1997 existieren die technischen Voraussetzungen für die Herstellung von Mikroarrays, bei denen auf einer Glasoberfläche bis zu 30 000 Gensonden zur Expressionsanalyse aufgebracht werden können (6, 24).
Als Ausgangsmaterial für die globale Genexpressionsanalyse können Zellen aus Gewebe, Blut, Knochenmark oder auch aus Zellkulturen dienen. Zunächst wird die Gesamt-RNA extrahiert und mit einem Fluoreszenzfarbstoff markiert. Anschließend erfolgt die spezifische Bindung (Hybridisierung) dieser markierten RNA auf dem Mikroarray („Chip“). Auf einer festen Oberfläche von etwa 2 cm² (Kunststoffmembran, Glasfläche oder Siliziumfläche) sind zwischen 100 und 40 000 genspezifische Sonden aufgebracht, an welche die zu messende RNA bindet.
Im Folgenden wird nichtgebundene RNA abgewaschen und die Fluoreszenz für jede genspezifische Sonde mit einem hochauflösenden Scanner gemessen. Zurzeit kommen zwei prinzipiell verschiedene Techniken zum Einsatz:
Bei der cDNA-Technik sind auf der Oberfläche des Chips lange cDNA-Fragmente (500 bis 5 000 Basenpaare [bp] lang) aufgebracht. Von dieser Technik leitet sich die ursprüngliche Bezeichnung „DNA-Chip“ ab, die etwas irreführend ist, da die Genexpressionsmessung an RNA-Proben erfolgt. Jedes cDNA-Fragment ist spezifisch für ein Gen. Die zu messende RNA bindet an die cDNA; dabei ist die Menge der gebundenen RNA proportional zur Menge der RNA in den zu untersuchenden Zellen.
Bei dieser Technik erfolgt die Hybridisierung eines Gemischs aus unbekannter RNA und einer Kontroll-RNA, die mit verschiedenen Fluoreszenzfarbstoffen markiert sind (Grafik 1). Die Quantifizierung der Expression der RNA in den Zielzellen erfolgt über die Messung der Mischfarbe und der Intensität.
Im Unterschied zur cDNA-Technik werden bei den Oligonukleotid-Mikroarrays (Grafik 2) 25 bis 80 bp lange Oligonukleotide (so genannte 25-Mere beziehungsweise 80-Mere) als genspezifische Sonden verwendet. Die fluoreszenzmarkierte RNA wird direkt mit dem Mikroarray hybridisiert. Bei der Abtastung mit dem Scanner entsteht kein farbiges, sondern ein schwarz-weißes Bild mit entsprechender Abstufung der Intensität der einzelnen Messpunkte.
Die Abbildung zeigt einen „GeneChip Human Genome U133A“. Mit diesem Mikroarray ist es möglich, die Expression von 22 000 Genen in einem Hybridisierungsschritt zu untersuchen. In Grafik 3 ist das Prinzip der Oligonukleotid-Mikroarray-Technik dargestellt.
Ausführliche Informationen zu den einzelnen Schritten von der RNA-Extraktion bis zur Hybridisierung und dem Abtasten der Fluoreszenz können über das Internet unter der Adresse www.affymetrix.com abgerufen werden.
Analyse der Expressionsdaten
Die numerischen Expressionsdaten von mehreren Tausend Genen eröffnen die Möglichkeit, Erkenntnisse über die Regulation der Genexpression in einem bisher ungeahnten Ausmaß zu erlangen. Diese Datenflut ist aber auch ein erhebliches Problem für die Analyse. Anfangs erfolgte die Datenanalyse mithilfe von einfachen Tabellenprogrammen. Damit war es möglich, anhand der Genbanknummer die Expression einzelner Gene in verschiedenen Proben zu ermitteln und diese Expression praktisch manuell miteinander zu vergleichen. Weiterhin konnten paarweise Vergleiche durch systematische Anordnung der Daten vorgenommen werden. Die Analyse mehrerer Proben gleichzeitig war nicht möglich, und die Auswertung war sehr langwierig.
In den letzten zwei Jahren wurden verschiedene leistungsfähige Computerprogramme für die Auswertung der Mikroarraydaten entwickelt (5, 8, 10, 17, 21, 22, 33, 38). Gleichzeitig wurden Verfahren eingeführt, mit denen statistisch die Qualität der Hybridisierungsdaten kontrolliert wird. Die Expressionsdaten können graphisch dargestellt und paarweise miteinander verglichen werden. Ebenso sind Gruppenvergleiche möglich, zum Beispiel von Daten einer normalen Kontrollgruppe mit denen von Patienten im frühen beziehungsweise späten Stadium einer Erkrankung.
Auf die Genexpressionsdaten können verschiedene mathematische Algorithmen angewandt werden, mit deren Hilfe ein charakteristisches Genexpressionsprofil für jede untersuchte Probe erstellt werden kann. Es können Gruppen von Proben gebildet werden, die zum Beispiel eine bestimmte Diagnose, ein Krankheitsstadium oder einen Therapieerfolg/-misserfolg repräsentieren. Zunächst werden bekannte Proben analysiert. Das Programm versucht, Gemeinsamkeiten in den Genexpressionsprofilen der Proben mit gleicher Gruppenzugehörigkeit zu finden. Diese bilden das so genannte „Lern-Set“. Nun können Proben mit unbekannter Gruppenzugehörigkeit analysiert werden. Das Programm vergleicht jedes einzelne Genexpressionsprofil der unbekannten Proben mit den Profilen, die am „Lern-Set“ erstellt wurden und versucht, die unbekannten Proben den einzelnen Gruppen zuzuordnen. Dieses Verfahren wird als Class Membership Prediction bezeichnet und vor allem bei der Diagnose von Krankheiten, bei deren Prognoseabschätzung sowie bei der Bestimmung von Resistenzen gegen Medikamente angewendet.
Diagnostik und Klassifikation von Tumorerkrankungen
Als die ersten Mikroarrayexperimente an Patientenmaterial durchgeführt wurden, war man davon überzeugt, dass die molekulargenetischen Ursachen von Tumorerkrankungen bald aufgeklärt sein könnten. Bei einzelnen Tumoren (Lymphome [16, 23, 26], akute Leukämien [4, 9], Plasmozytom [7], Sarkome [18]) ist es auch gelungen, wichtige zellbiologische Zusammenhänge in den Tumorzellen zu entdecken. Beim großzelligen anaplastischen Lymphom konnte zum Beispiel auf der Grundlage von Mikroarrayexperimenten das Molekül Clusterin als ein neues Markerprotein, welches jetzt routinemäßig mittels Immunhistochemie nachgewiesen wird, gefunden werden (34). Allerdings sind die Hoffnungen, mit der Mikroarraytechnik schnell und systematisch die Pathophysiologie von Tumoren aufklären zu können, bisher nicht in Erfüllung gegangen.
Die in Zukunft wohl bedeutendste Rolle der Mikroarraytechnik liegt in der Klassifikation und prognostischen Einschätzung von Krankheiten anhand der Genexpression (37). Ein großer Teil der Arbeiten mit Mikroarrays konzentriert sich deshalb darauf, Krankheiten mit bestimmten Expressionsprofilen zu verknüpfen und diese Informationen zur Bestätigung bereits bekannter oder aber zur Erstellung neuer und präziser Klassifikationen zu nutzen.
In einer 1999 in Science publizierten Studie ist es erstmals gelungen, nur anhand der Genexpressionprofile von Leukämiezellen die beiden Hauptgruppen, akute lymphoblastische und akute myeloische Leukämie (ALL versus AML), zu unterscheiden (11). Natürlich ist diese Unterscheidung durch bekannte Untersuchungstechniken (Zytologie, Histologie, Immunzytologie) viel einfacher, schneller und vor allem kostengünstiger zu treffen. Trotzdem war diese Arbeit der Einstieg in die Klassifikation und prognostische Einschätzung von Tumorerkrankungen mittels Genexpressionsanalyse.
Weitere Ergebnisse bei anderen Tumorerkrankungen (Mammakarzinom [1, 13, 25, 30, 31, 35], Lymphome [2, 28], Bronchialkarzinome [3], Sarkome [19], Nierenzellkarzinome [32]) haben gezeigt, dass die Mikroarraytechnik die „Feinarchitektur“ von Diagnose und Prognose der Erkrankungen voranbringen kann. Inzwischen gibt es Genexpressionsstudien mit großen Patientengruppen. Subtypen der ALL (B- und T-ALL) können mit hoher statistischer Zuverlässigkeit durch Analyse der globalen Genexpression in Leukämiezellen zum Zeitpunkt der Diagnosestellung unterschieden werden (36). Die Münchner Arbeitsgruppe um Schoch et al. (29) konnte zeigen, dass bei der AML die durch die chromosomalen Aberrationen t(8, 21), t(15, 17) und inv(16) gekennzeichneten Subgruppen durch globale Genexpressionsanalyse charakterisiert werden können. Chromosomale Aberrationen stellen zurzeit ein wichtiges Kriterium zur Risikostratifizierung dar. Allerdings können nur bei etwa 50 Prozent der Patienten mit AML zytogenetische Veränderungen nachgewiesen werden. Durch die Mikroarrayanalyse könnte es zukünftig möglich sein, deutlich mehr Patienten mit AML für das Krankheitsrisiko zu stratifizieren, was enorme Bedeutung für die individuelle Therapieplanung besitzt.
Durch retrospektive Analyse der globalen Genexpression in Stammzellen von Patienten mit myelodysplastischem Syndrom (MDS) ist es gelungen (15), Patienten mit Hochrisikoerkrankung (in Anlehnung an das International Prognostic Scoring System – IPSS) (12) von solchen mit Niedrigrisiko-Erkrankung und von gesunden Probanden zu unterscheiden (Grafik 4). In einer prospektiven Studie muss geprüft werden, ob das Verfahren im klinischen Alltag zur Risikostratifizierung beim MDS beitragen kann.
Ein weiteres Anwendungsgebiet besteht in der „Vorhersage“ der Wirksamkeit von Medikamenten. Erste Arbeiten deuten darauf hin, dass es möglich sein wird, Genexpressionsprofile von Körperzellen zu erstellen, die spezifisch für die Reaktionen der Zellen gegenüber einer medikamentösen Therapie sind (14, 20). Dies sei hier kurz am Beispiel der Philadelphia-Chromosom-positiven (Ph+) ALL erörtert:
Der selektive Tyrosinkinaseninhibitor STI571 (Imatinib wird in der Therapie der CML und Ph+ ALL angewendet und führt zu einer Hemmung des Wachstums der malignen Zellen. Die Ansprechrate der Patienten mit Ph+ ALL auf eine Therapie mit STI571 liegt zwischen 30 und 60 Prozent (27). Durch Genexpressionsanalyse der Leukämiezellen vor Beginn der Behandlung mit STI571 und im Verlauf der Therapie konnten die Autoren 95 Gene finden, mit deren Hilfe man vorhersagen kann, ob die Leukämiezellen sensibel oder resistent gegenüber STI571 sind (14). Auch diese Ergebnisse müssen zunächst in prospektiven Studien geprüft werden, ehe sie für die Therapieentscheidung bei der Ph+ ALL benutzt werden können.
Ausblick
Die globale Genexpressionsanalyse maligner Zellen, aber nicht nur dieser, wird in Zukunft in der Grundlagenforschung und zunehmend in der klinischen Medizin eine wesentliche Bedeutung erlangen. Damit gelingt es, die Funktionszustände der Gene einer Zelle und damit Risikoprofile, Krankheitsverläufe und Therapieansprechen zu erfassen. Da man in der Regel nicht davon ausgehen kann, dass die Veränderung von nur einem Gen für den Krankheitsprozess spezifisch ist, wird sich die Diagnosestellung und Prognoseabschätzung von Krankheiten auf bestimmte, für die jeweilige Krankheit oder den klinischen Verlauf charakteristische Genexpressionsprofile stützen.
Limitierend für Mikroarrayanalysen ist die relativ große Menge an RNA (circa 10 µg), die für eine Hybridisierung benötigt wird. Das lässt bisher die Anwendung bei einer geringen Anzahl maligner Zellen in einer Gewebeprobe nicht zu. Allerdings gibt es bereits Ansätze, wie die Sensitivität der Technik erhöht werden kann. Ziel könnte letztendlich die Analyse der Genexpression in einer Einzelzelle sein. Ein Vorteil der Methode ist, dass sie weitgehend automatisierbar sein wird.
Die bisherigen Erfahrungen zeigen, dass die Reproduzierbarkeit der Ergebnisse aus Mikroarrayexperimenten sehr stark von der Qualität der RNA abhängt. Bei der Anwendung der Technik in der Grundlagenforschung (Arbeiten mit Zelllinien, frischen Geweben et cetera) stellt dieser Punkt kein Problem dar, wohl aber für die Untersuchung von klinischen Proben. Durch die Entwicklung spezieller Konservierungsstoffe für die RNA, die sofort nach Entnahme der Zell- oder Gewebeprobe zugesetzt werden, wird versucht, dieses Problem in Hinblick auf die klinische Anwendung der Methode zu lösen.
Mikroarrayexperimente sind zurzeit noch sehr teuer. Zu den Kosten von etwa 500 Euro für den „Chip“ kommen noch einmal etwa 350 Euro pro Probe für Reagenzien und Wartung der Hybridisierungsanlage. Zukünftig werden deshalb für die Untersuchung von größeren Patientenzahlen Mikroarrays hergestellt, die nur die für die jeweilige Fragestellung wichtigen Gensonden enthalten. Diese so genannten „Customized Chips“ mit einer Auswahl von Genen (zum Beispiel die 95 selektierten Gene, die prädiktiv für die STI571-Sensitivität bei der Ph+ ALL sind) sind im Vergleich zu den herkömmlichen Mikroarrays deutlich kostengünstiger (circa 80 Euro).
Die Technik der Mikroarrays und die Methoden zur Analyse der Expressionsdaten werden in einigen Jahren so verbessert sein, dass ihre breite Anwendung im Laborbereich zum Standard gehört. Dabei besteht die Gefahr der unkritischen Anhäufung von Genexpressionsdaten, mit denen dann der behandelnde Arzt oder der Patient konfrontiert werden. Es sollte immer das Ziel sein, eine kritische Auswahl der zu untersuchenden Gene vorzunehmen. Es bleibt zunächst eine Zukunftsvision, mit der Mikroarraytechnik nicht nur den Ist-Zustand einer Zelle für Diagnostik, Prognose und Therapieentscheidung zu finden, sondern auch einzelne krankheitsverantwortliche Gene zu identifizieren. Wenn es gelänge, die Funktion dieser Gene beziehungsweise deren Fehlfunktion, etwa in der Signaltransduktion, zu erfassen, könnten kausale, zielgerichtete molekulare Therapien entwickelt werden.

Manuskript eingereicht: 17. 9. 2002, revidierte Fassung angenommen: 21. 10. 2002

zZitierweise dieses Beitrags:
Dtsch Arztebl 2003; 100: A 271–274 [Heft 5]

Die Zahlen in Klammern beziehen sich auf das Literaturverzeichnis, das beim Verfasser erhältlich oder im Internet unter www.aerzteblatt.de/lit0503 abrufbar ist.

Anschrift für die Verfasser:
Priv.-Doz. Dr. med. Wolf-Karsten Hofmann
Abteilung für Hämatologie und Onkologie
Medizinische Klinik III
Klinikum der Johann Wolfgang Goethe-Universität
Theodor-Stern-Kai 7, 60596 Frankfurt/Main
E-Mail: W.K.Hofmann@em.uni-frankfurt.de
1.
Ahr A, Holtrich U, Solbach C, Scharl A, Strebhardt K, Karn T et al.: Molecular classification of breast cancer patients by gene expression profiling. J Pathol 2001; 195: 312–320. MEDLINE
2.
Alizadeh AA, Eisen MB, Davis RE, Ma C, Lossos IS, Rosenwald A et al.: Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature 2000; 403: 503–511. MEDLINE
3.
Anbazhagan R, Tihan T, Bornman DM, Johnston JC, Saltz JH, Weigering A et al.: Classification of small cell lung cancer and pulmonary carcinoid by gene expression profiles. Cancer Res 1999; 59:5119–5122. MEDLINE
4.
Armstrong SA, Staunton JE, Silverman LB, Pieters R, den Boer ML, Minden MD et al.: MLL translocations specify a distinct gene expression profile that distinguishes a unique leukemia. Nat Genet 2001; 30: 41–47. MEDLINE
5.
Brown MP, Grundy WN, Lin D, Cristianini N, Sugnet CW, Furey TS et al.: Knowledge-based analysis of microarray gene expression data by using support vector machines. Proc Natl Acad Sci USA 2000; 97: 262–267. MEDLINE
6.
Dangond F: Chips around the world: proceedings from the Nature Genetics microarray meeting. Physiol Genomics 2000; 2: 53–58. MEDLINE
7.
De Vos J, Couderc G, Tarte K, Jourdan M, Requirand G, Delteil MC et al.: Identifying intercellular signaling genes expressed in malignant plasma cells by using complementary DNA arrays. Blood 2001; 98: 771–780. MEDLINE
8.
Eisen MB, Spellman PT, Brown PO, Botstein D: Cluster analysis and display of genome-wide expression patterns. Proc Natl Acad Sci USA 1998; 95: 14863–14868. MEDLINE
9.
Ferrando AA, Neuberg DS, Staunton J, Loh ML, Huard C, Raimondi SC et al.: Gene expression signatures define novel oncogenic pathways in T cell acute lymphoblastic leukemia. Cancer Cell 2002; 1: 75–87. MEDLINE
10.
Getz G, Levine E, Domany E: Coupled two-way clustering analysis of gene microarray data. Proc Natl Acad Sci USA 2000; 97: 12079–12084. MEDLINE
11.
Golub TR, Slonim DK, Tamayo P, Huard C, Gaasenbeek M, Mesirov JP et al.: Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science 1999; 286: 531–537. MEDLINE
12.
Greenberg P, Cox C, LeBeau MM, Fenaux P, Morel P, Sanz G et al.: International scoring system for evaluating prognosis in myelodysplastic syndromes. Blood 1997; 89: 2079–2088. MEDLINE
13.
Hedenfalk I, Duggan D, Chen Y, Radmacher M, Bittner M, Simon R et al.: Gene-expression profiles in hereditary breast cancer. N Engl J Med 2001; 344: 539–548. MEDLINE
14.
Hofmann WK, de Vos S, Elashoff D, Gschaidmeier H, Hoelzer D, Koeffler HP et al.: Relation between resistance of Philadelphia-chromosome-positive acute lymphoblastic leukaemia to the tyrosine kinase inhibitor STI571 and gene-expression profiles: a gene-expression study. Lancet 2002; 359: 481–486. MEDLINE
15.
Hofmann WK, de Vos S, Komor M, Hoelzer D, Wachsman W, Koeffler HP: Characterization of gene expression of CD34+ cells from normal and myelodysplastic bone marrow. Blood 2002; 100: 3553–3560. MEDLINE
16.
Hofmann WK, de Vos S, Tsukasaki K, Wachsman W, Pinkus GS, Said JW et al.: Altered apoptosis pathways in mantle cell lymphoma detected by oligonucleotide microarray. Blood 2001; 98: 787–794. MEDLINE
17.
Kerr MK, Churchill GA: Bootstrapping cluster analysis: Assessing the reliability of conclusions from microarray experiments. Proc Natl Acad Sci USA 2001; 98: 8961–8965. MEDLINE
18.
Khan J, Bittner ML, Saal LH, Teichmann U, Azorsa DO, Gooden GC et al.: cDNA microarrays detect activation of a myogenic transcription program by the PAX3-FKHR fusion oncogene. Proc Natl Acad Sci USA 1999; 96: 13264–13269. MEDLINE
19.
Khan J, Simon R, Bittner M, Chen Y, Leighton SB, Pohida T et al.: Gene expression profiling of alveolar rhabdomyosarcoma with cDNA microarrays. Cancer Res 1998; 58: 5009–5013. MEDLINE
20.
Kudoh K, Ramanna M, Ravatn R, Elkahloun AG, Bittner ML, Meltzer PS et al.: Monitoring the expression profiles of doxorubicin-induced and doxorubicin-resistant cancer cells by cDNA microarray. Cancer Res 2000; 60: 4161–4166. MEDLINE
21.
Lee ML, Kuo FC, Whitmore GA, Sklar J: Importance of replication in microarray gene expression studies: statistical methods and evidence from repetitive cDNA hybridizations. Proc Natl Acad Sci USA 2000; 97: 9834–9839. MEDLINE
22.
Li C, Wong WH: Model-based analysis of oligonucleotide arrays: expression index computation and outlier detection. Proc Natl Acad Sci USA 2001; 98: 31–36. MEDLINE
23.
Lossos IS, Alizadeh AA, Diehn M, Warnke R, Thorstenson Y, Oefner PJ et al.: Transformation of follicular lymphoma to diffuse large-cell lymphoma: alternative patterns with increased or decreased expression of c-myc and its regulated genes. Proc Natl Acad Sci USA 2002; 99: 8886–8891. MEDLINE
24.
Mahadevappa M, Warrington JA: A high-density probe array sample preparation method using 10- to 100-fold fewer cells. Nat Biotechnol 1999; 17: 1134–1136. MEDLINE
25.
Nacht M, Ferguson AT, Zhang W, Petroziello JM, Cook BP, Gao YH et al.: Combining serial analysis of gene expression and array technologies to identify genes differentially expressed in breast cancer. Cancer Res 1999; 59: 5464–5470. MEDLINE
26.
Neiman PE, Ruddell A, Jasoni C, Loring G, Thomas SJ, Brandvold KA et al.: Analysis of gene expression during myc oncogene-induced lymphomagenesis in the bursa of Fabricius. Proc Natl Acad Sci USA 2001; 98: 6378–6383. MEDLINE
27.
Ottmann OG, Druker BJ, Sawyers CL, Goldman JM, Reiffers J, Silver RT et al.: A phase 2 study of imatinib in patients with relapsed or refractory Philadelphia chromosome-positive acute lymphoid leukemias. Blood 2002; 100: 1965–1971. MEDLINE
28.
Rosenwald A, Wright G, Chan WC, Connors JM, Campo E, Fisher RI et al.: The use of molecular profiling to predict survival after chemotherapy for diffuse large-B-cell lymphoma. N Engl J Med 2002; 346: 1937–1947. MEDLINE
29.
Schoch C, Kohlmann A, Schnittger S, Brors B, Dugas M, Mergenthaler S et al.: Acute myeloid leukemias with reciprocal rearrangements can be distinguished by specific gene expression profiles. Proc Natl Acad Sci USA 2002; 99: 10008–10013. MEDLINE
30.
Sgroi DC, Teng S, Robinson G, LeVangie R, Hudson JRJ, Elkahloun AG: In vivo gene expression profile analysis of human breast cancer progression. Cancer Res 1999; 59: 5656–5661. MEDLINE
31.
Sorlie T, Perou CM, Tibshirani R, Aas T, Geisler S, Johnsen H et al.: Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications. Proc Natl Acad Sci USA 2001; 98: 10869–10874. MEDLINE
32.
Takahashi M, Rhodes DR, Furge KA, Kanayama H, Kagawa S, Haab BB et al.: Gene expression profiling of clear cell renal cell carcinoma: Gene identification and prognostic classification. Proc Natl Acad Sci USA 2001; 98: 9754–9759. MEDLINE
33.
Tamayo P, Slonim D, Mesirov J, Zhu Q, Kitareewan S, Dmitrovsky E et al.: Interpreting patterns of gene expression with self-organizing maps: methods and application to hematopoietic differentiation. Proc Natl Acad Sci USA 1999; 96: 2907–2912. MEDLINE
34.
Wellmann A, Thieblemont C, Pittaluga S, Sakai A, Jaffe ES, Siebert P et al.: Detection of differentially expressed genes in lymphomas using cDNA arrays: identification of clusterin as a new diagnostic marker for anaplastic large-cell lymphomas. Blood 2000; 96: 398–404. MEDLINE
35.
West M, Blanchette C, Dressman H, Huang E, Ishida S, Spang R et al.: Predicting the clinical status of human breast cancer by using gene expression profiles. Proc Natl Acad Sci USA 2001; 98: 11462–11467. MEDLINE
36.
Yeoh EJ, Ross ME, Shurtleff SA, Williams WK, Patel D, Mahfouz R et al.: Classification, subtype discovery, and prediction of outcome in pediatric acute lymphoblastic leukemia by gene expression profiling. Cancer Cell 2002; 1: 133–143. MEDLINE
37.
Zhang H, Yu CY, Singer B, Xiong M: Recursive partitioning for tumor classification with gene expression microarray data. Proc Natl Acad Sci USA 2001; 98: 6730–6735. MEDLINE
38.
Zhao LP, Prentice R, Breeden L: Statistical modeling of large microarray data sets to identify stimulus-response profiles. Proc Natl Acad Sci USA 2001; 98: 5631–5636. MEDLINE
1. Ahr A, Holtrich U, Solbach C, Scharl A, Strebhardt K, Karn T et al.: Molecular classification of breast cancer patients by gene expression profiling. J Pathol 2001; 195: 312–320. MEDLINE
2. Alizadeh AA, Eisen MB, Davis RE, Ma C, Lossos IS, Rosenwald A et al.: Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature 2000; 403: 503–511. MEDLINE
3. Anbazhagan R, Tihan T, Bornman DM, Johnston JC, Saltz JH, Weigering A et al.: Classification of small cell lung cancer and pulmonary carcinoid by gene expression profiles. Cancer Res 1999; 59:5119–5122. MEDLINE
4. Armstrong SA, Staunton JE, Silverman LB, Pieters R, den Boer ML, Minden MD et al.: MLL translocations specify a distinct gene expression profile that distinguishes a unique leukemia. Nat Genet 2001; 30: 41–47. MEDLINE
5. Brown MP, Grundy WN, Lin D, Cristianini N, Sugnet CW, Furey TS et al.: Knowledge-based analysis of microarray gene expression data by using support vector machines. Proc Natl Acad Sci USA 2000; 97: 262–267. MEDLINE
6. Dangond F: Chips around the world: proceedings from the Nature Genetics microarray meeting. Physiol Genomics 2000; 2: 53–58. MEDLINE
7. De Vos J, Couderc G, Tarte K, Jourdan M, Requirand G, Delteil MC et al.: Identifying intercellular signaling genes expressed in malignant plasma cells by using complementary DNA arrays. Blood 2001; 98: 771–780. MEDLINE
8. Eisen MB, Spellman PT, Brown PO, Botstein D: Cluster analysis and display of genome-wide expression patterns. Proc Natl Acad Sci USA 1998; 95: 14863–14868. MEDLINE
9. Ferrando AA, Neuberg DS, Staunton J, Loh ML, Huard C, Raimondi SC et al.: Gene expression signatures define novel oncogenic pathways in T cell acute lymphoblastic leukemia. Cancer Cell 2002; 1: 75–87. MEDLINE
10. Getz G, Levine E, Domany E: Coupled two-way clustering analysis of gene microarray data. Proc Natl Acad Sci USA 2000; 97: 12079–12084. MEDLINE
11. Golub TR, Slonim DK, Tamayo P, Huard C, Gaasenbeek M, Mesirov JP et al.: Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science 1999; 286: 531–537. MEDLINE
12. Greenberg P, Cox C, LeBeau MM, Fenaux P, Morel P, Sanz G et al.: International scoring system for evaluating prognosis in myelodysplastic syndromes. Blood 1997; 89: 2079–2088. MEDLINE
13. Hedenfalk I, Duggan D, Chen Y, Radmacher M, Bittner M, Simon R et al.: Gene-expression profiles in hereditary breast cancer. N Engl J Med 2001; 344: 539–548. MEDLINE
14. Hofmann WK, de Vos S, Elashoff D, Gschaidmeier H, Hoelzer D, Koeffler HP et al.: Relation between resistance of Philadelphia-chromosome-positive acute lymphoblastic leukaemia to the tyrosine kinase inhibitor STI571 and gene-expression profiles: a gene-expression study. Lancet 2002; 359: 481–486. MEDLINE
15. Hofmann WK, de Vos S, Komor M, Hoelzer D, Wachsman W, Koeffler HP: Characterization of gene expression of CD34+ cells from normal and myelodysplastic bone marrow. Blood 2002; 100: 3553–3560. MEDLINE
16. Hofmann WK, de Vos S, Tsukasaki K, Wachsman W, Pinkus GS, Said JW et al.: Altered apoptosis pathways in mantle cell lymphoma detected by oligonucleotide microarray. Blood 2001; 98: 787–794. MEDLINE
17. Kerr MK, Churchill GA: Bootstrapping cluster analysis: Assessing the reliability of conclusions from microarray experiments. Proc Natl Acad Sci USA 2001; 98: 8961–8965. MEDLINE
18. Khan J, Bittner ML, Saal LH, Teichmann U, Azorsa DO, Gooden GC et al.: cDNA microarrays detect activation of a myogenic transcription program by the PAX3-FKHR fusion oncogene. Proc Natl Acad Sci USA 1999; 96: 13264–13269. MEDLINE
19. Khan J, Simon R, Bittner M, Chen Y, Leighton SB, Pohida T et al.: Gene expression profiling of alveolar rhabdomyosarcoma with cDNA microarrays. Cancer Res 1998; 58: 5009–5013. MEDLINE
20. Kudoh K, Ramanna M, Ravatn R, Elkahloun AG, Bittner ML, Meltzer PS et al.: Monitoring the expression profiles of doxorubicin-induced and doxorubicin-resistant cancer cells by cDNA microarray. Cancer Res 2000; 60: 4161–4166. MEDLINE
21. Lee ML, Kuo FC, Whitmore GA, Sklar J: Importance of replication in microarray gene expression studies: statistical methods and evidence from repetitive cDNA hybridizations. Proc Natl Acad Sci USA 2000; 97: 9834–9839. MEDLINE
22. Li C, Wong WH: Model-based analysis of oligonucleotide arrays: expression index computation and outlier detection. Proc Natl Acad Sci USA 2001; 98: 31–36. MEDLINE
23. Lossos IS, Alizadeh AA, Diehn M, Warnke R, Thorstenson Y, Oefner PJ et al.: Transformation of follicular lymphoma to diffuse large-cell lymphoma: alternative patterns with increased or decreased expression of c-myc and its regulated genes. Proc Natl Acad Sci USA 2002; 99: 8886–8891. MEDLINE
24. Mahadevappa M, Warrington JA: A high-density probe array sample preparation method using 10- to 100-fold fewer cells. Nat Biotechnol 1999; 17: 1134–1136. MEDLINE
25. Nacht M, Ferguson AT, Zhang W, Petroziello JM, Cook BP, Gao YH et al.: Combining serial analysis of gene expression and array technologies to identify genes differentially expressed in breast cancer. Cancer Res 1999; 59: 5464–5470. MEDLINE
26. Neiman PE, Ruddell A, Jasoni C, Loring G, Thomas SJ, Brandvold KA et al.: Analysis of gene expression during myc oncogene-induced lymphomagenesis in the bursa of Fabricius. Proc Natl Acad Sci USA 2001; 98: 6378–6383. MEDLINE
27. Ottmann OG, Druker BJ, Sawyers CL, Goldman JM, Reiffers J, Silver RT et al.: A phase 2 study of imatinib in patients with relapsed or refractory Philadelphia chromosome-positive acute lymphoid leukemias. Blood 2002; 100: 1965–1971. MEDLINE
28. Rosenwald A, Wright G, Chan WC, Connors JM, Campo E, Fisher RI et al.: The use of molecular profiling to predict survival after chemotherapy for diffuse large-B-cell lymphoma. N Engl J Med 2002; 346: 1937–1947. MEDLINE
29. Schoch C, Kohlmann A, Schnittger S, Brors B, Dugas M, Mergenthaler S et al.: Acute myeloid leukemias with reciprocal rearrangements can be distinguished by specific gene expression profiles. Proc Natl Acad Sci USA 2002; 99: 10008–10013. MEDLINE
30. Sgroi DC, Teng S, Robinson G, LeVangie R, Hudson JRJ, Elkahloun AG: In vivo gene expression profile analysis of human breast cancer progression. Cancer Res 1999; 59: 5656–5661. MEDLINE
31. Sorlie T, Perou CM, Tibshirani R, Aas T, Geisler S, Johnsen H et al.: Gene expression patterns of breast carcinomas distinguish tumor subclasses with clinical implications. Proc Natl Acad Sci USA 2001; 98: 10869–10874. MEDLINE
32. Takahashi M, Rhodes DR, Furge KA, Kanayama H, Kagawa S, Haab BB et al.: Gene expression profiling of clear cell renal cell carcinoma: Gene identification and prognostic classification. Proc Natl Acad Sci USA 2001; 98: 9754–9759. MEDLINE
33. Tamayo P, Slonim D, Mesirov J, Zhu Q, Kitareewan S, Dmitrovsky E et al.: Interpreting patterns of gene expression with self-organizing maps: methods and application to hematopoietic differentiation. Proc Natl Acad Sci USA 1999; 96: 2907–2912. MEDLINE
34. Wellmann A, Thieblemont C, Pittaluga S, Sakai A, Jaffe ES, Siebert P et al.: Detection of differentially expressed genes in lymphomas using cDNA arrays: identification of clusterin as a new diagnostic marker for anaplastic large-cell lymphomas. Blood 2000; 96: 398–404. MEDLINE
35. West M, Blanchette C, Dressman H, Huang E, Ishida S, Spang R et al.: Predicting the clinical status of human breast cancer by using gene expression profiles. Proc Natl Acad Sci USA 2001; 98: 11462–11467. MEDLINE
36. Yeoh EJ, Ross ME, Shurtleff SA, Williams WK, Patel D, Mahfouz R et al.: Classification, subtype discovery, and prediction of outcome in pediatric acute lymphoblastic leukemia by gene expression profiling. Cancer Cell 2002; 1: 133–143. MEDLINE
37. Zhang H, Yu CY, Singer B, Xiong M: Recursive partitioning for tumor classification with gene expression microarray data. Proc Natl Acad Sci USA 2001; 98: 6730–6735. MEDLINE
38. Zhao LP, Prentice R, Breeden L: Statistical modeling of large microarray data sets to identify stimulus-response profiles. Proc Natl Acad Sci USA 2001; 98: 5631–5636. MEDLINE

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Fachgebiet

Zum Artikel

Anzeige

Alle Leserbriefe zum Thema

Stellenangebote