胰腺癌差异表达基因的筛选及其预后价值:生物信息学分析

目的:基于生物信息学方法通过大样本挖掘胰腺导管腺癌（pancreatic ductal adenocarcinoma,PDAC）发生发展的关键基因。从公开生物数据库中挖掘PDAC的关键基因,探讨其在PDAC中的表达情况和预后价值,为PDAC的诊断和靶向治疗奠定理论基础。方法:从基因表达汇编（Gene Expression Omnibus,GEO）和癌症基因组图谱（The Cancer Genome Atlas,TCGA）数据库分别下载基因芯片数据GSE16515、GSE28735,GSE62452和TCGA-GTEx,通过R语言计算差异基因,寻找共同差异基因,并且GO富集分析和KEGG通路分析,构建蛋白质相互作用(protein-protein interaction,PPI)网络,筛选关键基因,最后验证关键基因在PDAC中的表达情况以及与PDAC预后的关系。结果:总共鉴定了219个DEGs,其中139个表达上调,80个表达下调。最终筛选出10个PDAC关键基因,其中FN1、POSTN、VCAN、MMP1、EGF和ALB与PDAC不良预后显著相关（P＜0.05）,进一步发现VCAN联合ALB、MMP1和POSTN具有更高预测PDAC生存预后的价值。结论:通过公开生物数据库挖掘出的与PDAC预后显著相关的5个关键基因,为PDAC发病机制、临床诊断和治疗靶点的研究提供理论依据。     

胃癌基因表达谱芯片差异基因的生物信息学分析

目的：筛选胃癌发生发展过程中的关键基因和信号通路,为寻找有价值的胃癌分子标志物提供依据。方法：从GEO数据库下载5个胃癌基因芯片数据集：GSE35809、GSE54129、GSE79973、GSE66229和GSE51105。合并5个数据集中的样本,去除数据集间的批次效应,对合并后的基因表达数据进行标准化,并通过主成分分析监测数据标准化情况。利用R语言中的limma包筛选胃癌组织和正常组织中表达差异的基因。利用DAVID数据库对胃癌发生发展过程中的差异基因进行功能富集分析,并通过STRING数据库和Cytoscape分析差异基因编码蛋白之间的相互作用网络并进行可视化。结果：总共筛选出1 205个差异基因,包括480个上调基因,725个下调基因。差异基因的生物学功能主要富集于细胞-细胞信号传导、炎症反应的调节、细胞粘附、细胞凋亡和离子的跨膜转运。KEGG信号通路分析显示差异基因主要富集于p53信号通路、PI3K-Akt信号通路、NF-κB信号通路。通过构建蛋白质相互作用网络筛选出了CENPE、KIF15、MELK、KIF2C、CENPF、KIF11、NUSAP1、UBE2C、TTK、AURKB、DLGAP5、TOP2A等29个Hub基因。结论：通过合并不同数据集,利用生物信息学方法筛选出胃癌发生发展过程中的关键基因和信号通路,为胃癌的诊疗提供新的候选标志物。     

生物信息学分析食管癌关键基因的表达及其临床意义

目的：采用生物信息学技术，从基因表达综合数据库(GEO)中挖掘食管癌(ESCA)异常表达基因，探讨该基因在食管癌中的表达及临床意义。方法：用R语言中的GEOquery包从GEO数据库中下载ESCA芯片数据集GSE38129、GSE20347，经sva包对数据集去除批次效应后，使用Limma包对标准化数据集进行差异表达基因(DEGs)筛选，利用cluster Profiler包对DEGs进行基因本体(GO)功能富集分析和京都基因与基因组百科全书(KEGG)通路富集分析，在STRING网站对DEGs进行蛋白互作网络分析(PPI)，利用MCODE和Cyto Hubba插件提取核心模块及核心基因(Hub gene)。在阿拉巴马伯明翰分校癌症数据库(UALCAN)输入Hub gene分析其表达水平与食管癌分期、甲基化水平及TP53突变等的关系，最后借助芯片数据GSE70409对核心基因进行验证。结果：在标准化数据集中筛选出390个DEGs，其中上调166个，下调224个。GO分析得出，它们主要参与有丝分裂细胞周期相变、细胞外基质生成、表皮发育等生物学过程。KEGG富集分析显示DEGs与细胞周期、...     

基于GEO数据库的胃肠上皮化生相关基因与通路的生物信息学分析

目的 挖掘胃黏膜肠化过程中的差异基因、探索其发病机制并验证差异基因是否在胃癌发生过程中持续发挥作用。方法 在美国国立生物技术信息中心（NCBI）的GEO数据库中检索正常胃黏膜肠化表达谱芯片,并通过GEO2R分析得到差异基因,以及在不同芯片数据中均差异表达的关键基因。将差异基因利用生物学信息注释数据库DAVID进行GO生物学过程富集分析和KEGG通路富集分析,探索正常胃组织向肠化转变的相关生物学通路。并通过TCGA数据库分析关键基因在胃癌组织中的差异变化,通过KMplotter分析关键基因与胃癌患者预后的关系。结果 检索到3个涉及正常胃黏膜组织发生肠化有关基因芯片,通过差异分析得到在肠化中差异表达的基因共1188个,其中ALDOB、CLCA1、CLDN7、DMBT1、KRT20、MTTP、OLFM4、REG3A和TFF3这9个关键基因在三个芯片中均差异表达。GO富集及KEGG通路分析显示,差异基因主要参与营养物质的消化吸收、蛋白质的水解与合成、物质转运调节等过程。TCGA数据库分析显示,上述9个关键基因在胃癌组织中亦具有差异变化,且通过KM plotter分析证实其与患者预后密切相关。结论 本研究获取了在肠化中异常表达的差异基因及其相关通路,并证实关键基因与胃癌患者预后密切相关。     

基于生信分析筛选胆囊癌关键基因#br# 及相关通路的研究#br#

目的通过生信分析筛选胆囊癌治疗的关键基因及癌症相关通路,挖掘胆囊癌患者的差异基因,预测胆囊癌的潜在治疗靶点。方法对GEO数据库中获得的芯片数据进行差异基因（DEGs）分析。选取NCBI 基因表达综合数据库(GEO)中的基因表达芯片 “GSE76633 ”和 “GSE74048”,利用GEO2R在线分析工具对胆囊癌样本和正常胆囊样本中的差异基因进行筛选。在DAVID和KOBAS上对差异基因进行生物过程（GO）分析和通路富集（KEGG）分析。使用蛋白质 蛋白质相互作用（PPI）分析数据库STRING构建靶点互作（PPI）网络模型。结果该研究共筛选了197个差异基因（P<005,|Log2FC|>2）,其中有33个上调基因,164个下调基因。这些基因主要参与了代谢过程的调节,脂肪酸β 氧化、氧化 还原过程等GO生物过程。主要调控代谢途径,甘氨酸、丝氨酸和苏氨酸代谢,缬氨酸亮氨酸和异亮氨酸降解,抗生素的生物合成等。结论该研究利用生物信息学筛选出胆囊癌中的差异基因及相关通路,帮助理解其分子机制及在胆囊癌发病机制和发生、发展过程中的作用,为寻找胆囊癌新的治疗靶点提供思路。     

基于数据挖掘分析COL1A1在胃腺癌中的表达及意义

目的:通过生物信息数据库挖掘分析胃腺癌中COL1A1基因的表达并探讨其临床意义。方法:使用Oncomine数据库分析COL1A1基因在胃腺癌中的表达水平;通过Oncomine数据库摘录数据信息,进行COL1A1基因表达程度与临床病理参数及胃腺癌生存期的相关性分析;最后使用STRING数据库分析COL1A1蛋白-蛋白互作网络,并进行GO基因富集和KEGG通路富集分析。结果:通过Oncomine数据库分析显示,在mRNA水平上,COL1A1在胃腺癌中高表达（P＜0.05）,表达水平与近期预后负相关（P＜0.05）,且Lauren弥漫型胃腺癌COL1A1表达水平高于肠型胃腺癌（P＜0.05）。通过STRING数据库分析显示与COL1A1相关的蛋白有COL6A3、COL5A1、COL6A1、COL5A2等,互作基因的GO基因富集及KEGG信号通路富集分析显示其蛋白涉及的生物学过程、分子功能及细胞定位等方面均与细胞外基质的调控有关,互作基因涉及的主要信号通路为细胞外基质通路、PI3K-AKT等与胃癌的发生发展有关的信号通路。结论:通过对肿瘤基因数据库Oncomine进行数据挖掘分析发现,COL1A1在胃腺癌组织中显著高表达且与患者预后负相关,为胃腺癌的致病机制研究和抗肿瘤靶向治疗提供了理论依据。     

ALK融合基因阳性肺腺癌患者耐药核心基因鉴定及药物靶点分析

目的 探讨ALK融合基因阳性肺腺癌患者原发灶及转移灶基因表达谱的差异,从而探索转移灶耐药机制及相应的药物靶点分析。方法 GEO数据库中选取GSE125864,根据肿瘤组织取材部位不同分为原发灶组和转移灶组。首先,比较两组患者之间显著差异基因的表达,并分析这些显著差异基因在生物学功能和富集信号通路等方面的不同;其次,对显著差异基因进行蛋白-蛋白互作网络分析及关键模块、核心基因分析。最后,基于TCGA和癌症治疗反应门户数据库对筛选的10个关键核心进行预后、药物靶点预测等分析。结果 共筛选出227个差异基因,以肺腺癌原发灶为对照组,转移灶中共发现134个上调基因,93个下调差异基因;GO和KEGG富集分析显示,这些差异基因的功能主要涉及补体和凝血级联、化学致癌作用、视黄醇的新陈代谢等信号通路;通过蛋白-蛋白互作网络分析,筛选了10个核心基因,其中HRG、AHSG基因表达与肺腺癌不良预后相关,SERPINC1、HRG、APOA1、FGA、FGG等与多种潜在的小分子药物有一定相关性。结论 显著差异基因涉及的分子功能及信号通路可能引起ALK阳性肺腺癌患者转移灶耐药。     

去势抵抗性前列腺癌差异表达基因的生物信息学分析

目的:基于大数据从分子水平筛选原发性前列腺癌与去势抵抗性前列腺癌的差异表达基因,探寻前列腺癌细胞从雄激素依赖到抵抗状态发展过程中的可能机制,为去势抵抗性前列腺癌的诊疗提供靶点。方法:在NCBI的公共基因芯片数据库（GEO）中下载原发性及去势抵抗性前列腺癌相关芯片数据（GSE74367、GSE66187和GSE126881）,利用limma包进行标准化和基因差异分析,接着采用clusterProfiler包分别进行GO功能和KEGG通路分析。将P＜0.05和|logFC|>2作为筛选标准,使用vennDiagram包合并基因集,找到3个芯片的共同差异基因,并利用clusterProfiler包对共同上调或下调基因进行基因集富集分析。结果:GSE74367和GSE66187中的差异基因主要与RNA分解代谢与剪接功能相关,主要富集于核糖体生物发生通路。GSE126881的差异基因主要与干扰素γ反应功能有关,主要富集表达于化学抗癌、类固醇激素生物合成以及视黄醇、细胞色素P450、抗坏血酸和醛酸的代谢过程。3个芯片的共同上调基因为SLC16A3,共同下调基因为DDX53。GSEA分析发现,SLC16A3上调时,果糖、甘露糖和磷酸戊糖代谢与细胞周期相关基因集显著上调;DDX53下调时,原发性免疫缺陷通路、趋化因子与细胞黏附分子等相关基因集下调,而磷酸戊糖途径、细胞周期和蛋白质外排等过程的相关基因集上调。结论:通过对3个去势抵抗性前列腺癌相关GEO芯片数据的生物信息学分析,我们发现SLC16A3的上调和DDX53的下调可能在原发性前列腺癌发展为去势抵抗性前列腺癌的过程中发挥重要作用。     

非小细胞肺癌关键基因的生物信息学分析

目的:通过生物信息学方法挖掘非小细胞肺癌(NSCLC)基因表达谱芯片数据,筛选并验证与NSCLC发生和预后相关的关键基因。方法:从Gene Expression Omnibus(GEO)数据库中下载芯片数据(GSE101929和GSE27262)。采用GEO2R在线工具筛选癌组织和癌旁组织中的差异表达基因(DEGs);采用DAVID在线工具对差异表达基因进行GO和KEGG信号通路分析并用Cytoscape和FunRich软件进行可视化;采用GEPIA在线工具对差异表达基因进行验证和预后分析。结果:共筛选出1816个差异表达基因,其中上调基因数651个,下调基因数1165个。上调基因主要富集在“基质金属肽酶活性”,下调基因主要富集在“受体活性”等分子功能。KEGG信号通路分析显示上调基因主要富集在“有丝分裂前中期”等信号通路,而下调基因主要富集在“上皮-间质转化”信号通路。蛋白-蛋白交互作用(PPI)分析显示,上调基因中的前五位为TOP2A、CDK1、CCNB1、CCNA2和KIF11,而下调基因中的前五位为IL6、FGF2、LRRK2、EDN1和IL1B。总生存率分析显示,KIF11低表达与NSCLC预后呈负相关。结论:本研究鉴定出了与NSCLC相关的关键基因,有望作为NSCLC患者潜在治疗靶点或预后判断相关的生物标志。     

基于生物信息学的结直肠癌生物标志物的筛选与分析

目的:采用生物信息学方法分析结直肠癌（colorectal cancer,CRC）在转录组中的差异基因,建立基因互作网络,以期筛选出关键基因并探索其发病机制。方法:从TCGA数据库下载CRC转录组数据集,采用edgeR包筛选其差异基因。使用DAVID数据库对差异基因进行GO功能和KEGG通路富集分析。通过STRING数据库分析蛋白质互作网络,运用Cytoscape进行关键子网提取并构建KEGG通路-基因互作网络,最后结合生存分析等筛选并验证CRC潜在生物标志物。结果:对转录组数据集分析筛选出5 037个差异基因,其中上调基因1 571个、下调基因3 466个,从5 037个差异基因中提取到1 781个lncRNA。GO富集分析表明CRC的差异基因主要富集在钙离子结合、受体结合及结构分子活性等功能。KEGG富集分析表明其主要参与神经活性配体-受体相互作用和药物代谢-细胞色素p450等通路。使用Cytoscape软件提取出6个关键子网,通过各互作网络共筛选出288个关键基因,结合Kaplan Meier预后分析最终筛选发现67个CRC潜在调控基因（其中已有报道证实22个mRNA和7个lncRNA）具有预后价值,并采用ONCOMINE数据库进行了CRC临床样本验证。结论:本研究筛选出的67个潜在调控基因可作为CRC潜在生物标志物,为研究者创新CRC药物及治疗方案提供了新思路。     

Analysis of Molecular Pathways in Pancreatic Ductal Adenocarcinomas with a Bioinformatics Approach

Pancreatic ductal adenocarcinoma (PDAC) is a leading cause of cancer death worldwide. Our study aimedto reveal molecular mechanisms. Microarray data of GSE15471 (including 39 matching pairs of pancreatictumor tissues and patient-matched normal tissues) was downloaded from Gene Expression Omnibus (GEO)database. We identified differentially expressed genes (DEGs) in PDAC tissues compared with normal tissues bylimma package in R language. Then GO and KEGG pathway enrichment analyses were conducted with onlineDAVID. In addition, principal component analysis was performed and a protein-protein interaction networkwas constructed to study relationships between the DEGs through database STRING. A total of 532 DEGs wereidentified in the 38 PDAC tissues compared with 33 normal tissues. The results of principal component analysisof the top 20 DEGs could differentiate the PDAC tissues from normal tissues directly. In the PPI network, 8 ofthe 20 DEGs were all key genes of the collagen family. Additionally, FN1 (fibronectin 1) was also a hub nodein the network. The genes of the collagen family as well as FN1 were significantly enriched in complement andcoagulation cascades, ECM-receptor interaction and focal adhesion pathways. Our results suggest that genes ofcollagen family and FN1 may play an important role in PDAC progression. Meanwhile, these DEGs and enrichedpathways, such as complement and coagulation cascades, ECM-receptor interaction and focal adhesion may beimportant molecular mechanisms involved in the development and progression of PDAC.     

胰腺癌诊断和预后关键生物标志物的筛选鉴定和综合分析CSCD

目的筛选鉴定胰腺癌进展过程的关键基因和途径,并进行综合分析。方法利用GEO2R对胰腺癌基因表达集合GSE15471、GSE16515、GSE28735、GSE62165中差异表达基因(DEGs)进行筛选和识别,运用DAVID数据库进行GO分析和KEGG通路分析。然后应用STRING数据库构建了蛋白质相互作用(PPI)网络,并使用Cytoscape和GEPIA对Hub基因进行了鉴定。用反转录定量聚合酶链反应(RT-qPCR)对这些Hub基因的mRNA水平进行定量分析。结果筛选出181个上调差异表达基因(uDEGs)和64个下调差异表达基因(dDEGs),分析结果显示uDEGs和dDEGs在细胞成分(CC),生物过程(BP)和分子功能(MF)中分别富集,与多条信号通路密切相关。DEGs中degree得分较高的top 25基因。8个基因的差异表达可预测胰腺癌的预后不良。RT-qPCR结果显示这些基因在胰腺癌组织中均有差异表达发生。结论MMP14、MMP1、MET、PLAU、ITGA2、KRT19、COL12A1和ITGA3是与胰腺癌进展有关的关键基因。     

Gene signature and connectivity mapping to assist with drug prediction for pancreatic ductal adenocarcinoma

IntroductionThe prognosis of patients with pancreatic ductal adenocarcinoma (PDAC) is highly variable and there is a paucity of effective treatment options for patients with PDAC. Genome-wide analyses may allow for potential drugs to be identified using differentially expressed genes, as well as constructing protein interaction networks and molecule-gene connectivity mapping.MethodsMicroarray data of RNA expression profiling of PDAC and normal pancreas tissues were downloaded from the Gene Expression Omnibus (GEO). Functional and pathway enrichment information of the DEGs was obtained using the Gene Ontology and Kyoto Encyclopedia of Genes and Genomes databases. Corresponding homologous proteins were analyzed by protein-protein interaction analysis. Survival-related hub genes were screened and potential therapeutic drugs for PDAC were identified using the connectivity mapping (cMap).ResultsOf 18,229 PDAC genes assessed using RNA expression profiling from 118 PDAC tumor samples and 13 normal pancreatic tissue samples, 1502 and 744 genes were upregulated and downregulated, respectively, versus normal pancreas tissue. Protein-protein interaction analysis revealed 10 upregulated hub genes (ITGB1, ITGAV, SDC1, KRAS, CCNB2, COL1A2, AURKA, CDC20, COL1A1, COL3A1) and 10 downregulated hub genes (CPB1, CPA1, CPA2, CTRB2, CTRC, CELA3A, CELA2B, PRSS3, CELA2A, REG1A). The connectivity mapping score related to this hub gene list was used to generate the candidate drugs for PDAC treatment, which includes tyrosine kinase inhibitors (lucitanib, lapatinib, ceritinib and CYT-387), serine/threonine protein kinase inhibitors (roscovitine, BS-181, purvalanol-a, MK-2206 and palomid-529) and other small molecules.ConclusionUsing available genetic atlas data, potential drug candidates for treatment of PDAC were identified based on differentially expressed genes, protein interaction analysis and connectivity mapping. These results may help focus efforts on identifying targeted agents with potential therapeutic efficacy for evaluation in prospective clinical trials of patients with PDAC.     

基于生物信息学分析的结肠癌枢纽基因筛选及调控网络构建

目的:联合多种生物信息学分析方法筛选结肠癌枢纽基因,进一步对枢纽基因进行分析并构建调控网络,以期探索结肠癌的发病机制。方法:从GEO基因芯片数据库筛选结肠癌组织的基因表达数据集,利用在线工具GEO2R筛选差异表达基因(differentially expressed genes,DEG),对差异基因进行Gene Ontolog(GO)分析、KEGG通路分析、蛋白相互作用网络构建等。结果:共纳入2个结肠癌GEO数据集（GSE41258和GSE44076）,筛选出在这2个数据集中有交集的差异表达2倍以上的基因120个,其中表达上调的基因29个,表达下调的基因91个。对上述120个差异表达基因进行KEGG通路分析发现近端小管碳酸氢钠回收、氮素代谢、胰液分泌、PPAR信号通路等与结肠癌的发生密切相关。利用STRING及Cytoscape软件筛选得到包括趋化因子1（CXCL1）、基质金属蛋白酶1 （MMP1）、MMP7等在内的10个调控结肠癌发生的枢纽基因,进一步在TCGA数据库中验证这些基因的表达。结论:通过生物信息学方法有效地筛选出与结肠癌发生密切相关的枢纽基因,为进一步研究其机制提供了理论依据。     

胶质母细胞瘤差异表达基因的生物信息学分析

目的:应用生物信息学方法挖掘胶质母细胞瘤(GBM)的相关基因，进而探讨发病机制，为GBM临床诊断和靶向治疗提供理论依据。方法:从GEO(Gene Expression Omnibus)数据库下载基因芯片数据集GSE4290和GSE15824，应用GEO2R筛选GBM的差异表达基因(DEGs)。采用DAVID数据库进行GO富集和KEGG通路富集分析，分别应用STRING数据库和Cytoscape软件构建蛋白质相互作用网络和关键基因模块，筛选GBM靶基因。进一步运用ONCOMINE数据库验证临床组织样本中靶基因与GBM的关系。结果:共筛选出76个DEGs，富集分析结果显示DEGs在血管生成的正调节、抗原的呈递和处理、信号转导、调节自噬等方面存在显著富集。共挖掘出POSTN、TAGLN、CALD1、EPCAM 4个GBM靶基因，经证实均在临床GBM组织样本中存在显著上调且靶基因的上调与患者的不良预后密切相关。结论:通过生物信息学共挖掘出4个与GBM显著相关的靶基因，可能是未来GBM发病机制、临床诊断、治疗的重要研究靶点。     

敲低纤维连接蛋白1表达抑制甲状腺乳头状癌细胞增殖北大核心

目的:研究纤维连接蛋白1(fibronectin 1,FN1)对甲状腺乳头状癌细胞增殖的影响及相关分子机制。方法:采用慢病毒感染的方法敲低甲状腺乳头状癌细胞TPC-1和BCPAP中FN1的表达,通过CCK8实验证明FN1对甲状腺乳头状癌增殖的影响;采用三代测序技术对FN1敲低的TPC-1细胞及其对照组进行全长转录组测序,筛选差异表达基因,使用BMKCloud在线分析软件对差异基因行GO功能富集分析和KEGG通路富集分析,通过STRING数据库对筛选出的差异表达基因进行蛋白互作网络分析。结果:敲低FN1能够抑制甲状腺乳头状癌细胞的增殖;FN1敲低后与对照组转录本的表达差异明显,GO功能富集显示差异转录本主要集中在细胞过程、细胞部分的组成、细胞黏附功能、催化活性功能,在KEGG富集上显示在HIF-1信号途径、糖酵解、碳代谢富集明显,PPI结果显示FN1和HSPA8是关键蛋白。结论:本研究通过细胞实验证明敲低FN1的表达能够抑制甲状腺乳头状癌细胞的增殖,测序及生物信息学分析为后续甲状腺乳头状癌诊断及靶向治疗的进一步研究提供数据支持。     

小细胞肺癌差异表达基因的生物信息学分析

目的:应用生物信息学方法挖掘小细胞肺癌(small cell lung cancer,SCLC)的相关基因,探讨其发病机制,为SCLC诊断和治疗提供靶点。方法:从GEO(Gene Expression Omnibus)数据库中下载基因芯片数据集GSE43346和GSE6044,利用在线分析工具GEO2R筛选SCLC的差异表达基因(differentially expressed genes,DEGs)。应用DAVID数据库进行GO和KEGG通路富集分析,利用STRING数据库和Cytoscape软件构建蛋白质相互作用网络和关键基因模块,筛选SCLC关键基因。运用UCSC和ONCOMINE数据库中的临床组织样本验证靶基因与SCLC的关系。结果:初筛出114个DEGs,富集分析发现差异基因在细胞分裂、细胞周期、有丝分裂、DNA复制等方面存在显著富集。共筛选出12个SCLC靶基因,经临床SCLC组织样本验证关键基因在SCLC组织中存在显著高表达。其中FBXO5、NCAPG、GINS2、GMNN、MCM6、ESPL1、MCM2、NDC80、BUB1B、CCNB2基因可能是SCLC分子发病机制的新靶点。结论:通过生物信息学筛选出10个与SCLC相关的新靶点,表明其可能是未来研究SCLC发病机制、临床诊断和治疗的重要靶基因。     

Four potential microRNAs affect the progression of pancreatic ductal adenocarcinoma by targeting MET via the PI3K/AKT signaling pathway

Pancreatic ductal adenocarcinoma (PDAC) is the most common tumor subtype of pancreatic cancer, which exhibits poor patient prognosis due to the lack of effective biomarkers in the diagnosis and treatment. The present study aimed to identify the potential biomarkers of PDAC carcinogenesis and progression using three microarray datasets, {"type":"entrez-geo","attrs":{"text":"GSE15471","term_id":"15471"}}GSE15471, {"type":"entrez-geo","attrs":{"text":"GSE16515","term_id":"16515"}}GSE16515 and {"type":"entrez-geo","attrs":{"text":"GSE28735","term_id":"28735"}}GSE28735, which were downloaded from the Gene Expression Omnibus database. The datasets were analyzed to screen out differentially expressed genes (DEGs) in PDAC tissues and adjacent normal tissues. A total of 143 DEGs were identified, including 132 upregulated genes and 11 downregulated genes. Gene Ontology and Kyoto Encyclopedia of Genes and Genomes functional and signaling pathway enrichment analyses were performed on the DEGs, and the Search Tool for the Retrieval of Interacting Genes/Proteins database was used to construct a protein-protein interaction network. The main functions of DEGs include extracellular matrix degradation, and regulation of matrix metalloproteinase activity and the PI3K-Akt signaling pathway. The five hub genes were subsequently screened using Cytoscape software, and survival analysis demonstrated that abnormal expression levels of the hub genes was associated with poor disease-free survival and overall survival. Biological experiments were performed to confirm whether mesenchymal-to-epithelial transition (MET) factors promote the proliferation, migration and invasion of PDAC cells via the PI3K/AKT signaling pathway. In addition, six MET-targeted microRNAs (miRNAs) were identified, four of which had conserved binding sites with MET. Based on the signaling pathway enrichment analysis of these miRNAs, it is suggested that they can affect the progression of PDAC by targeting MET via the PI3K/AKT signaling pathway. In conclusion, the hub genes and miRNAs that were identified in the present study contribute to the molecular mechanisms of PDAC carcinogenesis and progression. They also provide candidate biomarkers for early diagnosis and treatment of patients with PDAC.