يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

ارتباط تعبير MPO بالبيئة المجهرية المناعية في سرطان الثدي: رؤى مستمدة من التحليلات المعلوماتية الحيوية وتحليلات الخلية الواحدة

91 مشاهدة

⸱

DOI:

10.3791/71189

⸱

أغسطس 14, 2026

 ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3China Academy of Chinese Medical Sciences, 4Graduate School, Beijing University of Chinese Medicine, 5College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine

* These authors contributed equally

في هذه المقالة

ملخص

تقدم هذه المقالة سير عمل في المعلوماتية الحيوية والخلية الواحدة قابل للتكرار لاستكشاف الارتباطات بين تعبير myeloperoxidase (MPO) والسمات المناعية/النخاعية في سرطان الثدي. ونظراً لأن التحليلات تعتمد على مجموعات بيانات عامة وطرق حاسوبية (in silico)، فإن النتائج تُفسر على أنها استكشافية وتعمل على توليد الفرضيات.

الملخص

لا يزال سرطان الثدي سبباً رئيسياً للوفيات المرتبطة بالسرطان، ويمكن لسير العمل الحاسوبي الاستكشافي أن يساعد في تحديد أولويات العلامات المرتبطة بالمناعة لإجراء مزيد من الاستقصاء. هنا، استخدمنا بيانات النسخ المتعددة (bulk transcriptomic data) لسرطان الثدي الغازي من أطلس جينوم السرطان (TCGA-BRCA) ومجموعة بيانات الخلية الواحدة العامة GSE161529 لفحص الارتباطات بين تعبير بيروكسيديز النخاع (MPO)، والنتائج السريرية، والترشح المناعي، والمثيلة، وتوصيفات المنظمات العلوية، وأنماط التعبير في الخلية الواحدة، ومخرجات حساسية التعطيل الافتراضي (virtual knockdown)، واسترجاع التفاعل بين الدواء والجين، وتوصيفات الامتصاص والتوزيع والتمثيل الغذائي والإفراز والسمية (ADMET). كان تعبير MPO في أنسجة سرطان الثدي أقل منه في الأنسجة غير الورمية المجاورة. وارتبط ارتفاع تعبير MPO بفترة أطول خالية من تطور المرض، في حين لم تكن ارتباطاته بالبقاء الإجمالي والبقاء النوعي للمرض ذات دلالة إحصائية. وأشار تحليل منحنى خصائص التشغيل (ROC) إلى وجود فصل بين الورم والأنسجة الطبيعية ضمن مجموعة البيانات العامة التي تم تحليلها، ولكن لا ينبغي تفسير ذلك على أنه تحقق تشخيصي سريري. وأشارت تحليلات فك الالتفاف المناعي (immune deconvolution) وتحليلات الإثراء إلى أن تعبير MPO تتبع بشكل أساسي السمات النسخية المرتبطة بالمناعة والخلايا النخاعية، بدلاً من تأسيس تنظيم داخلي للورم للبيئة المجهرية المناعية. أما على مستوى دقة الخلية الواحدة، فقد كانت إشارة MPO شحيحة، حيث تم اكتشاف 85 خلية فقط إيجابية لـ MPO قبل عملية توسيع الجوار القائمة على خوارزمية الجار الأقرب (KNN). وقد تم تفسير إشارة MPO القابلة للكشف والدرجات المرتبطة بها بحذر لأنها قد تتأثر بالتعبير الشحيح، أو عدم اليقين في توصيف نوع الخلية، أو ظاهرة السقوط (dropout)، أو الثنائيات (doublets)، أو الحمض النووي الريبي المحيط (ambient RNA). محاكاة حاسوبية أشار التعطيل الافتراضي (virtual knockdown) إلى تغيرات نسخية مرشحة ذات صلة بالمناعة والالتهاب، ولكن اعتبرت هذه النتائج استكشافية وتتطلب التحقق من صحتها. وقد استُخدم استرجاع الأدوية والجينات بناءً على قاعدة بيانات التفاعل بين الدواء والجين (DGIdb) وتوصيف ADMET فقط كتعليقات كيميائية أولية، ولم يتم تفسيرها كأدلة علاجية. وبشكل عام، توفر هذه الدراسة سير عمل حاسوبي (in silico) قابل للتكرار لتوليد فرضيات حول السمات المناعية/النخاعية المرتبطة بـ MPO في سرطان الثدي، والتي تتطلب التحقق من صحتها عبر مجموعات خارجية وتأكيداً تجريبياً.

المقدمة

يُعد سرطان الثدي ورماً خبيثاً شديد التباين ومرتبطاً بالجهاز المناعي1. ويرتبط تطور المرض، وخطر تكراره وانتشاره، والاستجابة للعلاج ارتباطاً وثيقاً بتكوين الحالة الوظيفية للبيئة المجهرية المناعية للورم (TIME)2. وبالرغم من التحسين المستمر لاستراتيجيات العلاج الشاملة، لا يزال بعض المرضى يعانون من تطور المرض أو تكراره، مما يؤكد الحاجة الملحّة لتحديد المؤشرات الحيوية الجزيئية التي تميز حالة TIME وتدعم تصنيف المخاطر، مع توضيح الآليات الكامنة وراءها.

يُعد المييلوبيروكسيديز (MPO) من إنزيمات البيروكسيديز التي تحتوي على الهيم، ويتم التعبير عنه بشكل أساسي في الخلايا المتعادلة، وبدرجة أقل في الخلايا الوحيدة والبلعميات. يساهم MPO في الدفاع ضد الميكروبات من خلال توليد حمض الهيبوكلوروز ومؤكسدات تفاعلية أخرى، ولكنه قد يعزز أيضاً إصابة الأنسجة التأكسدية والالتهاب المزمن. وفي حالات السرطان، يبدو أن الأهمية البيولوجية لـ MPO تعتمد على السياق3. فمن ناحية، ارتبط الإجهاد التأكسدي الذي يتوسطه MPO بنشوء السرطان وتطور الورم من خلال تلف الحمض النووي DNA، وأكسدة الدهون والبروتينات، وإشارات الالتهاب، وإعادة تشكيل البيئة المجهرية للورم4,5,6. ومن ناحية أخرى، ارتبط ارتشاح الخلايا المناعية الفطرية أو الخلايا النخاعية الموجبة لـ MPO بتوقعات سير مرض إيجابية أو نشاط مناعي مضاد للأورام في سياقات ورمية معينة7,8,9. وتشير هذه النتائج المتضاربة ظاهرياً إلى أن الأهمية السريرية والبيولوجية لـ MPO قد تعتمد على نوع الورم، ومرحلة المرض، والمصدر الخلوي لـ MPO، والتركيب المناعي للبيئة المجهرية للورم. ومع ذلك، لا يزال نمط التعبير والأهمية التنبؤية لـ MPO في سرطان الثدي، خاصة على مستوى الخلية الواحدة، غير محددين بشكل كامل.

تحتوي البيئة الدقيقة المناعية للأورام (TIME) على مقصورات غير متجانسة من الخلايا النخاعية والليمفاوية والسدوية والظهارية10. يرتبط MPO تقليدياً بالخلايا المتعادلة وغيرها من خلايا السلالة النخاعية، وبالتالي قد تعكس الإشارات المرتبطة بـ MPO في ملفات الأورام الإجمالية تركيبة الخلايا المناعية بدلاً من النشاط الذاتي للخلايا الورمية10. في سرطان الثدي، لا تزال توزيعات إشارة MPO عبر مجموعات البيانات الإجمالية والمنفردة الخلية، وارتباطها بتقديرات الارتشاح المناعي، وحدود قابلية تكرار التحليلات الحسابية اللاحقة غير محددة بشكل كافٍ. لذلك، تعامل هذه الدراسة MPO كعلامة مرتبطة بالمناعة لتطوير سير عمل استكشافي، وليس كمنظم سببي مثبت للبيئة الدقيقة المناعية للأورام أو كهدف علاجي مصدق. وبالمقارنة مع تحليلات التعبير التفاضلي لمجموعة واحدة أو تقديرات الارتشاح المناعي لمنصة واحدة، يمكن لسير عمل متكامل يجمع بين النسخ الإجمالي، وفك الالتفاف المناعي، وتوصيف الميثيل، ورسم خرائط الخلايا المنفردة، والاضطراب الحسابي أن يوفر رؤية استكشافية أوسع للسياق المناعي المرتبط بالجينات. ويعد هذا النهج مفيداً لتحديد أولويات العلامات المرشحة وتوليد فرضيات قابلة للاختبار، خاصة عندما لا تكون مجموعات البيانات التجريبية متاحة بعد. ومع ذلك، فإن هذا التكامل الحسابي لا يمكنه بمفرده تحديد المصدر الخلوي أو السببية أو النشاط الدوائي أو الفائدة السريرية. ومع التقدم في مجموعات بيانات السرطان العامة واسعة النطاق وتقنيات النسخ المنفرد الخلية، يمكن استخدام مناهج المعلوماتية الحيوية لاستكشاف الارتباطات بين التعبير الجيني والنتائج السريرية وتركيبة الخلايا المناعية والحالات النسخية على مستويي المجتمع والخلية المنفردة11. وقد توفر طرق الاضطراب الحسابي القائمة على الشبكات التنظيمية الجينية للخلايا المنفردة معلومات إضافية لتوليد فرضيات فيما يتعلق بالحساسية النسخية المرتبطة بالجينات12,13. لذلك، هدفت هذه الدراسة إلى توصيف نمط التعبير، والارتباط بالبقاء على قيد الحياة، والسياق المناعي/النخاعي، وملف الميثيل، والتوزيع في الخلايا المنفردة، وملف الاضطراب الحسابي الاستكشافي لـ MPO في سرطان الثدي. يظهر سير العمل العام في الشكل 1.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

الاستحواذ من قاعدة بيانات TCGA

تم الحصول على بيانات تسلسل RNA والمعلومات السريرية لمجموعة سرطان الثدي الغازي في أطلس جينوم السرطان (TCGA-BRCA) من بوابة البيانات الجينية المشتركة14. تم استخراج بيانات RNA-seq الخاصة بسير عمل STAR بتنسيق عدد النسخ لكل مليون (TPM) جنبًا إلى جنب مع التوصيفات السريرية المطابقة. وقد استُبعدت عينات RNA-seq التي تفتقر إلى المعلومات السريرية المقابلة. وبالنسبة للتحليلات القائمة على التعبير الجيني، تم تحويل قيم TPM إلى log2(TPM + 1). كما استُخرج تعبير MPO باستخدام رمز الجين MPO ومعرف جين Ensembl رقم ENSG00000005381.8. وبالنسبة للتحليلات التي تتطلب تقسيمًا إلى مجموعات MPO-high وMPO-low، تم تضمين عينات أورام TCGA-BRCA فقط، واستُبعدت العينات الطبيعية المجاورة من تخصيص المجموعات. قُسمت عينات الأورام وفقًا للقيمة الوسيطة لتعبير MPO المُحول بـ log2(TPM + 1) بين عينات أورام TCGA-BRCA. خُصصت العينات التي كان تعبير MPO فيها أكبر من أو يساوي القيمة الوسيطة إلى مجموعة MPO-high، بينما خُصصت العينات التي كانت أقل من القيمة الوسيطة إلى مجموعة MPO-low. استُخدمت استراتيجية التقسيم القائمة على الوسيط هذه في تحليل البقاء، وتحليل التعبير التفاضلي، وتحليل الإثراء، وتقسيم الميثيلية، ومقارنات إثراء الخلايا المناعية، ما لم يُنص على خلاف ذلك. حُللت الخصائص المرضية السريرية، بما في ذلك الجنس، والعمر، والعرق، والمرحلة المرضية T، والدرجة النسيجية، والنمط الفرعي PAM50، والمرحلة المرضية، وحالة الورم، ونقاط النهاية للبقاء، بما في ذلك البقاء الإجمالي (OS)، والفترة الخالية من تطور المرض (PFI)، والبقاء الخاص بالمرض (DSS)، باستخدام إصدار R 4.2.1.

استرجاع صور الكيمياء النسيجية المناعية العامة

استُخدمت صور ممثلة للكيمياء النسيجية المناعية (IHC) لبروتين MPO في أنسجة الثدي الطبيعية المجاورة وأنسجة سرطان الثدي كمرجع نوعي لمستويات البروتين. ولم تُدرج هذه الصور في التحليلات المورفومترية الكمية أو التحليلات الإحصائية. وتشير المناطق المحددة بالمربعات إلى المناطق المعروضة بتكبير أعلى. تشير أشرطة المقياس إلى 100 µm في صور 20× و 50 µm في صور 40×.

تحليل ارتباط التعبير

استُخدمت مجموعة بيانات TCGA-BRCA لفحص الجينات التي يتغير تعبيرها بشكل مشترك مع تعبير MPO في سرطان الثدي. تم حساب معاملات ارتباط بيرسون على مستوى الجينوم بين MPO والجينات المشفرة للبروتين، واختيرت أعلى 30 جينًا ذات ارتباط إيجابي وأعلى 30 جينًا ذات ارتباط سلبي للتصور البياني. وبالنسبة لتحليلات الارتباط التي شملت جينات متعددة تم اختبارها، عُدلت قيم p الاسمية باستخدام طريقة بنجاميني-هوكبرج لمعدل الاكتشاف الكاذب. كما تم إنشاء شبكة التفاعل بين البروتينات (PPI) المرتبطة بـ MPO باستخدام قاعدة بيانات أداة البحث عن الجينات/البروتينات المتفاعلة (STRING)، مع الاحتفاظ بأزواج البروتينات التي أظهرت درجات تفاعل أكبر من 0.40 للتصور البياني15.

تحليل الإثراء الوظيفي

تم تحديد الجينات ذات التعبير المتباين (DEGs) من خلال مقارنة مجموعات أورام TCGA-BRCA ذات التعبير المرتفع عن MPO والتعبير المنخفض عنه، وذلك باستخدام عتبات |log2FC| > 1 وقيمة p-value معدلة وفق طريقة Benjamini-Hochberg < 0.05. كما أُجري تحليل الإثراء الوظيفي للجينات ذات التعبير المتباين باستخدام حزمة R clusterProfiler الإصدار 4.4.4، بما في ذلك تحليل الأنطولوجيا الجينية (GO) للعمليات البيولوجية، والمكونات الخلوية، والوظائف الجزيئية، وتحليلات مسارات موسوعة كيوتو للجينات والجينومات (KEGG)16,17,18,19,20. واعتُبرت مصطلحات GO وKEGG المُثراة ذات دلالة إحصائية عندما كانت قيمة p-value المعدلة < 0.05.

تم إجراء تحليل إثراء مجموعة الجينات (GSEA) باستخدام قائمة جينات مرتبة مسبقاً بناءً على إحصائيات التعبير التفاضلي بين المجموعات ذات المستوى العالي من MPO والمجموعات ذات المستوى المنخفض من MPO. استُخدمت مجموعة المسارات القياسية C2 من قاعدة بيانات MSigDB المسماة c2.cp.all.v2022.1.Hs.symbols.gmt، والتي تقابل MSigDB v2022.1.Hs وتحتوي على 3,050 مجموعة جينات21,22. واعتُبرت المصطلحات المثرية ذات دلالة إحصائية وفقاً لقيمة p-value المعدلة بطريقة بنجاميني-هوخبيرج < 0.05، وقيمة FDR q-value < 0.25، و|درجة الإثراء الطبيعية| > 1. وحيثما كان ذلك مناسباً، تم حساب قيم Z-scores للمصطلحات المثرية بشكل دال إحصائياً باستخدام حزمة GOplot لأغراض التصوير البياني.

تحليل إثراء الخلايا المناعية في الأورام

تم تقييم المكونات المناعية والسداوية في مجموعة TCGA-BRCA باستخدام خوارزمية ESTIMATE المطبقة في حزمة R package estimate الإصدار 1.0.13. واستُخدمت بيانات التعبير التي خضعت لتحويل Log2(TPM + 1) كمدخلات، حيث تم حساب الدرجة المناعية، والدرجة السداوية، ودرجة ESTIMATE لكل عينة ورمية. واستُخدم برنامج TIMER/TIMER2.0 لتقييم الارتباطات بين تعبير MPO ومستويات الارتشاح المقدرة لمجموعات الخلايا المناعية الرئيسية في مجموعة TCGA-BRCA، بما في ذلك الخلايا البائية، وخلايا T CD8+، وخلايا T CD4+، والبلعميات، والعدلات، والخلايا الشجيرية23,24,25. وقد فُسِّرت النتائج المستندة إلى TIMER على أنها تقديرات للارتشاح المناعي مشتقة من المورد المتاح عبر الإنترنت. ولإجراء تحليل إثراء الخلايا المناعية عبر 24 نوعاً من الخلايا المناعية، تم تطبيق تحليل إثراء مجموعة الجينات للعينة الواحدة (ssGSEA) باستخدام حزمة R package GSVA الإصدار 1.46.026. وتتوفر مصفوفة بصمة الخلايا المناعية LM22 المستخدمة لفك التلافيف المستند إلى CIBERSORT لـ 22 نوعاً من الخلايا المناعية في الجدول التكميلي 1. كما تم تقييم الارتباطات بين تعبير MPO ودرجات إثراء الخلايا المناعية باستخدام معامل ارتباط سبيرمان للرتب. وقورنت الاختلافات في درجات إثراء الخلايا المناعية بين مجموعات الأورام ذات التعبير العالي عن MPO والمنخفض عنه (والمحددة بناءً على الوسيط) باستخدام اختبار ويلكوكسون لمجموع الرتب. وبالنسبة للتحليلات التي شملت أنواعاً متعددة من الخلايا المناعية، تم تعديل قيم p باستخدام طريقة بنجاميني-هوخبيرج لمعدل الاكتشاف الكاذب.

مثيلة الحمض النووي DNA لجين MPO

تم تقييم أنماط مثيلة DNA ضمن موقع MPO باستخدام منصة MethSurv. وقد تم الحصول على قيم بيتا لمثيلة CpG وارتباطات البقاء على قيد الحياة لبيانات TCGA-BRCA من منصة MethSurv. وتم تصوير مواقع CpG المختارة المرتبطة بـ MPO، وتقييم ارتباطاتها بنتائج البقاء على قيد الحياة باستخدام مخرجات تحليل البقاء التي وفرتها منصة MethSurv27. وبالنسبة للتحليلات التي شملت مواقع CpG متعددة، تم تعديل قيم p عبر مواقع CpG المختبرة المرتبطة بـ MPO باستخدام طريقة Benjamini-Hochberg لمعدل الاكتشاف الكاذب. وقد فُسرت تحليلات المثيلة هذه على أنها توصيفات فوق جينية استكشافية.

بناء شبكة التفاعلات البروتينية-البروتينية (PPI) وتحليل الارتباط للجينات المرتبطة بالعدلات

لفحص الارتباط بين MPO والبيولوجيا المتعلقة بالخلايا المتعادلة، أُجري تحليل شبكي منهجي. وقد جُمعت مجموعة جينات تضم وسائط مثبتة لتنشيط الخلايا المتعادلة والعمليات الالتهابية المرتبطة بها من الأدبيات الحالية. تتوفر القائمة الكاملة للجينات المتعلقة بالخلايا المتعادلة في الجدول التكميلي 2. وُحدت رموز الجينات وفقاً للرموز الرسمية، وحُذفت المدخلات المكررة، ثم جرى تقاطع الجينات المتاحة مع مصفوفة التعبير الخاصة بـ TCGA-BRCA قبل إجراء تحليل STRING/PPI، وتحديد أولويات الجينات المحورية، وتحليل الارتباط بين MPO والجينات المحورية. تم بناء شبكة تفاعلات البروتين-بروتين (PPI) بين هذه الجينات باستخدام قاعدة بيانات STRING (الإصدار 11.5) مع تحديد عتبة درجة ثقة متوسطة للتفاعل (>0.40). صُنفت الجينات المحورية ضمن هذه الشبكة خوارزمياً بناءً على مركزية الدرجة، والتي تقيس عدد التفاعلات المباشرة لكل عقدة. وقد تم اختيار أعلى 20 جيناً سجلت أعلى درجات المركزية لإجراء تحليل الارتباط اللاحق.

لاحقًا، تم استخراج ملفات التعبير الجيني لهذه الجينات المحورية وMPO من مجموعة بيانات النسخ الخاصة بـ TCGA-BRCA. كما تم تقييم الارتباط بين MPO وكل جين محوري إحصائيًا باستخدام معامل ارتباط سبيرمان (Spearman's rank correlation). ولتحديد أنماط الارتباط بين الجينات المحورية نفسها، تم حساب مصفوفة ارتباط سبيرمان ثنائية عبر جميع عينات الأورام. وقد وفرت تحليلات الارتباط هذه الأساس الكمي للتصويرات البيانية اللاحقة، بما في ذلك مخطط المصاصة (lollipop plot) لارتباطات MPO بالجينات المحورية، والمخطط الوترِي (chord diagram) أو الخريطة الحرارية التي توضح أنماط ارتباط الجينات المحورية.

التنبؤ بعوامل النسخ والـ miRNAs العلوية التي تستهدف MPO

استُخدمت قاعدة بيانات KnockTF ‏(https://bio.liclab.net/KnockTF/index.php)28,29، وقاعدة بيانات ChIP ‏(http://chip-atlas.org/)30,31، وقاعدة بيانات GTRD32,33 ‏(https://gtrd.biouml.org/#!) للتنبؤ بعوامل النسخ (TFs) المستهدفة بواسطة MPO. بالإضافة إلى ذلك، استُخدمت قاعدة بيانات TargetScan ‏(https://www.targetscan.org/vert_80/) للتنبؤ بمواقع ربط miRNA المحتملة التي تستهدف MPO. كما تم إنشاء مخططات فين (Venn diagrams) باستخدام موقع MicroBioinformatics الإلكتروني ‏(https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

تحليل الخلية الواحدة لـ MPO

تأتي مجموعة البيانات المحددة GSE161529 من قاعدة بيانات Gene Expression Omnibus (GEO). بدأت عملية المعالجة المسبقة للبيانات بإجراء تصفية على مستوى الخلية لاستبعاد الخلايا منخفضة الجودة، وهي الخلايا التي استوفت أيًا من المعايير التالية: تعبير الجينات الميتوكوندرية الذي يتجاوز 25%، أو إجمالي عدد المعرفات الجزيئية الفريدة (UMI) الذي يقل عن 5000، أو اكتشاف أقل من 2500 جين. بعد ذلك، تم تصحيح التلوث بالحمض النووي الريبي (RNA) المحيط والتأثيرات التقنية للدفعات35. أُجري تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد لتقييم التشابه الخلوي، متبوعًا بـ UMAP لتجميع الخلايا وتصورها. ثم تم تعيين مجموعات الخلايا المختلفة إلى أنواع خلوية بناءً على الجينات الواسمة النموذجية للخلايا11. تتوفر مجموعة الجينات المرتبطة بـ MPO المستخدمة في تسجيل البصمة أحادية الخلية في الملف التكميلي 1. وقبل التسجيل، تمت مواءمة رموز الجينات مع الرموز الرسمية، وإزالة الإدخالات المكررة، ومقاطعة الجينات المتاحة مع مصفوفة التعبير GSE161529. استُخدمت أدوات AUCell وSeurat AddModuleScore وssGSEA لحساب درجات ارتباط MPO لكل خلية. خضعت الدرجات الناتجة عن الطرق الثلاث لعملية تسوية Z-score، وتم قياسها إلى نطاق قابل للمقارنة، ثم دمجها لإنشاء درجة مركبة مرتبطة بـ MPO للتحليلات الوصفية اللاحقة. تم استقصاء شبكات التفاعل بين الخلايا لمقارنة أنماط الاتصال المستنتاجة بين الليجاند والمستقبل التي تشمل الخلايا الورمية الظهارية المصنفة حسب إشارة ارتباط MPO وأنواع مختلفة من الخلايا الشريكة. فُسرت هذه المخرجات على أنها أنماط اتصال وصفية وليست دليلًا على أن الخلايا التي تعبر عن MPO تتوسط الاتصال بين الخلايا بشكل مباشر.

إسكات جيني افتراضي أحادي الخلية لـ MPO وتحليل إثراء المسارات باستخدام scTenifoldKnk

تم إجراء عملية إسكات افتراضي لـ MPO على مستوى الخلية الواحدة من خلال دمج Seurat وscTenifoldKnk. وبناءً على مراقبة الجودة القياسية (200–6,000 جين لكل خلية؛ ونسبة الميتوكوندريا < 10%)، خضعت البيانات للتطبيع اللوغاريتمي (log-normalization)، وتم اختيار 2,000 جين شديد التباين لتقليل الأبعاد والتجميع. ولإثراء السياقات ذات الصلة بـ MPO، تم الاحتفاظ بالخلايا التي سجلت في أعلى 50% من وحدة جينات النخاع/الخلايا المتعادلة. ومن هذه الخلايا، تم تحديد مجموعة فرعية من "جوار MPO" عن طريق التوسع من بذور موجبة لـ MPO باستخدام k = 40 من أقرب الجيران في فضاء PCA. ولم يتم التعامل مع المجموعة الفرعية الموسعة كعشيرة نقية موجبة لـ MPO، كما لم يتم استخلاص أي استنتاجات حول نسبة أنواع الخلايا من خطوة توسيع KNN هذه. خضعت هذه المجموعة الفرعية لتحليل الإسكات الافتراضي عبر scTenifoldKnk، باستخدام اتحاد الجينات شديدة التباين وMPO (المعبر عنه في ≥25 خلية) كمجموعة جينات. وتم تحديد الجينات التي تعرضت لاضطراب ملحوظ (FDR < 0.05، مصححة وفقاً لطريقة BH). كما تم تحليل الجينات الناتجة لاحقاً لمعرفة الإثراء الوظيفي في العمليات البيولوجية لـ GO ومسارات KEGG (q < 0.05).

الاسترجاع الاستكشافي للعلاقة بين الدواء والجين و توصيف ADMET

تم الاستعلام من قاعدة بيانات DGIdb للحصول على سجلات أولية للتفاعلات بين الدواء والجينة أو الكيميائية والجينة المرتبطة بـ MPO. وبما أن قوائم التفاعلات المستمدة من قواعد البيانات قد تتضمن إدخالات مدعومة بأنواع أدلة متباينة وقد لا تتوافق مباشرة مع العوامل العلاجية القابلة للتطبيق سريرياً، فقد تم التعامل مع المركبات المسترجعة على أنها تعليقات توضيحية استكشافية بدلاً من كونها مرشحات علاجية ذات أولوية. بعد ذلك، استُخدم كل من SwissADME وADMETlab لتلخيص الخصائص الفيزيائية والكيميائية، والحركية الدوائية، والسموم المتوقعة. وقد استُخدمت هذه التعليقات التوضيحية التي تمت حاسوبياً (in silico) لتوفير سياق أولي لتفسير مستوى المركبات ولتسليط الضوء على الحاجة إلى مزيد من التقييم الدوائي والسمومي والسريري قبل النظر في أي صلة علاجية36.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

أنماط تعبير MPO والارتباطات الاستكشافية للبقاء على قيد الحياة في سرطان الثدي

لوصف أنماط تعبير MPO عبر مجموعات بيانات السرطان، قمنا بتحليل بيانات تسلسل الحمض النووي الريبي (RNA-seq) الخاصة بـ MPO من مجموعة بيانات TCGA الشاملة للسرطانات، ولاحظنا انخفاضًا في تعبير MPO في أنسجة الأورام من سرطان الظهارة البولية للحويضة (BLCA)، وسرطان الثدي الغازي (BRCA)، وورم الدبلاستوما متعدد الأشكال (GBM)، وسرطان الخلايا الحرشفية للرأس والعنق (HNSC)، وسرطان الكلى الكروموفوبي (KICH)، وسرطان الكبد ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تقدم هذه الدراسة سير عمل استكشافيًا يعتمد على مجموعة بيانات عامة ومحاكاة حاسوبية (in silico) لفحص الارتباطات بين تعبير MPO والسمات المناعية/النخاعية في سرطان الثدي. أظهرت تحليلات TCGA-BRCA أن تعبير MPO كان أقل في الأنسجة الورمية مقارنة بالأنسجة المجاورة غير الورمية، وأن ارتفاع تعبير MPO ارتبط بفترة أطول لخلو المرض من التطور. ومع ذلك، لم تكن معدلات البقاء على قيد الحياة الإجمالية والبقاء على قيد الحياة الخاص بالمرض ذات دلالة إحصائية. بناءً على ذلك، لا ينبغي تفسير MPO كعلامة بيولوجية إنذارية قوية أو مثبتة استنادًا إلى الأد...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يفيد المؤلفون بعدم وجود تضارب في المصالح في هذا العمل. تم استخدام أداة تحرير لغوي قائمة على الذكاء الاصطناعي فقط للمساعدة في صقل اللغة الإنجليزية وتحسين مقروئيتها أثناء مراجعة المخطوطة. لم تُستخدم الأداة في تصميم الدراسة، أو تحليل البيانات، أو إنشاء الأشكال، أو تفسير النتائج، أو اختيار المراجع، أو استخلاص الاستنتاجات العلمية. وقد تم فحص جميع التحليلات والنتائج والتفسيرات والمراجع والنص النهائي بدقة ومراجعتها والموافقة عليها من قبل المؤلفين، الذين يتحملون المسؤولية الكاملة عن محتوى المخطوطة.

شكر وتقدير

يتوجه المؤلفون بجزيل الشكر والتقدير للدعم المالي المقدم من صندوق البحوث العلمية في مستشفى مركز الفضاء (YN202530).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
CellChatحزمة R/مفتوح المصدرhttps://github.com/sqjin/CellChatتحليل التواصل بين الخلايا
ChIP-Atlasقاعدة بيانات عامةhttps://chip-atlas.org/فحص أهداف عوامل النسخ (TF)؛ تحديث 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/تحليل إثراء GO/KEGG؛ v4.4.4
CytoscapeCytoscape Consortiumhttps://cytoscape.org/تصوير الشبكات وتحليل الطوبولوجيا
DGIdbجامعة واشنطن/قاعدة بيانات عامةhttps://www.dgidb.org/استرجاع التفاعلات بين الدواء والجين
GDC/TCGA-BRCAالمعهد الوطني للسرطانhttps://portal.gdc.cancer.gov/مصدر البيانات السريرية والترانسكريبتومية الكلية
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/مصدر مجموعة بيانات الخلية الواحدة
GSEA/MSigDBمعهد Broadhttps://www.gsea-msigdb.org/gsea/msigdbتحليل إثراء مجموعة الجينات ومرجع مجموعة الجينات؛ الإصدار 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/تقييم تباين مجموعة الجينات/النقاط المتعلقة بـ ssGSEA؛ الإصدار 1.46.0
GTRDقاعدة بيانات عامةhttp://gtrd.biouml.org/فحص أهداف عوامل النسخ (TF)؛ 2021 
KnockTFقاعدة بيانات عامةhttp://www.licpathway.net/KnockTF/index.htmlمورد اضطراب عوامل النسخ (TF)؛ الإصدار 2.0 
Rمؤسسة R للحوسبة الإحصائيةhttps://www.r-project.org/بيئة الحوسبة الإحصائية
scTenifoldKnkحزمة R/مفتوح المصدرhttps://github.com/cailab-tamu/scTenifoldKnkتحليل التعطيل الافتراضي (Virtual knockdown)
Seuratحزمة R/مفتوح المصدرhttps://satijalab.org/seurat/المعالجة المسبقة والتجميع لبيانات الخلية الواحدة
STRINGELIXIR/قاعدة بيانات عامةhttps://string-db.org/تحليل التفاعل بين البروتينات؛ v11 
SwissADMEالمعهد السويسري للمعلوماتية الحيوية SIBhttp://www.swissadme.ch/تقييم التشابه مع الأدوية؛ إصدار 2017/أداة ويب 
TIMERمورد ويب عامhttps://timer.cistrome.org/تحليل الارتشاح المناعي؛ TIMER2.0 
UCSC Xena أو بوابة TCGA المرتبطةUCSChttps://xenabrowser.net/الوصول الاستكشافي للبيانات/التحقق من الصحة 

المراجع

  1. Onkar SS, et al. The great immune escape: Understanding the divergent immune response in breast cancer subtypes. Cancer Discov. 2023;13(1):23-40.
  2. Quail DF, Park M, Welm AL, Ekiz HA. Breast cancer immunity: It is time for the next chapter. Cold Spring Harb Perspect Med. 2024;14(2):a041324.
  3. Valadez-Cosmes P, Raftopoulou S, Mihalic ZN, Marsche G, Kargl J. Myeloperoxidase: Growing importance in cancer pathogenesis and potential drug target. Pharmacol Ther. 2022;236:108052.
  4. Ohshima H, Tatemichi M, Sawa T. Chemical basis of inflammation-induced carcinogenesis. Arch Biochem Biophys. 2003;417(1):3-11.
  5. Davies MJ, Hawkins CL. The role of myeloperoxidase in biomolecule modification, chronic inflammation, and disease. Antioxid Redox Signal. 2020;32(13):957-981.
  6. Gomez-Mejiba SE, et al. Myeloperoxidase-induced genomic DNA-centered radicals. J Biol Chem. 2010;285(26):20062-20071.
  7. Eruslanov EB, et al. Tumor-associated neutrophils stimulate T cell responses in early-stage human lung cancer. J Clin Invest. 2014;124(12):5466-5480.
  8. Däster S, et al. Absence of myeloperoxidase and CD8 positive cells in colorectal cancer infiltrates identifies patients with severe prognosis. Oncoimmunology. 2015;4(12):e1050574.
  9. Droeser RA, et al. High myeloperoxidase positive cell infiltration in colorectal cancer is an independent favorable prognostic factor. PLoS One. 2013;8(5):e64814.
  10. Gerber-Ferder Y, et al. Breast cancer remotely imposes a myeloid bias on haematopoietic stem cells by reprogramming the bone marrow niche. Nat Cell Biol. 2023;25(12):1736-1745.
  11. Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-16291.
  12. Jiahao S, Cong W, Xin L, Xu C, Wenpeng X, et al. BCAT1 mediates the carcinogenic effects of environmental bisphenol exposure: mechanistic discoveries in osteosarcoma and pan-cancer analysis. Mol Divers. 2026. doi:10.1007/s11030-026-11566-7.
  13. Huo Z, Sun W, Lou C, Yang T. Integrated single-cell and spatial mapping coupled with machine learning unveils core stemness landscapes and regulatory drivers in triple-negative breast cancer. Discov Oncol. 2026;17(1):602.
  14. Das SC, et al. Comprehensive bioinformatics and machine learning analyses for breast cancer staging using TCGA dataset. Brief Bioinform. 2024;26(1):bbae628.
  15. Szklarczyk D, et al. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Res. 2019;47(D1):D607-D613.
  16. Yu G, Wang LG, Han Y, He QY. clusterProfiler: an R package for comparing biological themes among gene clusters. OMICS. 2012;16(5):284-287.
  17. Ashburner M, et al. Gene ontology: tool for the unification of biology. Nat Genet. 2000;25(1):25-29.
  18. Kanehisa M, Goto S. KEGG: Kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000;28(1):27-30.
  19. Chen GY, et al. Integrating network pharmacology and experimental validation to explore the key mechanism of gubitong recipe in the treatment of osteoarthritis. Comput Math Methods Med. 2022;2022:7858925.
  20. Chen GY, et al. Prediction of Rhizoma Drynariae targets in the treatment of osteoarthritis based on network pharmacology and experimental verification. Evid Based Complement Alternat Med. 2021;2021:5233462.
  21. Liberzon A, et al. Molecular signatures database MSigDB 3.0. Bioinformatics. 2011;27(12):1739-1740.
  22. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-15550.
  23. Li B, et al. Comprehensive analyses of tumor immunity: implications for cancer immunotherapy. Genome Biol. 2016;17(1):174.
  24. Li T, et al. TIMER: A web server for comprehensive analysis of tumor-infiltrating immune cells. Cancer Res. 2017;77(21):e108-e110.
  25. Li T, et al. TIMER2.0 for analysis of tumor-infiltrating immune cells. Nucleic Acids Res. 2020;48(W1):W509-W514.
  26. Hänzelmann S, Castelo R, Guinney J. GSVA: gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 2013;14:7.
  27. Modhukur V, et al. MethSurv: a web tool to perform multivariable survival analysis using DNA methylation data. Epigenomics. 2018;10(3):277-288.
  28. Feng C, et al. KnockTF: a comprehensive human gene expression profile database with knockdown/knockout of transcription factors. Nucleic Acids Res. 2020;48(D1):D93-D100.
  29. Feng C, et al. KnockTF 2.0: a comprehensive gene expression profile database with knockdown/knockout of transcription co-factors in multiple species. Nucleic Acids Res. 2024;52(D1):D183-D193.
  30. Oki S, et al. ChIP-Atlas: a data-mining suite powered by full integration of public ChIP-seq data. EMBO Rep. 2018;19(12):e46255.
  31. Zou Z, Ohta T, Miura F, Oki S. ChIP-Atlas 2021 update: a data-mining suite for exploring epigenomic landscapes by fully integrating ChIP-seq, ATAC-seq and Bisulfite-seq data. Nucleic Acids Res. 2022;50(W1):W175-W182.
  32. Kolmykov S, et al. GTRD: an integrated view of transcription regulation. Nucleic Acids Res. 2021;49(D1):D104-D111.
  33. Yevshin I, Sharipov R, Kolmykov S, Kondrakhin Y, Kolpakov F. GTRD: a database on gene transcription regulation—2019 update. Nucleic Acids Res. 2019;47(D1):D100-D105.
  34. Tang D, et al. SRplot: A free online platform for data visualization and graphing. PLoS One. 2023;18(11):e0294236.
  35. Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren's syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
  36. Daina A, Michielin O, Zoete V. SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules. Sci Rep. 2017;7:42717.
  37. Lin W, Chen H, Chen X, Guo C. The roles of neutrophil-derived myeloperoxidase MPO in diseases: The new progress. Antioxidants. 2024;13(1):132.
  38. Odobasic D, et al. Neutrophil myeloperoxidase regulates T-cell-driven tissue inflammation in mice by inhibiting dendritic cell function. Blood. 2013;121(20):4195-4204.
  39. Zeindler J, et al. Infiltration by myeloperoxidase-positive neutrophils is an independent prognostic factor in breast cancer. Breast Cancer Res Treat. 2019;177(3):581-589.
  40. Osorio D, et al. scTenifoldKnk: An efficient virtual knockout tool for gene function predictions via single-cell gene regulatory network perturbation. Patterns. 2022;3(3):100434.
  41. Li X, Tang L, Li Z, Qiu D, Yang Z, et al. Prediction of ADMET properties of anti-breast cancer compounds using three machine learning algorithms. Molecules. 2023;28(5):2326.
  42. Scandolara TB, et al. Anti-neutrophil antibodies anti-MPO-ANCAs are associated with poor prognosis in breast cancer patients. Immunobiology. 2020;225(6):152011.
  43. Gilbert J, Gore SD, Herman JG, Carducci MA. The clinical application of targeting cancer through histone acetylation and hypomethylation. Clin Cancer Res. 2004;10(14):4589-4596.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

تحليل الخلية الواحدةسير عمل المعلوماتية الحيويةالارتشاح المناعيTCGA-BRCAالسمات النخاعيةفك التشابك المناعيالتفاعل بين الدواء والجين
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.