Entschlüsselung des Epitranskriptoms: In Silico Einblicke in das m6A-Regulationsnetzwerk bei Brustkrebs

Summary

Dieses Protokoll bietet einen Ansatz zur Durchführung von in silico genetischen, molekularen und prognostischen Analysen von m6A-Modifikationsregulatoren, indem Mutationsprofile, Kopienzahl-Veränderungen, Genexpression und klinische Ergebnisse unter Verwendung öffentlich zugänglicher Datensätze aus dem Cancer Genome Atlas (TCGA), dem Genotype-Tissue Expression (GTEx)-Projekt und Mikroarray-Plattformen integriert werden.

Abstract

N6-Methyladenosin (m6A) ist die am häufigsten vorkommende interne RNA-Modifikation in eukaryotischen Transkripten und spielt eine entscheidende Rolle im RNA-Stoffwechsel, der Genexpression und der zellulären Homöostase. Die Dysregulation der m6A-Regulierungsbehörden, darunter "Autoren", "Radiergummis" und "Leser", wird zunehmend in die Krebsbiologie verwickelt; Ihre umfassende Rolle bei Brustkrebs bleibt jedoch noch zu verstehen. Das Hauptziel dieses Methodenartikels ist es, Bioinformatik-Anfängern einen Schritt-für-Schritt-Rahmen zu bieten, um öffentlich zugängliche Krebsdatensätze zu nutzen, um Mutationsanalysen durchzuführen, Genexpressionsänderungen zu bewerten und deren Zusammenhang mit dem Überleben der Patienten zu untersuchen. Als Fallstudie wurden m6A-Regulatoren bei Brustkrebs mit Datensätzen aus dem Cancer Genome Atlas (TCGA), dem Genotype-Tissue Expression (GTEx) Projekt und Mikroarray-Plattformen analysiert. Transkriptomische Profile wurden systematisch analysiert, um Arbeitsabläufe zur Bewertung der prognostischen Relevanz von m6A-regulatorischen Komponenten bei Brustkrebs zu demonstrieren. Mit diesem analytischen Rahmen wurden unterschiedliche Muster genetischer Veränderungen und differenzierter Expression unter wichtigen m6A-Regulatoren identifiziert. Mehrere Regulatoren, darunter METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 und RBMX, waren mit einer besseren Patientenüberlebensrate assoziiert, während YWHAG mit einer schlechten Gesamtüberlebensrate assoziiert war. Diese Studie bietet einen umfassenden Überblick über die Systemgenomik der m6A-regulatorischen Gene bei Brustkrebs und demonstriert gleichzeitig einen praktischen und reproduzierbaren webbasierten Bioinformatik-Workflow. Diese Erkenntnisse fördern das Verständnis der epitranskriptomischen Regulation bei Brustkrebs und bilden die Grundlage für die Entwicklung neuartiger m6A-basierter diagnostischer und therapeutischer Strategien.

Introduction

Epitranskriptomische Modifikationen stellen eine wichtige Schicht der posttranskriptionellen Genregulation dar und tragen zu vielfältigen zellulären Prozessen und Krankheitszuständen bei. Unter mehr als 170 bis heute identifizierten RNA-Modifikationen ist N6-Methyladenosin (m6A) die am weitesten verbreitete und am besten charakterisierte in eukaryotischen mRNAs¹. Installiert von "Schreiber"-Komplexen wie METTL3/METTL14, entfernt durch "Radiergummis" wie FTO und ALKBH5 und interpretiert von "Leser"-Proteinen einschließlich YTH- und IGF2BP-Familienmitgliedern, orchestriert m6A RNA-Spleißen, Stabilität, Transport und Translation und beeinflusst so wichtige biologische Prozesse wie Entwicklung, Differenzierung und Spannungsantwort ^2,3.

Veränderungen der regulatorischen Komponenten von m6A wurden über ein breites Spektrum von Malignitäten berichtet⁴. Bei vielen Krebsarten führt abweichende m6A-Aktivität zu bösartigen Phänotypen; z. B. fördert erhöhte Expression von METTL3 den Beginn und das Fortschreiten von Prostatakrebs, indem sie den Hedgehog-Weg und die Methylierung von MYC^{RNA 5,6} moduliert. Zunächst wurde festgestellt, dass FTO mit onkogenen Effekten bei akuter myeloischer Leukämie in Verbindung gebracht wird, und es wurde gezeigt, dass es das Tumorprogression bei Leber-, Lungen- und Darmkrebs^{vorantreiben 7,8,9,10}. Es wurden jedoch kontextabhängige Rollen von FTO und ALKBH5 identifiziert, die die doppelte Natur der m6A-vermittelten Regulation veranschaulichen, die sowohl die onkogene als auch die tumorsuppressive Signalierung 11,12,13,14 fördern kann. M6A-Leser, darunter YTHDF1/2/3, heterogene nukleare Ribonukleoproteine (hnRNPs) und insulinähnliche Wachstumsfaktor-2-mRNA-bindende Proteine (IGF2BP1-3), wurden ebenfalls mit Karzinogenese 15,16,17 in Verbindung gebracht.

Bei Brustkrebs deuten zunehmende Hinweise darauf hin, dass m6A-Regulatoren häufig dysreguliert sind und mit Tumorsubtypen, immunbezogenen Merkmalen und klinischen Ergebnissen assoziiert sein^{können 18,19}. Mehrere mechanistische Studien positionieren METTL3 als häufig hochregulierten pro-onkogenen Faktor bei Brustkrebs. Die METTL3-vermittelte m6A-Installation kann die Translation von Transkripten stabilisieren oder verbessern, was die Proliferation, den epithelial-mesenchymalen Übergang (EMT), Metastasen und Chemoresistenz²⁰ fördert. METTL3 hat außerdem gezeigt, dass es das Fortschreiten von Brustkrebs fördert, indem es Bcl-2²¹ gezielt anvisiert. ALKBH5 wurde an der Regulierung von Krebs-Stammprogrammen über NANOG und andere stamm-bezogene Moleküle beteiligt, aber sein Einfluss kann je nach Tumorkontext²² variieren.

Da die Liste der m6A-Regulierungsbehörden in den letzten Jahren weiter wächst, ist ein Update darüber erforderlich, wie die neu identifizierten Regulierungsbehörden bei Brustkrebs dysreguliert sein könnten. Tabelle 1 bietet eine Liste der m6A-Regulatoren, zu denen auch Schreiber, Leser und Radiergummis der m6A-Modifikation gehören. Zusätzlich wurden neuartige m6A-Regulatoren, darunter LRPPRC und YWHAG, mit Auswirkungen auf das Krebsfortschreiten^{identifiziert} 23,24,25. Daher wurde eine umfassende genetische und molekulare Charakterisierung aller bekannten m6A-Regulatoren bei Brustkrebs durchgeführt, mit Werkzeugen, die von Forschern mit begrenztem bioinformatischem Hintergrund eingesetzt werden können.

Ziel dieses Methods-Artikels ist es, ein schrittweises, plattformbasiertes Bioinformatik-Protokoll zur Analyse von m6A-Regulatoren bei Brustkrebs unter Verwendung öffentlich zugänglicher Krebsgenomik-Ressourcen vorzustellen. Anhand von Datensätzen aus dem Cancer Genome Atlas (TCGA) (www.cancer.gov/tcga), dem Genotype Tissue Expression (GTEx) Projekt²⁶ und webbasierten Analyseplattformen wie cBioPortal und UCSC Xena demonstriert dieses Protokoll reproduzierbare Arbeitsabläufe zur Bewertung von Mutationsprofilen, Genexpressionsänderungen und der Verbindung zum Patientenüberleben. Dieser visualisierte und zugängliche Ansatz soll die Einführung epitranskriptomischer Datenanalyse durch Forscher im Bereich Krebsbioinformatik erleichtern.

Protocol

HINWEIS: Die Liste der Gene, die für m6A-Methylierungsregulatoren codieren, kategorisiert als Autoren, Leser und Radiergummis, ist in Tabelle 1 dargestellt. Alle aufgeführten Gene wurden in die anschließenden Analysen von Mutationen, Expressionsmustern und dem Gesamtüberleben einbezogen. Alle in dieser Studie verwendeten Software und Werkzeuge sind in der Materialtabelle aufgeführt.

1. Identifikation genetischer Veränderungen in m6A-Regulatoren

1. Greifen Sie auf das cBioPortal für Krebsgenomik zu. Besuchen Sie die cBioportal-Website (www.cbioportal.org)^27,28. Auf der Startseite wählen Sie den Reiter "Abfrage", um eine neue Analyse zu beginnen.
2. Wählen Sie die passende Krebsstudie und Kohorte aus.
3. In der Suchleiste "Select Studies for Visualization and Analysis" geben Sie "Brustinvasives Karzinom" ein und wählen Sie "Brustinvasives Karzinom (TCGA, Pan-Cancer Atlas)".
4. Unten wählen Sie "Abfrage nach Gen".
   KRITISCH: Stellen Sie sicher, dass die ausgewählte Kohorte (996 Proben) sowohl Mutations- als auch Kopienzahl-Alterationsdaten (CNA) enthält.
5. Definiere die genetische Abfrage. In "Gene eingeben" geben Sie die HUGO-Gensymbole für die vollständige Liste der untersuchten m6A-Regulatoren ein.
   HINWEIS: Gene können als Liste eingegeben werden, die durch Leerzeichen getrennt ist. Unter "Genomische Profile auswählen" sollten folgende zwei Datentypen überprüft werden: Mutationen und Kopiennummern-Änderungen.
6. Wählen Sie unter "Select Patient/Case Set" den Standard-Stichprobensatz, der der Kohorte mit allen Profilfällen entspricht.
7. Klicken Sie auf den blauen Button "Anfrage absenden".
8. Holen Sie die Daten zur genetischen Veränderung ab und interpretieren Sie sie. Nach der Abgabe wird das Ergebnis im Tab "Zusammenfassung" geladen. Die zentrale "OncoPrint"-Visualisierung bietet einen sofortigen Überblick über genetische Veränderungen aller abgefragten Gene in der Kohorte, die heruntergeladen werden können.
9. Neben dem OncoPrint finden Sie das Diagramm "Cancer Type Summary". Dies liefert eine quantitative Aufschlüsselung der Veränderungen zwischen Brustkrebs-Subtypen.
10. Führen Sie eine Pankrebsanalyse durch. Kehren Sie zur cBioPortal-Startseite zurück und wählen Sie unter dem Reiter "Abfrage" "TCGA PanCancer Atlas Studies".
11. Im Geneingabefeld geben Sie dieselbe Liste der m6A-Regulatorgene ein.
12. Klicken Sie auf "Anfrage absenden" und auf der Ergebnisseite navigieren Sie zum Tab "Krebstypen-Zusammenfassung". Dies bietet eine Pankrebs-Sichtweise.

2. Vergleichende transkriptomische Analyse von m6A-Regulatoren unter Verwendung von UCSC Xena.

1. Greifen Sie auf die UCSC Xena-Plattform zu. Besuchen Sie die UCSC Xena-Website (https://xena.ucsc.edu)²⁹.
2. Von der Startseite aus klicken Sie auf die Schaltfläche "Xena starten", um den Haupt-Analysebrowser zu öffnen.
3. Im Xena-Browser klicken Sie auf "DATENSÄTZE".
4. Wählen Sie unter den Datensätzen "TCGA TARGET GTEx" aus. Dieser enthält einheitlich verarbeitete RNA-Seq-Daten aus den normalen Geweben der TCGA- und GTEx-Projekte.
5. Auf der nächsten Seite klicken Sie auf "VISUALISIEREN".
6. Definiere die Phänotyp-(Stichprobengruppe-)Variable. Im "Auswählen Sie Ihre erste Variable" wählen Sie im phänotypischen Datentyp "Hauptkategorie".
7. Klicken Sie auf "ZUR ZWEITEN VARIABLE". Dann kreuzen Sie im Genomik-Datentyp im Datensatz "Genexpression" an. Füge die Genliste im Feld "Gen oder Position hinzufügen" hinzu. Klicke auf "Fertig".
8. Visualisiere Ausdrucksmuster mit einer Heatmap.
9. Um die Brustproben (TCGA+GTEx) vom TCGA TARGET GTEx zu trennen, tippen Sie "Brust" und verwenden Sie die Filteroption, um die Proben zu behalten.
10. Die Heatmap ist jetzt sichtbar und kann als PDF heruntergeladen werden.
11. Erstellen Sie vergleichende Boxplots für einzelne Gene. Um Expressionsunterschiede für ein bestimmtes Gen zu quantifizieren und zu visualisieren, verwenden Sie das "Als Diagramm anzeigen". Mit dieser Option können die Daten als Box-Plot, Punktdiagramm und Geigendiagramm betrachtet werden, wobei die Ausdrucksverteilung zwischen den beiden Stichprobengruppen verglichen wird.
12. Verwenden Sie die Option "Als PDF herunterladen", um die Diagramme herunterzuladen.
13. Die statistische Signifikanz (p-Wert) kann durch Klicken auf "STATISTICS" erhalten werden.

3. Bewertung der prognostischen Bedeutung von m6A-Regulatoren mit dem Kaplan-Meier-Plotter.

1. Greifen Sie auf das Kaplan-Meier Plotter-Tool zu. Besuchen Sie die Kaplan-Meier Plotter-Website (https://kmplot.com/analysis)³⁰.
2. Auf der Startseite wählen Sie den Reiter "Brustkrebs", um eine Analyse speziell für Brustkrebsdatensätze zu starten.
3. Konfigurieren Sie die Gen-Abfrage für ein einzelnes Gen.
4. Im Haupteingabebereich finden Sie das Feld "Gen-Symbol".
5. Hier kommt das offizielle Symbol des zu analysierenden m6A-Regulator-Gens (z. B. METTL3).
   KRITISCH: Direkt unter dem Gen-Eingabefeld finden und aktivieren Sie das Kontrollkästchen für "Only JetSet Best Probe Set". Dies stellt sicher, dass die zuverlässigste und spezifischste Microarray-Probe automatisch für Ihr Gen ausgewählt wird, wodurch die Datenqualität und Reproduzierbarkeit optimiert werden.
6. Definieren Sie die Überlebensanalyseparameter. Im Abschnitt "Überleben" wählen Sie "Gesamtüberleben (OS)" als primären Endpunkt für diese Analyse aus. Das Tool nutzt automatisch Daten von 1880 Brustkrebspatientinnen, wenn diese Einstellung ausgewählt wird.
7. Stellen Sie sicher, dass die Option "Patienten aufteilen" auf "Median" gesetzt ist. Dadurch wird die Patienten in zwei gleichberechtigte Gruppen eingeteilt; hohe und niedrige Expression, basierend auf dem medianen Expressionswert des abgefragten Gens über alle Proben.
8. "Nachbeobachtungsschwelle" kann verwendet werden, um den Nachbeobachtungszeitraum auszuwählen. Für diese Studie wurden 180 Monate ausgewählt.
9. Generiere und interpretiere die Kaplan-Meier-Handlung.
10. Klicken Sie auf die Schaltfläche "Kaplan-Meier Plot zeichnen".
11. Ein neues Fenster wird geladen und zeigt die Überlebenskurve an.
12. Die wichtigsten Handlungselemente interpretieren; Die X-Achse zeigt die Zeit in Monaten an, die Y-Achse zeigt die Gesamtüberlebenswahrscheinlichkeit, die beiden farbigen Linien stellen die Überlebenskurven für die Patientengruppen mit hoher Expression (rot) und niedriger Expression (schwarz) dar. Der Log-Rang-P-Wert wird angezeigt und zeigt die statistische Signifikanz der Differenz zwischen den beiden Überlebenskurven an.

Results

Mutationale Landschaft von M6a-Methylierungsregulatoren bei Brustkrebs

In einer früheren Studie zur genomischen Analyse von TCGA-Datensätzen wurden wiederkehrende Mutationen in mehreren Genen, die für Regulatoren der DNA-Methylierung codieren,³¹ berichtet. In der vorliegenden Studie wurde cBioPortal verwendet, um den Datensatz "Breast Invasive Carcinoma (TCGA, PanCancer Atlas)" zu analysieren, um Mutationsprofile von Genen zu untersuchen, die die Autoren, Leser und Radierer der m6A-RNA-Methylierung codieren. Diese Analyse zeigte vielfältige genetische Veränderungen bei Brustkrebspatientinnen, wobei die Veränderungshäufigkeit zwischen den Genen erheblich variierte – von 0,4 % bei CNBP und RBM15B bis 12 % bei VIRMA (Abbildung 1A). Genamplifikation stellte die häufigste Veränderung dar, während weitere Ereignisse tiefe Deletionen, Basensubstitutionen und mehrere gleichzeitige Veränderungen umfassten. Bemerkenswert ist, dass Veränderungen in Genen, die m6A-bezogene Funktionen regulieren, bei 476 Patienten (48 % der Kohorte) festgestellt wurden (Abbildung 1B), was die Bedeutung der m6A-Modifikationsdynamik bei Brustkrebs unterstreicht. Obwohl die Häufigkeit der verschiedenen Veränderungstypen variierte, wurden solche Mutationen bei allen molekularen Subtypen des Brustkrebses beobachtet (Abbildung 1C). Zur Validierung wurden PIK3CA, TP53, CDH1 und GATA3 als Referenzkontrollgene einbezogen (Abbildung 1A). Bemerkenswert ist, dass Veränderungen in der m6A-Regulierungsmaschinerie nicht auf Brustkrebs beschränkt waren. Die Analyse von 10.967 Proben von 10.953 Patienten aus 32 Studien im TCGA Pan-Cancer Atlas zeigte konservierte Mutationsmuster bei einer Vielzahl von Krebsarten. Kürzlich wurde gezeigt, dass der m6A-Weg bei Prostatakrebs (PCa) häufig verändert ist und insgesamt eine pro-onkogene Rolle³² ausübt. Diese Ergebnisse deuten darauf hin, dass Mutationen, die Gene betreffen, die die Autoren, Leser und Radierer der m6A-RNA-Modifikation codieren, ein häufiges Merkmal mehrerer Krebsarten sind (Abbildung 2).

Abweichende Genexpressionsprofile bei Brustkrebs

Neue Evidenz weist auf transkriptomische Störungen als Schlüsselfaktoren für die Tumorentstehung hin, wobei abweichende Genexpression Potenzial als Biomarker bei Brustkrebs bietet. Um dies zu untersuchen, wurden die Transkriptniveaus von Genen, die die m6A-Modifikation regulieren, anhand von Daten aus der TCGA und dem Genotype Tissue Expression (GTEx)-Projekt analysiert, das normales Brustgewebe repräsentiert. Wie in Abbildung 3A dargestellt, zeigten verschiedene m6A-assoziierte Gene eine signifikante Dysregulation in Brustkrebsproben. Sowohl Upregulation als auch Downregulation wurden im Tumorgewebe im Vergleich zu normalen Kontrollen beobachtet. METTL3 und WTAP, beide Komponenten des Schreiberkomplexes, wurden zusammen mit anderen Genen herunterreguliert, während mehrere andere Gene, darunter VIRMA, YTHDF1 und YTHDF3, hochreguliert wurden. Abbildung 3B zeigt die differenziellen Expressionsprofile einzelner Gene über die TCGA- und GTEx-Kohorten hinweg. Zusammen deuten diese Ergebnisse darauf hin, dass Gene, die für m6A-Methylierungsautoren, Leser und Radiergummis kodieren, bei Brustkrebs eine umfangreiche transkriptionelle Deregulation durchlaufen, was ihre potenzielle Relevanz für den Krankheitsverlauf unterstreicht.

m6A-Maschinengene und ihre Rolle bei der Patientenprognose

Nach der Beobachtung, dass genetische Veränderungen und Veränderungen der Genexpression bei Krebspatienten sehr verbreitet sind, wurde die prognostische Relevanz dieser Expressionsänderungen bei Brustkrebs untersucht. Mit dem Kaplan-Meier (KM) Plotter-Tool³⁰, das Mikroarray-Datensätze integriert, wurde das Gesamtüberleben (OS) in einer Kohorte von 1.880 Brustkrebspatientinnen anhand der Expression von m6A-Regulatorgenen bewertet. Diese Analyse zeigte, dass eine erhöhte Expression von METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 und RBMX signifikant mit einer verbesserten Gesamtüberlebensrate assoziiert war. Im Gegensatz dazu korrelierte die YWHAG-Überexpression mit schlechten Überlebensergebnissen (Abbildung 4). Als Kontrollgruppen wurden CCND2 und TOP2A, bekannte Marker für bessere bzw. schlechte Prognose, eingeschlossen. Andere Gene, die m6A-Regulatoren codieren, zeigten keine statistisch signifikanten Korrelationen mit dem Überleben des Patienten (ergänzende Abbildung). Diese Ergebnisse heben eine Teilmenge von m6A-Methylierungsregulationsgenen hervor, die potenziell nützlich für die Brustkrebsprognose sein können.

Abbildung 1: Genetische Veränderungen in m6A-Autoren, Lesern und Radiergummi-Genen bei Brustkrebs. (A) Die Verteilung der Veränderungen auf 996 Brustkrebspatientinnen wird dargestellt, wobei jede graue Linie einen individuellen Fall darstellt. Die farbcodierten Balken kennzeichnen verschiedene Alterationstypen, darunter Missense-Mutationen, tiefe Deletionen, Amplifikationen, In-Frame-Mutationen und trunkierende Mutationen. Gut charakterisierte Gene wie PIK3CA, TP53, CDH1 und GATA3 werden aufgrund ihrer etablierten Mutationshäufigkeiten als positive Kontrollgruppen einbezogen. (B) Gesamthäufigkeit der Veränderungen der m6A-regulatorischen Gene in der Patientenkohorte. (C) Genetische Veränderungsmuster in m6A-Regulatorgenen durch Brustkrebs-Subtypen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen. 

Abbildung 2: Häufigkeit genetischer Veränderungen in Genen, die m6A-Autoren, Leser und Radiergummis über verschiedene Krebsarten hinweg codieren. Die Analyse basiert auf Daten aus dem TCGA-Pan-Krebs-Atlas, der 10.967 Proben von 10.953 Patienten aus 32 Krebsstudien umfasst. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen. 

Abbildung 3: Expressionsanomalien in Genen, die m6A-Autoren, Leser und Radiergummis codieren. (A) Die Überexpression (rote Balken) und Unterexpression (blaue Balken) aller Gene werden angezeigt. Daten aus GTEx und TCGA wurden verwendet, um normale und Brustkrebsproben zu vergleichen. (B) Diese Abbildung zeigt einen Vergleich der individuellen Genexpression bei normalen und Brustkrebspatientinnen. Xena verwendet Welchs t-Test, um die p-Werte für jedes Gen zu bestimmen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Ausdrucksprofile von m6A-Autoren, Lesern und Radiergummis sowie deren Zusammenhang mit der Prognose bei Brustkrebs. Kaplan-Meier-Überlebenskurven zeigen das Gesamtüberleben des Patienten, wobei die X-Achse die Zeit (Monate) und die Y-Achse die Gesamtüberlebenswahrscheinlichkeit darstellt. Rote Linien stehen für die Gruppe mit hohem Ausdruck, während schwarze Linien für die Gruppe mit niedrigem Ausdruck stehen. Die Patienten wurden anhand der medianen Genexpressionswerte geschichtet. p-Werte wurden mittels des Log-Rank-Tests bestimmt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergänzende Abbildung: Mitglieder der m6A-Regulatoren zeigen keine signifikante Korrelation mit dem Gesamtüberleben des Patienten, wie die Kaplan-Meier-Überlebenskurven zeigen. Rote Linien stehen für die Gruppe mit hohem Ausdruck, während schwarze Linien für die Gruppe mit niedrigem Ausdruck stehen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Typ	Gen-Symbol
Autoren	METTL3
	METTL14
	ZC3H13
	WTAP
	RBM15
	RBM15B
	METTL16
	CBLL1
	KIAA1429/VIRMA
Leser	YTHDF1
	YTHDF2
	YTHDF3
	YTHDC1
	YTHDC2
	HNRNPA2B1
	HNRNPC
	HNRNPG/RBMX
	IGF2BP1
	IGF2BP2
	IGF2BP3
	CNBP
	ELAVL1
	SND1
	PRRC2A
	PRRC2B
	PRRC2C
	EIF3A
	FMR1
	FXR1
	FXR2
	LRPPRC
	MSI2
Radiergummis	ALKBH5
	FTO

Tabelle 1: Gene, die Autoren, Leser und Radiergummis von m6A kodieren. Tabelle 1 gibt einen Überblick über die wichtigsten Genfamilien, die für die Installation, Erkennung und Entfernung der m6A-Modifikation in eukaryotischer RNA verantwortlich sind.

Discussion

Der Artikel dieser Methode bietet einen umfassenden, zugänglichen und integrierten Workflow für die systematische Multi-Omics-Profilierung und klinische Übersetzung jeder Gensignatur in der Krebsforschung, hier durch die Analyse von m6A-RNA-Methylierungsregulatoren bei Brustkrebs demonstriert. Durch die Kombination dieser großen öffentlichen Bioinformatikplattformen ermöglicht dieser Ansatz Forschern, effizient von der Genomentdeckung zu klinisch relevanten Hypothesen voranzukommen, ohne fortgeschrittene rechnerische Expertise zu benötigen.

Die Hauptstärke dieser Methodik liegt in ihrer modularen, hypothesengenerierenden Pipeline. Das Protokoll führt den Benutzer durch eine logische Abfolge; zuerst wird identifiziert, welche Gene genetisch verändert sind (mit cBioPortal), dann wird eine Expressionsdysregulation in einer batch-korrigierten Umgebung (mit UCSC Xena) bewertet und schließlich die klinische Auswirkung dieser Dysregulation auf das Überleben der Patienten bewertet (mit Kaplan-Meier-Plotter). Diese schrittweise Analyse, von DNA über RNA bis zum klinischen Endpunkt, priorisiert effektiv Kandidatengene für weitere Untersuchungen. Zum Beispiel identifizierte die Anwendung dieses Workflows auf m6A-Regulatoren effizient Gene wie YWHAG (häufige Veränderung, prognostisch für schlechtes Überleben) als hochprioritäre Ziele für funktionelle Validierung.

Das Design des Protokolls für die Pankrebsanalyse verbessert seine Nützlichkeit zusätzlich, da Forscher schnell feststellen können, ob eine molekulare Signatur spezifisch für einen Krebs ist oder ein gemeinsames Merkmal der Tumorgenese, wie bei weitverbreiteten Veränderungen in der m6A-Maschinerie in dieser Studie beobachtet wurde. Die Pankrebsanalyse zeigte, dass Mutationen, die m6A-Autoren, Leser und Radiergummis betreffen, nicht auf Brustkrebs beschränkt sind, sondern über mehrere Malignitäten hinweg geteilt werden. Dies stimmt mit den zunehmenden Belegen überein, dass abnorme m6A-Regulation ein charakteristisches Merkmal der Onkogenese über verschiedene Tumortypen hinweg ist, da sie mehrere Merkmale von Krebs und physiologischen Prozessen beeinflusst, darunter RNA-Spleißen, Stabilität, Translation und nicht-kodierende RNA-Aktivität³³.

Dieser methodische Ansatz ist sehr anpassungsfähig. Obwohl mit m6A-Regulatoren demonstriert, kann derselbe Workflow sofort angewendet werden, um Immuncheckpoint-Gene, metabolische Enzyme oder neuartige Gensignaturen aus RNA-seq-Experimenten in jedem in diesen Datenbanken verfügbaren Krebsarten zu charakterisieren. Dieses Schritt-für-Schritt-Format senkt die Hürde für Nasslabor-Wissenschaftler, anspruchsvolle Analysen in Silico durchzuführen, und beschleunigt den Übergang von genomischen Daten zu biologischen Einblicken.

Abschließend bietet dieses Protokoll einen robusten Rahmen für die Kontextualisierung krebsbedingter Gene. Neben der Abgrenzung der mutationalen Landschaft zeigten die Ergebnisse bidirektionale Expressionsänderungen in den Regulatoren von m6A. Diese Erkenntnis unterstreicht die Komplexität des Epitranskriptoms und verstärkt das etablierte Paradigma der kontextabhängigen Funktion, wie es sich in den doppelten Rollen der METTL3- und YTHDF-Familienproteine in verschiedenen Krebsarten zeigt,^34,35. Die m6A-Achse spielt außerdem eine Rolle bei der Regulierung von Proliferation, Metastasen und Immunausweichung bei dreifach-negativem Brustkrebs^36,37. Interessanterweise identifizierte die Überlebensanalyse eine Teilmenge von m6A-Regulatoren mit prognostischer Bedeutung. Eine erhöhte Expression von METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 und RBMX war mit positiven Ergebnissen assoziiert, während die YWHAG-Expression mit einem schlechten Gesamtüberleben korrelierte. Diese Erkenntnisse unterstützen den potenziellen klinischen Nutzen von m6A-Regulatoren als prognostische Biomarker. CBLL1 wurde in einer früheren Studie³⁸ ebenfalls als einer der Faktoren mit positiver Prognose identifiziert. Die aktuelle Analyse mit aktualisierten Mitgliedern der m6A-Regulatoren identifizierte jedoch weitere Mitglieder wie RBMX und YWHAG mit besserem bzw. schlechterem Gesamtüberleben. Die Beobachtung, dass verschiedene Regulatoren entweder eine ungünstige oder positive Prognose vorhersagen können, unterstreicht die doppelten und kontextspezifischen Funktionen von m6A-Modifikationen in der Krebsbiologie. Obwohl YTHDF1 und YTHDF3 in Tumoren signifikant hochreguliert sind, könnte ihr fehlender Zusammenhang mit dem Gesamtüberleben auf funktionelle Redundanz unter den Lesern, kontextabhängige Rollen über Krebssubtypen hinweg oder auf die Notwendigkeit zurückzuführen, ihr Verhältnis oder das Netto-m6A-Regulationsnetzwerk statt individuelle Expressionsniveaus zu berücksichtigen. Außerdem zeigte VIRMA zwar die höchste Veränderungshäufigkeit (12 %, hauptsächlich Amplifikation), aber seine Expression korrelierte nicht signifikant mit dem Gesamtüberleben bei Brustkrebs. Eine mögliche Erklärung ist, dass die Expression von hIgh VIRMA nur auf ein erhöhtes Potenzial für m6A-Ablagerungen hinweist, nicht darauf, ob die erforderlichen nachgelagerten Leser oder Ziel-mRNAs vorhanden sind, um dies in aggressives Tumorverhalten umzusetzen. Bemerkenswert ist, dass YTHDF1 und YTHDF3 in der Kohorte überexprimiert waren, während YTHDC1 und YTHDC2 signifikant herunterreguliert wurden. Dieses ungleiche Expressionsmuster deutet darauf hin, dass die funktionelle Kombination spezifischer Autoren und Leser, die für onkogenes Output erforderlich ist, bei Brustkrebs möglicherweise nicht wirksam ist. Daher ist VIRMA trotz seiner hohen Ausprägung möglicherweise kein dominierender Treiber in diesem Zusammenhang (ergänzende Abbildung).

Die Autoren erkennen eine primäre Einschränkung dieser in silico-Pipeline an. Die Analysen sind von Natur aus korrelativ; Sie identifizieren starke Assoziationen, stellen aber keine mechanistische Kausalität fest. Eine solche Kausalität kann durch funktionelle Genomik oder durch den Einsatz von Kleinmolekülinhibitoren, die auf Komponenten des m6A-Weges³⁹ abzielen, festgestellt werden. Bemerkenswert ist, dass der erste METTL3-zielgerichtete Peptidinhibitor, RSM3, kürzlich entwickelt wurde und in Prostatakrebsmodellen in vivo⁴⁰ ein Antikrebspotenzial nachgewiesen hat. Dieser methodische Arbeitsablauf stellt daher ein wertvolles Werkzeug dar, um Kandidatenziele zu identifizieren und Patientengruppen zu stratifizieren, die am wahrscheinlichsten von diesen therapeutischen Interventionen profitieren.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
cBioPortal	Memorial Sloan-Kettering Krebszentrum	https://www.cbioportal.org
Genotyp-Gewebeexpression (GTEx)	GTEx-Konsortium	https://gtexportal.org
Kaplan-Meier-Verschwörer	Gyorffy Labor/A5 Genetics Ltd	https://kmplot.com
Der Krebsgenom-Atlas (TCGA)	Nationales Krebsinstitut (NCI)	https://www.cancer.gov/tcga
UCSC Xena Browser	Universität von Kalifornien, Santa Cruz	https://xenabrowser.net