Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Assoziation der MPO-Expression mit dem immunologischen Mikromilieu bei Brustkrebs: Erkenntnisse aus bioinformatischen und Einzelzell-Analysen

91 Aufrufe

⸱

DOI:

10.3791/71189

⸱

14. August 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

In diesem Artikel

Zusammenfassung

Dieser Artikel stellt einen reproduzierbaren Bioinformatik- und Einzelzell-Workflow zur Untersuchung der Zusammenhänge zwischen der Expression von Myeloperoxidase (MPO) und immunen/myeloiden Merkmalen beim Brustkrebs vor. Da die Analysen auf öffentlich zugänglichen Datensätzen und In-silico-Methoden basieren, werden die Ergebnisse als explorativ und hypothesengenerierend interpretiert.

Zusammenfassung

Brustkrebs bleibt eine wesentliche Ursache krebsbedingter Mortalität, und explorative computergestützte Arbeitsabläufe können dabei helfen, immunassoziierte Marker für weitere Untersuchungen zu priorisieren. In der vorliegenden Arbeit verwendeten wir die Bulk-Transkriptomdaten des Cancer Genome Atlas zum infiltrierenden Mammakarzinom (TCGA-BRCA) sowie den öffentlich zugänglichen Single-Cell-Datensatz GSE161529, um Zusammenhänge zwischen der Expression von Myeloperoxidase (MPO), klinischen Ergebnissen, Immuninfiltration, Methylierung, Annotationen upstream regulierender Faktoren, Expressionsmustern auf Einzelzellniveau, Ergebnissen zur virtuellen Knockdown-Sensitivität, der Identifizierung von Wechselwirkungen zwischen Arzneimitteln und Genen sowie ADMET-Anmerkungen (Absorption, Verteilung, Stoffwechsel, Ausscheidung und Toxizität) zu untersuchen. Die MPO-Expression war in Brustkrebsgeweben niedriger als in angrenzendem nicht-tumösem Gewebe. Eine höhere MPO-Expression war mit einem längeren progressionsfreien Intervall assoziiert, während ihre Zusammenhänge mit Gesamtüberleben und tumorspezifischem Überleben statistisch nicht signifikant waren. Eine ROC-Analyse (Receiver Operating Characteristic) deutete eine Trennung zwischen Tumor- und Normalgewebe innerhalb des analysierten öffentlichen Datensatzes an, dies sollte jedoch nicht als klinische diagnostische Validierung interpretiert werden. Analysen zur Immunentmischung und Anreicherung ergaben, dass die MPO-Expression hauptsächlich mit immun- und myeloidassoziierten transkriptionellen Merkmalen korrelierte, anstatt eine tumorintrinsische Regulation des immunologischen Mikromilieus nachzuweisen. Auf Einzelzellebene war das MPO-Signal spärlich, wobei vor der Erweiterung basierend auf der k-nächsten-Nachbarn-Methode (KNN) lediglich 85 MPO-positive Zellen detektiert wurden. Nachweisbare MPO-Signale und MPO-assoziierte Scores wurden vorsichtig interpretiert, da sie durch geringe Expression, Unsicherheiten in der Zelltypzuordnung, Dropout-Ereignisse, Doubletts oder umgebende RNA beeinflusst sein können. In silico Eine virtuelle Genunterdrückung wies auf kandidatenhafte immun- und entzündungsbezogene transkriptionelle Veränderungen hin, doch diese Ergebnisse wurden als explorativ eingestuft und bedürfen einer Validierung. Die auf der Drug-gene interaction database (DGIdb) basierende Gen-Drogen-Abfrage sowie die ADMET-Anmerkung wurden lediglich als vorläufige chemische Annotationen verwendet und nicht als therapeutischer Nachweis interpretiert. Insgesamt liefert diese Studie einen reproduzierbaren in-silico-Arbeitsablauf zur Hypothesengenerierung bezüglich MPO-assoziierter immuner/myeloider Merkmale beim Brustkrebs, die eine Validierung in externen Kohorten sowie experimentelle Bestätigung erfordern.

Einleitung

Brustkrebs ist eine hochgradig heterogene immunassoziierte Malignität1. Der Krankheitsverlauf, das Rezidiv- und Metastasierungsrisiko sowie die Therapieantwort stehen in engem Zusammenhang mit der Zusammensetzung und funktionellen Situation der tumorimmunologischen Mikroumgebung (TIME, tumor immune microenvironment)2. Trotz fortlaufender Optimierung umfassender Behandlungsstrategien erleben einige Patienten weiterhin ein Fortschreiten der Erkrankung oder ein Rezidiv, was die dringende Notwendigkeit unterstreicht, molekulare Biomarker zu identifizieren, die den Zustand der TIME charakterisieren und die Risikostratifizierung unterstützen, sowie deren zugrundeliegende Mechanismen aufzuklären.

Myeloperoxidase (MPO) ist eine Häm-enthaltende Peroxidase, die vorwiegend in Neutrophilen und in geringerem Maße in Monozyten und Makrophagen exprimiert wird. Durch die Bildung von Hypochloriger Säure und anderen reaktiven Oxidationsmitteln trägt MPO zur antimikrobiellen Abwehr bei, kann jedoch auch oxidative Gewebeschäden und chronische Entzündungen fördern. Bei Krebserkrankungen scheint die biologische Bedeutung von MPO kontextabhängig zu sein3. Einerseits wurde MPO-vermittelter oxidativer Stress im Zusammenhang mit der Karzinogenese und Tumorprogression durch DNA-Schäden, Lipid- und Proteinoxidation, entzündliche Signalwege sowie die Umgestaltung der Tumormikroumgebung vermutet4,5,6. Andererseits wurde eine Infiltration durch MPO-positive angeborene Immunzellen oder myeloide Zellen mit einem günstigen Prognoseverlauf oder antitumoraler Immunaktivität in bestimmten Tumorkontexten assoziiert7,8,9. Diese scheinbar widersprüchlichen Befunde deuten darauf hin, dass die klinische und biologische Bedeutung von MPO von Tumortyp, Krankheitsstadium, zellulärer Herkunft von MPO sowie der immunologischen Zusammensetzung der Tumormikroumgebung abhängen könnte. Die Expressionsmuster und prognostische Relevanz von MPO beim Mammakarzinom, insbesondere auf Einzelzell-Ebene, sind jedoch noch unvollständig charakterisiert.

Das tumorassoziierte immunologische Mikromilieu (TIME) enthält heterogene myeloide, lymphoide, stromale und epitheliale Kompartimente10. MPO ist klassisch mit Neutrophilen und anderen Zellen der myeloiden Linie assoziiert, und MPO-bezogene Signale in Gesamttumorprofilen spiegeln daher möglicherweise die Zusammensetzung der Immunzellen wider, nicht jedoch eine intrinsische Aktivität der Tumorzellen10. Bei Brustkrebs sind die Verteilung des MPO-Signals in Gesamt- und Einzelzell-Datensätzen, seine Assoziation mit Schätzungen der Immuninfiltration sowie die Reproduzierbarkeitsgrenzen nachgeschalteter bioinformatischer Analysen bisher unzureichend charakterisiert. Diese Studie betrachtet MPO daher als immunassoziierten Marker zur Entwicklung eines explorativen Arbeitsablaufs, nicht jedoch als nachgewiesenen kausalen Regulator des TIME oder als validiertes therapeutisches Ziel. Im Vergleich zu differentiellen Expressionsanalysen einzelner Kohorten oder Schätzungen der Immuninfiltration mittels einzelner Plattformen kann ein integrierter Arbeitsablauf, der Gesamttranskriptomik, Immunentmischung, Methylierungsannotierung, Einzelzellzuordnung und computergestützte Störungsanalysen kombiniert, einen umfassenderen explorativen Einblick in den immunologischen Kontext assoziierter Gene bieten. Dieser Ansatz eignet sich zur Priorisierung von Kandidatenmarkern und zur Generierung überprüfbarer Hypothesen, insbesondere wenn experimentelle Datensätze noch nicht verfügbar sind. Solch eine rechnergestützte Integration allein kann jedoch weder die zelluläre Herkunft, Kausalität, pharmakologische Aktivität noch klinische Nützlichkeit bestimmen. Mit der Weiterentwicklung großer öffentlicher Krebskohorten und der Einzelzell-Transkriptomik-Technologien können bioinformatische Ansätze genutzt werden, um Assoziationen zwischen Genexpression, klinischen Ergebnissen, Zusammensetzung der Immunzellen und transkriptionellen Zuständen auf Populationsebene sowie auf Einzelzellebene zu untersuchen11. Auf Einzelzell-Genregulationsnetzwerken basierende Methoden der computergestützten Störungsanalyse können darüber hinaus hypothetische Informationen über die transkriptionelle Empfindlichkeit im Zusammenhang mit Genen liefern12,13. Ziel dieser Studie war daher, den Expressionsverlauf, die Überlebensassoziation, den immunologischen/myeloiden Kontext, das Methylierungsmuster, die Einzelzellverteilung sowie das explorative Profil der computergestützten Störungsanalyse von MPO beim Brustkrebs zu charakterisieren. Der gesamte Arbeitsablauf ist in Abbildung 1 dargestellt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Erwerb aus der TCGA-Datenbank

RNA-Sequenzierungsdaten und klinische Informationen für die TCGA-Brust-invasiven-Karzinom-Kohorte (TCGA-BRCA) wurden vom Genomic Data Commons-Portal bezogen14. STAR-Workflow-RNA-Seq-Daten im Format Transkripte pro Million (TPM) wurden zusammen mit den passenden klinischen Annotationen extrahiert. RNA-Seq-Proben ohne entsprechende klinische Informationen wurden ausgeschlossen. Für expressionsbasierte Analysen wurden die TPM-Werte als log2(TPM + 1) transformiert. Die MPO-Expression wurde mithilfe des Gen-Symbols MPO und der Ensembl-Gen-ID ENSG00000005381.8 extrahiert. Für Analysen, die eine Einteilung in MPO-hoch und MPO-niedrig erforderten, wurden ausschließlich TCGA-BRCA-Tumorproben einbezogen, während benachbarte normale Proben von der Gruppeneinteilung ausgeschlossen wurden. Die Tumorproben wurden anhand des Medianwerts der log2(TPM + 1)-transformierten MPO-Expression unter den TCGA-BRCA-Tumorproben aufgeteilt. Proben mit einer MPO-Expression größer oder gleich dem Medianwert wurden der MPO-hoch-Gruppe zugeordnet, während Proben unterhalb des Medians der MPO-niedrig-Gruppe zugeordnet wurden. Diese medianbasierte Gruppierungsmethode wurde für die Überlebensanalyse, differentielle Expressionsanalyse, Anreicherungsanalyse, Methylierungsgruppierung und Vergleiche der Immunzellanreicherung verwendet, sofern nicht anders angegeben. Klinisch-pathologische Merkmale, einschließlich Geschlecht, Alter, ethnische Zugehörigkeit, pathologischer T-Stadium, histologischer Grad, PAM50-Subtyp, pathologisches Stadium, Tumorstatus und Überlebensendpunkte wie Gesamtüberleben (OS), progressionsfreies Intervall (PFI) und krankheitsspezifisches Überleben (DSS), wurden mit R-Version 4.2.1 analysiert.

Öffentliche Immunhistochemie-Bildabfrage

Repräsentative MPO-Immunhistochemie-(IHC-)Bilder benachbarter normale Brustgewebe und Brustkrebsgewebe wurden als qualitative Referenzen auf Proteinebene verwendet. Diese Bilder wurden nicht in quantitative morphometrische oder statistische Analysen einbezogen. Die markierten Felder zeigen Bereiche, die in höherer Vergrößerung dargestellt sind. Maßstabsbalken entsprechen 100 µm in den 20×-Bildern und 50 µm in den 40×-Bildern.

Expressionskorrelationsanalyse

Der TCGA-BRCA-Datensatz wurde verwendet, um Gene zu untersuchen, die gemeinsam mit der MPO-Expression im Brustkrebs variieren. Genomweite Pearson-Korrelationskoeffizienten wurden zwischen MPO und protein-kodierenden Genen berechnet, und die 30 am stärksten positiv sowie die 30 am stärksten negativ korrelierten Gene wurden zur Visualisierung ausgewählt. Bei Korrelationsanalysen, an denen mehrere Gene getestet wurden, wurden die nominalen p-Werte mittels der False-Discovery-Rate-Methode nach Benjamini-Hochberg korrigiert. Das MPO-assoziierte Protein-Protein-Interaktionsnetzwerk (PPI) wurde mithilfe der Suchplattform für die Rückgewinnung interagierender Gene/Proteine (STRING-Datenbank) erstellt, wobei Proteinpaare mit Interaktionsscores über 0,40 für die Visualisierung beibehalten wurden15.

Funktionelle Anreicherungsanalyse

Differenziell exprimierte Gene (DEGs) wurden durch den Vergleich der MPO-hohen und MPO-niedrigen TCGA-BRCA-Tumorgruppen unter Verwendung der Schwellenwerte |log2FC| > 1 und ein nach Benjamini-Hochberg adjustierter p-Wert < 0,05 identifiziert. Die funktionelle Anreicherungsanalyse der DEGs wurde mit dem R-Paket clusterProfiler Version 4.4.4 durchgeführt, einschließlich Analysen der genetischen Ontologie (GO) für biologische Prozesse, zelluläre Komponenten, molekulare Funktionen sowie Analysen des Kyoto-Encyclopedia-of-Genes-and-Genomes-(KEGG)-Signalwegs16,17,18,19,20. Angereicherte GO- und KEGG-Terme galten als signifikant, wenn der adjustierte p-Wert < 0,05 war.

Die Gen-Set-Enrichment-Analyse (GSEA) wurde unter Verwendung einer vorab sortierten Genliste basierend auf Differenzialexpressionsstatistiken zwischen MPO-hohen und MPO-niedrigen Gruppen durchgeführt. Die MSigDB C2 Canonical Pathways-Sammlung c2.cp.all.v2022.1.Hs.symbols.gmt, die MSigDB v2022.1.Hs entspricht und 3.050 Gensätze enthält, wurde verwendet21,22. Bereicherte Terme wurden als signifikant betrachtet gemäß Benjamini–Hochberg-angepasstem p-Wert < 0,05, FDR q-Wert < 0,25 und |normalisierter Enrichment-Score| > 1. Gegebenenfalls wurden Z-Scores für signifikant angereicherte Terme mithilfe des GOplot-Pakets zur Visualisierung berechnet.

Analyse der Anreicherung von Immunzellen in Tumoren

Immun- und stromale Komponenten im TCGA-BRCA-Kollektiv wurden mithilfe des ESTIMATE-Algorithmus bewertet, der im R-Paket estimate Version 1.0.13 implementiert ist. Als Eingabedaten dienten log2(TPM + 1)-transformierte Expressionsdaten, und für jede Tumorprobe wurden der Immun-Score, der stromale Score sowie der ESTIMATE-Score berechnet. TIMER/TIMER2.0 wurde verwendet, um Zusammenhänge zwischen der MPO-Expression und den geschätzten Infiltrationsniveaus der wichtigsten Immunzellpopulationen im TCGA-BRCA-Kollektiv zu untersuchen, einschließlich B-Zellen, CD8+ T-Zellen, CD4+ T-Zellen, Makrophagen, Neutrophilen und dendritischen Zellen23,24,25. Die auf TIMER basierenden Ergebnisse wurden als Schätzungen der Immuninfiltration interpretiert, die aus der entsprechenden Online-Ressource stammen. Für die Analyse der Anreicherung von Immunzellen über 24 Immunzelltypen hinweg wurde eine single-sample Gen-Satz-Anreicherungsanalyse (ssGSEA) mithilfe des R-Pakets GSVA Version 1.46.026 durchgeführt. Die LM22-Immunzell-Signaturmatrix, die für die CIBERSORT-basierte Dekonvolution von 22 Immunzelltypen verwendet wurde, ist in Supplementärer Tabelle 1 enthalten. Die Korrelationen zwischen MPO-Expression und Anreicherungsscores der Immunzellen wurden mittels Spearman-Rangkorrelation bewertet. Unterschiede in den Anreicherungsscores der Immunzellen zwischen den medianbasiert definierten MPO-hohen und MPO-niedrigen Tumorgruppen wurden mit dem Wilcoxon-Rangsummentest verglichen. Bei Analysen, die mehrere Immunzelltypen umfassten, wurden die p-Werte mittels der Benjamini–Hochberg-Methode zur Fehlentdeckungsrate angepasst.

DNA-Methylierung des MPO-Gens

DNA-Methylierungsmuster innerhalb des MPO-Lokus wurden mithilfe von MethSurv analysiert. CpG-Methylierungs-Beta-Werte und Überlebensassoziationen für TCGA-BRCA wurden von der MethSurv-Plattform bezogen. Ausgewählte MPO-bezogene CpG-Stellen wurden visualisiert, und ihre Assoziationen mit Überlebensergebnissen wurden anhand der von MethSurv bereitgestellten Ergebnisse der Überlebensanalyse bewertet27. Bei Analysen, die mehrere CpG-Stellen umfassten, wurden die p-Werte über die getesteten MPO-bezogenen CpG-Stellen hinweg mittels der Benjamini-Hochberg-Methode zur Kontrolle der falschen Entdeckungsrate angepasst. Diese Methylierungsanalysen wurden als explorative epigenetische Annotationen interpretiert.

Konstruktion des PPI-Netzwerks und Korrelationsanalyse neutrophiler verwandter Gene

Um die Assoziation zwischen MPO und neutrophilenbezogener Biologie zu untersuchen, wurde eine systematische Netzwerkanalyse durchgeführt. Ein Gen-Set, bestehend aus etablierten Mediatoren der Neutrophilenaktivierung und assoziierten entzündlichen Prozessen, wurde aus der aktuellen Literatur zusammengestellt. Die vollständige Liste neutrophilenbezogener Gene ist in Supplementär-Tabelle 2 enthalten. Die Gensymbole wurden auf offizielle Gensymbole harmonisiert, doppelte Einträge entfernt, und verfügbare Gene mit der TCGA-BRCA-Expressionsmatrix geschnitten, bevor die STRING/PPI-Analyse, die Hub-Gen-Priorisierung und die MPO–Hub-Gen-Korrelationsanalyse durchgeführt wurden. Das PPI-Netzwerk zwischen diesen Genen wurde mithilfe der STRING-Datenbank (Version 11.5) mit einer mittleren Konfidenzschwelle für Interaktionen (>0.40) erstellt. Hub-Gene innerhalb dieses Netzwerks wurden algorithmisch basierend auf der Gradzentralität priorisiert, die die Anzahl direkter Interaktionen pro Knoten quantifiziert. Die 20 Gene mit den höchsten Gradwerten wurden für die nachgeschaltete Korrelationsanalyse ausgewählt.

Anschließend wurden die Expressionsprofile dieser Hub-Gene und von MPO aus dem transkriptomischen Datensatz TCGA-BRCA extrahiert. Die Assoziation zwischen MPO und jedem Hub-Gen wurde statistisch mittels Spearman-Rangkorrelation bewertet. Um die Korrelationsmuster zwischen den Hub-Genen selbst zu charakterisieren, wurde eine paarweise Spearman-Korrelationsmatrix über alle Tumorproben berechnet. Diese Korrelationsanalysen bildeten die quantitative Grundlage für nachfolgende Visualisierungen, darunter das Lollipop-Diagramm der MPO-Hub-Gen-Korrelationen sowie das Chord-Diagramm beziehungsweise die Heatmap zur Darstellung der Korrelationsmuster unter den Hub-Genen.

Vorhersage upstreamliegender Transkriptionsfaktoren und miRNAs mit MPO als Zielgen

Die KnockTF-Datenbank (https://bio.liclab.net/KnockTF/index.php)28,29, die ChIP-Datenbank (http://chip-atlas.org/)30,31 und die GTRD-Datenbank32,33 (https://gtrd.biouml.org/#!) wurden zur Vorhersage der Ziel-Transkriptionsfaktoren von MPO verwendet. Zusätzlich wurde die TargetScan-Datenbank (https://www.targetscan.org/vert_80/) genutzt, um potenzielle miRNA-Bindungsstellen, die MPO targeten, vorherzusagen. Venn-Diagramme wurden mithilfe der MicroBioinformatik-Website (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34 erstellt.

Einzelzell-Analyse von MPO

Der spezifische Datensatz GSE161529 stammt aus dem Gene Expression Omnibus (GEO). Bei der Datenpräprozessierung wurde zunächst eine Filterung auf Zellebene durchgeführt, um Zellen von geringer Qualität auszuschließen – also solche, die eines der folgenden Kriterien erfüllten: mitochondriale Genexpression über 25 %, Gesamtanzahl eindeutiger molekularer Identifikatoren (UMI) unter 5000 oder weniger als 2500 nachgewiesene Gene. Anschließend wurden Kontaminationen durch umgebende RNA sowie technische Batch-Effekte korrigiert35. Zur Dimensionsreduktion und Beurteilung der zellulären Ähnlichkeit wurde eine Hauptkomponentenanalyse (PCA) durchgeführt, gefolgt von UMAP zur Zellclustern und Visualisierung. Danach wurden die verschiedenen Cluster anhand der typischen Markergene den entsprechenden Zelltypen zugeordnet11. Der für die Signaturbewertung auf Einzelzellniveau verwendete MPO-assozierte Gen-Satz ist in Zusatzdatei 1 enthalten. Vor der Bewertung wurden die Gensymbole auf offizielle Gensymbole harmonisiert, doppelte Einträge entfernt und die verfügbaren Gene mit der Expressionsmatrix von GSE161529 abgeglichen. AUCell, Seurat AddModuleScore und ssGSEA wurden verwendet, um MPO-assozierte Scores pro Zelle zu berechnen. Die aus den drei Methoden resultierenden Scores wurden mittels Z-Score normalisiert, in einen vergleichbaren Wertebereich skaliert und kombiniert, um einen zusammengesetzten MPO-assozierten Score für nachfolgende deskriptive Analysen zu erzeugen. Zell-Zell-Interaktionsnetzwerke wurden untersucht, um abgeleitete Ligand-Rezeptor-Kommunikationsmuster zwischen epithelialen Tumorzellen, die nach MPO-assoziertem Signal stratifiziert waren, und verschiedenen Partnerzelltypen zu vergleichen. Diese Ergebnisse wurden als deskriptive Kommunikationsmuster interpretiert, nicht jedoch als Beleg dafür, dass MPO-exprimierende Zellen die interzelluläre Kommunikation direkt vermitteln.

Virtueller Knockdown einzelner Zellen von MPO und Pfadbereicherungsanalyse unter Verwendung von scTenifoldKnk

Der virtuelle Knockdown von MPO auf Einzelzellniveau wurde durch Integration von Seurat und scTenifoldKnk durchgeführt. Nach standardmäßiger Qualitätskontrolle (200–6.000 Gene pro Zelle; mitochondriale Fraktion < 10 %) wurden die Daten log-normalisiert und 2.000 hochvariable Gene zur Dimensionsreduktion und zum Clustering ausgewählt. Um MPO-relevante Kontexte anzureichern, wurden Zellen beibehalten, die innerhalb der oberen 50 % für ein myeloisches/Neutrophil-Genmodul lagen. Aus diesen Zellen wurde ein MPO-Nachbarschafts-Teilensemble definiert, indem ausgehend von MPO-positiven Ausgangszellen mittels k = 40 nächstgelegenen Nachbarn im PCA-Raum erweitert wurde. Das erweiterte Teilensemble wurde nicht als reine MPO-positive Population betrachtet, und aus diesem KNN-Erweiterungsschritt wurden keine Schlussfolgerungen über Zelltyp-Proportionen gezogen. Dieses Teilensemble wurde einer virtuellen Knockdown-Analyse mittels scTenifoldKnk unter Verwendung der Vereinigung aus hochvariablen Genen und MPO (in ≥25 Zellen exprimiert) als Genmenge unterzogen. Signifikant gestörte Gene wurden identifiziert (FDR < 0,05, BH-angepasst). Die resultierenden Gene wurden anschließend hinsichtlich funktioneller Anreicherung in GO-Biologischen Prozessen und KEGG-Wegen analysiert (q < 0,05).

Explorative Arzneimittel-Gen-Rückgewinnung und ADMET-Anmerkung

DGIdb wurde abgefragt, um vorläufige MPO-assoziierte Wechselwirkungseinträge zwischen Arzneistoffen und Genen bzw. chemischen Substanzen und Genen zu erhalten. Da aus Datenbanken stammende Interaktionslisten Einträge enthalten können, die durch heterogene Evidenztypen gestützt werden und möglicherweise nicht direkt klinisch relevante therapeutische Wirkstoffe darstellen, wurden die abgerufenen Verbindungen als explorative Annotationen und nicht als priorisierte Behandlungskandidaten behandelt. Anschließend wurden SwissADME und ADMETlab verwendet, um vorhergesagte physikochemische, pharmakokinetische und toxikologische Eigenschaften zusammenzufassen. Diese in-silico-Annotationen dienten dazu, einen vorläufigen Kontext für die Interpretation auf Ebene der Verbindungen bereitzustellen und darauf hinzuweisen, dass eine weitere pharmakologische, toxikologische und klinische Aufbereitung erforderlich ist, bevor eine therapeutische Relevanz in Betracht gezogen werden kann36.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Expressionsmuster von MPO und explorative Überlebensassoziationen beim Brustkrebs

Um die MPO-Expressionsmuster in Krebsdatensätzen zu beschreiben, analysierten wir MPO-RNA-seq-Daten aus dem TCGA-Pankrebs-Datensatz und beobachteten eine niedrigere MPO-Expression in Tumorgeweben von Blasenurothelkarzinom (BLCA), invasivem Brustkarzinom (BRCA), Glioblastom multiforme (GBM), Plattenepithelkarzinom des Kopf- und Halsbereichs (HNSC), chromophobem Nierenzellkarzinom (KICH), hepatozel...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie stellt einen explorativen öffentlichen Datensatz und einen In-silico-Arbeitsablauf zur Untersuchung der Zusammenhänge zwischen MPO-Expression und immunen/myeloiden Merkmalen beim Brustkrebs vor. Die Analysen von TCGA-BRCA zeigten, dass die MPO-Expression in Tumorgeweben niedriger war als in angrenzendem Nicht-Tumorgewebe und dass eine höhere MPO-Expression mit einem längeren progressionsfreien Intervall assoziiert war. Allerdings waren Gesamtüberleben und krankheitsspezifisches Überleben nicht statistisch si...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren geben an, dass in dieser Arbeit keine Interessenkonflikte bestehen. Ein auf KI basierendes Sprachkorrekturtool wurde ausschließlich zur Unterstützung bei der sprachlichen Überarbeitung und Verbesserung der Lesbarkeit während der Manuskriptrevision verwendet. Das Tool wurde nicht für die Studiendesignplanung, Datenanalyse, Erstellung von Abbildungen, Interpretation der Ergebnisse, Auswahl von Referenzen oder für die Ableitung wissenschaftlicher Schlussfolgerungen eingesetzt. Alle Analysen, Ergebnisse, Interpretationen, Referenzen und der endgültige Text wurden sorgfältig geprüft, revidiert und von den Autoren genehmigt, die die vollständige Verantwortung für den Inhalt des Manuskripts übernehmen.

Danksagungen

Die Autoren danken für die finanzielle Unterstützung durch den Fonds für wissenschaftliche Forschung des Aerospace Center Hospitals (YN202530).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
CellChatR-Paket/Open Sourcehttps://github.com/sqjin/CellChatAnalyse der Zell-Zell-Kommunikation
ChIP-AtlasÖffentliche Datenbankhttps://chip-atlas.org/Screening von Transkriptionsfaktor-Zielen; Update 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/GO/KEGG-Enrichment-Analyse; v4.4.4
CytoscapeCytoscape-Konsortiumhttps://cytoscape.org/Netzwerkvisualisierung und Topologieanalyse
DGIdbWashington University/Öffentliche Datenbankhttps://www.dgidb.org/Abruf von Arzneimittel-Gen-Interaktionen
GDC/TCGA-BRCANational Cancer Institutehttps://portal.gdc.cancer.gov/Quelle für transkriptomische Bulkdaten und klinische Daten
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Quelle für Einzelzell-Datensätze
GSEA/MSigDBBroad Institutehttps://www.gsea-msigdb.org/gsea/msigdbGen-Set-Enrichment-Analyse und Gen-Set-Referenz; Version 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Bewertung der Gen-Set-Variation/ssGSEA-bezogene Score-Erstellung; Version 1.46.0
GTRDÖffentliche Datenbankhttp://gtrd.biouml.org/Screening von Transkriptionsfaktor-Zielen; 2021 
KnockTFÖffentliche Datenbankhttp://www.licpathway.net/KnockTF/index.htmlRessource für Transkriptionsfaktor-Störungen; Version 2.0 
RR Foundation for Statistical Computinghttps://www.r-project.org/Statistische Rechenumgebung
scTenifoldKnkR-Paket/Open Sourcehttps://github.com/cailab-tamu/scTenifoldKnkVirtuelle Knockdown-Analyse
SeuratR-Paket/Open Sourcehttps://satijalab.org/seurat/Vorverarbeitung und Clustering von Einzelzell-Daten
STRINGELIXIR/Öffentliche Datenbankhttps://string-db.org/Protein-Protein-Interaktionsanalyse; v11 
SwissADMESIB Swiss Institute of Bioinformaticshttp://www.swissadme.ch/Bewertung der Arzneimitteltauglichkeit; Ausgabe 2017/Web-Tool 
TIMERÖffentliche Webressourcehttps://timer.cistrome.org/Analyse der Immuninfiltration; TIMER2.0 
UCSC Xena oder verknüpftes TCGA-PortalUCSChttps://xenabrowser.net/Explorative Datenzugriffs- und Validierungsmöglichkeit 

Referenzen

  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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

EinzelzellanalyseBioinformatik-WorkflowImmuninfiltrationTCGA-BRCAmyeloide MerkmaleImmun-DekonvolutionWirkstoff-Gen-Interaktion
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.