Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de investigación

Asociación de la expresión de MPO con el microambiente inmunitario en el cáncer de mama: perspectivas a partir de análisis bioinformáticos y de células únicas

91 visualizaciones

⸱

DOI:

10.3791/71189

⸱

14 de agosto de 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

En este artículo

Resumen

Este artículo presenta un flujo de trabajo reproducible de bioinformática y de célula individual para explorar las asociaciones entre la expresión de mieloperoxidasa (MPO) y las características inmunitarias/mieloides en el cáncer de mama. Dado que los análisis se basan en conjuntos de datos públicos y métodos in silico, los hallazgos se interpretan como exploratorios y generadores de hipótesis.

Resumen

El cáncer de mama sigue siendo una causa importante de mortalidad relacionada con el cáncer, y los flujos de trabajo computacionales exploratorios pueden ayudar a priorizar marcadores asociados al sistema inmunitario para investigaciones posteriores. En este estudio, utilizamos los datos transcriptómicos de ARN total del Atlas del Genoma del Cáncer de carcinoma mamario invasivo (TCGA-BRCA) y el conjunto de datos públicos de secuenciación de una sola célula GSE161529 para examinar las asociaciones entre la expresión de mieloperoxidasa (MPO), resultados clínicos, infiltración inmunitaria, metilación, anotaciones de reguladores upstream, patrones de expresión a nivel de célula individual, resultados de sensibilidad tras silenciamiento virtual, recuperación de interacciones fármaco-gen y anotaciones de absorción, distribución, metabolismo, excreción y toxicidad (ADMET). La expresión de MPO fue menor en los tejidos de cáncer de mama que en los tejidos adyacentes no tumorales. Una mayor expresión de MPO se asoció con un mayor intervalo libre de progresión, mientras que sus asociaciones con la supervivencia global y la supervivencia específica de la enfermedad no fueron estadísticamente significativas. El análisis de la curva característica de operación del receptor (ROC) sugirió una separación entre tumor y tejido normal dentro del conjunto de datos público analizado, aunque esto no debe interpretarse como una validación diagnóstica clínica. Los análisis de desconvolución inmunitaria y enriquecimiento indicaron que la expresión de MPO se asoció principalmente con características transcripcionales relacionadas con el sistema inmunitario y con linaje mieloide, más que con una regulación intrínseca del tumor del microambiente inmunitario. A resolución de célula individual, la señal de MPO fue escasa, detectándose únicamente 85 células positivas para MPO antes de la expansión del entorno basada en vecinos más cercanos (KNN). La señal detectable de MPO y las puntuaciones asociadas a MPO se interpretaron con cautela, ya que podrían verse influenciadas por la expresión escasa, la incertidumbre en la anotación de tipos celulares, eventos de dropout, dobletes o ARN ambiental. In silico la reducción virtual sugirió cambios transcripcionales candidatos relacionados con la inmunidad y la inflamación, pero estos resultados se consideraron exploratorios y requieren validación. La recuperación de interacciones fármaco-gen basada en la base de datos de interacciones fármaco-gen (DGIdb) y la anotación ADMET se utilizaron únicamente como anotaciones químicas preliminares y no se interpretaron como evidencia terapéutica. En conjunto, este estudio proporciona un flujo de trabajo in silico reproducible para generar hipótesis sobre características inmunitarias/mioides asociadas a MPO en el cáncer de mama, las cuales requieren validación en cohortes externas y confirmación experimental.

Introducción

El cáncer de mama es una neoplasia inmunorrelacionada altamente heterogénea1. La progresión de la enfermedad, el riesgo de recurrencia y metástasis, y la respuesta al tratamiento están estrechamente asociados con la composición y el estado funcional del microambiente inmunitario tumoral (TIME, por sus siglas en inglés)2. A pesar de la continua optimización de las estrategias de tratamiento integral, algunos pacientes aún experimentan progresión o recurrencia, lo que subraya la necesidad urgente de identificar biomarcadores moleculares que caractericen el estado del TIME y apoyen la estratificación de riesgos, al tiempo que se elucidan sus mecanismos subyacentes.

La mieloperoxidasa (MPO) es una peroxidasa que contiene hemo y que se expresa predominantemente en neutrófilos y, en menor medida, en monocitos y macrófagos. A través de la generación de ácido hipocloroso y otros oxidantes reactivos, la MPO contribuye a la defensa antimicrobiana, pero también puede promover lesión tisular oxidativa e inflamación crónica. En el cáncer, la importancia biológica de la MPO parece depender del contexto3. Por un lado, se ha implicado al estrés oxidativo mediado por MPO en la carcinogénesis y la progresión tumoral mediante daño al ADN, oxidación de lípidos y proteínas, señalización inflamatoria y remodelación del microambiente tumoral4,5,6. Por otro lado, la infiltración de células innatas inmunitarias o de linaje mieloide positivas para MPO se ha asociado con un pronóstico favorable o con actividad inmunitaria antitumoral en ciertos contextos tumorales7,8,9. Estos hallazgos aparentemente contradictorios sugieren que la importancia clínica y biológica de la MPO puede depender del tipo de tumor, la etapa de la enfermedad, la fuente celular de la MPO y la composición inmunitaria del microambiente tumoral. Sin embargo, el patrón de expresión y la relevancia pronóstica de la MPO en el cáncer de mama, particularmente a nivel de célula individual, aún no están completamente caracterizados.

El microambiente inmunitario del tumor (TIME) contiene compartimentos heterogéneos de linaje mieloide, linfoides, estromales y epiteliales10. La MPO se asocia clásicamente con neutrófilos y otras células de linaje mieloide, por lo que las señales relacionadas con la MPO en perfiles tumorales masivos pueden reflejar la composición de células inmunitarias más que la actividad intrínseca de las células tumorales10. En el cáncer de mama, la distribución de la señal de MPO en conjuntos de datos masivos y de célula única, su asociación con estimaciones de infiltración inmunitaria y los límites de reproducibilidad de análisis computacionales posteriores aún no están suficientemente caracterizados. Por lo tanto, este estudio trata a la MPO como un marcador asociado al sistema inmunitario para el desarrollo de un flujo de trabajo exploratorio, y no como un regulador causal demostrado del TIME ni como un objetivo terapéutico validado. En comparación con análisis diferenciales de expresión en una sola cohorte o estimaciones de infiltración inmunitaria en una sola plataforma, un flujo de trabajo integrado que combine transcriptómica masiva, desconvolución inmunitaria, anotación de metilación, mapeo de célula única y perturbación computacional puede ofrecer una visión exploratoria más amplia del contexto inmunitario asociado a genes. Este enfoque es útil para priorizar marcadores candidatos y generar hipótesis comprobables, especialmente cuando aún no están disponibles conjuntos de datos experimentales. Sin embargo, dicha integración computacional no puede por sí sola determinar la fuente celular, causalidad, actividad farmacológica o utilidad clínica. Con el avance de grandes cohortes públicas de cáncer y tecnologías transcriptómicas de célula única, los enfoques de bioinformática pueden utilizarse para explorar asociaciones entre la expresión génica, resultados clínicos, composición de células inmunitarias y estados transcripcionales a nivel poblacional y de célula única11. Los métodos de perturbación computacional basados en redes reguladoras génicas de célula única pueden además proporcionar información generadora de hipótesis sobre la sensibilidad transcripcional asociada a genes12,13. Por lo tanto, este estudio tuvo como objetivo caracterizar el patrón de expresión, la asociación con la supervivencia, el contexto inmunitario/mieloide, el perfil de metilación, la distribución en célula única y el perfil exploratorio de perturbación computacional de la MPO en el cáncer de mama. El flujo de trabajo general se muestra en Figura 1.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Adquisición desde la base de datos TCGA

Los datos de secuenciación de ARN y la información clínica para la cohorte de carcinoma invasivo de mama del Proyecto del Genoma del Cáncer (TCGA-BRCA) se obtuvieron del portal Genomic Data Commons14. Se extrajeron los datos de ARN-seq del flujo de trabajo STAR en formato de transcritos por millón (TPM), junto con las anotaciones clínicas emparejadas. Se excluyeron las muestras de ARN-seq que carecían de información clínica correspondiente. Para los análisis basados en la expresión, los valores de TPM se transformaron como log2(TPM + 1). La expresión de MPO se extrajo utilizando el símbolo génico MPO y el identificador génico Ensembl ENSG00000005381.8. Para los análisis que requerían agrupamiento en MPO-alto y MPO-bajo, solo se incluyeron muestras tumorales de TCGA-BRCA, excluyéndose las muestras normales adyacentes de la asignación de grupo. Las muestras tumorales se dividieron según el valor mediano de la expresión de MPO transformada a log2(TPM + 1) entre las muestras tumorales de TCGA-BRCA. Las muestras con expresión de MPO mayor o igual que la mediana se asignaron al grupo MPO-alto, mientras que las muestras por debajo de la mediana se asignaron al grupo MPO-bajo. Esta estrategia de agrupamiento basada en la mediana se utilizó para el análisis de supervivencia, el análisis de expresión diferencial, el análisis de enriquecimiento, el agrupamiento por metilación y las comparaciones de enriquecimiento de células inmunitarias, salvo que se indique lo contrario. Las características clínico-patológicas, incluyendo sexo, edad, etnia, estadio patológico T, grado histológico, subtipo PAM50, estadio patológico, estado del tumor y puntos finales de supervivencia, incluyendo supervivencia global (OS), intervalo libre de progresión (PFI) y supervivencia específica para la enfermedad (DSS), se analizaron utilizando la versión 4.2.1 de R.

Recuperación Pública de Imágenes de Inmunohistoquímica

Se utilizaron imágenes representativas de inmunohistoquímica de mieloperoxidasa (MPO) de tejido mamario normal adyacente y tejido de cáncer de mama como referencias cualitativas a nivel proteico. Estas imágenes no se incluyeron en análisis morfométricos cuantitativos ni estadísticos. Las áreas delimitadas indican regiones mostradas con mayor aumento. Las barras de escala indican 100 µm en las imágenes de 20× y 50 µm en las imágenes de 40×.

Análisis de correlación de expresión

Se utilizó el conjunto de datos TCGA-BRCA para examinar los genes que covarían con la expresión de MPO en el cáncer de mama. Se calcularon coeficientes de correlación de Pearson a nivel genómico entre MPO y los genes que codifican proteínas, y se seleccionaron los 30 genes con mayor correlación positiva y los 30 con mayor correlación negativa para su visualización. En los análisis de correlación que implicaron múltiples genes evaluados, los valores p nominales se ajustaron mediante el método de tasa de descubrimiento falso de Benjamini-Hochberg. La red de interacción proteína-proteína (PPI) asociada a MPO se construyó utilizando la herramienta de búsqueda para la recuperación de genes/proteínas interactuantes (base de datos STRING), conservándose para la visualización los pares de proteínas con puntuaciones de interacción superiores a 0,4015.

Análisis de enriquecimiento funcional

Los genes diferencialmente expresados (DEG) se identificaron comparando los grupos de tumores MPO-alto y MPO-bajo de TCGA-BRCA utilizando umbrales de |log2FC| > 1 y un valor p ajustado por Benjamini-Hochberg < 0,05. El análisis de enriquecimiento funcional de los DEG se realizó utilizando el paquete de R clusterProfiler versión 4.4.4, que incluyó análisis de procesos biológicos, componentes celulares y funciones moleculares de la ontología genética (GO), así como análisis de vías de la Enciclopedia de Kioto de genes y genomas (KEGG)16,17,18,19,20. Los términos GO y KEGG enriquecidos se consideraron significativos cuando el valor p ajustado fue < 0,05.

Se realizó un análisis de enriquecimiento de conjuntos de genes (GSEA) utilizando una lista previamente ordenada de genes basada en estadísticas de expresión diferencial entre los grupos con alto y bajo contenido de MPO. Se utilizó la colección de vías canónicas C2 de MSigDB c2.cp.all.v2022.1.Hs.symbols.gmt, correspondiente a MSigDB v2022.1.Hs y que contiene 3.050 conjuntos de genes21,22. Los términos enriquecidos se consideraron significativos según un valor p ajustado por Benjamini–Hochberg < 0,05, un valor q de FDR < 0,25 y un |valor de enriquecimiento normalizado| > 1. Cuando fue aplicable, se calcularon las puntuaciones Z para los términos enriquecidos significativamente utilizando el paquete GOplot para la visualización.

Análisis del enriquecimiento de células inmunitarias en tumores

Los componentes inmunitarios y estromales en la cohorte TCGA-BRCA se evaluaron mediante el algoritmo ESTIMATE implementado en el paquete de R estimate versión 1.0.13. Se utilizaron como entrada datos de expresión transformados mediante log2(TPM + 1), y se calcularon la puntuación inmunitaria, la puntuación estromal y la puntuación ESTIMATE para cada muestra tumoral. Se empleó TIMER/TIMER2.0 para evaluar las asociaciones entre la expresión de MPO y los niveles estimados de infiltración de poblaciones principales de células inmunitarias en la cohorte TCGA-BRCA, incluyendo células B, células T CD8+, células T CD4+, macrófagos, neutrófilos y células dendríticas23,24,25. Los resultados basados en TIMER se interpretaron como estimaciones de infiltración inmunitaria derivadas del recurso en línea correspondiente. Para el análisis de enriquecimiento de células inmunitarias en 24 tipos de células inmunitarias, se implementó un análisis de enriquecimiento de conjuntos de genes para una sola muestra (ssGSEA) utilizando el paquete de R GSVA versión 1.46.026. La matriz de firmas de células inmunitarias LM22 utilizada para la desconvolución basada en CIBERSORT de 22 tipos de células inmunitarias se proporciona en la Tabla Suplementaria 1. Las correlaciones entre la expresión de MPO y las puntuaciones de enriquecimiento de células inmunitarias se evaluaron mediante la correlación de rangos de Spearman. Las diferencias en las puntuaciones de enriquecimiento de células inmunitarias entre los grupos tumorales definidos por la mediana como MPO-alto y MPO-bajo se compararon utilizando la prueba de suma de rangos de Wilcoxon. En los análisis que involucraron múltiples tipos de células inmunitarias, los valores p se ajustaron mediante el método de tasa de descubrimientos falsos de Benjamini–Hochberg.

Metilación del ADN del gen MPO

Los patrones de metilación del ADN dentro del locus MPO se evaluaron utilizando MethSurv. Los valores beta de metilación de los sitios CpG y las asociaciones con la supervivencia para TCGA-BRCA se obtuvieron de la plataforma MethSurv. Se visualizaron los sitios CpG relacionados con MPO seleccionados y se evaluaron sus asociaciones con los resultados de supervivencia mediante los análisis de supervivencia proporcionados por MethSurv27. Para los análisis que involucraron múltiples sitios CpG, los valores p se ajustaron a través de los sitios CpG relacionados con MPO evaluados utilizando el método de tasa de descubrimiento falso de Benjamini-Hochberg. Estos análisis de metilación se interpretaron como anotaciones epigenéticas exploratorias.

Construcción de la red PPI y análisis de correlación de genes relacionados con neutrófilos

Para examinar la asociación entre MPO y la biología relacionada con los neutrófilos, se realizó un análisis de red sistemático. Se seleccionó un conjunto de genes que comprende mediadores establecidos de la activación de neutrófilos y procesos inflamatorios asociados, a partir de la literatura actual. La lista completa de genes relacionados con neutrófilos se proporciona en Tabla Suplementaria 2. Los símbolos de los genes se armonizaron con los símbolos oficiales, se eliminaron las entradas duplicadas y los genes disponibles se intersectaron con la matriz de expresión TCGA-BRCA antes del análisis STRING/PPI, la priorización de genes centrales (hub genes) y el análisis de correlación entre MPO y genes centrales. La red PPI entre estos genes se construyó utilizando la base de datos STRING (versión 11.5) con un umbral de confianza media para la puntuación de interacción (>0.40). Los genes centrales dentro de esta red se priorizaron algorítmicamente en función de la centralidad de grado, que cuantifica el número de interacciones directas por nodo. Los 20 genes principales con las puntuaciones de grado más altas se seleccionaron para el análisis de correlación posterior.

Posteriormente, se extrajeron los perfiles de expresión de estos genes centrales y de MPO a partir del conjunto de datos transcriptómicos TCGA-BRCA. La asociación entre MPO y cada gen central se evaluó estadísticamente mediante la correlación de rangos de Spearman. Para caracterizar los patrones de correlación entre los propios genes centrales, se calculó una matriz de correlación de Spearman por pares en todas las muestras tumorales. Estos análisis de correlación proporcionaron la base cuantitativa para las visualizaciones posteriores, incluyendo el gráfico de bastones de las correlaciones entre MPO y los genes centrales y el diagrama de acordes/mapa de calor que muestra los patrones de correlación entre los genes centrales.

Predicción de factores de transcripción y miARNs upstream que dirigen MPO

Se utilizó la base de datos KnockTF (https://bio.liclab.net/KnockTF/index.php)28,29, la base de datos ChIP (http://chip-atlas.org/)30,31 y la base de datos GTRD32,33 (https://gtrd.biouml.org/#!) para predecir los TFs diana de MPO. Además, se utilizó la base de datos TargetScan (https://www.targetscan.org/vert_80/) para predecir los sitios potenciales de unión de miARN que dirigen a MPO. Los diagramas de Venn se generaron utilizando el sitio web MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

Análisis de una sola célula de MPO

El conjunto de datos específico GSE161529 proviene del Gene Expression Omnibus (GEO). El preprocesamiento de los datos comenzó con un filtrado a nivel celular para excluir células de baja calidad—aquellas que cumplían con alguno de los siguientes criterios: expresión de genes mitocondriales superior al 25 %, recuento total de identificadores moleculares únicos (UMI) inferior a 5000 o menos de 2500 genes detectados. Posteriormente, se corrigió la contaminación por ARN ambiental y los efectos técnicos por lotes35. Se realizó un análisis de componentes principales (PCA) para reducir la dimensionalidad y evaluar la similitud celular, seguido de UMAP para la agrupación y visualización de células. Luego, según los genes marcadores típicos de las células, los diferentes grupos se anotaron con tipos celulares11. El conjunto de genes asociados a MPO utilizado para la puntuación de firmas a nivel de célula individual se proporciona en el Archivo Suplementario 1. Antes de la puntuación, los símbolos de los genes se armonizaron con los símbolos oficiales, se eliminaron las entradas duplicadas y se intersectaron los genes disponibles con la matriz de expresión de GSE161529. Se utilizaron AUCell, Seurat AddModuleScore y ssGSEA para calcular las puntuaciones asociadas a MPO en cada célula. Las puntuaciones obtenidas mediante los tres métodos se normalizaron mediante puntuación Z, se escalaron a un rango comparable y se integraron para generar una puntuación compuesta asociada a MPO destinada a análisis descriptivos posteriores. Se analizaron redes de interacción entre células para comparar los patrones inferidos de comunicación ligando–receptor que involucran células tumorales epiteliales estratificadas según la señal asociada a MPO y diversos tipos celulares compañeros. Estos resultados se interpretaron como patrones descriptivos de comunicación, y no como evidencia de que las células que expresan MPO median directamente la comunicación intercelular.

Supresión virtual a nivel de célula individual de MPO y análisis de enriquecimiento de vías mediante scTenifoldKnk

Se realizó un silenciamiento virtual a nivel de célula individual de MPO mediante la integración de Seurat y scTenifoldKnk. Tras un control de calidad estándar (200–6.000 genes por célula; fracción mitocondrial < 10%), los datos fueron normalizados mediante logaritmo, y se seleccionaron 2.000 genes altamente variables para la reducción de dimensionalidad y agrupamiento. Para enriquecer contextos relevantes para MPO, se conservaron las células que se ubicaron en el 50 % superior de un módulo génico de mieloide/neutrófilo. A partir de estas células, se definió un subconjunto vecino de MPO mediante la expansión desde semillas positivas para MPO utilizando k = 40 vecinos más cercanos en el espacio del PCA. Este subconjunto expandido no fue considerado como una población puramente positiva para MPO, y no se obtuvieron conclusiones sobre la proporción de tipos celulares a partir de este paso de expansión por KNN. Este subconjunto fue sometido a análisis de silenciamiento virtual mediante scTenifoldKnk, utilizando la unión de los genes altamente variables y MPO (expresado en ≥25 células) como conjunto génico. Se identificaron genes significativamente perturbados (FDR < 0,05, ajustado por BH). Los genes resultantes se analizaron posteriormente en cuanto al enriquecimiento funcional en Procesos Biológicos de GO y vías KEGG (q < 0,05).

Recuperación exploratoria de interacciones fármaco-gen y anotación ADMET

Se consultó DGIdb para obtener registros preliminares de interacciones fármaco-gen o químico-gen asociadas a MPO. Dado que las listas de interacciones derivadas de bases de datos pueden incluir entradas respaldadas por tipos heterogéneos de evidencia y pueden no corresponder directamente a agentes terapéuticos clínicamente accionables, los compuestos recuperados se consideraron anotaciones exploratorias en lugar de candidatos a tratamiento prioritarios. Posteriormente, se utilizaron SwissADME y ADMETlab para resumir las propiedades fisicoquímicas, farmacocinéticas y toxicológicas predichas. Estas anotaciones in silico se emplearon para proporcionar un contexto preliminar para la interpretación a nivel de compuesto y para destacar la necesidad de una mayor curación farmacológica, toxicológica y clínica antes de que pueda considerarse alguna relevancia terapéutica36.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Patrones de expresión de MPO y asociaciones exploratorias de supervivencia en el cáncer de mama

Para describir los patrones de expresión de MPO en conjuntos de datos de cáncer, analizamos datos de RNA-seq de MPO del conjunto de datos pan-cáncer de TCGA y observamos una expresión más baja de MPO en tejidos tumorales de carcinoma de urotelio de vejiga (BLCA), carcinoma invasivo de mama (BRCA), glioblastoma multiforme (GBM), carcinoma escamoso de cabeza y cuello (HNSC), carcinoma...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este estudio presenta un conjunto de datos público exploratorio y un flujo de trabajo in silico para examinar las asociaciones entre la expresión de MPO y las características inmunitarias/mieloides en el cáncer de mama. Los análisis de TCGA-BRCA mostraron que la expresión de MPO era menor en los tejidos tumorales que en los tejidos adyacentes no tumorales, y que una mayor expresión de MPO se asoció con un intervalo libre de progresión más largo. Sin embargo, la supervivencia global y la supervivencia específica de la enf...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no declaran conflictos de intereses en este trabajo. Una herramienta de edición basada en inteligencia artificial se utilizó únicamente para ayudar en el perfeccionamiento y la legibilidad del idioma inglés durante la revisión del manuscrito. La herramienta no se utilizó para el diseño del estudio, el análisis de datos, la generación de figuras, la interpretación de resultados, la selección de referencias ni para formular conclusiones científicas. Todos los análisis, resultados, interpretaciones, referencias y el texto final fueron cuidadosamente verificados, revisados y aprobados por los autores, quienes asumen toda la responsabilidad sobre el contenido del manuscrito.

Agradecimientos

Los autores agradecen sinceramente el apoyo financiero del Fondo de Investigación Científica del Hospital del Centro Aeroespacial (YN202530).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
CellChatPaquete R/Código abiertohttps://github.com/sqjin/CellChatAnálisis de comunicación entre células
ChIP-AtlasBase de datos públicahttps://chip-atlas.org/Búsqueda de dianas de factores de transcripción; actualización de 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/Análisis de enriquecimiento GO/KEGG; v4.4.4
CytoscapeConsortium Cytoscapehttps://cytoscape.org/Visualización y análisis de topología de redes
DGIdbUniversidad de Washington/Base de datos públicahttps://www.dgidb.org/Recuperación de interacciones fármaco-gen
GDC/TCGA-BRCAInstituto Nacional del Cáncerhttps://portal.gdc.cancer.gov/Fuente de datos transcriptómicos masivos y clínicos
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Fuente de conjunto de datos de célula única
GSEA/MSigDBInstituto Broadhttps://www.gsea-msigdb.org/gsea/msigdbAnálisis de enriquecimiento de conjuntos de genes y referencia de conjuntos de genes; Versión 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Puntuación relacionada con variación de conjuntos de genes/ssGSEA; Versión 1.46.0
GTRDBase de datos públicahttp://gtrd.biouml.org/Búsqueda de dianas de factores de transcripción; 2021 
KnockTFBase de datos públicahttp://www.licpathway.net/KnockTF/index.htmlRecurso de perturbación de factores de transcripción; Versión 2.0 
RFoundation R para la Computación Estadísticahttps://www.r-project.org/Entorno de computación estadística
scTenifoldKnkPaquete R/Código abiertohttps://github.com/cailab-tamu/scTenifoldKnkAnálisis de silenciamiento virtual
SeuratPaquete R/Código abiertohttps://satijalab.org/seurat/Preprocesamiento y agrupamiento de células individuales
STRINGELIXIR/Base de datos públicahttps://string-db.org/Análisis de interacción proteína-proteína; v11 
SwissADMEInstituto SIB Suizo de Bioinformáticahttp://www.swissadme.ch/Evaluación de perfil farmacológico; lanzamiento de 2017/herramienta web 
TIMERRecurso web públicohttps://timer.cistrome.org/Análisis de infiltración inmune; TIMER2.0 
UCSC Xena o portal TCGA vinculadoUCSChttps://xenabrowser.net/Acceso y validación exploratoria de datos 

Referencias

  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.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Análisis de células individualesFlujo de trabajo bioinformáticoInfiltración inmunitariaTCGA-BRCACaracterísticas mieloidesDeconvolución inmunitariaInteracción fármaco-gen
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.