Method Article

Décodage de l’épitranscriptome : Des analyses in silice sur le réseau réglementaire m6A dans le cancer du sein

DOI:

10.3791/70545

⸱

June 9th, 2026

 ,  ,  ,  ,  , 
1Department of Life Sciences, College of Science and General Studies, Alfaisal University, 2Department of Biological and Biomedical Sciences, Aga Khan University, 3College of Medicine, Alfaisal University, 4Affiliated Hospital of Hunan University, School of Biomedical Sciences, Hunan University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce protocole propose une approche pour mener des analyses génétiques, moléculaires et pronostiques in silico des régulateurs de modification de m6A en intégrant des profils de mutations, des altérations du nombre de copies, de l’expression génique et des résultats cliniques à partir de jeux de données publiques issus du Cancer Genome Atlas (TCGA), du projet Genotype-Tissue Expression (GTEx) et des plateformes de microarrays.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La N6-méthyladénosine (m6A) est la modification interne d’ARN la plus abondante dans les transcrits eucaryotes et joue un rôle crucial dans le métabolisme de l’ARN, l’expression génique et l’homéostasie cellulaire. La dysrégulation des régulateurs m6A, y compris les « écrivains », les « gommes » et les « lecteurs », est de plus en plus impliquée dans la biologie du cancer ; cependant, leur rôle global dans le cancer du sein reste à comprendre. L’objectif principal de cet article sur les méthodes est de fournir aux débutants en bioinformatique un cadre étape par étape pour utiliser des ensembles de données cancéreuses publiques afin d’effectuer des analyses mutationnelles, évaluer les altérations de l’expression génique et examiner leurs liens avec la survie des patients. À titre d’étude de cas, les régulateurs m6A dans le cancer du sein ont été analysés à l’aide de jeux de données issus du Cancer Genome Atlas (TCGA), du projet Genotype-Tissue Expression (GTEx) et de plateformes de microarrays. Les profils transcriptomiques ont été analysés de manière systématique afin de démontrer les flux de travail permettant d’évaluer la pertinence pronostique des composants régulateurs de m6A dans le cancer du sein. Grâce à ce cadre analytique, des schémas distincts d’altérations génétiques et d’expression différentielle parmi les principaux régulateurs m6A ont été identifiés. Plusieurs régulateurs, dont METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 et RBMX, étaient associés à une meilleure survie des patients, tandis que YWHAG était associé à une faible survie globale. Cette étude offre une vue d’ensemble complète de la génomique des systèmes sur les gènes régulateurs m6A dans le cancer du sein tout en démontrant un flux de travail pratique et reproductible en bioinformatique basé sur le web. Ces résultats font progresser la compréhension de la régulation épitranscriptomique dans le cancer du sein et constituent une base pour le développement de nouvelles stratégies diagnostiques et thérapeutiques basées sur le m6A.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les modifications épitranscriptomiques représentent une couche importante de régulation génétique post-transcriptionnelle et contribuent à divers processus cellulaires et états pathologiques. Parmi plus de 170 modifications d’ARN identifiées à ce jour, la N6-méthylénosine (m6A) est la plus répandue et la mieux caractérisée chez les ARNmeucaryotes 1. Installé par des complexes « écrivains » comme METTL3/METTL14, retiré par des « gommes » comme FTO et ALKBH5, et interprété par des protéines « lectrices » incluant les membres des familles YTH et IGF2BP, m6A orchestre le splicing, la stabilité, le transport et la traduction de l’ARN, influençant ainsi des processus biologiques clés tels que le développement, la différenciation et la réponse au stress 2,3.

Des modifications des composantes régulatrices de m6A ont été rapportées sur un large éventail decancers 4. Dans de nombreux cancers, une activité aberrante de m6A entraîne des phénotypes malins ; par exemple, une expression élevée de METTL3 favorise l’initiation et la progression du cancer de la prostate en modulant la voie du hérisson et la méthylation de l’ARNMYC 5,6. Initialement impliquée dans l’exercice d’effets oncogéniques dans la leucémie myéloïde aiguë, la FTO a montré qu’elle favorisait la progression tumorale dans les cancers du foie, du poumon et ducolorectal 7,8,9,10. Cependant, des rôles dépendants du contexte de FTO et d’ALKBH5 ont été identifiés, illustrant la double nature de la régulation médiée par m6A, qui peut favoriser à la fois la signalisation oncogénique et la signalisation tumoralesuppressive 11,12,13,14. Les lecteurs M6A, incluant YTHDF1/2/3, les ribonucléoprotéines nucléaires hétérogènes (hnRNP) et les protéines liant les facteurs de croissance insulino-2 (IGF2BP1-3), ont également été associés à la carcinogenèse 15,16,17.

Dans le cancer du sein, de plus en plus de preuves suggèrent que les régulateurs m6A sont fréquemment déréglés et peuvent être associés à des sous-types tumoraux, à des caractéristiques immunitaires et à des résultatscliniques 18,19. De nombreuses études mécanistes positionnent METTL3 comme un facteur pro-oncogène fréquemment surélevé dans le cancer du sein. L’installation de m6A médiée par METTL3 peut stabiliser ou améliorer la traduction des transcrits favorisant la prolifération, la transition épithéliale-mésenchymatose (EMT), la métastase et lachimiorésistance 20. Il a également été démontré que METTL3 favorise la progression du cancer du sein en ciblantBcl-22-21. ALKBH5 a été impliqué dans la régulation des programmes de stemplintabilité cancéreuse via NANOG et d’autres molécules liées à la tige, mais son influence peut varier selon le contextetumoral 22.

Alors que la liste des régulateurs m6A continue de s’élargir ces dernières années, une mise à jour sur la manière dont les nouveaux régulateurs identifiés pourraient être dérégulés dans le cancer du sein est nécessaire. Le tableau 1 présente une liste des régulateurs m6A incluant les auteurs, lecteurs et gommeuses de modifications m6A. De plus, de nouveaux régulateurs m6A, dont LRPPRC et YWHAG, ont été identifiés avec des implications dans la progression du cancer23, 24, 25. Par conséquent, une caractérisation génétique et moléculaire complète de tous les régulateurs m6A connus a été réalisée dans le cancer du sein à l’aide d’outils pouvant être utilisés par des chercheurs ayant une formation bioinformatique limitée.

L’objectif de cet article de Méthodes est de présenter un protocole bioinformatique basé sur une plateforme étape par étape pour analyser les régulateurs m6A dans le cancer du sein, en utilisant des ressources de génomique du cancer accessibles au public. En utilisant des ensembles de données du Cancer Genome Atlas (TCGA) (www.cancer.gov/tcga), du projet Genotype Tissue Expression (GTEx) 26, ainsi que des plateformes analytiques web telles que cBioPortal et UCSC Xena, ce protocole démontre des flux de travail reproductibles pour évaluer les profils mutationnels, les altérations de l’expression génique et l’association avec la survie du patient. Cette approche visualisée et accessible vise à faciliter l’adoption de l’analyse de données épitranscriptomiques par des chercheurs débutants en bioinformatique du cancer.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

REMARQUE : La liste des gènes codant pour les régulateurs de méthylation m6A, classés en écrivains, lecteurs et gommes, est présentée dans le tableau 1. Tous les gènes listés ont été inclus dans les analyses ultérieures des mutations, des schémas d’expression et de la survie globale. Tous les logiciels et outils utilisés dans cette étude sont listés dans le tableau des matériaux.

1. Identification des altérations génétiques dans les régulateurs m6A

  1. Accédez au cBioPortal pour la génomique du cancer. Rendez-vous sur le site web du cBioportal (www.cbioportal.org)27,28. Depuis la page d’accueil, sélectionnez l’onglet « Requête » pour commencer une nouvelle analyse.
  2. Sélectionnez l’étude et la cohorte appropriées sur le cancer.
  3. Dans la barre de recherche « Sélectionner des études pour visualisation et analyse », tapez « Carcinome invasif du sein » et sélectionnez « Carcinome invasif du sein (TCGA, Pan-Cancer Atlas) ».
  4. En bas, sélectionnez « Requête par gène ».
    ESSENTIEL : Assurez-vous que la cohorte sélectionnée (996 échantillons) inclut à la fois des données de mutation et d’altération du nombre de copies (CNA).
  5. Définissez la requête génétique. Dans la section « Entrer les gènes », saisissez les symboles du gène HUGO pour la liste complète des régulateurs m6A en cours d’investigation.
    REMARQUE : Les gènes peuvent être saisis sous forme de liste séparée par des espaces. Dans la section « Sélectionner les profils génomiques », assurez-vous que les deux types de données suivants sont cochés : Mutations et Altérations du numéro de copie.
  6. Sous « Sélectionner patient/ensemble de cas », choisissez l’ensemble d’échantillons par défaut correspondant à la cohorte avec tous les cas profilés.
  7. Cliquez sur le bouton bleu « Soumettre une requête ».
  8. Récupérez et interprétez les données d’altérations génétiques. À la soumission, le résultat se charge dans l’onglet « résumé ». La visualisation centrale « OncoPrint » offre un aperçu immédiat des altérations génétiques de tous les gènes interrogés dans la cohorte, qui peut être téléchargé.
  9. À côté de l’OncoPrint, localisez le graphique « Résumé du type de cancer ». Cela fournit une répartition quantitative des altérations selon les sous-types de cancer du sein.
  10. Réalisez une analyse pan-cancéreuse. Retournez à la page d’accueil du cBioPortal et sélectionnez « TCGA PanCancer Atlas Studies » sous l’onglet « Requête ».
  11. Dans la boîte d’entrée des gènes, entrez la même liste des gènes régulateurs m6A.
  12. Cliquez sur « Soumettre une requête » et, sur la page des résultats, accédez à l’onglet « Résumé des types de cancer ». Cela offre une vision pan-cancéreuse.

2. Analyse transcriptomique comparative des régulateurs m6A utilisant UCSC Xena.

  1. Accédez à la plateforme Xena de l’UCSC. Rendez-vous sur le site web de Xena de l’UCSC (https://xena.ucsc.edu)29.
  2. Depuis la page d’accueil, cliquez sur le bouton « Lancer Xena » pour accéder au navigateur principal d’analyse.
  3. Dans le navigateur Xena, cliquez sur « DATA SETS ».
  4. Parmi les ensembles de données, sélectionnez « TCGA TARGET GTEx ». Celle-ci contient des données ARN-Seq traitées uniformément provenant des tissus normaux des projets TCGA et GTEx.
  5. À la page suivante, cliquez sur « VISUALISER ».
  6. Définissez la variable phénotype (groupe d’échantillon). Dans la section « Sélectionner votre première variable », sélectionnez « Catégorie principale » dans le type de données phénotypique.
  7. Cliquez sur « VERS LA DEUXIÈME VARIABLE ». Ensuite, dans le type de données génomique, cochez « Expression génique » dans le jeu de données. Ajoutez la liste des gènes dans la case « Ajouter gène ou position ». Cliquez sur « Terminé ».
  8. Visualisez des motifs d’expression avec une carte thermique.
  9. Pour séparer les échantillons de sein (TCGA+GTEx) du TCGA TARGET GTEx, tapez « Sein » et utilisez l’option filtre pour conserver les échantillons.
  10. La carte thermique est désormais visible et peut être téléchargée en PDF.
  11. Générez des diagrammes en boîte comparatifs pour des gènes individuels. Pour quantifier et visualiser les différences d’expression d’un gène spécifique, utilisez le « Visualiser comme graphique ». Grâce à cette option, les données peuvent être consultées sous forme de diagramme de boîtes, de diagramme de points et de graphisme de violon, comparant la distribution d’expression entre les deux groupes d’échantillons.
  12. Utilisez l’option « Télécharger en PDF » pour télécharger les charts.
  13. La signification statistique (valeur p) peut être obtenue en cliquant sur « STATISTIQUES ».

3. Évaluation de la signification pronostique des régulateurs m6A à l’aide du ploteur Kaplan-Meier.

  1. Accédez à l’outil Kaplan-Meier Plotter. Rendez-vous sur le site web du Kaplan-Meier Plotter (https://kmplot.com/analysis)30.
  2. Depuis la page d’accueil, sélectionnez l’onglet « cancer du sein » pour lancer une analyse spécifique aux jeux de données sur le cancer du sein.
  3. Configurez la requête génétique pour un seul gène.
  4. Dans la section d’entrée principale, localisez la case « Symbole de gène ».
  5. Saisissez le symbole officiel du gène régulateur m6A à analyser (par exemple, METTL3).
    CRITIQUE : Juste sous la case d’entrée du gène, localisez et activez la case « Only JetSet best probe set ». Cela garantit que la sonde microarray la plus fiable et spécifique est automatiquement sélectionnée pour votre gène, optimisant ainsi la qualité et la reproductibilité des données.
  6. Définissez les paramètres d’analyse de survie. Dans la section « Survie », sélectionnez « Survie globale (OS) » comme point d’arrivée principal pour cette analyse. L’outil utilisera automatiquement les données de 1880 patientes atteintes de cancer du sein lorsque ce paramètre sera sélectionné.
  7. Assurez-vous que l’option « Séparer les patients par » soit réglée sur « médiane ». Cela stratifiera les patients en deux groupes égaux ; haute expression et faible expression, basées sur la valeur médiane d’expression du gène interrogé sur tous les échantillons.
  8. Le « seuil de suivi » peut être utilisé pour sélectionner la période de suivi. Pour cette étude, 180 mois ont été sélectionnés.
  9. Générez et interprétez le complot de Kaplan-Meier.
  10. Cliquez sur le bouton « Dessiner le graphique Kaplan-Meier ».
  11. Une nouvelle fenêtre se chargera, affichant la courbe de survie.
  12. Interpréter les éléments clés de l’intrigue ; L’axe X indique le temps en mois, l’axe Y indique la probabilité de survie globale, les deux lignes colorées représentent les courbes de survie pour les groupes de patients à haute expression (rouge) et à faible expression (noir). La valeur P de rang logarithmique est affichée, indiquant la signification statistique de la différence entre les deux courbes de survie.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Paysage mutationnel des régulateurs de méthylation de m6a dans le cancer du sein

Dans une étude antérieure sur l’analyse génomique des ensembles de données TCGA, des mutations récurrentes dans plusieurs gènes codant pour régulateurs de la méthylation de l’ADN ont étérapportées 31. Dans la présente étude, cBioPortal a été utilisé pour analyser le jeu de données « Breast Invasive Carcinoma (TCGA, PanCancer Atlas) » afin d’examiner les profils mutationnels des gènes codant pour les auteurs, lecteurs et gommes de la méthylation de l’ARN m6A. Cette analyse a révélé diverses altérations génétiques chez les patientes atteintes de cancer du sein, avec des fréquences d’altération variant considérablement selon les gènes — de 0,4 % chez CNBP et RBM15B à 12 % chez VIRMA (Figure 1A). L’amplification génique représentait l’altération la plus courante, tandis que d’autres événements incluaient des délétions profondes, des substitutions de bases et de multiples altérations concurrentes. Notamment, des altérations des gènes régulant les fonctions liées à m6A ont été détectées chez 476 patientes (48 % de la cohorte) (Figure 1B), soulignant l’importance de la dynamique de modification de m6A dans le cancer du sein. Bien que la fréquence des différents types d’altération ait varié, de telles mutations ont été observées sur tous les sous-types moléculaires du cancer du sein (Figure 1C). Pour validation, PIK3CA, TP53, CDH1 et GATA3 ont été inclus comme gènes témoins de référence (Figure 1A). Fait frappant, les modifications du mécanisme réglementaire m6A ne se limitaient pas au cancer du sein. L’analyse de 10 967 échantillons provenant de 10 953 patients issus de 32 études de l’ATLAS Pan-Cancer de la TCGA a révélé des schémas mutationnels conservés dans un large éventail de types de cancer. Il a récemment été démontré que la voie m6A est fréquemment modifiée dans le cancer de la prostate (PCa) et exerce globalement un rôle pro-oncogénique32. Ces résultats indiquent que les mutations affectant les gènes codant pour les auteurs, lecteurs et effaceurs de la modification de l’ARN m6A sont une caractéristique courante chez plusieurs cancers (Figure 2).

Profils d’expression génique aberrants dans le cancer du sein

Les preuves émergentes mettent en avant les perturbations transcriptomiques comme des facteurs clés de la tumorigenèse, l’expression génique aberrante offrant un potentiel de biomarqueurs dans le cancer du sein. Pour étudier cela, les niveaux de transcription des gènes régulant la modification m6A ont été analysés à l’aide de données du TCGA et du projet Genotype Tissue Expression (GTEx) représentant le tissu mammaire normal. Comme illustré à la Figure 3A, divers gènes associés à m6A ont montré une dysrégulation significative dans des échantillons de cancer du sein. Des régulations à la hausse et à la baisse ont été observées dans les tissus tumoraux par rapport aux témoins normaux. METTL3 et WTAP, tous deux composantes du complexe d’écrivain, ont été régulés à la baisse parmi d’autres gènes, tandis que plusieurs autres gènes, dont VIRMA, YTHDF1 et YTHDF3, ont été régulés à la hausse. La figure 3B détaille en outre les profils d’expression différentiels des gènes individuels à travers les cohortes TCGA et GTEx. Collectivement, ces résultats indiquent que les gènes codant pour les écriveurs, lecteurs et gommes de méthylation m6A subissent une dérégulation transcriptionnelle importante dans le cancer du sein, soulignant leur potentiel de pertinence dans la progression de la maladie.

Les gènes de la machine m6A et leur rôle dans le pronostic du patient

Suite à l’observation que les altérations génétiques et les changements d’expression génique sont très répandus chez les patients atteints de cancer, la pertinence pronostique de ces changements d’expression dans le cancer du sein a été étudiée. En utilisant l’outil30 du plotter Kaplan-Meier (KM), qui intègre des ensembles de données de microarrays, la survie globale (OS) a été évaluée dans une cohorte de 1880 patientes atteintes d’un cancer du sein selon l’expression des gènes régulateurs m6A. Cette analyse a révélé qu’une expression élevée de METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 et RBMX était significativement associée à une amélioration globale de la survie. En revanche, la surexpression des YWHAG était corrélée à de faibles résultats de survie (Figure 4). En tant que témoins, CCND2 et TOP2A, marqueurs connus d’un meilleur et d’un mauvais pronostic, ont été inclus. D’autres gènes codant pour les régulateurs m6A n’ont pas montré de corrélations statistiquement significatives avec la survie du patient (figure complémentaire). Ces résultats mettent en lumière un sous-ensemble de gènes régulateurs de la méthylation m6A ayant une utilité potentielle dans la pronostication du cancer du sein.

figure-results-1
Figure 1 : Altérations génétiques chez les écrivains, lecteurs et gènes effaceurs m6A dans le cancer du sein. (A) La répartition des altérations sur 996 patientes atteintes de cancer du sein est montrée, chaque ligne grise représentant un cas individuel. Les barres codées par couleur indiquent différents types d’altération, y compris les mutations par malsens, les délétions profondes, les amplifications, les mutations dans le cadre et les mutations tronquées. Des gènes bien caractérisés, PIK3CA, TP53, CDH1 et GATA3, sont inclus en témoins positifs en raison de leurs fréquences de mutation établies. (B) Fréquence globale d’altération des gènes régulateurs m6A au sein de la cohorte de patients. (C) Schémas d’altération génétique dans les gènes régulateurs de m6A par les sous-types du cancer du sein. Veuillez cliquer ici pour voir une version agrandie de cette figurine. 

figure-results-2
Figure 2 : Fréquence des altérations génétiques dans les gènes codant pour les écrivains, lecteurs et gommes m6A chez divers types de cancer. L’analyse est basée sur les données de l’atlas pan-cancer de la TCGA, comprenant 10 967 échantillons provenant de 10 953 patients répartis dans 32 études sur le cancer. Veuillez cliquer ici pour voir une version agrandie de cette figurine. 

figure-results-3
Figure 3 : Anomalies d’expression dans les gènes codant pour les auteurs, lecteurs et gommes m6A. (A) La surexpression (barres rouges) et la sous-expression (barres bleues) de tous les gènes sont affichées. Les données de GTEx et TCGA ont été utilisées pour comparer les échantillons normaux et les échantillons de cancer du sein. (B) Cette figure présente une comparaison de l’expression génique individuelle chez des patientes atteintes de cancer du sein normales et chez les patientes atteintes de cancer du sein. Xena utilise le test t de Welch pour déterminer les valeurs p de chaque gène. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-4
Figure 4 : Profils d’expression des écrivains, lecteurs et gommeuses m6A ainsi que leur association avec le pronostic du cancer du sein. Les courbes de survie de Kaplan-Meier représentent la survie globale du patient, l’axe X indiquant le temps (mois), et l’axe Y indiquant la probabilité globale de survie. Les lignes rouges représentent le groupe à haute expression, tandis que les lignes noires représentent le groupe à faible expression. Les patients ont été stratifiés selon les niveaux médians d’expression génique. Les valeurs p ont été déterminées à l’aide du test Log-Rank. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure complémentaire : Les membres des régulateurs m6A ne présentent pas de corrélation significative avec la survie globale des patients, comme le montrent les courbes de survie de Kaplan-Meier. Les lignes rouges représentent le groupe à haute expression, tandis que les lignes noires représentent le groupe à faible expression. Veuillez cliquer ici pour télécharger ce fichier.

TypeSymbole génétique
ÉcrivainsMETTL3
METTL14
ZC3H13
WTAP
RBM15
RBM15B
METTL16
CBLL1
KIAA1429/VIRMA
LecteursYTHDF1
YTHDF2
YTHDF3
YTHDC1
YTHDC2
HNRNPA2B1
HNRNPC
HNRNPG/RBMX
IGF2BP1
IGF2BP2
IGF2BP3
CNBP
ELAVL1
SND1
PRRC2A
PRRC2B
PRRC2C
EIF3A
FMR1
FXR1
FXR2
LRPPRC
MSI2
GommesALKBH5
FTO

Tableau 1 : Gènes encodant les écrivains, lecteurs et gommes de m6A. Le tableau 1 présente un aperçu des principales familles de gènes responsables de l’installation, de la reconnaissance et de la suppression de la modification m6A dans l’ARN eucaryote.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’article de cette méthode propose un flux de travail complet, accessible et intégré pour le profilage multi-omique systématique et la traduction clinique de toute signature génique dans la recherche sur le cancer, démontré ici par l’analyse des régulateurs de méthylation de l’ARN m6A dans le cancer du sein. En combinant ces principales plateformes publiques de bioinformatique, cette approche permet aux chercheurs de progresser efficacement de la découverte génomique à des hypothèses cliniquement pertinentes sans nécessiter d’expertise informatique avancée.

La principale force de cette méthodologie réside dans son pipeline modulaire et générateur d’hypothèses. Le protocole guide l’utilisateur à travers une séquence logique ; d’abord identifier quels gènes sont génétiquement modifiés (en utilisant cBioPortal), puis évaluer la dysrégulation de l’expression dans un environnement corrigé par lots (en utilisant UCSC Xena), et enfin évaluer l’impact clinique de cette dysrégulation sur la survie du patient (en utilisant le ploteur de Kaplan-Meier). Cette analyse par étapes, de l’ADN à l’ARN en passant par le résultat clinique, priorise effectivement les gènes candidats pour des études ultérieures. Par exemple, appliquer ce flux de travail aux régulateurs m6A identifie efficacement des gènes comme YWHAG (altération fréquente, pronostic de mauvaise survie) comme cibles prioritaires pour la validation fonctionnelle.

La conception du protocole pour l’analyse pan-cancéreuse renforce encore son utilité, permettant aux chercheurs de déterminer rapidement si une signature moléculaire est spécifique à un cancer ou une caractéristique commune à la tumorigenèse, comme cela a été observé lors de nombreuses modifications de la machinerie m6A dans cette étude. L’analyse pan-cancer a révélé que les mutations affectant les écrivains, lecteurs et gommeuses m6A ne se limitaient pas au cancer du sein, mais étaient partagées entre plusieurs cancers. Cela s’inscrit dans l’accumulation de preuves montrant que la régulation aberrante du m6A est une caractéristique distinctive de l’oncogenèse à travers divers types de tumeurs, car elle influence de multiples caractéristiques du cancer et des processus physiologiques, notamment le stallage de l’ARN, la stabilité, la translation et l’activité non codante del’ARN 33.

Cette approche méthodologique est très adaptable. Bien que démontré avec des régulateurs m6A, le même flux de travail peut être immédiatement appliqué pour caractériser les gènes de points de contrôle immunitaires, les enzymes métaboliques ou les nouvelles signatures géniques issues d’expériences RNA-seq dans n’importe quel type de cancer disponible dans ces bases de données. Ce format étape par étape abaisse la barrière pour les scientifiques de laboratoire humide afin de réaliser des analyses in silico sophistiquées, accélérant ainsi la transition des données génomiques vers l’analyse biologique.

En conclusion, ce protocole offre un cadre solide pour la contextualisation des gènes liés au cancer. En plus de délimiter le paysage mutationnel, les résultats ont révélé des changements d’expression bidirectionnels dans les régulateurs de m6A. Cette découverte souligne la complexité de l’épitranscriptome et renforce le paradigme établi de fonction dépendante du contexte, illustré par les doubles rôles rapportés pour les protéines des familles METTL3 et YTHDF dans différentscancers 34,35. L’axe m6A a également démontré un rôle dans la régulation de la prolifération, des métastases et de l’évasion immunitaire chez le cancer du sein triplenégatif 36,37. Fait intéressant, l’analyse de survie a identifié un sous-ensemble de régulateurs m6A ayant une signification pronostique. Une expression élevée de METTL14, CBLL1, YTHDC1, HNRNPC, HNRNPA2B1 et RBMX a été associée à des résultats favorables, tandis que l’expression de YWHAG a été corrélée à une faible survie globale. Ces résultats confirment l’utilité clinique potentielle des régulateurs m6A en tant que biomarqueurs pronostiques. CBLL1 a également été identifié comme l’un des facteurs présentant un pronostic favorable dans une étudeantérieure 38. Cependant, l’analyse actuelle incorporant des membres actualisés des régulateurs m6A a identifié des membres supplémentaires, comme RBMX et YWHAG, avec respectivement une meilleure et une moins bonne survie globale. L’observation que des régulateurs distincts peuvent prédire un pronostic défavorable ou favorable souligne les fonctions duales et spécifiques au contexte des modifications m6A en biologie du cancer. Bien que YTHDF1 et YTHDF3 soient significativement augmentés chez les tumeurs, leur absence de corrélation avec la survie globale peut refléter une redondance fonctionnelle chez les lecteurs, des rôles dépendants du contexte entre les sous-types de cancer, ou la nécessité de considérer leur ratio ou le réseau régulateur net m6A plutôt que les niveaux d’expression individuels. De plus, bien que VIRMA ait affiché la fréquence d’altération la plus élevée (12 %, principalement amplification), son expression n’a pas été significativement corrélée à la survie globale dans le cancer du sein. Une explication possible est que l’expression de hIgh VIRMA indique seulement un potentiel élevé de dépôt de m6A, et non si les lecteurs en aval ou les ARNm cibles nécessaires sont présents pour se traduire en comportement tumoral agressif. Notamment, alors que YTHDF1 et YTHDF3 étaient surexprimés dans la cohorte, YTHDC1 et YTHDC2 étaient significativement régulés à la baisse. Ce schéma d’expression déséquilibré suggère que la combinaison fonctionnelle d’auteurs et de lecteurs spécifiques requise pour la production oncogénique pourrait ne pas être opérante dans le cancer du sein. Ainsi, malgré sa forte expression, VIRMA peut ne pas être un moteur dominant dans ce contexte (Figure supplémentaire).

Les auteurs reconnaissent une limitation principale de ce pipeline in silico . Les analyses sont intrinsèquement corrélées ; elles identifient de fortes associations mais n’établissent pas de causalité mécaniste. Une telle causalité peut être établie par la génomique fonctionnelle ou en utilisant des inhibiteurs de petites molécules ciblant des composants de la voiem6A 39. Notamment, le premier inhibiteur peptidique ciblant METTL3, RSM3, a récemment été développé et a démontré un potentiel anticancéreux dans des modèles de cancer de la prostate in vivo40. Ce flux de travail méthodologique représente donc un outil précieux pour identifier les cibles candidates et stratifier les populations de patients les plus susceptibles de bénéficier de ces interventions thérapeutiques.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Des parties de ce manuscrit ont été révisées à l’aide d’outils linguistiques basés sur l’IA pour améliorer la clarté et la lisibilité. Tout contenu substantiel, interprétation, analyse et conclusion sont la propriété des auteurs. Nous déclarons qu’il n’y a pas de conflit d’intérêts.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Une subvention de l’Université Alfaisal (IRG 25450) à RM est heureusement reconnue.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
cBioPortalCentre de cancérologie Memorial Sloan-Ketteringhttps://www.cbioportal.org
Expression génotype-tissu (GTEx)GTEx Consortiumhttps://gtexportal.org
Traceur de Kaplan-MeierGyorffy lab/A5 Genetics Ltdhttps://kmplot.com
L’Atlas du Génome du Cancer (TCGA)Institut national du cancer (NCI)https://www.cancer.gov/tcga
UCSC Xena BrowserUniversité de Californie à Santa Cruzhttps://xenabrowser.net

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

m6A ModificationEpitranscriptomic RegulationBreast CancerRNA Methylationm6A RegulatorsBioinformatics WorkflowGene Expression AnalysisCancer GenomicsPrognostic BiomarkersTCGA Datasets

Related Articles