הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

הקשר בין ביטוי MPO לבין המיקרו-סביבה החיסונית בסרטן השד: תובנות מניתוחים ביו-אינפורמטיים ובניתוחים של תא בודד

91 צפיות

⸱

DOI:

10.3791/71189

⸱

14 באוגוסט 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

במאמר זה

סיכום

מאמר זה מציג תהליך עבודה (workflow) הניתן לשחזור בתחומי הביואינפורמטיקה והניתוח ברמת התא הבודד (single-cell), במטרה לבחון קשרים בין ביטוי של myeloperoxidase (MPO) לבין מאפיינים חיסוניים/מיאלואידיים בסרטן השד. מכיוון שהניתוחים מבוססים על מאגרי נתונים ציבוריים ושיטות in silico, הממצאים מפורשים כחקרים ראשוניים המיועדים להצבת היפותזות.

תקציר

סרטן השד נותר סיבה מרכזית לתמותה הקשורה לסרטן, ותזרימי עבודה חישוביים גששיים יכולים לסייע בתעדוף סמנים הקשורים למערכת החיסון לצורך חקירה מעמיקה. כאן, השתמשנו בנתוני טרנסקריפטומיקה מסוג bulk של סרטן שד פולשני ממאגר ה-cancer genome atlas (TCGA-BRCA) ובמאגר הנתונים הציבורי של תאים בודדים GSE161529 כדי לבחון קשרים בין ביטוי של myeloperoxidase (MPO), תוצאים קליניים, חדירה חיסונית, מתילציה, הערות של רגולטורים במעלה הזרם, דפוסי ביטוי בתאים בודדים, תוצאי רגישות ל-knockdown וירטואלי, אחזור אינטראקציות תרופה-גן, והערות של ספיגה, התפלגות, מטבוליזם, הפרשה ורעילות (ADMET). ביטוי MPO היה נמוך יותר ברקמות סרטן השד מאשר ברקמות סמוכות שאינן גידוליות. ביטוי MPO גבוה יותר היה קשור למרווח ארוך יותר ללא התקדמות המחלה, בעוד שהקשרים שלו להישרדות כוללת ולהישרדות ספציפית למחלה לא היו מובהקים סטטיסטית. ניתוח של עקומת מאפייני תגובה (ROC) העלה הפרדה בין גידול לרקמה נורמלית בתוך מאגר הנתונים הציבורי שנבדק, אך אין לפרש זאת כתיקוף אבחנתי קליני. ניתוחי דה-קונבולוציה חיסונית והעשרה הצביעו על כך שביטוי MPO עקב בעיקר אחר מאפיינים טרנסקריפציונליים הקשורים למערכת החיסון ולתאי מיאלואיד, ולא ביסס רגולציה פנימית של הגידול על המיקרו-סביבה החיסונית. ברזולוציה של תאים בודדים, אות ה-MPO היה דליל, כאשר זוהו רק 85 תאים חיוביים ל-MPO לפני הרחבת השכונה המבוססת על k-nearest neighbor (KNN). אות MPO גילוי ומדדים הקשורים ל-MPO פורשו בזהירות כיוון שהם עשויים להיות מושפעים מביטוי דליל, אי-ודאות באנוטציה של סוג התא, dropout, doublets או RNA סביבתי. knockdown וירטואלי In silico העלה שינויים טרנסקריפציונליים מועמדים הקשורים למערכת החיסון ולדלקת, אך תוצאות אלו נחשבו לגששיות ודורשות תיקוף. אחזור תרופה-גן המבוסס על מאגר נתוני אינטראקציות תרופה-גן (DGIdb) ואנוטציית ADMET שימשו רק כאנוטציות כימיות ראשוניות ולא פורשו כראיות טיפוליות. באופן כללי, מחקר זה מספק תזרימי עבודה ב-in silico הניתנים לשחזור להצבת היפותזות לגבי מאפיינים חיסוניים/מיאלואידיים הקשורים ל-MPO בסרטן השד, אשר דורשים תיקוף בקוהורט חיצוני ואישור ניסויי.

מבוא

סרטן השד הוא ממאירות קשורה למערכת החיסון ההטרוגנית מאוד1. התקדמות המחלה, הסיכון לחזרה ולגרורות, והתגובה לטיפול קשורים באופן הדוק להרכב ולמצב התפקודי של המיקרו-סביבה החיסונית של הגידול (TIME)2. למרות אופטימיזציה מתמשכת של אסטרטגיות טיפול מקיפות, חלק מהמטופלים עדיין חווים התקדמות או חזרה של המחלה, מה שמדגיש את הצורך הדחוף בזיהוי סמנים ביולוגיים מולקולריים המאפיינים את מצב ה-TIME ותומכים בסיווג סיכונים, תוך הבהרת המנגנונים שבבסיסם.

מיאלופרוקסידאז (MPO) הוא פרוקסידאז המכיל ההם, המבוטא בעיקר בניוטרופילים, ובמידה פחותה יותר, במונוציטים ובמקרופאגים. באמצעות ייצור של חומצה היפוכלורית ומחמצנים ריאקטיביים אחרים, MPO תורם להגנה אנטימיקרוביאלית אך עשוי גם לקדם פגיעה חמצונית ברקמות ודלקת כרונית. בסרטן, נראה כי המשמעות הביולוגית של MPO תלויה בהקשר3. מצד אחד, עקה חמצונית המתווכת על ידי MPO נקשרה לקרצינוגנזה ולהתקדמות הגידול באמצעות נזק ל-DNA, חמצון של ליפידים וחלבונים, איתות דלקתי ועיצוב מחדש של המיקרו-סביבה הגידולית4,5,6. מצד שני, חדירה של תאי מערכת חיסון מולדת או תאי מיאלואיד חיוביים ל-MPO נקשרה לפרוגנוזה חיובית או לפעילות חיסונית אנטי-גידולית בהקשרי גידולים מסוימים7,8,9. ממצאים סותרים לכאורה אלו מרמזים כי המשמעות הקלינית והביולוגית של MPO עשויה להיות תלויה בסוג הגידול, בשלב המחלה, במקור התאי של ה-MPO ובהרכב החיסוני של המיקרו-סביבה הגידולית. עם זאת, דפוס הביטוי והרלוונטיות הפרוגנוסטית של MPO בסרטן השד, במיוחד ברמת התא הבודד, טרם אופיינו במלואם.

מיקרו-סביבת החסינות של הגידול (TIME) מכילה מדורים הטרוגנים של תאי מיאלואיד, לימפואיד, סטרומה ואפיתל10. MPO מקושר באופן קלאסי לנויטרופילים ולתאים אחרים משושלת המיאלואיד, ולכן אותות הקשורים ל-MPO בפרופילים של גידולים ב-bulk עשויים לשקף את הרכב תאי החיסון ולא את פעילות פנימית של תאי הגידול10. בסרטן השד, התפלגות אות ה-MPO במאגרי נתונים של bulk ושל תא בודד, הקשר שלו להערכות של חדירת תאי חיסון, ומגבלות השחזור של ניתוחים חישוביים המשכיים נותרו לא מאופיינים מספיק. לכן, מחקר זה מתייחס ל-MPO כסמן הקשור למערכת החיסון לצורך פיתוח תהליכי עבודה חקוריים, ולא כווסת סיבתי מוכח של ה-TIME או כמטרה טיפולית מאומתת. בהשוואה לניתוחי ביטוי דיפרנציאלי של קוהורט בודד או הערכות חדירת תאי חיסון מפלטפורמה בודדת, תהליך עבודה משולב המשלב טרנסקריפטומיקה של bulk, דקונבולוציה חיסונית, אנוטציית מתילציה, מיפוי של תא בודד ופרטורבציה חישובית, יכול לספק מבט חקורי רחב יותר על ההקשר החיסוני הקשור לגן. גישה זו שימושית לתיעדוף סמנים מועמדים וליצירת היפותזות הניתנות לבדיקה, במיוחד כאשר מאגרי נתונים ניסיוניים עדיין אינם זמינים. עם זאת, אינטגרציה חישובית כזו אינה יכולה כשלעצמה לקבוע מקור תאי, סיבתיות, פעילות פרמקולוגית או תועלת קלינית. עם התקדמותן של קוהורטות סרטן ציבוריות רחבות היקף וטכנולוגיות טרנסקריפטומיקה של תא בודד, ניתן להשתמש בגישות ביו-אינפורמטיות כדי לבחון קשרים בין ביטוי גנים, תוצאים קליניים, הרכב תאי חיסון ומצבים טרנסקריפציונליים הן ברמת האוכלוסייה והן ברמת התא הבודד11. שיטות פרטורבציה חישוביות המבוססות על רשתות ויסות גנים של תא בודד עשויות לספק מידע נוסף ליצירת היפותזות בנוגע לרגישות טרנסקריפציונלית הקשורה לגנים12,13. לפיכך, מחקר זה נועד לאפיין את דפוס הביטוי, הקשר להישרדות, ההקשר החיסוני/מיאלואידי, פרופיל המתילציה, ההתפלגות בתא בודד ופרופיל הפרטורבציה החישובית החקורי של MPO בסרטן השד. תהליך העבודה הכולל מוצג ב-איור 1.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

רכישת נתונים ממאגר ה-TCGA

נתוני ריצוף RNA ומידע קליני עבור קוהורט ה-TCGA breast invasive carcinoma (TCGA-BRCA) הושגו מפורטל ה-genomic data commons14. נתוני RNA-seq בפורמט transcripts per million (TPM) מתוך תהליך העבודה של STAR הופקו יחד עם הערות קליניות תואמות. דגימות RNA-seq שחסר עבורן מידע קליני תואם הוצאו מהניתוח. עבור ניתוחים מבוססי ביטוי, ערכי ה-TPM הומרו ל-log2(TPM + 1). ביטוי MPO הופק באמצעות סמל הגן MPO ומזהה הגן של Ensembl המספר ENSG00000005381.8. עבור ניתוחים הדורשים חלוקה לקבוצות MPO-high ו-MPO-low, נכללו רק דגימות גידול של TCGA-BRCA, ודגימות נורמליות סמוכות הוצאו מהקצאה לקבוצות. דגימות הגידול חולקו לפי ערך החציון של ביטוי MPO שהומר ל-log2(TPM + 1) בקרב דגימות גידול של TCGA-BRCA. דגימות עם ביטוי MPO הגבוה או השווה לחציון הוקצו לקבוצת MPO-high, בעוד שדגימות שערכן היה נמוך מהחציון הוקצו לקבוצת MPO-low. אסטרטגיית חלוקה זו המבוססת על חציון שימשה לניתוח הישרדות, ניתוח ביטוי דיפרנציאלי, ניתוח העשרה, חלוקה לפי מתילציה והשוואות העשרה של תאי חיסון, אלא אם צוין אחרת. מאפיינים פתולוגיים קליניים, כולל מין, גיל, מוצא אתני, שלב T פתולוגי, דרגה היסטולוגית, תת-סוג PAM50, שלב פתולוגי, סטטוס הגידול, ונקודות קצה של הישרדות, כולל הישרדות כוללת (OS), מרווח ללא התקדמות (PFI) והישרדות ספציפית למחלה (DSS), נותחו באמצעות R גרסה 4.2.1.

שליפת תמונות אימונוהיסטוכימיה ציבוריות

תמונות מייצגות של צביעה אימונוהיסטוכימית (IHC) ל-MPO מרקמת שד נורמלית סמוכה ומרקמת סרטן השד שימשו כרפרנסים איכותיים לרמת החלבון. תמונות אלו לא נכללו בניתוחים מורפומטריים כמותיים או בניתוחים סטטיסטיים. האזורים המסוגרים בריבוע מצביעים על אזורים המוצגים בהגדלה גבוהה יותר. סרגלי קנה מידה מציינים 100 µm בתמונות בהגדלה של 20× ו-50 µm בתמונות בהגדלה של 40×.

ניתוח מתאם ביטוי

מערך הנתונים TCGA-BRCA שימש לבחינת גנים בעלי ביטוי משתנה במקביל לביטוי של MPO בסרטן השד. מקדמי מתאם פירסון (Pearson correlation coefficients) ברמה הגנומית חושבו בין MPO לבין גנים מקודדי חלבון, ו-30 הגנים בעלי המתאם החיובי הגבוה ביותר ו-30 הגנים בעלי המתאם השלילי הגבוה ביותר נבחרו להצגה חזותית. עבור ניתוחי מתאם הכוללים מספר גנים שנבדקו, ערכי p נומינליים הותאמו באמצעות שיטת שיעור התגליות השגויות של Benjamini-Hochberg. רשת אינטראקציות חלבון-חלבון (PPI) הקשורה ל-MPO נבנתה באמצעות מסד הנתונים של כלי החיפוש לאחזור גנים/חלבונים באינטראקציה (STRING), כאשר זוגות חלבונים שהפגינו ציוני אינטראקציה הגבוהים מ-0.40 נשמרו להצגה חזותית15.

ניתוח העשרה פונקציונלית

גנים בעלי ביטוי Differentially expressed genes (DEGs) זוהו על ידי השוואה בין קבוצות הגידולים MPO-high ו-MPO-low של TCGA-BRCA, תוך שימוש בסף של |log2FC| > 1 וערך p-value מתוקנן לפי Benjamini-Hochberg של < 0.05. ניתוח העשרה פונקציונלית של ה-DEGs בוצע באמצעות חבילת ה-R שנקראת clusterProfiler גרסה 4.4.4, וכלל ניתוחים של תהליכים ביולוגיים, רכיבים תאיים ותפקודים מולקולריים של gene ontology (GO), וניתוחי מסלולים של Kyoto encyclopedia of genes and genomes (KEGG)16,17,18,19,20. מונחי GO ו-KEGG מועשרים נחשבו למשמעותיים כאשר ערך ה-p-value המתוקנן היה < 0.05.

ניתוח העשרה של קבוצות גנים (GSEA) בוצע באמצעות רשימת גנים מדורגת מראש על בסיס סטטיסטיקות של ביטוי דיפרנציאלי בין קבוצות MPO-high ו-MPO-low. נעשה שימוש באוסף הנתיבים הקנוניים c2.cp.all.v2022.1.Hs.symbols.gmt מתוך MSigDB C2, המתאים ל-MSigDB v2022.1.Hs ומכיל 3,050 קבוצות גנים21,22. מונחים מועשרים נחשבו למשמעותיים בהתאם לערך p מתוקנן לפי Benjamini–Hochberg של < 0.05, ערך FDR q של < 0.25, ו- |normalized enrichment score| > 1. במידת הרלוונטיות, חישובי Z-scores עבור מונחים מועשרים באופן משמעותי בוצעו באמצעות חבילת GOplot לצורך ויזואליזציה.

ניתוח של העשרה של תאי חיסון בגידוליים

רכיבים חיסוניים וסטרומליים בקוהורט ה-TCGA-BRCA הוערכו באמצעות אלגוריתם ESTIMATE שיושם בחבילת R‏ estimate גרסה 1.0.13. נתוני ביטוי שעברו טרנספורמציה של Log2(TPM + 1) שימשו כקלט, וחושבו מדד חיסוני (immune score), מדד סטרומלי (stromal score) ומדד ESTIMATE עבור כל דגימת גידול. TIMER/TIMER2.0 שימשו להערכת הקשרים בין ביטוי MPO לרמות חדירה מוערכות של אוכלוסיות תאי חיסון עיקריות בקוהורט ה-TCGA-BRCA, כולל תאי B, תאי CD8+ T, תאי CD4+ T, מקרופאגים, נויטרופילים ותאים דנדריטיים23,24,25. תוצאות מבוססות TIMER פורשו כהערכות חדירה חיסונית שהופקו מהמשאב המקוון התואם. לצורך ניתוח העשרה של תאי חיסון בקרב 24 סוגי תאי חיסון, בוצע ניתוח העשרת קבוצות גנים לדגימה בודדת (ssGSEA) באמצעות חבילת R‏ GSVA גרסה 1.46.026. מטריצת חתימת תאי החיסון LM22 ששימשה לדה-קונבולוציה מבוססת CIBERSORT של 22 סוגי תאי חיסון מופיעה ב-Supplementary Table 1. מתאמים בין ביטוי MPO למדדי העשרה של תאי חיסון הוערכו באמצעות מתאם הדרג של Spearman. הבדלים במדדי העשרה של תאי חיסון בין קבוצות הגידולים שהוגדרו כמסמנות MPO-high ו-MPO-low לפי החציונה הושוו באמצעות מבחן סכום הדרגים של Wilcoxon. עבור ניתוחים הכוללים מספר סוגי תאי חיסון, ערכי ה-p תוקנו באמצעות שיטת Benjamini–Hochberg לשיעור התגליות השגויות (false discovery rate).

מתילציה של ה-DNA בגן MPO

דפוסי מתילציה של DNA בתוך הלוקוס של MPO הוערכו באמצעות MethSurv. ערכי בטא של מתילציית CpG וקשרים להישרדות עבור TCGA-BRCA הופקו מפלטפורמת MethSurv. אתרי CpG נבחרים הקשורים ל-MPO הוצגו ויזואלית, והקשרים שלהם לתוצאות הישרדות הוערכו באמצעות פלטי ניתוח ההישרדות שסופקו על ידי MethSurv27. עבור ניתוחים הכוללים מספר אתרי CpG, ערכי ה-p הותאמו על פני אתרי ה-CpG הנבדקים הקשורים ל-MPO באמצעות שיטת Benjamini-Hochberg לשיעור התגליות השגויות (false discovery rate). ניתוחי מתילציה אלו פורשו כאנוטציות אפיגנטיות גישושיות.

בניית רשת PPI וניתוח מתאמים של גנים הקשורים לנויטרופילים

כדי לבחון את הקשר בין MPO לביולוגיה הקשורה לנויטרופילים, בוצע ניתוח רשת סיסטמטי. קבוצת גנים הכוללת מתווכים ידועים של הפעלת נויטרופילים ותהליכים דלקתיים נלווים נבחרה מתוך הספרות המחקרית העדכנית. רשימת הגנים המלאה הקשורה לנויטרופילים מופיעה ב-Supplementary Table 2. סמלי הגנים הותאמו לסמלים הרשמיים, כפילויות הוסרו, והגנים הזמינים הופגשו עם מטריצת הביטוי של TCGA-BRCA לפני ניתוח STRING/PPI, תיעדוף גני מפתח (hub genes) וניתוח מתאם בין MPO לגני המפתח. רשת ה-PPI בין גנים אלו נבנתה באמצעות מאגר הנתונים STRING (גרסה 11.5) עם סף ציון אינטראקציה ברמת ביטחון בינונית (>0.40). גני מפתח ברשת זו תועדפו באופן אלגוריתמי על בסיס מרכזיות דרגה (degree centrality), המכמתת את מספר האינטראקציות הישירות לכל צומת. 20 הגנים בעלי ציוני הדרגה הגבוהים ביותר נבחרו לניתוח מתאם המשך.

בהמשך, פרופילי הביטוי של גני ה-hub הללו ושל MPO הופקו מתוך מערך הנתונים הטרנסקריפטומיים TCGA-BRCA. הקשר בין MPO לבין כל גן hub הוערך סטטיסטית באמצעות מתאם דרג של Spearman. כדי לאפיין את דפוסי המתאם בין גני ה-hub עצמם, חושבה מטריצת מתאם Spearman בזוגות עבור כל דגימות הגידול. ניתוחי מתאם אלו סיפקו את הבסיס הכמותי לוויזואליזציות הבאות, כולל תרשים lollipop של מתאמי MPO-hub gene ותרשים מיתרים/מפת חום (chord diagram/heatmap) המתארים את דפוסי המתאם בין גני ה-hub.

חיזוי של גורמי שעתוק ומולקולות miRNA במעלה הזרם המכוונים ל-MPO

בסיס הנתונים KnockTF (https://bio.liclab.net/KnockTF/index.php)28,29, בסיס הנתונים ChIP (http://chip-atlas.org/)30,31, ובסיס הנתונים GTRD32,33 (https://gtrd.biouml.org/#!) שימשו לחיזוי ה-TFs שהם מטרות של MPO. בנוסף, בסיס הנתונים TargetScan (https://www.targetscan.org/vert_80/) נוצל לחיזוי אתרי קישור פוטנציאליים של miRNA המכוונים ל-MPO. דיאגרמות ון נוצרו באמצעות אתר MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

ניתוח של תא בודד של MPO

סט הנתונים הספציפי GSE161529 מקורו ב-Gene Expression Omnibus (GEO). בעיבוד המקדים של הנתונים בוצע תחילה סינון ברמת התא כדי להוציא תאים באיכות נמוכה — תאים שענו על אחד מהקריטריונים הבאים: ביטוי של גנים מיטוכונדריאליים העולה על 25%, ספירת מזהה מולקולרי ייחודי (UMI) כוללת נמוכה מ-5000, או פחות מ-2500 גנים שזוהו. לאחר מכן, תוקנו זיהומי RNA סביבתיים ואפקטים טכניים של אצוות (batch effects)35. ניתוח רכיבים ראשיים (PCA) בוצע לצורך הפחתת ממדים כדי להעריך דמיון תאי, ולאחריו UMAP לצורך קיבוב (clustering) וויזואליזציה של תאים. לאחר מכן, בהתאם לגנים המסמנים (marker genes) הטיפוסיים של תאים, קובצו שונים סווגו לסוגי תאים11. סט הגנים הקשור ל-MPO ששימש לדירוג חתימה של תא בודד מופיע ב-Supplementary File 1. לפני הדירוג, סמלי הגנים הותאמו לסמלי גנים רשמיים, רשומות כפולות הוסרו, והגנים הזמינים נחפפו עם מטריצת הביטוי של GSE161529. AUCell, Seurat AddModuleScore ו-ssGSEA שימשו לחישוב ציוני MPO עבור כל תא. הציונים משלושת השיטות עברו נורמליזציית Z-score, נסקלו לטווח בר-השוואה, ושולבו כדי ליצור ציון MPO משולב עבור ניתוחים תיאוריים המשכיים. רשתות של אינטראקציה בין תאים נבחנו כדי להשוות דפוסי תקשורת משוערים של ליגנד-רספטור המערבים תאי גידול אפיתליאליים המחולקים לפי אות MPO-associated וסוגי תאי שותפים מגוונים. תוצרים אלו פורשו כדפוסי תקשורת תיאוריים ולא כראיה לכך שתאים המבטאים MPO מתווכים באופן ישיר תקשורת בין-תאית.

השתקה וירטואלית ברמה התאית של MPO ו- ניתוח העשרה של מסלולים באמצעות scTenifoldKnk

ביצוע השהתקה וירטואלית של MPO ברמה של תא בודד בוצע על ידי שילוב של Seurat ו-scTenifoldKnk. לאחר בקרת איכות סטנדרטית (200–6,000 גנים לתא; פракציה מיטוכונדריאלית < 10%), הנתונים עברו נורמליזציה לוגריתמית, ו-2,000 גנים עם שונות גבוהה נבחרו לצורך הפחתת ממדים ואשכול (clustering). כדי להעשיר את ההקשרים הרלוונטיים ל-MPO, נשמרו תאים שקיבלו ציון ב-50% העליונים עבור מודול גנים של myeloid/neutrophil. מתוך תאים אלה, הוגדרה תת-קבוצה של שכנות MPO על ידי הרחבה מגרעיני MPO-חיוביים באמצעות k = 40 השכנים הקרובים ביותר במרחב PCA. תת-הקבוצה המורחבת לא נחשבה כאוכלוסייה טהורה של MPO-חיוביים, ולא הוסקו מסקנות לגבי פרופורציות של סוגי תאים משלב הרחבת ה-KNN זה. תת-קבוצה זו הועברה לניתוח השהתקה וירטואלית באמצעות scTenifoldKnk, תוך שימוש באיחוד של הגנים בעלי השונות הגבוהה ו-MPO (המבוטא ב-≥25 תאים) כקבוצת הגנים. גנים שהשתנו באופן מובהק זוהו (FDR < 0.05, לאחר תיקון BH). הגנים שהתקבלו נותחו בהמשך להעשרה פונקציונלית ב-GO Biological Processes ובנתיבי KEGG ‏(q < 0.05).

אחזור גנתי-תרופתי גשש ו הערת ADMET

בצעו שאילתה במאגר DGIdb כדי לקבל רשומות ראשוניות של אינטראקציות תרופה–גן או כימיקל–גן הקשורות ל-MPO. מכיוון שרשימות אינטראקציות המופקות ממאגרי נתונים עשויות לכלול רשומות הנתמכות בסוגי ראיות הטרוגניים ועשויות שלא להתאימה באופן ישיר לסוכנים טיפוליים בעלי רלוונטיות קלינית, התרכובות שהושגו טופלו כהערות מחקריות (exploratory annotations) ולא כמועמדים מועדפים לטיפול. לאחר מכן נעשה שימוש ב-SwissADME וב-ADMETlab כדי לסכם תכונות פיזיקו-כימיות, פרמקוקינטיות ורעילות חזויות. הערות in silico אלו שימשו כדי לספק הקשר ראשוני לפירוש ברמת התרכובת ולהדגיש את הצורך באוצרות (curation) פרמקולוגית, טוקסיקולוגית וקלינית נוספת לפני שניתן יהיה לשקול רלוונטיות טיפולית כלשהי36.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

דפוסי ביטוי של MPO וקשרי הישרדות גששים בסרטן השד

כדי לתאר את דפוסי הביטוי של MPO במאגרי נתונים של סרטן, ניתחנו נתוני RNA-seq של MPO ממאגר ה-TCGA pan-cancer והבחנו בביטוי MPO נמוך יותר ברקמות גידול של קרצינומה אורותליאלית של השלפוחית (BLCA), קרצינומה פולשנית של השד (BRCA), גליובלסטומה מולטיפורמה (GBM), קרצינומה של תאי קשקש של הראש והצוואר (HNSC), כליה כרומופובית (KICH), קרצינומה הפטוצלולרית של הכבד (LIHC), אדנוקרצינומה של הריאה (LUAD), קרצינומה של תאי קשקש של הריאה (LUSC), אדנו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מחקר זה מציג תהליך עבודה גישוש המבוסס על מאגרי נתונים ציבוריים ובחינה in silico לבדיקת קשרים בין ביטוי MPO למאפיינים חיסוניים/מיאלואידיים בסרטן השד. ניתוחי TCGA-BRCA הראו כי ביטוי MPO היה נמוך יותר ברקמות גידול מאשר ברקמות סמוכות שאינן גידול, וכי ביטוי MPO גבוה יותר היה קשור למרווח ארוך יותר ללא התקדמות המחלה. עם זאת, הישרדות כללית והישרדות ספציפית למחלה לא היו בעלות מובהקות סטטיסטית. לכן, אין לפרש את MPO כסמן פרוגנוסטי חסון או מבוסס על סמך הראיות הנוכחיות. מחקרים עתידיים צריכים להעריך את MPO באמצעות מודלים של רגרסיית Co...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מדווחים על היעדר ניגודי עניינים בעבודה זו. כלי לעריכה לשונית מבוסס בינה מלאכותית שימש אך ורק לסיוע בליטוש השפה האנגלית ובשיפור הקריאות במהלך תיקון כתב היד. הכלי לא שימש לתכנון המחקר, לניתוח נתונים, ליצירת איורים, לפרשנות התוצאות, לבחירת מקורות או להסקת מסקנות מדעיות. כל הניתוחים, התוצאות, הפרשנויות, המקורות והטקסט הסופי נבדקו, סקרו ואושרו בקפידה על ידי המחברים, הנושאים באחריות מלאה לתוכן כתב היד.

תודות

המחברים מודים על התמיכה הכספית מקרן המחקר המדעי של בית החולים במרכז האירונאוטיקה (YN202530).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
CellChatחבילת R/קוד פתוחhttps://github.com/sqjin/CellChatניתוח תקשורת בין תאים
ChIP-Atlasמאגר נתונים ציבוריhttps://chip-atlas.org/סריקת מטרות TF; עדכון 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/ניתוח העשרה GO/KEGG; גרסה v4.4.4
CytoscapeCytoscape Consortiumhttps://cytoscape.org/ויזואליזציה של רשתות וניתוח טופולוגיה
DGIdbאוניברסיטת וושינגטון/מאגר נתונים ציבוריhttps://www.dgidb.org/שליפת אינטראקציות תרופה-גן
GDC/TCGA-BRCAהמכון הלאומי לסרטןhttps://portal.gdc.cancer.gov/מקור לנתונים קליניים וטרנסקריפטומיים ב-Bulk
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/מקור למערכי נתונים של תא בודד (Single-cell)
GSEA/MSigDBBroad Institutehttps://www.gsea-msigdb.org/gsea/msigdbניתוח העשרה של קבוצות גנים ומאגר ייחוס לקבוצות גנים; גרסה 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/ניקוד וריאציית קבוצות גנים/ssGSEA; גרסה 1.46.0
GTRDמאגר נתונים ציבוריhttp://gtrd.biouml.org/סריקת מטרות TF; 2021 
KnockTFמאגר נתונים ציבוריhttp://www.licpathway.net/KnockTF/index.htmlמשאב להפרעות TF; גרסה 2.0 
RR Foundation for Statistical Computinghttps://www.r-project.org/סביבת מחשוב סטטיסטי
scTenifoldKnkחבילת R/קוד פתוחhttps://github.com/cailab-tamu/scTenifoldKnkניתוח Knockdown וירטואלי
Seuratחבילת R/קוד פתוחhttps://satijalab.org/seurat/עיבוד מקדים וצבירה (Clustering) של תאים בודדים
STRINGELIXIR/מאגר נתונים ציבוריhttps://string-db.org/ניתוח אינטראקציות חלבון-חלבון; גרסה v11 
SwissADMESIB Swiss Institute of Bioinformaticshttp://www.swissadme.ch/הערכת דמיון לתרופה (Drug-likeness); גרסת 2017/כלי רשת 
TIMERמשאב רשת ציבוריhttps://timer.cistrome.org/ניתוח חדירה חיסונית; TIMER2.0 
UCSC Xena או פורטל TCGA מקושרUCSChttps://xenabrowser.net/גישה ואימות נתונים גששים 

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

ניתוח תא בודדזרימת עבודה של ביואינפורמטיקהחדירה חיסוניתTCGA-BRCAמאפיינים מיאלואידייםדקונבולוציה חיסוניתאינטראקציה תרופה-גן
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.