$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Recupero e preelaborazione dei dati
Questo studio è stato condotto utilizzando dati trascristomici e genetici disponibili pubblicamente; Non erano direttamente coinvolti soggetti umani o animali. I dataset trascrivomici rilevanti per la resistenza alla terapia del cancro al seno HER2+ sono stati recuperati dal database NCBI Gene Expression Omnibus (GEO) (https://www.ncbi.nlm.nih.gov/geo/)11. Due dataset RNA-seq, GSE231524 e GSE231525, sono stati selezionati per il loro focus specifico sulla resistenza guidata da HER3 e sull'inibizione di DUSP6 nelle linee cellulari del cancro al seno HER2+ (BT474 e MDA-MB-453). Questi dataset includevano fenotipi parentali, tolleranti e resistenti ai farmaci derivati dall'esposizione a Lapatinib (1 μM) e dal knockdown a DUSP6. Le matrici grezze di conteggio e i relativi file di metadati venivano acceduti utilizzando i pacchetti GEOquery (v2.70.0) e Biobase (v2.62.0) in RStudio (v4.3.2)12. I metadati sono stati selezionati per definire due principali contrasti per ciascun dataset: GSE231524 confrontato il controllo (BT474 parentale, Giorno 0) con campioni tolleranti e resistenti ai farmaci (Giorno 9–Mese 9), mentre GSE231525 confrontato il controllo (Scrambled siRNA) con il knockdown di DUSP6 (DUSP6-KD). Il controllo qualità e la normalizzazione dei dati sono stati eseguiti utilizzando il framework DESeq2 (v1.42.0), che applica una trasformazione stabilizzante della varianza (VST) per ridurre l'eteroscedasticità e garantire la comparabilità tra i campioni. La distribuzione dei dati e i modelli di clustering sono stati valutati visivamente utilizzando ggplot2 (v3.5.0) e pheatmap (v1.0.12) per confermare l'uniformità dei dati e identificare potenziali valori aberranti prima dell'analisi differenzialedelle espressioni 13,14.
In questo studio, è stata mantenuta una chiara distinzione tra i risultati derivati da dataset trascritomici di linee cellulari e quelli ottenuti da dataset clinici derivati dai pazienti. I dati delle linee cellulari sono stati utilizzati principalmente per analisi esplorative, inclusa l'identificazione di geni espressi differenzialmente e la generazione di intuizioni meccanicistiche preliminari in modelli sperimentali controllati. Al contrario, sono stati utilizzati dataset derivati dai pazienti per la validazione esterna dei modelli di espressione genica e per la valutazione della rilevanza clinica, inclusa la valutazione prognostica. Di conseguenza, i risultati dei modelli di linee cellulari e delle coorti cliniche vengono interpretati separatamente per evitare generalizzazioni eccessiva e garantire un contesto traslazionale adeguato per tutti i risultati.
Analisi differenziale dell'espressione genica
È stata effettuata un'analisi di espressione differenziale per identificare geni significativamente modulati tra le condizioni di controllo e quelle di trattamento. I conteggi normalizzati sono stati elaborati utilizzando il modello di regressione aggiustata (ARM) integrato in DESeq2 per stimare con precisione le variazioni log₂ di fold e la significanza statistica. La formula di progettazione fu definita come ~condizione, rappresentando i gruppi di controllo contro quelli trattati. I geni con un valore p (FDR) aggiustato < 0,05 e un cambiamento assoluto log₂ fold ≥ 1 sono stati considerati espressi in modo significativamente differenziale. Il ritiro del cambiamento di piega log₂ è stato eseguito utilizzando il metodo apeglm per aumentare la robustezza nella stima della dimensione dell'effetto. I risultati dell'analisi sono stati visualizzati utilizzando EnhancedVolcano (v1.22.0)15 e ggplot216, che hanno generato grafici vulcanici e grafici MA mostrando la relazione tra grandezza di espressione e fiducia statistica. Le stime della dispersione sono state valutate anche all'interno di DESeq2 per garantire una modellazione accurata della varianza e una normalizzazione coerente tra replichebiologiche 17.
Recupero e identificazione di geni differenzialmente espressi da stress ossidativo mitocondriali (MOS-DEG)
Per indagare il legame tra metabolismo energetico, stress ossidativo e resistenza ai farmaci, è stato compilato un elenco completo di geni associati allo stress mitocondriale e ossidativo da più database, tra cui Human MitoCarta3.018 (https://personal.broadinstitute.org/scalvo/MitoCarta3.0/human.mitocarta3.0.html), Gene Ontology (GO:0006979, response to oxidative stress) (http://geneontology.org/), la Kyoto Encyclopedia of Genes and Genomes (KEGG) via di fosforilazione ossidativa (https://www.genome.jp/kegg/), e il Database Genetico dello Stress Ossidativo Umano (HOSGDB) (http://hosgdb.com/). Tutti i geni recuperati sono stati standardizzati con simboli genici approvati da HGNC utilizzando org. Hs.eg.db (v3.18.0) e AnnotationDbi (v1.64.0), mentre voci duplicate, pseudogeni e RNA non codificanti sono stati rimossi per garantire l'accuratezza delle annotazioni. Il pannello genico dello stress ossidativo mitocondriale (geni MOS) risultante è stato successivamente utilizzato come set di riferimento per l'integrazione con i geni differenzialmente espressi identificati da entrambi i dataset trascrictorici.
L'intersezione della lista genica MOS curata con i DEG ottenuti da GSE231524 e GSE231525 è stata eseguita in R utilizzando funzioni dplyr (v1.1.3)19 e base R intersect(). Questo approccio integrativo ha permesso l'identificazione dei MOS-DEG, che rappresentano geni funzionalmente collegati al metabolismo mitocondriale, alla regolazione redox e all'adattamento allo stress ossidativo. La sovrapposizione tra i dataset è stata visualizzata utilizzando il pacchetto VennDiagram (v1.7.3) in R per illustrare geni condivisi e unici tra i modellisperimentali 20. La lista raffinata di MOS-DEG è stata utilizzata per analisi a valle, fornendo una visione meccanicistica della riprogrammazione trascrizionale e metabolica alla base della resistenza alla terapia mirata a HER2.
Profilazione delle espressioni e visualizzazione dei MOS-DEG
Il profilaggio delle espressioni identificati (MOS-DEG) è stato condotto utilizzando i package ComplexHeatmap (v2.18.0)21 e pheatmap (v1.0.12) in RStudio per visualizzare i modelli di espressione globale tra condizioni parentali, tolleranti ai farmaci e resistenti. I dati di conteggio normalizzato sono stati trasformati utilizzando la scala z-score per standardizzare la matrice di espressione genica tra i campioni. Il clustering è stato effettuato utilizzando metodi di distanza euclidea e collegamento completo per rilevare i modelli di co-espressione e distinguere profili trascrizionali specifici per condizioni. Mappe di calore e grafici di clustering sono stati generati utilizzando ggplot2 per garantire una chiara differenziazione visiva tra le condizioni. Questo approccio di visualizzazione ha facilitato l'identificazione di gruppi genici associati all'attività mitocondriale, alla modulazione dello stress ossidativo e alla riprogrammazione metabolica sotto stati resistenti ai farmaci.
Arricchimento funzionale e annotazione dei percorsi
Per esplorare il significato biologico e i meccanismi regolatori dei MOS-DEG identificati, sono state condotte analisi di arricchimento di Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG) utilizzando R Studio (versione 4.3.1). Le analisi sono state effettuate nell'ambiente tidyverse utilizzando molteplici pacchetti Bioconductor per calcoli e visualizzazioni riproducibili. L'annotazione genica e la mappatura degli identificatori venivano eseguite tramite l'org. Hs.eg.db database (https://bioconductor.org/packages/org.Hs.eg.db/) basato sul genoma di riferimento Homo sapiens (GRCh38). L'analisi di arricchimento GO è stata effettuata utilizzando il pacchetto clusterProfiler (versione 4.8.1; https://bioconductor.org/packages/clusterProfiler/), che classifica i geni in tre ontologie principali: Processo Biologico (BP), Componente Cellulare (CC) e Funzione Molecolare (MF). La funzioneenrichGO 22 veniva utilizzata con parametri impostati al valore p < 0,05 e valore p adeguato. (FDR) < 0,05, applicando il metodo di correzione Benjamini–Hochberg. Le visualizzazioni, inclusi diagrammi a barre, diagrammi di punti e diagrammi di corde, sono state generate utilizzando enrichplot (https://bioconductor.org/packages/enrichplot/), ggplot213 (https://cran.r-project.org/web/packages/ggplot2/) e GOplot (https://cran.r-project.org/web/packages/GOplot/). Questi strumenti fornivano una visione strutturata dei termini GO arricchiti e delle loro associazioni geniche.
L'arricchimento delle vie KEGG veniva eseguito utilizzando la funzione enrichKEGG() all'interno del pacchetto clusterProster, facendo riferimento al database umano KEGG (https://www.genome.jp/kegg/). Il pacchetto KEGGREST (https://bioconductor.org/packages/KEGGREST/) veniva utilizzato per il recupero e l'annotazione dei dati dei percorsi. I percorsi con un valore p aggiustato. (valore q) < 0,05 sono stati considerati significativi. La visualizzazione e la mappatura dei percorsi sono state condotte utilizzando pathview (https://bioconductor.org/packages/pathview/), ggplot2 ed enrichplot, mentre igraph e ggraph sono stati utilizzati per la rappresentazionedella rete 23. Tutte le analisi e visualizzazioni di arricchimento sono state implementate in R Studio (v4.3.1) utilizzando codice riproducibile e flussi di lavoro standardizzati di Bioconductor, garantendo un'identificazione affidabile delle categorie funzionali arricchite e dei percorsi biologici associati ai MOS-DEG.
Validazione basata su ROC dei biomarcatori predittivi nel cancro al seno
Per convalidare il potere predittivo clinico dei MOS-DEG, è stata eseguita un'analisi della curva delle caratteristiche operative del ricevitore (ROC) utilizzando lo strumento online ROCplotter (https://www.rocplot.org/)24. ROCplotter è una piattaforma web integrata che combina dati sull'espressione genica con dataset clinicamente annotati di risposta al trattamento provenienti da 3.104 pazienti con cancro al seno, inclusi quelli trattati con chemioterapia, terapia ormonale o agenti anti-HER2.
L'analisi è stata condotta utilizzando i parametri "risposta completa patologica" come variabile di esito e "qualsiasi chemioterapia" come categoria di trattamento. I valori di espressione genica derivati dai dataset di microarray di Affymetrix sono stati automaticamente stratificati in gruppi risponditori e non rispondenti in base alle annotazioni cliniche presenti sulla piattaforma.
La curva della caratteristica operativa del ricevitore (ROC) (AUC), il test U di Mann–Whitney, il cambiamento di pieghe e il test chi-quadrato sono stati applicati per valutare la capacità di ciascun gene di distinguere i rispondenti dai non rispondenti. L'area sotto la curva (AUC) è stata utilizzata come metrica principale per valutare la performance discriminativa. I valori AUC superiori a 0,55 con valori p ROC < 0,05 sono stati considerati significativi, rappresentando una performance predittiva moderata tipica dei biomarcatori trascritomici, mentre la correzione del tasso di false discovery (FDR) è stata applicata per mantenere il rigore analitico.
Tutti i MOS-DEG selezionati sono stati interrogati utilizzando i rispettivi ID di sonda Affymetrix. Il potenziale discriminativo di ciascun gene è stato valutato tra le coorti cliniche di cancro al seno, dove i dati di espressione sono stati stratificati in gruppi risponditori e non rispondenti. Le curve ROC, i boxplot e gli output statistici associati venivano generati direttamente dalla piattaforma ROCplotter ed esportati per la visualizzazione e il confronto a valle. L'analisi ha quantificato il valore predittivo dei regolatori redox e metabolici coinvolti nello stress ossidativo mitocondriale. I geni che hanno mostrato significatività predittiva costante tra i campioni clinici sono stati mantenuti per l'inclusione nel panel predittivo finale.
Analisi dell'espressione differenziale nei tessuti tumorali, normali e metastatici (analisi TNMplot)
I modelli di espressione dei MOS-DEG superiori sono stati analizzati su tessuti mammari normali, tumorali e metastatici utilizzando lo strumento web TNMplot v2 (https://tnmplot.com/analysis/)25. Sono stati esaminati sia i dataset di RNA-Seq (TCGA + GTEx + MET500) sia quelli dei chip genici per garantire la validazione cross-platform. Il modulo "Multiple Gene Analysis" è stato utilizzato con il Carcinoma Invasivo del Seno come tipo di tessutoselezionato 26. I valori di espressione sono stati trasformati log₂ e confrontati tra i gruppi Tumore vs. Normale (TvsN), Metastatico vs. Tumore (MvsT) e Metastatico vs. Normale (MvsN). TNMplot calcolava automaticamente il fold-change (FC) e i valori p utilizzando il test Mann–Whitney U per valutare la significanza statistica. Le distribuzioni di espressione sono state visualizzate come boxplot e diagrammi di densità generati direttamente dall'interfaccia TNMplot, con verde, rosso e grigio che rappresentano rispettivamente tessuti normali, tumorali e metastatici. Tutte le figure sono state esportate in alta risoluzione per essere integrate nella sezione risultati. Questa analisi a doppia piattaforma ha permesso un'identificazione e validazione robusta dei principali regolatori redox–metabolici mitocondriali associati alla progressione del tumoreal seno 27.
Sopravvivenza e analisi prognostica utilizzando il plotter di Kaplan–Meier
Per valutare la rilevanza prognostica dei MOS-DEG nel cancro al seno, è stata condotta un'analisi di sopravvivenza utilizzando lo strumento online Kaplan–Meier Plotter (https://kmplot.com/analysis/)28. Questo database integra dati sull'espressione genica e la sopravvivenza di oltre 4.900 pazienti con cancro al seno, derivati da molteplici dataset GEO, EGA e TCGA. L'analisi è stata effettuata per la sopravvivenza senza recidiva (RFS) utilizzando singoli ID delle sonde Affymetrix corrispondenti ai geni prioritari: 225609_at (GSR), 201761_at (MTHFD2), 201619_at (PRDX3/AOP1) e 201128_s_at (ACLY). I pazienti sono stati divisi in gruppi ad alta e bassa espressione in base al cutoff mediano di espressione, e le probabilità di sopravvivenza sono state stimate utilizzando il metodo Kaplan–Meier. Il test log-rank è stato utilizzato per valutare la significatività statistica tra curve di sopravvivenza, e i rapporti di rischio (HR) con intervalli di confidenza (IC) del 95% sono stati calcolati automaticamente dallo strumento. Tutte le analisi sono state effettuate utilizzando l'endpoint RFS, senza restrizioni basate sul recettore ormonale o sullo stato HER2 (ER, PR, HER2 = tutti). I campioni ridondanti sono stati rimossi e sono state verificate le assunzioni di rischio proporzionale per garantire la robustezza statistica. I filtri di controllo qualità escludevano i microarray polarizzati. Non è stata applicata alcuna selezione manuale della sonda o correzione dei p-value per test multipli, in conformità con le impostazioni predefinite del KM Plotter. La significatività statistica è stata definita come p. < 0,05. I grafici di sopravvivenza sono stati visualizzati e scaricati in alta risoluzione per ulteriori interpretazioni, confrontando i risultati tra espressori ad alto e basso valore di ciascun candidato geneMOS 29,30.
La presente analisi è stata avviata utilizzando dataset composti esclusivamente da campioni di cancro al seno HER2+ per l'identificazione di geni differenzialmente espressi (DEG) e geni hub. Successivamente, è stata effettuata un'analisi di sopravvivenza senza restrizioni allo stato HER2 (ER, PR, HER2 = tutti) per valutare la rilevanza prognostica più ampia e la generalizzazione dei geni identificati. Questo approccio è stato impiegato come passaggio secondario di validazione piuttosto che per ridefinire il focus dello studio. Pertanto, le implicazioni prognostiche dei geni hub identificati sono interpretate con cautela, mantenendo le conclusioni primarie specifiche per il cancro al seno HER2+ .
Le sequenze di trascrizione canoniche di MTHFD2-201 (ENST00000394053.7) e PRDX3-201 (ENST00000298510.4) sono state recuperate dall'Ensembl Genome Browser (https://www.ensembl.org)31,32. L'annotazione e la classificazione delle varianti sono state effettuate utilizzando l'Ensembl Variant Effect Predictor (VEP) (https://www.ensembl.org/vep), che forniva un contesto genomico dettagliato, alterazioni dei codoni e sostituzioni di amminoacidi per ciascuna variante identificata. Solo varianti di missense (SNP non sinonimi) sono state selezionate per l'analisi a valle.
Previsione della patogenicità e priorità delle varianti
Le conseguenze funzionali di ogni nsSNP sono state valutate utilizzando una combinazione di strumenti di previsione computazionale. La SIFT (https://sift.bii.a-star.edu.sg) è stata applicata per valutare la conservazione degli amminoacidi, classificando varianti con punteggio ≤ 0,05 comedeleterie 33. PolyPhen-2 (http://genetics.bwh.harvard.edu/pph2) ha stimato l'impatto strutturale ed evolutivo delle sostituzioni, dove punteggi ≥ 0,85 indicavano danniprobabili 34. CADD (https://cadd.gs.washington.edu) ha fornito un punteggio composito di deleterietà che integra più annotazioni, con valori ≥ 20 che indicano un alto potenziale patogeno35. Metriche complementari da MetaLR36, Mutation Assessor e REVEL sono state integrate dall'interfaccia VEP per una maggiore affidabilità dellaprevisione 37. Le varianti che soddisfano le soglie MetaLR ≥ 0,70, Mutation Assessor ≥ 3,5 e REVEL ≥ 0,75 sono state considerate probabilmente patogene.
Previsione dell'impatto strutturale e meccanicistico
Per valutare come le sostituzioni degli amminoacidi influenzino l'integrità strutturale e la funzione biochimica, ogni nsSNP di primo grado è stato ulteriormente analizzato utilizzando MutPred2 (http://mutpred.mutdb.org)38 e DynaMut (http://biosig.unimelb.edu.au/dynamut)39. MutPred2 ha stimato la probabilità di alterazione funzionale, inclusa alterazione dell'attività catalitica, guadagno o perdita di residui di legaggio ai metalli, cambiamenti nell'accessibilità al solvente e modulazione allosterica, con punteggi ≥ 0,80 classificati come altamente patogenici. DynaMut calcolò il cambiamento di energia libera di Gibbs (ΔΔG) tra proteine di tipo selvatico e mutanti, valutando la direzione e l'entità dell'alterazione della stabilità, e generò visualizzazioni di spostamenti atomici e riarrangiamenti dei legami all'idrogeno.
Modellazione strutturale secondaria e 3D e profilazione dell'accessibilità dei solventi
Le strutture cristalline risolte sperimentalmente di MTHFD2 e PRDX3 sono state ottenute dal Protein Data Bank (PDB) e processate utilizzando PyMOL V:3.1(https://pymol.org)40 per visualizzare la distribuzione spaziale dei residui deleteri. I modelli mutanti sono stati creati introducendo le corrispondenti sostituzioni di amminoacidi, seguite da raffinamento strutturale e minimizzazione dell'energia. L'ispezione 3D comparativa ha evidenziato cambiamenti negli elementi secondari, contatti interatomici alterati e la vicinanza spaziale degli nsSNP ai domini catalitici e di legame dei cofattori, rivelando potenziali interruzioni nelle funzioni redox e metaboliche.
Le analisi secondarie della struttura e dell'esposizione al solvente sono state effettuate utilizzando PSIPRED V: 3.2 (http://bioinf.cs.ucl.ac.uk/psipred)41,42 e NetSurfP 3.0 (https://services.healthtech.dtu.dk/service.php?NetSurfP-2.0)43. Questi strumenti prevedevano α-eliche, β-filamenti, bobine e regioni disordinate insieme ai punteggi relativi di accessibilità ai solventi (RSA). I residui con valori RSA moderati a alti e un ordine strutturale sono stati mappati per identificare posizioni esposte al solvente e funzionalmente critiche. I siti interessati sono stati visualizzati in diagrammi topologici 2D per determinare se si verificavano mutazioni deleterie nei nuclei catalitici rigidi o nelle regioni ad anelli flessibili, prevedendo così i loro probabili effetti sulla dinamica del ripiegamento delle proteine e sull'efficienza enzimatica.
Validazione incrociata del database, integrazione funzionale e validazione della stabilità
Ogni nsSNP prioritizzato è stato incrociato con database genomici a livello di popolazione tra cui dbSNP, 1000 Genomes, ExAC e gnomAD per confermare la frequenza delle varianti, la distribuzione allelica globale e le associazioni cliniche precedentemente riportate. L'integrazione della conservazione evolutiva, della modellazione strutturale e della previsione funzionale basata sul machine learning ha permesso l'identificazione di varianti deleterie ad alta fiducia in MTHFD2 e PRDX3. Queste mutazioni ad alto impatto sono state successivamente mappate in domini funzionali per chiarire il loro potenziale ruolo nello squilibrio di stress ossidativo mitocondriale, nella segnalazione metabolica alterata e nella resistenza terapeutica nel cancro al seno. Per confermare ulteriormente le conseguenze termodinamiche di ogni sostituzione deleteria, è stato utilizzato iMutant 3.0 (https://folding.biofold.org/i-mutant/i-mutant3.0.html)44 per prevedere gli effetti delle mutazioni sulla stabilità delle proteine utilizzando dati di sequenza e strutturali. L'analisi ha calcolato valori di ΔΔG (kcal/mol) che rappresentano la variazione dell'energia libera tra proteine di tipo selvatico e mutanti. Le varianti con valori negativi di ΔΔG sono state classificate come mutazioni destabilizzanti, indicando una riduzione della stabilità proteica e una maggiore probabilità di dispiegamento. L'integrazione delle previsioni degli iMutant con i risultati di DynaMut e MutPred2 ha fornito una validazione incrociata per identificare residui strutturalmente critici che potrebbero influenzare la funzione redox, l'integrità catalitica e la stabilità conformazionale complessiva delle proteine.
Interpretazione funzionale integrata e rilevanza terapeutica
Tutti gli nsSNP deleteri identificati sono stati validati tramite incrocio con database di popolazione dbSNP, gnomAD ed ExAC per verificare le frequenze alleli minori e le associazioni precedentemente riportate con fenotipi tumorali. L'interpretazione integrativa dei dati sulla conservazione evolutiva, modellazione strutturale e stabilità ha indicato che le mutazioni ad alto impatto rs1471336772 (MTHFD2) e rs747786383 (PRDX3) esercitano gli effetti deleteri più forti sulla conformazione proteica e sull'efficienza catalitica. I risultati computazionali suggeriscono collettivamente che le mutazioni in MTHFD2 destabilizzano il metabolismo redox dipendente da NADPH, mentre le mutazioni in PRDX3 compromettono la difesa da stress ossidativo mediata dalla perossidasi, contribuendo alla disfunzione mitocondriale e all'aggressività tumorale. Questa analisi strutturale e funzionale basata su nsSNP fornisce una base computazionale per future verifiche terapeutiche e validazione mutazionale, evidenziando MTHFD2 e PRDX3 come biomarcatori di precisione per la terapia del cancro al seno mirata al redox. Per migliorare la chiarezza e fornire una panoramica completa della strategia analitica, un flusso di lavoro schematico che riassume i principali passaggi dello studio è presentato nella Figura 2. Il flusso di lavoro integra analisi differenziale dell'espressione genica, filtraggio genico mitocondriale, costruzione di reti di interazione proteina-proteina, validazione clinica tramite analisi ROC e caratterizzazione strutturale basata su nsSNP. Questo quadro a passo a passo evidenzia la progressione logica dall'elaborazione dei dati trascritomici all'identificazione dei biomarcatori e all'interpretazione funzionale.
Figura 2. Flusso di lavoro integrativo a più fasi per l'identificazione e la validazione dei biomarcatori legati allo stress ossidativo mitocondriale nel cancro al seno HER2+ . Questo schema riassume la pipeline analitica impiegata nello studio. Per prima cosa, è stata effettuata un'analisi differenziale dell'espressione genica (DEG) su dataset RNA-seq (GSE231524 e GSE231525) per identificare geni significativamente alterati. Questi DEG sono stati intersecati con geni mitocondriali correlati allo stress ossidativo per ottenere MOS-DEG. Successivamente, è stata condotta un'analisi di interazione proteina-proteina (PPI) utilizzando STRING e Cytoscape per identificare geni hub e moduli funzionali. Successivamente, è stata applicata l'analisi della curva della caratteristica operativa del ricevitore (ROC) utilizzando la piattaforma ROCplotter per valutare le prestazioni predittive di geni selezionati in coorti cliniche. Infine, sono state effettuate analisi e modellazione strutturale degli SNP non sinonimi (nsSNP) per valutare il potenziale impatto funzionale e strutturale delle varianti chiave nei geni prioritari (MTHFD2 e PRDX3). Questo flusso di lavoro integrativo collega analisi trasscrittomiche, di rete, cliniche e strutturali per identificare potenziali biomarcatori e bersagli terapeutici. Clicca qui per visualizzare una versione più grande di questa figura.
