È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo di ricerca

Associazione dell'espressione di MPO con il microambiente immunitario nel cancro al seno: approfondimenti da analisi bioinformatiche e a singola cellula

77 visualizzazioni

⸱

DOI:

10.3791/71189

⸱

14 agosto 2026

 ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3China Academy of Chinese Medical Sciences, 4Graduate School, Beijing University of Chinese Medicine, 5College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine

* These authors contributed equally

In questo articolo

Sommario

Questo articolo presenta un flusso di lavoro bioinformatico e su singola cellula riproducibile per esplorare le associazioni tra l'espressione della mieloperossidasi (MPO) e le caratteristiche immunitarie/mieloidi nel cancro al seno. Poiché le analisi si basano su set di dati pubblici e metodi in silico, i risultati vengono interpretati come esplorativi e generativi di ipotesi.

Abstract

Il cancro al seno rimane una delle principali cause di mortalità correlata al cancro, e flussi di lavoro computazionali esplorativi possono aiutare a individuare marcatori associati al sistema immunitario per ulteriori indagini. In questo studio, abbiamo utilizzato i dati trascrittomici di tipo bulk del tumore mammario invasivo dell'atlante del genoma del cancro (TCGA-BRCA) e il dataset pubblico a singola cellula GSE161529 per esaminare le associazioni tra l'espressione della mieloperossidasi (MPO), gli esiti clinici, l'infiltrazione immunitaria, la metilazione, le annotazioni dei regolatori a monte, i profili di espressione a singola cellula, i risultati della sensibilità alla silenziamento virtuale, il recupero delle interazioni farmaco-gene e le annotazioni relative all'assorbimento, distribuzione, metabolismo, escrezione e tossicità (ADMET). L'espressione di MPO risultava inferiore nei tessuti tumorali rispetto ai tessuti non tumorali adiacenti. Un'espressione più elevata di MPO era associata a un intervallo libero da progressione più lungo, mentre le associazioni con la sopravvivenza globale e la sopravvivenza specifica per la malattia non risultavano statisticamente significative. L'analisi della curva ROC (receiver operating characteristic) ha suggerito una separazione tra tessuto tumorale e tessuto normale all'interno del dataset pubblico analizzato, ma questo risultato non deve essere interpretato come una validazione diagnostica clinica. Le analisi di deconvoluzione immunitaria e di arricchimento hanno indicato che l'espressione di MPO era principalmente associata a caratteristiche trascrittionali legate al sistema immunitario e alle cellule mieloidi, piuttosto che a una regolazione intrinseca del microambiente immunitario da parte del tumore. A risoluzione di singola cellula, il segnale di MPO risultava scarso, con soli 85 cellule positive a MPO rilevate prima dell'espansione del vicinato basata sui k-vicini più prossimi (KNN). Il segnale di MPO rilevabile e i punteggi ad esso associati sono stati interpretati con cautela, poiché potrebbero essere influenzati dall'espressione scarsa, dall'incertezza nell'annotazione del tipo cellulare, dai dropout, dai doppietti o dall'RNA ambientale. In silico L'analisi di silenziamento virtuale ha suggerito possibili alterazioni trascrizionali associate a processi immunitari e infiammatori, ma questi risultati sono stati considerati esplorativi e richiedono validazione. Il recupero di interazioni farmaco-gene basato sul database Drug-gene Interaction Database (DGIdb) e l'annotazione ADMET sono stati utilizzati esclusivamente come annotazioni chimiche preliminari e non sono stati interpretati come evidenza terapeutica. Nel complesso, questo studio fornisce un flusso di lavoro in silico riproducibile per generare ipotesi riguardo alle caratteristiche immunitarie/mieloidi associate a MPO nel cancro della mammella, che richiedono validazione in coorti esterne e conferma sperimentale.

Introduzione

Il cancro al seno è una neoplasia fortemente eterogenea correlata al sistema immunitario1. L'evoluzione della malattia, il rischio di recidiva e di metastasi e la risposta al trattamento sono strettamente associati alla composizione e allo stato funzionale del microambiente immunitario tumorale (TIME)2. Nonostante l'ottimizzazione in corso delle strategie terapeutiche comprehensive, alcuni pazienti presentano comunque progressione o recidiva, evidenziando l'urgente necessità di identificare biomarcatori molecolari in grado di caratterizzare lo stato del TIME e supportare la stratificazione del rischio, chiarificandone al contempo i meccanismi sottostanti.

La mieloperossidasi (MPO) è una perossidasi contenente eme espressa principalmente nei neutrofili e, in misura minore, nei monociti e nei macrofagi. Mediante la produzione di acido ipocloroso e altri ossidanti reattivi, la MPO contribuisce alla difesa antimicrobica ma può anche favorire lesioni tissutali ossidative e infiammazione cronica. Nel cancro, il significato biologico della MPO sembra dipendere dal contesto3. Da un lato, lo stress ossidativo mediato dalla MPO è stato implicato nella carcinogenesi e nella progressione tumorale attraverso danni al DNA, ossidazione di lipidi e proteine, segnalazione infiammatoria e rimodellamento del microambiente tumorale4,5,6. Dall'altro lato, l'infiltrazione di cellule innate immunitarie o mieloidi positive per la MPO è stata associata a una prognosi favorevole o a un'attività immunitaria antitumorale in determinati contesti tumorali7,8,9. Questi risultati apparentemente contrastanti suggeriscono che il significato clinico e biologico della MPO potrebbe dipendere dal tipo di tumore, dalla fase della malattia, dalla fonte cellulare della MPO e dalla composizione immunitaria del microambiente tumorale. Tuttavia, il profilo di espressione e il rilevato prognostico della MPO nel cancro al seno, in particolare a livello di singola cellula, non sono ancora completamente caratterizzati.

L'ambiente immunitario tumorale (TIME) contiene compartimenti eterogenei di origine mieloide, linfoidi, stromali ed epiteliali10. La MPO è classica associata ai neutrofili e ad altre cellule della linea mieloide, e i segnali correlati alla MPO nei profili tumorali complessivi possono quindi riflettere la composizione delle cellule immunitarie piuttosto che l'attività intrinseca delle cellule tumorali10. Nel cancro al seno, la distribuzione del segnale MPO nei dati complessivi e a singola cellula, la sua associazione con le stime di infiltrazione immunitaria e i limiti di riproducibilità delle analisi computazionali successive rimangono insufficientemente caratterizzati. Questo studio tratta pertanto la MPO come un marcatore associato all'immunità per lo sviluppo di un flusso di lavoro esplorativo, e non come un regolatore causale dimostrato del TIME o un bersaglio terapeutico validato. Rispetto alle analisi differenziali di espressione su un singolo coorte o alle stime di infiltrazione immunitaria basate su una singola piattaforma, un flusso di lavoro integrato che combini trascrittomica complessiva, deconvoluzione immunitaria, annotazione della metilazione, mappatura a singola cellula e perturbazione computazionale può fornire una visione esplorativa più ampia del contesto immunitario associato al gene. Questo approccio è utile per prioritizzare marcatori candidati e generare ipotesi verificabili, specialmente quando i dataset sperimentali non sono ancora disponibili. Tuttavia, tale integrazione computazionale non può da sola determinare la sorgente cellulare, la causalità, l'attività farmacologica o l'utilità clinica. Con il progresso dei grandi coorti pubblici sul cancro e delle tecnologie trascrittomiche a singola cellula, gli approcci di bioinformatica possono essere utilizzati per esplorare le associazioni tra espressione genica, esiti clinici, composizione delle cellule immunitarie e stati trascrizionali a livello di popolazione e a singola cellula11. Metodi di perturbazione computazionale basati su reti regolatorie geniche a singola cellula possono inoltre fornire informazioni generatrici di ipotesi riguardo alla sensibilità trascrizionale associata al gene12,13. Pertanto, questo studio ha avuto come obiettivo caratterizzare il profilo di espressione, l'associazione con la sopravvivenza, il contesto immunitario/mieloide, il profilo di metilazione, la distribuzione a singola cellula e il profilo esplorativo di perturbazione computazionale della MPO nel cancro al seno. Il flusso di lavoro complessivo è mostrato in Figura 1.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Acquisizione dal database TCGA

I dati di sequenziamento dell'RNA e le informazioni cliniche per il gruppo di carcinoma mammario invasivo del TCGA (TCGA-BRCA) sono stati ottenuti dal portale Genomic Data Commons14. I dati RNA-seq del flusso di lavoro STAR nel formato di trascritti per milione (TPM) sono stati estratti insieme alle annotazioni cliniche corrispondenti. Sono stati esclusi i campioni di RNA-seq privi di informazioni cliniche associate. Per le analisi basate sull'espressione, i valori TPM sono stati trasformati come log2(TPM + 1). L'espressione di MPO è stata estratta utilizzando il simbolo genico MPO e l'ID genico Ensembl ENSG00000005381.8. Per le analisi che richiedevano il raggruppamento in MPO-alto e MPO-basso, sono stati inclusi solo i campioni tumorali TCGA-BRCA, mentre i campioni normali adiacenti sono stati esclusi dall'assegnazione al gruppo. I campioni tumorali sono stati suddivisi in base al valore mediano dell'espressione di MPO, trasformata in log2(TPM + 1), tra i campioni tumorali TCGA-BRCA. I campioni con espressione di MPO maggiore o uguale alla mediana sono stati assegnati al gruppo MPO-alto, mentre i campioni al di sotto della mediana sono stati assegnati al gruppo MPO-basso. Questa strategia di raggruppamento basata sulla mediana è stata utilizzata per l'analisi della sopravvivenza, l'analisi dell'espressione differenziale, l'analisi di arricchimento, il raggruppamento per metilazione e i confronti di arricchimento delle cellule immunitarie, salvo diversa indicazione. Le caratteristiche clinico-patologiche, compresi sesso, età, etnia, stadio patologico T, grado istologico, sottotipo PAM50, stadio patologico, stato del tumore e endpoint di sopravvivenza, inclusa la sopravvivenza globale (OS), l'intervallo libero da progressione (PFI) e la sopravvivenza specifica per malattia (DSS), sono state analizzate utilizzando R versione 4.2.1.

Ricerca di immagini pubbliche di immunoeistochemia

Immagini rappresentative di immunoeistochemia (IHC) per MPO di tessuto mammario normale adiacente e di tessuto di cancro al seno sono state utilizzate come riferimenti qualitativi a livello proteico. Queste immagini non sono state incluse in analisi morfometriche quantitative o in analisi statistiche. Le aree racchiuse in box indicano le regioni mostrate a ingrandimento maggiore. Le barre della scala indicano 100 µm nelle immagini a 20× e 50 µm nelle immagini a 40×.

Analisi della correlazione di espressione

Il set di dati TCGA-BRCA è stato utilizzato per esaminare i geni che variano concomitantemente all'espressione di MPO nel cancro al seno. Sono stati calcolati i coefficienti di correlazione di Pearson a livello genoma intero tra MPO e i geni codificanti proteine, e sono stati selezionati i 30 geni con correlazione positiva più elevata e i 30 geni con correlazione negativa più elevata per la visualizzazione. Per le analisi di correlazione che coinvolgono multipli geni testati, i valori p nominali sono stati corretti utilizzando il metodo Benjamini-Hochberg per il tasso di scoperta di falsi positivi. La rete di interazione proteina-proteina (PPI) associata a MPO è stata costruita utilizzando il database STRUMENTO DI RICERCA PER IL RECUPERO DI GENI/PROTEINE INTERAGENTI (STRING), mantenendo le coppie di proteine con punteggi di interazione superiori a 0,40 per la visualizzazione15.

Analisi di arricchimento funzionale

I geni differenzialmente espressi (DEG) sono stati identificati confrontando i gruppi tumorali MPO-alto e MPO-basso di TCGA-BRCA utilizzando soglie di |log2FC| > 1 e un valore p aggiustato con il metodo di Benjamini-Hochberg < 0,05. L'analisi di arricchimento funzionale dei DEG è stata eseguita utilizzando il pacchetto R clusterProfiler versione 4.4.4, comprendente analisi dei processi biologici, componenti cellulari e funzioni molecolari dell'ontologia genica (GO), nonché analisi dei percorsi dell'Enciclopedia di Kyoto dei geni e dei genomi (KEGG)16,17,18,19,20. I termini GO e KEGG risultati arricchiti sono stati considerati significativi quando il valore p aggiustato era < 0,05.

È stata eseguita un'analisi di arricchimento di set di geni (GSEA) utilizzando un elenco di geni preordinati basato su statistiche di espressione differenziale tra i gruppi MPO-alto e MPO-basso. È stata utilizzata la raccolta di percorsi canonici C2 di MSigDB c2.cp.all.v2022.1.Hs.symbols.gmt, corrispondente a MSigDB v2022.1.Hs e contenente 3.050 set di geni21,22. I termini arricchiti sono stati considerati significativi in base al valore p aggiustato con il metodo di Benjamini–Hochberg < 0,05, valore q FDR < 0,25 e |punteggio di arricchimento normalizzato| > 1. Ove applicabile, i punteggi Z per i termini significativamente arricchiti sono stati calcolati utilizzando il pacchetto GOplot per la visualizzazione.

Analisi dell'arricchimento di cellule immunitarie nei tumori

I componenti immunitari e stromali nella coorte TCGA-BRCA sono stati valutati utilizzando l'algoritmo ESTIMATE implementato nel pacchetto R estimate versione 1.0.13. Sono stati utilizzati come input dati di espressione trasformati in log2(TPM + 1) e sono stati calcolati, per ogni campione tumorale, il punteggio immunitario, il punteggio stromale e il punteggio ESTIMATE. TIMER/TIMER2.0 è stato utilizzato per valutare le associazioni tra l'espressione di MPO e i livelli stimati di infiltrazione delle principali popolazioni di cellule immunitarie nella coorte TCGA-BRCA, inclusi linfociti B, linfociti T CD8+, linfociti T CD4+, macrofagi, neutrofili e cellule dendritiche23,24,25. I risultati basati su TIMER sono stati interpretati come stime dell'infiltrazione immunitaria derivate dalla corrispondente risorsa online. Per l'analisi di arricchimento delle cellule immunitarie su 24 tipi di cellule immunitarie, è stata implementata l'analisi di arricchimento dei set genici su singolo campione (ssGSEA) utilizzando il pacchetto R GSVA versione 1.46.026. La matrice delle firme immunitarie LM22 utilizzata per la deconvoluzione basata su CIBERSORT di 22 tipi di cellule immunitarie è riportata in Tabella Supplementare 1. Le correlazioni tra l'espressione di MPO e i punteggi di arricchimento delle cellule immunitarie sono state valutate mediante il coefficiente di correlazione di Spearman. Le differenze nei punteggi di arricchimento delle cellule immunitarie tra i gruppi tumorali con MPO alto e MPO basso, definiti in base alla mediana, sono state confrontate utilizzando il test della somma dei ranghi di Wilcoxon. Per le analisi che coinvolgono più tipi di cellule immunitarie, i valori p sono stati corretti mediante il metodo Benjamini–Hochberg per il tasso di falsa scoperta.

Metilazione del DNA del gene MPO

I modelli di metilazione del DNA all'interno del locus MPO sono stati valutati utilizzando MethSurv. I valori beta di metilazione dei siti CpG e le associazioni con la sopravvivenza per TCGA-BRCA sono stati ottenuti dalla piattaforma MethSurv. I siti CpG relativi a MPO selezionati sono stati visualizzati e le loro associazioni con gli esiti di sopravvivenza sono state valutate mediante gli output dell'analisi di sopravvivenza forniti da MethSurv27. Per le analisi che coinvolgevano più siti CpG, i valori p sono stati corretti su tutti i siti CpG relativi a MPO testati utilizzando il metodo Benjamini-Hochberg per il tasso di scoperte false. Queste analisi di metilazione sono state interpretate come annotazioni epigenetiche esplorative.

Costruzione della rete PPI e analisi della correlazione dei geni associati ai neutrofili

Per esaminare l'associazione tra MPO e la biologia correlata ai neutrofili, è stata effettuata un'analisi di rete sistematica. Un insieme genico comprendente mediatori accertati dell'attivazione dei neutrofili e dei processi infiammatori associati è stato selezionato dalla letteratura scientifica recente. L'elenco completo dei geni correlati ai neutrofili è riportato nella Tabella Supplementare 2. I simboli genici sono stati uniformati ai simboli ufficiali, sono state rimosse le voci duplicate ed i geni disponibili sono stati incrociati con la matrice di espressione TCGA-BRCA prima dell'analisi STRING/PPI, della priorizzazione dei geni hub e dell'analisi di correlazione tra MPO e geni hub. La rete di interazioni proteina-proteina (PPI) tra questi geni è stata costruita utilizzando il database STRING (versione 11.5) con una soglia media di punteggio di interazione (>0.40). I geni hub all'interno di questa rete sono stati prioritizzati in modo algoritmico in base alla centralità di grado, che quantifica il numero di interazioni dirette per ogni nodo. I primi 20 geni con i punteggi di grado più elevati sono stati selezionati per l'analisi di correlazione successiva.

Successivamente, i profili di espressione di questi geni hub e della MPO sono stati estratti dal dataset trascrittomico TCGA-BRCA. L'associazione tra la MPO e ciascun gene hub è stata valutata statisticamente mediante correlazione rank di Spearman. Per caratterizzare i modelli di correlazione tra i geni hub stessi, è stata calcolata una matrice di correlazione di Spearman a coppie su tutti i campioni tumorali. Queste analisi di correlazione hanno fornito la base quantitativa per le visualizzazioni successive, incluse il grafico a lecca-lecca delle correlazioni tra MPO e geni hub e il diagramma a corde/mappa termica che rappresenta i modelli di correlazione tra geni hub.

Predizione di fattori di trascrizione e miRNA a monte che bersagliano MPO

Il database KnockTF (https://bio.liclab.net/KnockTF/index.php)28,29, il database ChIP (http://chip-atlas.org/)30,31 e il database GTRD32,33 (https://gtrd.biouml.org/#!) sono stati utilizzati per prevedere i fattori trascrizionali bersaglio di MPO. Inoltre, il database TargetScan (https://www.targetscan.org/vert_80/) è stato impiegato per prevedere potenziali siti di legame per miRNA che bersagliano MPO. I diagrammi di Venn sono stati generati utilizzando il sito web MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

Analisi a singola cellula di MPO

Il set di dati specifico GSE161529 proviene da Gene Expression Omnibus (GEO). La pre-elaborazione dei dati ha innanzitutto eseguito un filtraggio a livello cellulare per escludere le cellule di bassa qualità—quelle che soddisfano uno dei seguenti criteri: espressione genica mitocondriale superiore al 25%, conteggio totale di identificatori molecolari unici (UMI) inferiore a 5000 o meno di 2500 geni rilevati. Successivamente, sono state corrette la contaminazione da RNA ambientale e le variazioni tecniche dovute ai lotti sperimentali35. È stata eseguita un'analisi delle componenti principali (PCA) per la riduzione della dimensionalità al fine di valutare la similarità cellulare, seguita da UMAP per il raggruppamento e la visualizzazione delle cellule. Quindi, in base ai geni marcatore tipici delle cellule, i diversi cluster sono stati annotati come tipi cellulari11. L'insieme di geni associati a MPO utilizzato per il punteggio di firma a singola cellula è fornito nel File Supplementare 1. Prima del calcolo del punteggio, i simboli genici sono stati armonizzati con i simboli ufficiali, sono state rimosse le voci duplicate e i geni disponibili sono stati incrociati con la matrice di espressione di GSE161529. Sono stati utilizzati AUCell, Seurat AddModuleScore e ssGSEA per calcolare i punteggi associati a MPO per ogni cellula. I punteggi ottenuti dai tre metodi sono stati normalizzati con il punteggio Z, scalati in un intervallo comparabile e integrati per generare un punteggio composito associato a MPO per le analisi descrittive successive. Le reti di interazione tra cellule sono state analizzate per confrontare i modelli di comunicazione ligando-recettore inferiti che coinvolgono cellule tumorali epiteliali stratificate in base al segnale associato a MPO e diversi tipi cellulari partner. Questi risultati sono stati interpretati come modelli descrittivi di comunicazione piuttosto che come prova che le cellule che esprimono MPO mediano direttamente la comunicazione intercellulare.

Knockdown virtuale a singola cellula di MPO e analisi di arricchimento del percorso mediante scTenifoldKnk

Il silenziamento virtuale a livello di singola cellula del gene MPO è stato eseguito integrando Seurat e scTenifoldKnk. Dopo un controllo di qualità standard (200–6.000 geni per cellula; frazione mitocondriale < 10%), i dati sono stati normalizzati mediante logaritmo e sono stati selezionati 2.000 geni altamente variabili per la riduzione della dimensionalità e il clustering. Per arricchire i contesti rilevanti per MPO, sono state mantenute le cellule con punteggi compresi nel 50% superiore per un modulo genico mieloide/neutrofilo. A partire da queste cellule, un sottoinsieme prossimo a MPO è stato definito espandendo a partire da semi positivi per MPO utilizzando k = 40 vicini più prossimi nello spazio PCA. Il sottoinsieme espanso non è stato considerato una popolazione pura di cellule positive per MPO, e nessuna conclusione riguardo alle proporzioni dei tipi cellulari è stata tratta da questo passaggio di espansione KNN. Questo sottoinsieme è stato sottoposto ad analisi di silenziamento virtuale tramite scTenifoldKnk, utilizzando l'unione dei geni altamente variabili e di MPO (espresso in ≥25 cellule) come insieme genico. Sono stati identificati geni significativamente perturbati (FDR < 0,05, corretto con metodo BH). I geni risultanti sono stati ulteriormente analizzati per l'arricchimento funzionale nei processi biologici GO e nei percorsi KEGG (q < 0,05).

Ricerca esplorativa di interazioni farmaco-gene e annotazione ADMET

È stato interrogato DGIdb per ottenere registrazioni preliminari di interazioni farmaco-gene o chimico-gene associate a MPO. Poiché gli elenchi di interazioni derivati da database possono includere voci supportate da tipi eterogenei di evidenze e potrebbero non corrispondere direttamente ad agenti terapeutici clinicamente utilizzabili, i composti recuperati sono stati considerati come annotazioni esplorative piuttosto che come candidati terapeutici prioritari. Successivamente, SwissADME e ADMETlab sono stati utilizzati per riassumere le proprietà fisico-chimiche, farmacocinetiche e tossicologiche previste. Queste annotazioni in silico sono state impiegate per fornire un contesto preliminare all'interpretazione a livello di composto e per evidenziare la necessità di ulteriori analisi farmacologiche, tossicologiche e cliniche prima che possa essere valutata qualsiasi rilevanza terapeutica36.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Patterni di espressione di MPO e associazioni esplorative con la sopravvivenza nel cancro al seno

Per descrivere i modelli di espressione della MPO nei dataset sul cancro, abbiamo analizzato i dati di RNA-seq della MPO provenienti dal dataset pan-cancro del TCGA, osservando un'espressione più bassa della MPO nei tessuti tumorali di carcinoma uroteliale della vescica (BLCA), carcinoma mammario invasivo (BRCA), glioblastoma multiforme (GBM), carcinoma a cellule squamose della te...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questo studio presenta un insieme di dati pubblici esplorativo e un flusso di lavoro in silico per esaminare le associazioni tra l'espressione di MPO e le caratteristiche immunitarie/mieloidi nel cancro al seno. Le analisi TCGA-BRCA hanno mostrato che l'espressione di MPO era inferiore nei tessuti tumorali rispetto ai tessuti non tumorali adiacenti e che un'espressione più elevata di MPO era associata a un intervallo libero da progressione più lungo. Tuttavia, la sopravvivenza complessiva e la sopravvivenza specifica per...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano di non avere conflitti di interessi relativi a questo lavoro. Uno strumento di editing linguistico basato sull'intelligenza artificiale è stato utilizzato esclusivamente per assistere nella revisione e nella miglioramento della leggibilità in lingua inglese durante la stesura del manoscritto. Lo strumento non è stato impiegato nella progettazione dello studio, nell'analisi dei dati, nella generazione delle figure, nell'interpretazione dei risultati, nella selezione dei riferimenti bibliografici o nel trarre conclusioni scientifiche. Tutte le analisi, i risultati, le interpretazioni, le referenze e il testo finale sono stati attentamente verificati, riesaminati e approvati dagli autori, che si assumono piena responsabilità per il contenuto del manoscritto.

Ringraziamenti

Gli autori ringraziano per il supporto finanziario fornito dal Fondo per la Ricerca Scientifica dell'Ospedale del Centro Aerospaziale (YN202530).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
CellChatPacchetto R/Open sourcehttps://github.com/sqjin/CellChatAnalisi della comunicazione tra cellule
ChIP-AtlasDatabase pubblicohttps://chip-atlas.org/Selezione dei bersagli dei fattori di trascrizione; aggiornamento 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/Analisi di arricchimento GO/KEGG; v4.4.4
CytoscapeConsorzio Cytoscapehttps://cytoscape.org/Visualizzazione e analisi della topologia delle reti
DGIdbUniversità di Washington/Database pubblicohttps://www.dgidb.org/Recupero delle interazioni farmaco-gene
GDC/TCGA-BRCAIstituto Nazionale del Cancrohttps://portal.gdc.cancer.gov/Fonte di dati trascrittomici su campione aggregato e dati clinici
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Fonte di dataset a singola cellula
GSEA/MSigDBIstituto Broadhttps://www.gsea-msigdb.org/gsea/msigdbAnalisi di arricchimento di insiemi genici e riferimento per insiemi genici; Versione 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Valutazione della variazione degli insiemi genici/analisi ssGSEA; Versione 1.46.0
GTRDDatabase pubblicohttp://gtrd.biouml.org/Selezione dei bersagli dei fattori di trascrizione; 2021 
KnockTFDatabase pubblicohttp://www.licpathway.net/KnockTF/index.htmlRisorsa per perturbazioni dei fattori di trascrizione; Versione 2.0 
RFondazione R per il calcolo statisticohttps://www.r-project.org/Ambiente per l'analisi statistica
scTenifoldKnkPacchetto R/Open sourcehttps://github.com/cailab-tamu/scTenifoldKnkAnalisi di silenziamento virtuale
SeuratPacchetto R/Open sourcehttps://satijalab.org/seurat/Pre-elaborazione e clustering a singola cellula
STRINGELIXIR/Database pubblicohttps://string-db.org/Analisi delle interazioni proteina-proteina; v11 
SwissADMEIstituto svizzero di bioinformatica SIBhttp://www.swissadme.ch/Valutazione della similitudine con farmaci; rilascio 2017/strumento web 
TIMERRisorsa web pubblicahttps://timer.cistrome.org/Analisi dell'infiltrazione immunitaria; TIMER2.0 
UCSC Xena o portale TCGA collegatoUCSChttps://xenabrowser.net/Accesso esplorativo ai dati/convalida 

Riferimenti

  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.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Analisi a singola cellulaWorkflow bioinformaticoInfiltrazione immunitariaTCGA-BRCACaratteristiche mieloidiDeconvoluzione immunitariaInterazione farmaco-gene
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.