이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

유방암의 면역 미세환경 내 MPO 발현의 연관성: 생물정보학 및 단일 세포 분석을 통한 통찰

91 조회수

⸱

DOI:

10.3791/71189

⸱

2026년 8월 14일

 ,  ,  ,  ,  , 
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

이 논문에서

요약

본 논문은 유방암에서 myeloperoxidase (MPO) 발현과 면역/골수성 특성 간의 연관성을 탐구하기 위한 재현 가능한 생물정보학 및 단일 세포 분석 워크플로우를 제시합니다. 분석이 공개 데이터셋과 in silico 방법을 기반으로 하므로, 결과는 탐색적이며 가설 생성 단계로 해석됩니다.

초록

유방암은 여전히 암 관련 사망의 주요 원인이며, 탐색적 계산 워크플로우는 추가 연구를 위한 면역 관련 마커의 우선순위를 정하는 데 도움이 될 수 있습니다. 본 연구에서는 The Cancer Genome Atlas 유방 침습성 암(TCGA-BRCA) 벌크 전사체 데이터와 공개 단일 세포 데이터셋 GSE161529를 사용하여 myeloperoxidase (MPO) 발현과 임상 결과, 면역 침윤, 메틸화, 상위 조절자 주석, 단일 세포 발현 패턴, 가상 녹다운 민감도 결과, 약물-유전자 상호작용 검색, 그리고 흡수, 분포, 대사, 배설 및 독성(ADMET) 주석 간의 연관성을 조사하였습니다. MPO 발현은 인접 비종양 조직보다 유방암 조직에서 더 낮게 나타났습니다. MPO 발현이 높을수록 무진행 생존 기간이 더 길었으나, 전체 생존율 및 질병 특이적 생존율과의 연관성은 통계적으로 유의하지 않았습니다. 수신자 조작 특성(ROC) 분석은 분석된 공개 데이터셋 내에서 종양-정상 분리가 가능함을 시사했으나, 이를 임상 진단적 검증으로 해석해서는 안 됩니다. 면역 디콘볼루션 및 농축 분석 결과, MPO 발현은 면역 미세환경의 종양 내재적 조절을 확립하기보다는 주로 면역 및 골수성 관련 전사 특성과 궤를 같이하는 것으로 나타났습니다. 단일 세포 해상도에서 MPO 신호는 희소했으며, k-최근접 이웃(KNN) 기반의 주변 확장 전에는 단 85개의 MPO 양성 세포만이 검출되었습니다. 검출 가능한 MPO 신호와 MPO 관련 점수는 희소 발현, 세포 유형 주석의 불확실성, 드롭아웃, 더블렛 또는 주변 RNA의 영향을 받았을 수 있으므로 주의 깊게 해석되었습니다. In silico 가상 녹다운은 후보 면역 및 염증 관련 전사 변화를 시사했으나, 이러한 결과는 탐색적인 것으로 간주되며 검증이 필요합니다. 약물-유전자 상호작용 데이터베이스(DGIdb) 기반의 약물-유전자 검색 및 ADMET 주석은 예비 화학적 주석으로만 사용되었으며, 치료적 근거로 해석되지 않았습니다. 종합적으로, 본 연구는 유방암에서 MPO 관련 면역/골수 특성에 대한 가설을 생성하기 위한 재현 가능한 in silico 워크플로우를 제공하며, 이는 외부 코호트 검증과 실험적 확인이 필요합니다.

서론

유방암은 매우 이질적인 면역 관련 악성 종양입니다1. 질병의 진행, 재발 및 전이 위험, 그리고 치료 반응은 종양 면역 미세환경(TIME)의 구성 및 기능적 상태와 밀접하게 연관되어 있습니다2. 포괄적인 치료 전략의 지속적인 최적화에도 불구하고 일부 환자들은 여전히 병세가 진행되거나 재발하는 경험을 하며, 이는 TIME 상태를 특징짓고 위험 계층화를 지원하는 분자 생체지표를 식별하고 그 기저 메커니즘을 규명해야 할 긴급한 필요성을 강조합니다.

Myeloperoxidase (MPO)는 주로 뉴트로필(neutrophils)에서 발현되며, 단핵구(monocytes) 및 대식세포(macrophages)에서도 적은 수준으로 발현되는 헴(heme) 함유 과산화효소입니다. MPO는 차아염소산(hypochlorous acid) 및 기타 반응성 산화제를 생성함으로써 항균 방어에 기여하지만, 산화적 조직 손상과 만성 염증을 촉진할 수도 있습니다. 암에서 MPO의 생물학적 중요성은 상황에 따라 다른 것으로 보입니다3. 한편으로, MPO로 매개되는 산화적 스트레스는 DNA 손상, 지질 및 단백질 산화, 염증성 신호 전달, 종양 미세환경의 재구성을 통해 암 발생 및 종양 진행에 관여하는 것으로 알려져 있습니다4,5,6. 다른 한편으로는, 특정 종양 상황에서 MPO 양성 선천 면역 세포 또는 골수성 세포의 침윤이 양호한 예후 또는 항종양 면역 활성과 연관이 있는 것으로 나타났습니다7,8,9. 이러한 상충하는 듯한 발견들은 MPO의 임상적 및 생물학적 중요성이 종양 유형, 질병 단계, MPO의 세포 기원 및 종양 미세환경의 면역 구성에 따라 달라질 수 있음을 시사합니다. 하지만 유방암에서, 특히 단일 세포 수준에서의 MPO 발현 패턴과 예후적 연관성은 아직 완전히 규명되지 않은 상태입니다.

종양 면역 미세환경(TIME)은 이질적인 골수성, 림프성, 기질성 및 상피성 구획을 포함하고 있습니다10. MPO는 전형적으로 호중구 및 기타 골수계 세포와 관련이 있으며, 따라서 벌크 종양 프로파일의 MPO 관련 신호는 종양 세포 자체의 활성보다는 면역 세포 구성과 관련이 있을 수 있습니다10. 유방암에서 벌크 및 단일 세포 데이터셋 전반에 걸친 MPO 신호의 분포, 면역 침윤 추정치와의 연관성, 그리고 하위 계산 분석의 재현성 한계는 여전히 충분히 규명되지 않은 상태입니다. 따라서 본 연구에서는 MPO를 TIME의 입증된 인과적 조절 인자나 검증된 치료 표적이 아니라, 탐색적 워크플로우 개발을 위한 면역 관련 마커로 취급합니다. 단일 코호트 차별 발현 분석이나 단일 플랫폼 면역 침윤 추정치와 비교하여, 벌크 전사체 분석, 면역 디컨볼루션, 메틸화 주석, 단일 세포 매핑 및 계산적 섭동을 결합한 통합 워크플로우는 유전자 관련 면역 맥락에 대해 더 넓은 탐색적 관점을 제공할 수 있습니다. 이러한 접근 방식은 특히 실험 데이터셋을 아직 사용할 수 없는 경우, 후보 마커의 우선순위를 정하고 검증 가능한 가설을 생성하는 데 유용합니다. 그러나 이러한 계산적 통합만으로는 세포 기원, 인과 관계, 약리학적 활성 또는 임상적 유용성을 결정할 수 없습니다. 대규모 공개 암 코호트와 단일 세포 전사체 기술의 발전으로, 생정보학적 접근 방식을 통해 집단 및 단일 세포 수준 모두에서 유전자 발현, 임상 결과, 면역 세포 구성 및 전사 상태 간의 연관성을 탐색할 수 있습니다11. 단일 세포 유전자 조절 네트워크 기반의 계산적 섭동 방법은 유전자 관련 전사 민감도에 관한 가설 생성 정보를 추가로 제공할 수 있습니다12,13. 따라서 본 연구는 유방암에서 MPO의 발현 패턴, 생존 연관성, 면역/골수성 맥락, 메틸화 프로파일, 단일 세포 분포 및 탐색적 계산적 섭동 프로파일을 특성화하는 것을 목표로 하였습니다. 전체 워크플로우는 그림 1에 나타나 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

TCGA 데이터베이스로부터의 데이터 수집

TCGA 유방 침윤성 암(TCGA-BRCA) 코호트의 RNA 시퀀싱 데이터와 임상 정보는 genomic data commons 포털에서 가져왔습니다14. STAR 워크플로 RNA-seq 데이터는 million당 전사체 수(TPM) 형식으로 일치하는 임상 주석과 함께 추출되었습니다. 해당 임상 정보가 없는 RNA-seq 샘플은 제외되었습니다. 발현 기반 분석을 위해 TPM 값은 log2(TPM + 1)로 변환되었습니다. MPO 발현량은 유전자 심볼 MPO 및 Ensembl 유전자 ID ENSG00000005381.8을 사용하여 추출되었습니다. MPO-high 및 MPO-low 그룹화가 필요한 분석의 경우, TCGA-BRCA 종양 샘플만 포함시켰으며, 인접 정상 샘플은 그룹 지정에서 제외하였습니다. 종양 샘플은 TCGA-BRCA 종양 샘플 간의 log2(TPM + 1) 변환 MPO 발현 값의 중앙값을 기준으로 나누었습니다. MPO 발현량이 중앙값보다 크거나 같은 샘플은 MPO-high 그룹으로, 중앙값보다 낮은 샘플은 MPO-low 그룹으로 지정하였습니다. 달리 명시되지 않는 한, 이러한 중앙값 기반 그룹화 전략이 생존 분석, 차등 발현 분석, 농축 분석, 메틸화 그룹화 및 면역 세포 농축 비교에 사용되었습니다. 성별, 연령, 인종, 병리학적 T 단계, 조직학적 등급, PAM50 하위 유형, 병리학적 단계, 종양 상태를 포함한 임상 병리학적 특성과 전체 생존율(OS), 무진행 간격(PFI), 질환 특이적 생존율(DSS)을 포함한 생존 종점은 R version 4.2.1을 사용하여 분석되었습니다.

공공 면역조직화학 이미지 검색

정성적인 단백질 수준의 참조 자료로 인접한 정상 유방 조직과 유방암 조직의 대표적인 MPO 면역조직화학(IHC) 이미지를 사용하였다. 이 이미지들은 정량적 형태측정학적 분석이나 통계 분석에는 포함되지 않았다. 상자로 표시된 영역은 더 높은 배율로 보여주는 부위를 나타낸다. 스케일 바는 20× 이미지에서 100 µm, 40× 이미지에서 50 µm를 나타낸다.

발현 상관관계 분석

유방암에서 MPO 발현과 공동 변동하는 유전자를 조사하기 위해 TCGA-BRCA 데이터세트를 사용하였다. MPO와 단백질 코딩 유전자 간의 전장 유전체 피어슨 상관계수를 계산하였으며, 시각화를 위해 양의 상관관계가 높은 상위 30개 유전자와 음의 상관관계가 높은 상위 30개 유전자를 선정하였다. 다수의 유전자를 테스트한 상관 분석의 경우, Benjamini-Hochberg 허위 발견율(FDR) 방법을 사용하여 공칭 p-값을 보정하였다. MPO 관련 단백질-단백질 상호작용(PPI) 네트워크는 상호작용 유전자/단백질 검색 도구(STRING) 데이터베이스를 사용하여 구축하였으며, 상호작용 점수가 0.40보다 큰 단백질 쌍만을 시각화에 포함하였다15.

기능적 농축 분석

|log2FC| > 1 및 Benjamini-Hochberg 보정 p-value < 0.05의 임계값을 사용하여 MPO-high 및 MPO-low TCGA-BRCA 종양 그룹을 비교함으로써 차별 발현 유전자(DEGs)를 식별하였습니다. DEGs의 기능적 풍부도 분석은 R 패키지 clusterProfiler 버전 4.4.4를 사용하여 수행되었으며, 여기에는 유전자 온톨로지(GO)의 생물학적 과정, 세포 성분, 분자 기능 및 Kyoto encyclopedia of genes and genomes(KEGG) 경로 분석이 포함되었습니다16,17,18,19,20. 보정 p-value가 < 0.05인 경우 풍부해진 GO 및 KEGG 용어가 유의미한 것으로 간주되었습니다.

MPO-고발현군과 MPO-저발현군 간의 차등 발현 통계에 기반한 사전 순위 지정 유전자 목록을 사용하여 유전자 세트 풍성도 분석(GSEA)을 수행하였습니다. MSigDB v2022.1.Hs에 해당하며 3,050개의 유전자 세트를 포함하고 있는 MSigDB C2 Canonical Pathways 컬렉션 c2.cp.all.v2022.1.Hs.symbols.gmt를 사용하였습니다21,22. 풍성해진 용어들은 Benjamini–Hochberg 보정 p-value < 0.05, FDR q-value < 0.25, 그리고 |정규화된 풍성도 점수(normalized enrichment score)| > 1 기준에 따라 유의미한 것으로 간주하였습니다. 해당되는 경우, 시각화를 위해 GOplot 패키지를 사용하여 유의미하게 풍성해진 용어들의 Z-score를 산출하였습니다.

종양 내 면역 세포 농축 분석

TCGA-BRCA 코호트의 면역 및 기질 성분은 R 패키지 estimate 버전 1.0.13에 구현된 ESTIMATE 알고리즘을 사용하여 평가되었습니다. Log2(TPM + 1)로 변환된 발현 데이터를 입력값으로 사용하였으며, 각 종양 샘플에 대해 면역 점수(immune score), 기질 점수(stromal score) 및 ESTIMATE 점수를 산출하였습니다. TIMER/TIMER2.0을 사용하여 TCGA-BRCA 코호트 내 MPO 발현과 B 세포, CD8+ T 세포, CD4+ T 세포, 대식세포, 호중구 및 수지상 세포를 포함한 주요 면역 세포 집단의 추정 침윤 수준 사이의 연관성을 평가하였습니다23,24,25. TIMER 기반 결과는 해당 온라인 리소스에서 도출된 면역 침윤 추정치로 해석되었습니다. 24가지 면역 세포 유형에 대한 면역 세포 풍부도 분석을 위해 R 패키지 GSVA 버전 1.46.0을 사용하여 단일 샘플 유전자 집합 풍부도 분석(ssGSEA)을 수행하였습니다26. 22가지 면역 세포 유형의 CIBERSORT 기반 디콘볼루션(deconvolution)에 사용된 LM22 면역 세포 시그니처 행렬은 Supplementary Table 1에 제공되어 있습니다. MPO 발현과 면역 세포 풍부도 점수 간의 상관관계는 Spearman 서열 상관 분석을 통해 평가되었습니다. 중앙값을 기준으로 정의된 MPO-high 및 MPO-low 종양 그룹 간의 면역 세포 풍부도 점수 차이는 Wilcoxon 순위 합 검정을 사용하여 비교하였습니다. 여러 면역 세포 유형이 포함된 분석의 경우, p-값은 Benjamini–Hochberg 허위 발견율(false discovery rate) 방법을 사용하여 보정되었습니다.

MPO 유전자의 DNA 메틸화

MethSurv를 사용하여 MPO 로커스 내의 DNA 메틸화 패턴을 평가하였습니다. TCGA-BRCA에 대한 CpG 메틸화 베타 값과 생존 연관성은 MethSurv 플랫폼에서 얻었습니다. 선택된 MPO 관련 CpG 부위를 시각화하였으며, MethSurv에서 제공하는 생존 분석 결과물을 사용하여 생존 결과와의 연관성을 평가하였습니다27. 여러 CpG 부위가 포함된 분석의 경우, Benjamini-Hochberg 위양성 발견율(false discovery rate) 방법을 사용하여 테스트된 MPO 관련 CpG 부위 전반에 대해 p-값을 보정하였습니다. 이러한 메틸화 분석은 탐색적 후성유전학적 주석으로 해석되었습니다.

호중구 관련 유전자의 PPI 네트워크 구축 및 상관관계 분석

MPO와 호중구 관련 생물학적 기전 사이의 연관성을 조사하기 위해 체계적인 네트워크 분석을 수행하였습니다. 기존 문헌을 통해 호중구 활성화 및 관련 염증 과정의 확립된 매개체로 구성된 유전자 세트를 큐레이션하였습니다. 전체 호중구 관련 유전자 목록은 부록 표 2에 제공되어 있습니다. 유전자 기호를 공식 유전자 기호로 통일하고 중복 항목을 제거하였으며, 가용한 유전자를 TCGA-BRCA 발현 행렬과 교차시킨 후 STRING/PPI 분석, 허브 유전자 우선순위 지정 및 MPO-허브 유전자 상관관계 분석을 진행하였습니다. 이러한 유전자들 간의 PPI 네트워크는 중간 신뢰도 상호작용 점수 임계값(>0.40)을 적용하여 STRING 데이터베이스(버전 11.5)를 통해 구축하였습니다. 이 네트워크 내의 허브 유전자는 노드당 직접적인 상호작용 수를 정량화하는 연결 중심성(degree centrality)을 기반으로 알고리즘적으로 우선순위가 지정되었습니다. 연결 점수가 가장 높은 상위 20개 유전자를 선정하여 후속 상관관계 분석에 사용하였습니다.

이어서, TCGA-BRCA 전사체 데이터셋에서 이러한 허브 유전자들과 MPO의 발현 프로파일을 추출하였습니다. MPO와 각 허브 유전자 사이의 연관성은 Spearman 서열 상관분석을 사용하여 통계적으로 평가하였습니다. 허브 유전자들 자체 간의 상관관계 패턴을 규명하기 위해, 모든 종양 샘플에 대해 쌍별 Spearman 상관행렬을 계산하였습니다. 이러한 상관분석은 MPO-허브 유전자 상관관계의 롤리팝 플롯(lollipop plot)과 허브 유전자 간 상관관계 패턴을 나타내는 코드 다이어그램(chord diagram)/히트맵(heatmap)을 포함한 후속 시각화의 정량적 근거가 되었습니다.

MPO를 표적으로 하는 상위 전사 인자 및 miRNA 예측

MPO의 표적 TF를 예측하기 위해 KnockTF 데이터베이스(https://bio.liclab.net/KnockTF/index.php)28,29, ChIP 데이터베이스(http://chip-atlas.org/)30,31, 그리고 GTRD 데이터베이스32,33(https://gtrd.biouml.org/#!)가 사용되었다. 또한, MPO를 표적으로 하는 잠재적인 miRNA 결합 부위를 예측하기 위해 TargetScan 데이터베이스(https://www.targetscan.org/vert_80/)가 활용되었다. 벤 다이어그램은 MicroBioinformatics 웹사이트(https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34를 사용하여 생성되었다.

MPO의 단일 세포 분석

특정 데이터셋 GSE161529는 Gene Expression Omnibus (GEO)에서 얻었습니다. 데이터 전처리 과정에서 먼저 저품질 세포를 제외하기 위해 세포 수준의 필터링을 수행하였으며, 제외 기준은 미토콘드리아 유전자 발현 25% 초과, 총 고유 분자 식별자(UMI) 수 5000 미만, 또는 검출된 유전자 수 2500개 미만 중 어느 하나라도 해당되는 경우였습니다. 그 후, 주변 RNA 오염 및 기술적 배치 효과(batch effects)를 보정하였습니다35. 세포 간 유사성을 평가하기 위해 주성분 분석(PCA)을 통한 차원 축소를 수행하였으며, 이어서 세포 클러스터링 및 시각화를 위해 UMAP을 적용하였습니다. 그런 다음, 세포의 전형적인 마커 유전자에 따라 각 클러스터에 세포 유형을 주석 처리하였습니다11. 단일 세포 시그니처 스코어링에 사용된 MPO 관련 유전자 세트는 Supplementary File 1에 제공되어 있습니다. 스코어링 전, 유전자 심볼을 공식 유전자 심볼로 통일하고, 중복 항목을 제거하였으며, 사용 가능한 유전자를 GSE161529 발현 행렬과 교차 확인하였습니다. AUCell, Seurat AddModuleScore 및 ssGSEA를 사용하여 세포당 MPO 관련 점수를 계산하였습니다. 세 가지 방법으로 얻은 점수는 Z-score 정규화를 통해 비교 가능한 범위로 스케일을 조정하였으며, 이를 통합하여 후속 기술 분석을 위한 종합 MPO 관련 점수를 생성하였습니다. 세포-세포 상호작용 네트워크를 분석하여 MPO 관련 신호에 따라 층화된 상피 종양 세포와 다양한 파트너 세포 유형 간의 추론된 리간드-수용체 통신 패턴을 비교하였습니다. 이러한 결과는 MPO 발현 세포가 세포 간 통신을 직접 매개한다는 증거라기보다는 기술적인 통신 패턴으로 해석되었습니다.

scTenifoldKnk를 이용한 MPO의 단일 세포 가상 녹다운 및 경로 농축 분석

Seurat와 scTenifoldKnk를 통합하여 MPO의 단일 세포 가상 녹다운(virtual knockdown)을 수행하였다. 표준 품질 관리(세포당 200–6,000개의 유전자, 미토콘드리아 분율 < 10%)를 거친 후, 데이터를 로그 정규화하고 차원 축소 및 클러스터링을 위해 2,000개의 고변이 유전자를 선정하였다. MPO 관련 컨텍스트를 강화하기 위해, 골수성/중성구 유전자 모듈의 상위 50% 점수를 얻은 세포들을 유지하였다. 이 세포들 중 PCA 공간에서 k = 40의 최근접 이웃(nearest neighbors)을 사용하여 MPO 양성 시드로부터 확장함으로써 MPO 인접 서브셋(MPO-neighborhood subset)을 정의하였다. 확장된 서브셋을 순수한 MPO 양성 집단으로 간주하지 않았으며, 이 KNN 확장 단계로부터 세포 유형 비율에 대한 결론을 도출하지 않았다. 해당 서브셋을 대상으로 scTenifoldKnk를 통한 가상 녹다운 분석을 수행하였으며, 고변이 유전자와 MPO(≥25개 세포에서 발현)의 합집합을 유전자 세트로 사용하였다. 유의미하게 섭동된 유전자를 식별하였다(FDR < 0.05, BH 보정). 도출된 유전자들은 GO Biological Processes 및 KEGG 경로의 기능적 풍부도 분석을 추가로 수행하였다(q < 0.05).

탐색적 약물-유전자 검색 및 ADMET 주석 달기

DGIdb를 통해 MPO와 관련된 약물-유전자 또는 화학물질-유전자 상호작용 기록을 예비적으로 조회하였다. 데이터베이스 기반의 상호작용 목록에는 서로 다른 유형의 증거로 뒷받침되는 항목들이 포함될 수 있으며, 이것이 반드시 임상적으로 적용 가능한 치료제와 직접적으로 일치하는 것은 아니므로, 검색된 화합물들은 우선순위가 높은 치료 후보 물질이라기보다 탐색적 주석으로 처리하였다. 이후 SwissADME와 ADMETlab을 사용하여 예측된 물리화학적, 약동학적 및 독성학적 특성을 요약하였다. 이러한 in silico 주석은 화합물 수준의 해석을 위한 예비적 맥락을 제공하고, 치료적 관련성을 고려하기 전에 추가적인 약리학적, 독성학적 및 임상적 큐레이션이 필요함을 강조하는 데 사용되었다36.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

유방암에서의 MPO 발현 패턴 및 탐색적 생존 연관성

암 데이터 세트 전반의 MPO 발현 패턴을 기술하기 위해, TCGA 범암(pan-cancer) 데이터 세트의 MPO RNA-seq 데이터를 분석한 결과, 방광 요로상피암(BLCA), 유방 침윤성 암(BRCA), 교모세포종(GBM), 두경부 편평세포암(HNSC), 신장 염색성 세포암(KICH), 간세포암(LIHC), 폐 선암(LUAD), 폐 편평세포암(LUSC), 췌장 선암(PAAD), 전립선 선암(PRAD) 및 갑상선암(THCA)의 종양 조직에서 MPO 발현이 더 낮게 관찰되었으며, 결장 선암(COAD), 신장 유두세포암(KIRP) 및 기타 조직에서는 MPO 발현이 더 높게 관찰되었습니다(Figure 2A). 이어서 각 암종에서 MPO 발현과 임상 결과 사이의 연관성을 평가했습니다. TCGA-BRCA 코호트에서 비쌍체 및 쌍체 비교 모두 종양 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구는 유방암에서 MPO 발현과 면역/골수성 특성 간의 연관성을 조사하기 위한 탐색적 공개 데이터셋 및 in silico 워크플로우를 제시합니다. TCGA-BRCA 분석 결과, MPO 발현은 인접한 비종양 조직보다 종양 조직에서 더 낮았으며, MPO 발현이 높을수록 무진행 생존 기간이 더 긴 것과 연관이 있었습니다. 그러나 전체 생존율과 질환 특이적 생존율은 통계적으로 유의하지 않았습니다. 따라서 현재의 근거만으로는 MPO를 강력하거나 확립된 예후 바이오마커로 해석해서는 안 됩니다. 향후 연구에서는 확립된 임상 병리학적 변수를 조정한 다변량 Cox 회귀 모델, 독립적인 검증 코호트 및 서브타입별 층화 분석을 통해 MPO를 평가해야 합니다.

전통적인 단일 코호트 차등 발현 분석이나 단일 플랫폼 면역 침윤 추정과 비교하여, 이 MPO 중심 워크플로우는 벌크 전사체학, 면역 농축, 메틸화 주석, 단일 세포 매핑 및 가상 섭동을 통합하여 MPO 관련 면역/골수성 특징에 대한 더 넓은...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 본 연구와 관련하여 이해관계의 충돌이 없음을 보고합니다. AI 기반 언어 편집 도구는 원고 수정 과정에서 영어 언어 다듬기 및 가독성 향상을 돕기 위해서만 사용되었습니다. 해당 도구는 연구 설계, 데이터 분석, 그림 생성, 결과 해석, 참고문헌 선택 또는 과학적 결론 도출에는 사용되지 않았습니다. 모든 분석, 결과, 해석, 참고문헌 및 최종 텍스트는 저자들에 의해 세밀하게 확인, 검토 및 승인되었으며, 저자들은 원고의 내용에 대해 모든 책임을 집니다.

감사의 글

저자들은 항공우주센터 병원 과학연구기금(YN202530)의 재정적 지원에 깊은 감사를 표합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
CellChatR 패키지/오픈 소스https://github.com/sqjin/CellChat세포 간 통신 분석
ChIP-Atlas공공 데이터베이스https://chip-atlas.org/TF 표적 스크리닝; 2021 업데이트 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/GO/KEGG 풍부도 분석; v4.4.4
CytoscapeCytoscape 컨소시엄https://cytoscape.org/네트워크 시각화 및 토폴로지 분석
DGIdb워싱턴 대학교/공공 데이터베이스https://www.dgidb.org/약물-유전자 상호작용 검색
GDC/TCGA-BRCA국립암연구소https://portal.gdc.cancer.gov/벌크 전사체 및 임상 데이터 소스
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/단일 세포 데이터셋 소스
GSEA/MSigDBBroad 연구소https://www.gsea-msigdb.org/gsea/msigdb유전자 세트 풍부도 분석 및 유전자 세트 참조; 버전 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/유전자 세트 변이/ssGSEA 관련 스코어링; 버전 1.46.0
GTRD공공 데이터베이스http://gtrd.biouml.org/TF 표적 스크리닝; 2021 
KnockTF공공 데이터베이스http://www.licpathway.net/KnockTF/index.htmlTF 섭동 리소스; 버전 2.0 
RR 통계 계산 재단https://www.r-project.org/통계 컴퓨팅 환경
scTenifoldKnkR 패키지/오픈 소스https://github.com/cailab-tamu/scTenifoldKnk가상 넉다운 분석
SeuratR 패키지/오픈 소스https://satijalab.org/seurat/단일 세포 전처리 및 클러스터링
STRINGELIXIR/공공 데이터베이스https://string-db.org/단백질-단백질 상호작용 분석; v11 
SwissADMESIB 스위스 생물정보학 연구소http://www.swissadme.ch/약물 유사성 평가; 2017 출시/웹 도구 
TIMER공공 웹 리소스https://timer.cistrome.org/면역 침윤 분석; TIMER2.0 
UCSC Xena 또는 연결된 TCGA 포털UCSChttps://xenabrowser.net/탐색적 데이터 액세스/검증 

참고문헌

  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.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

단일 세포 분석생물정보학 워크플로우면역 침윤TCGA-BRCA골수성 특징면역 디컨볼루션약물-유전자 상호작용
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.