Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Associatie van MPO-expressie met de immuunmicro-omgeving bij borstkanker: inzichten uit bio-informatica en single-cell-analyses

91 weergaven

⸱

DOI:

10.3791/71189

⸱

14 augustus 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 dit artikel

Samenvatting

Dit artikel presenteert een reproduceerbare bio-informatica- en single-cell workflow voor het onderzoeken van associaties tussen de expressie van myeloperoxidase (MPO) en immuun/myeloïde kenmerken bij borstkanker. Omdat de analyses zijn gebaseerd op publieke datasets en in silico methoden, worden de bevindingen geïnterpreteerd als exploratief en hypothese-genererend.

Samenvatting

Borstkanker blijft een belangrijke oorzaak van kankergerelateerde sterfte, en verkennende computationele workflows kunnen helpen bij het prioriteren van immuungeassocieerde markers voor verder onderzoek. Hier gebruikten we de bulk-transcriptomische gegevens van de cancer genome atlas breast invasive carcinoma (TCGA-BRCA) en de publieke single-cell dataset GSE161529 om associaties te onderzoeken tussen de expressie van myeloperoxidase (MPO), klinische uitkomsten, immuuninfiltratie, methylering, annotaties van upstream-regulatoren, single-cell expressiepatronen, resultaten van virtuele knockdown-gevoeligheid, drug-gene interactie-opvraging en annotaties voor absorptie, distributie, metabolisme, excretie en toxiciteit (ADMET). De MPO-expressie was lager in borstkankersweefsels dan in aangrenzende niet-tumorsweefsels. Een hogere MPO-expressie was geassocieerd met een langer progressievrije interval, terwijl de associaties met de totale overleving en ziekte-specifieke overleving niet statistisch significant waren. Receiver operating characteristic (ROC)-analyse suggereerde een scheiding tussen tumor en normaal weefsel binnen de geanalyseerde publieke dataset, maar dit mag niet worden geïnterpreteerd als klinische diagnostische validatie. Immuundeconvolutie- en verrijkingsanalyses gaven aan dat de MPO-expressie hoofdzakelijk correleerde met immuun- en myeloïde-gerelateerde transcriptionele kenmerken, in plaats van het vaststellen van tumor-intrinsieke regulatie van de immuunmicro-omgeving. Op single-cell resolutie was het MPO-signaal schaars, waarbij slechts 85 MPO-positieve cellen werden gedetecteerd vóór k-nearest neighbor (KNN)-gebaseerde neighborhood expansion. Detecteerbare MPO-signalen en MPO-geassocieerde scores werden voorzichtig geïnterpreteerd omdat ze beïnvloed kunnen zijn door schaarse expressie, onzekerheid in celtype-annotatie, dropout, doublets of ambient RNA. In silico virtuele knockdown suggereerde kandidaat immuun- en ontsteking-gerelateerde transcriptionele veranderingen, maar deze resultaten werden als verkennend beschouwd en vereisen validatie. Drug-gene interactie database (DGIdb)-gebaseerde drug-gene opvraging en ADMET-annotatie werden uitsluitend gebruikt als voorlopige chemische annotaties en werden niet geïnterpreteerd als therapeutisch bewijs. Over het geheel genomen biedt deze studie een reproduceerbare in silico workflow voor het genereren van hypothesen over MPO-geassocieerde immuun/myeloïde kenmerken bij borstkanker, die externe cohortvalidatie en experimentele bevestiging vereisen.

Inleiding

Borstkanker is een zeer heterogene immuungerelateerde maligniteit1. De progressie van de ziekte, het risico op recidive en metastasering, en de respons op de behandeling zijn nauw verbonden met de compositie en functionele status van de immuunmicro-omgeving van de tumor (TIME)2. Ondanks de voortdurende optimalisatie van uitgebreide behandelstrategieën vertonen sommige patiënten nog steeds progressie of recidive, wat de dringende noodzaak onderstreept om moleculaire biomarkers te identificeren die de status van de TIME kenmerken en risicostratificatie ondersteunen, terwijl hun onderliggende mechanismen worden opgehelderd.

Myeloperoxidase (MPO) is een heemhoudende peroxidase die voornamelijk tot expressie komt in neutrofielen en, in mindere mate, in monocyten en macrofagen. Door de generatie van hypochloorzuur en andere reactieve oxidanten draagt MPO bij aan de antimicrobiële verdediging, maar kan het ook oxidatieve weefselbeschadiging en chronische ontsteking bevorderen. Bij kanker lijkt de biologische betekenis van MPO contextafhankelijk te zijn3. Enerzijds is MPO-gemedieerde oxidatieve stress geïmpliceerd bij carcinogenese en tumorprogressie via DNA-schade, lipid- en proteïneoxidatie, inflammatoire signalering en remodellering van de tumormicro-omgeving4,5,6. Anderzijds is infiltratie van MPO-positieve aangeboren immuuncellen of myeloïde cellen geassocieerd met een gunstige prognose of antitumorale immuunactiviteit in bepaalde tumorcontexten7,8,9. Deze schijnbaar tegenstrijdige bevindingen suggereren dat de klinische en biologische betekenis van MPO kan afhangen van het tumortype, het ziektestadium, de cellulaire bron van MPO en de immuunsamenstelling van de tumormicro-omgeving. Het expressiepatroon en de prognostische relevantie van MPO bij borstkanker, in het bijzonder op single-cell niveau, zijn echter nog onvolledig gekarakteriseerd.

De tumor-immuunmicro-omgeving (TIME) bevat heterogene myeloïde, lymfoïde, stromale en epitheliale compartimenten10. MPO wordt klassiek geassocieerd met neutrofielen en andere cellen uit de myeloïde lijn; MPO-gerelateerde signalen in bulk-tumorprofielen kunnen daarom de immuuncelcompositie weerspiegelen in plaats van tumorcel-intrinsieke activiteit10. In borstkanker blijven de distributie van het MPO-signaal over bulk- en single-cell-datasets, de associatie met schattingen van immuuninfiltratie en de reproduceerbaarheidslimieten van downstream computationele analyses onvoldoende gekarakteriseerd. Deze studie behandelt MPO daarom als een immuun-geassocieerde marker voor de ontwikkeling van een verkennende workflow, en niet als een bewezen causale regulator van de TIME of een gevalideerd therapeutisch doelwit. In vergelijking met differentieel expressie-analyses van een enkele cohort of immuuninfiltratieschattingen op basis van een enkel platform, kan een geïntegreerde workflow die bulk-transcriptomics, immuun-deconvolutie, methylatie-annotatie, single-cell-mapping en computationele perturbatie combineert, een breder verkennend beeld geven van de gen-geassocieerde immuuncontext. Deze benadering is nuttig voor het prioriteren van kandidaatmarkers en het genereren van testbare hypothesen, vooral wanneer experimentele datasets nog niet beschikbaar zijn. Echter, een dergelijke computationele integratie kan op zichzelf geen cellulaire bron, causaliteit, farmacologische activiteit of klinisch nut bepalen. Met de vooruitgang van grootschalige publieke kankercohorten en single-cell transcriptomische technologieën kunnen bio-informatica-benaderingen worden gebruikt om associaties te onderzoeken tussen genexpressie, klinische uitkomsten, immuuncelcompositie en transcriptionele staten op zowel populatie- als single-cell-niveau11. Computationele perturbatiemethoden gebaseerd op single-cell genregulerende netwerken kunnen bovendien informatie verschaffen voor het genereren van hypothesen over gen-geassocieerde transcriptionele gevoeligheid12,13. Daarom was deze studie erop gericht om het expressiepatroon, de associatie met overleving, de immuun/myeloïde context, het methylatieprofiel, de single-cell-distributie en het verkennende computationele perturbatieprofiel van MPO in borstkanker te karakteriseren. De totale workflow wordt getoond in Figuur 1.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Acquisitie uit de TCGA-database

RNA-sequencinggegevens en klinische informatie voor de TCGA breast invasive carcinoma (TCGA-BRCA) cohort zijn verkregen uit het genomic data commons portaal14. STAR workflow RNA-seq gegevens in transcripts per million (TPM) formaat werden geëxtraheerd samen met de bijbehorende klinische annotaties. RNA-seq monsters zonder overeenkomstige klinische informatie werden uitgesloten. Voor expressiegebaseerde analyses werden TPM-waarden getransformeerd als log2(TPM + 1). MPO-expressie werd geëxtraheerd met behulp van het gensymbool MPO en Ensembl gen-ID ENSG00000005381.8. Voor analyses waarbij een indeling in MPO-hoog en MPO-laag vereist was, werden alleen TCGA-BRCA tumor-monsters opgenomen en werden aangrenzende normale monsters uitgesloten van de groepsindeling. Tumor-monsters werden verdeeld op basis van de mediaanwaarde van de log2(TPM + 1)-getransformeerde MPO-expressie binnen de TCGA-BRCA tumor-monsters. Monsters met een MPO-expressie groter dan of gelijk aan de mediaan werden toegewezen aan de MPO-hoge groep, terwijl monsters onder de mediaan werden toegewezen aan de MPO-lage groep. Deze op de mediaan gebaseerde groeperingsstrategie werd gebruikt voor overlevingsanalyse, differentiële expressieanalyse, verrijkingsanalyse, methyleringsgroepering en vergelijkingen van immuuncelverrijking, tenzij anders aangegeven. Klinisch-pathologische kenmerken, waaronder geslacht, leeftijd, etniciteit, pathologisch T-stadium, histologische graad, PAM50-subtype, pathologisch stadium, tumorstatus en overlevingsuitkomsten, waaronder algehele overleving (OS), progressievrije interval (PFI) en ziektespecifieke overleving (DSS), werden geanalyseerd met R versie 4.2.1.

Openbare zoekfunctie voor immunohistochemie-afbeeldingen

Representatieve immunohistochemie-afbeeldingen (IHC) van MPO van aangrenzend normaal borstweefsel en borstkankerweefsel werden gebruikt als kwalitatieve referenties voor het eiwitniveau. Deze afbeeldingen zijn niet opgenomen in kwantitatieve morfometrische of statistische analyses. De omkaderde gebieden geven regio's aan die bij een hogere vergroting worden getoond. Schaalbalken geven 100 µm aan in de 20× afbeeldingen en 50 µm in de 40× afbeeldingen.

Analyse van expressiecorrelatie

De TCGA-BRCA-dataset werd gebruikt om genen te onderzoeken die samen variëren met de MPO-expressie bij borstkanker. Genoombrede Pearson-correlatiecoëfficiënten werden berekend tussen MPO en proteencoderende genen, waarbij de top 30 positief en de top 30 negatief gecorreleerde genen werden geselecteerd voor visualisatie. Voor correlatieanalyses met meerdere geteste genen werden de nominale p-waarden gecorrigeerd met de Benjamini-Hochberg-methode voor de false discovery rate. Het MPO-geassocieerde proteïne-proteïne interactie (PPI) netwerk werd geconstrueerd met behulp van de Search Tool for the Retrieval of Interacting Genes/Proteins (STRING) database, waarbij proteïne-paren met interactiescores groter dan 0,40 werden behouden voor visualisatie15.

Functionele verrijkingsanalyse

Differentieel tot expressie gekomen genen (DEGs) werden geïdentificeerd door de MPO-hoge en MPO-lage TCGA-BRCA tumorgroepen te vergelijken met drempelwaarden van |log2FC| > 1 en een volgens Benjamini-Hochberg gecorrigeerde p-waarde < 0,05. Functionele enrichment-analyse van de DEGs werd uitgevoerd met het R-pakket clusterProfiler versie 4.4.4, inclusief gene ontology (GO) biologische processen, cellulaire componenten, moleculaire functies en Kyoto encyclopedia of genes and genomes (KEGG) pathway-analyses16,17,18,19,20. Verrijkte GO- en KEGG-termen werden als significant beschouwd wanneer de gecorrigeerde p-waarde < 0,05 was.

Gene set enrichment analysis (GSEA) werd uitgevoerd met behulp van een vooraf gerangschikte genenlijst op basis van differentiële expressiestatistieken tussen MPO-high en MPO-low groepen. De MSigDB C2 Canonical Pathways collectie c2.cp.all.v2022.1.Hs.symbols.gmt, overeenkomend met MSigDB v2022.1.Hs en bevattend 3.050 gene sets, werd gebruikt21,22. Verrijkte termen werden als significant beschouwd op basis van een Benjamini–Hochberg gecorrigeerde p-waarde < 0,05, FDR q-waarde < 0,25 en |genormaliseerde verrijkingsscore| > 1. Indien van toepassing werden Z-scores voor significant verrijkte termen berekend met het GOplot-pakket voor visualisatie.

Analyse van immuuncelverrijking in tumoren

De immuun- en stromale componenten in de TCGA-BRCA cohort werden geëvalueerd met behulp van het ESTIMATE-algoritme, geïmplementeerd in het R-pakket estimate versie 1.0.13. Log2(TPM + 1)-getransformeerde expressiegegevens werden als input gebruikt, en de immuunscore, stromale score en ESTIMATE-score werden voor elk tumoronderzoek berekend. TIMER/TIMER2.0 werd gebruikt om associaties te evalueren tussen MPO-expressie en de geschatte infiltratieniveaus van belangrijke immuuncelpopulaties in de TCGA-BRCA cohort, waaronder B-cellen, CD8+ T-cellen, CD4+ T-cellen, macrofagen, neutrofielen en dendritische cellen23,24,25. Resultaten op basis van TIMER werden geïnterpreteerd als schattingen van immuuninfiltratie afgeleid van de overeenkomstige online bron. Voor de analyse van immuuncelverrijking over 24 immuunceltypen werd single-sample gene set enrichment analysis (ssGSEA) geïmplementeerd met behulp van het R-pakket GSVA versie 1.46.026. De LM22-immuuncel-signatuurmatrix die werd gebruikt voor CIBERSORT-gebaseerde deconvolutie van 22 immuunceltypen is opgenomen in Supplementary Table 1. Correlaties tussen MPO-expressie en immuuncelverrijkingsscores werden geëvalueerd met de Spearman-rangcorrelatie. Verschillen in immuuncelverrijkingsscores tussen de op de mediaan gedefinieerde MPO-hoge en MPO-lage tumorgroepen werden vergeleken met de Wilcoxon-rangsomtoets. Voor analyses met meerdere immuunceltypen werden p-waarden gecorrigeerd met de Benjamini-Hochberg methode voor de false discovery rate.

DNA-methylering van het MPO-gen

DNA-methylatiepatronen binnen de MPO-locus werden geëvalueerd met MethSurv. CpG-methylatie beta-waarden en overlevingsassociaties voor TCGA-BRCA werden verkregen via het MethSurv-platform. Geselecteerde MPO-gerelateerde CpG-sites werden gevisualiseerd, en hun associaties met overlevingsuitkomsten werden geëvalueerd met behulp van de resultaten van de overlevingsanalyse verstrekt door MethSurv27. Voor analyses met meerdere CpG-sites werden de p-waarden gecorrigeerd over de geteste MPO-gerelateerde CpG-sites met de Benjamini-Hochberg-methode voor de false discovery rate. Deze methylatieanalyses werden geïnterpreteerd als exploratieve epigenetische annotaties.

Constructie van een PPI-netwerk en correlatieanalyse van neutrofiel-gerelateerde genen

Om de associatie tussen MPO en neutrofiel-gerelateerde biologie te onderzoeken, werd een systematische netwerkanalyse uitgevoerd. Een genset bestaande uit gevestigde mediatoren van neutrofielactivatie en geassocieerde ontstekingsprocessen werd samengesteld op basis van de huidige literatuur. De volledige lijst met neutrofiel-gerelateerde genen is opgenomen in Aanvullende Tabel 2. Gensymbolen werden geharmoniseerd naar officiële gensymbolen, dubbele vermeldingen werden verwijderd en de beschikbare genen werden gekruist met de TCGA-BRCA expressiematrix voorafgaand aan de STRING/PPI-analyse, prioritering van hub-genen en de correlatieanalyse tussen MPO en hub-genen. Het PPI-netwerk tussen deze genen werd geconstrueerd met behulp van de STRING-database (versie 11.5) met een drempelwaarde voor de interactiescore van gemiddelde betrouwbaarheid (>0,40). Hub-genen binnen dit netwerk werden algoritmisch geprioriteerd op basis van de graadcentraliteit (degree centrality), wat het aantal directe interacties per knoop kwantificeert. De 20 genen met de hoogste graadscores werden geselecteerd voor de daaropvolgende correlatieanalyse.

Vervolgens werden de expressieprofielen van deze hub-genen en MPO geëxtraheerd uit de TCGA-BRCA transcriptomische dataset. De associatie tussen MPO en elk hub-gen werd statistisch geëvalueerd met behulp van de rankcorrelatie van Spearman. Om de correlatiepatronen tussen de hub-genen onderling te karakteriseren, werd een paarsgewijze Spearman-correlatiematrix berekend over alle tumorstalen. Deze correlatieanalyses vormden de kwantitatieve basis voor de daaropvolgende visualisaties, waaronder de lollipop-plot van de correlaties tussen MPO en de hub-genen en het chord-diagram/heatmap dat de correlatiepatronen van de hub-genen weergeeft.

Voorspelling van upstream transcriptiefactoren en miRNA's die MPO targeten

De KnockTF-database (https://bio.liclab.net/KnockTF/index.php)28,29, de ChIP-database (http://chip-atlas.org/)30,31 en de GTRD-database32,33 (https://gtrd.biouml.org/#!) werden gebruikt om de doelwit-TF's van MPO te voorspellen. Daarnaast werd de TargetScan-database (https://www.targetscan.org/vert_80/) gebruikt om potentiële miRNA-bindingsplaatsen die MPO targeten te voorspellen. Venn-diagrammen werden gegenereerd met behulp van de MicroBioinformatics-website (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

Single-cell analyse van MPO

De specifieke dataset GSE161529 is afkomstig van de Gene Expression Omnibus (GEO). Bij de preprocessing van de gegevens werd eerst filtering op celniveau uitgevoerd om cellen van lage kwaliteit uit te sluiten; dit betrof cellen die voldeden aan een van de volgende criteria: een mitochondriale genexpressie van meer dan 25%, een totaal aantal unique molecular identifiers (UMI) lager dan 5000, of minder dan 2500 gedetecteerde genen. Vervolgens werden ambient RNA-contaminatie en technische batch-effecten gecorrigeerd35. Voor dimensiereductie werd een principal component analysis (PCA) uitgevoerd om de cellulaire gelijkenis te beoordelen, gevolgd door UMAP voor celclustering en visualisatie. Daarna werden de verschillende clusters, op basis van de typische markergenen van cellen, geannoteerd naar celtypen11. De MPO-geassocieerde genset die is gebruikt voor de single-cell signature scoring is opgenomen in Supplementary File 1. Voorafgaand aan de scoring werden gensymbolen geharmoniseerd naar officiële gensymbolen, werden dubbele vermeldingen verwijderd en werden de beschikbare genen geïntersecteerd met de expressiematrix van GSE161529. AUCell, Seurat AddModuleScore en ssGSEA werden gebruikt om de MPO-geassocieerde scores per cel te berekenen. De scores van deze drie methoden werden Z-score genormaliseerd, geschaald naar een vergelijkbaar bereik en geïntegreerd om een samengestelde MPO-geassocieerde score te genereren voor verdere beschrijvende analyses. Cel-cel interactienetwerken werden onderzocht om de afgeleide ligand-receptor communicatiepatronen te vergelijken tussen epitheliale tumorcellen, gestratificeerd naar MPO-geassocieerd signaal, en diverse partnerceltypen. Deze resultaten werden geïnterpreteerd als beschrijvende communicatiepatronen en niet als bewijs dat MPO-expresserende cellen direct intercellulaire communicatie mediëren.

Virtuele knockdown op single-cell niveau van MPO en pad-verrijkingsanalyse met behulp van scTenifoldKnk

Virtuele knockdown van MPO op single-cell niveau werd uitgevoerd door de integratie van Seurat en scTenifoldKnk. Na standaard kwaliteitscontrole (200–6.000 genen per cel; mitochondriaal fractie < 10%) werden de gegevens log-genormaliseerd en werden 2.000 sterk variabele genen geselecteerd voor dimensionaliteitsreductie en clustering. Om MPO-relevante contexten te verrijken, werden cellen behouden die in de top 50% scoorden voor een myeloïde/neutrofiele genmodule. Vanuit deze cellen werd een MPO-buurtsubset gedefinieerd door uit te breiden vanaf MPO-positieve seeds met behulp van k = 40 dichtstbijzijnde buren in de PCA-ruimte. Deze uitgebreide subset werd niet beschouwd als een zuivere MPO-positieve populatie, en er zijn geen conclusies getrokken over de celtypeproporties op basis van deze KNN-expansiestap. Deze subset werd onderworpen aan virtuele knockdown-analyse via scTenifoldKnk, waarbij de unie van sterk variabele genen en MPO (geëxpresseerd in ≥25 cellen) als genset werd gebruikt. Significant verstoorde genen werden geïdentificeerd (FDR < 0,05, BH-gecorrigeerd). De resulterende genen werden verder geanalyseerd op functionele verrijking in GO Biological Processes en KEGG-paden (q < 0,05).

Exploratief medicijn-gen-opvraagproces en ADMET-annotatie

DGIdb werd geraadpleegd om voorlopige records van MPO-geassocieerde interacties tussen geneesmiddel-gen of chemische stof-gen te verkrijgen. Omdat interactielijsten uit databases vermeldingen kunnen bevatten die worden ondersteund door heterogene bewijstypen en mogelijk niet direct overeenkomen met klinisch toepasbare therapeutische middelen, werden de opgehaalde verbindingen behandeld als verkennende annotaties in plaats van als geprioriteerde behandelkandidaten. SwissADME en ADMETlab werden vervolgens gebruikt om de voorspelde fysisch-chemische, farmacokinetische en toxicologische eigenschappen samen te vatten. Deze in silico annotaties werden gebruikt om een voorlopige context te bieden voor de interpretatie op verbindingniveau en om de noodzaak van verdere farmacologische, toxicologische en klinische curatie te benadrukken voordat er enige therapeutische relevantie kan worden overwogen36.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

MPO-expressiepatronen en verkennende overlevingsassociaties bij borst kanker

Om de expressiepatronen van MPO in verschillende kankerdatasets te beschrijven, hebben we MPO RNA-seq data uit de TCGA pan-cancer dataset geanalyseerd en een lagere MPO-expressie waargenomen in tumorweefsels van blaasurotheelcarcinoom (BLCA), invasief borstcarcinoom (BRCA), glioblastoma multiforme (GBM), plaveiselcelcarcinoom van de hoofd- en halsregio (HNSC), chromofoob niercelcarcin...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Deze studie presenteert een verkennende workflow op basis van een publieke dataset en in silico voor het onderzoeken van associaties tussen MPO-expressie en immuun-/myeloïde kenmerken bij borstkanker. De TCGA-BRCA-analyses toonden aan dat de MPO-expressie lager was in tumorweefsels dan in aangrenzende niet-tumorweefsels en dat een hogere MPO-expressie geassocieerd was met een langer progressievrije interval. De algehele overleving en ziekte-specifieke overleving waren echter niet statistisch significant. Daarom mag MPO o...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs melden geen belangenverstrengeling bij dit werk. Een op AI gebaseerde tool voor taalbewerking is uitsluitend gebruikt ter ondersteuning bij het polijsten van de Engelse taal en de leesbaarheid tijdens de revisie van het manuscript. De tool is niet gebruikt voor het ontwerp van de studie, data-analyse, het genereren van figuren, de interpretatie van resultaten, de selectie van referenties of het trekken van wetenschappelijke conclusies. Alle analyses, resultaten, interpretaties, referenties en de definitieve tekst zijn zorgvuldig gecontroleerd, beoordeeld en goedgekeurd door de auteurs, die de volledige verantwoordelijkheid dragen voor de inhoud van het manuscript.

Dankbetuigingen

De auteurs danken het Scientific Research Fund of Aerospace Center Hospital (YN202530) hartelijk voor de financiële ondersteuning.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
CellChatR-package/Open sourcehttps://github.com/sqjin/CellChatAnalyse van cel-celcommunicatie
ChIP-AtlasPublieke databasehttps://chip-atlas.org/Screening van TF-targets; update 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/GO/KEGG-enrichmentanalyse; v4.4.4
CytoscapeCytoscape Consortiumhttps://cytoscape.org/Netwerkvisualisatie en topologieanalyse
DGIdbWashington University/Publieke databasehttps://www.dgidb.org/Ophalen van drug-geninteracties
GDC/TCGA-BRCANational Cancer Institutehttps://portal.gdc.cancer.gov/Bron voor bulk-transcriptomische en klinische gegevens
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Bron voor single-cell dataset
GSEA/MSigDBBroad Institutehttps://www.gsea-msigdb.org/gsea/msigdbGene set enrichment-analyse en gene-set referentie; Versie 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Gene set variatie/ssGSEA-gerelateerde scoring; Versie 1.46.0
GTRDPublieke databasehttp://gtrd.biouml.org/Screening van TF-targets; 2021 
KnockTFPublieke databasehttp://www.licpathway.net/KnockTF/index.htmlHulpbron voor TF-perturbatie; Versie 2.0 
RR Foundation for Statistical Computinghttps://www.r-project.org/Omgeving voor statistische computatie
scTenifoldKnkR-package/Open sourcehttps://github.com/cailab-tamu/scTenifoldKnkVirtuele knockdown-analyse
SeuratR-package/Open sourcehttps://satijalab.org/seurat/Single-cell preprocessing en clustering
STRINGELIXIR/Publieke databasehttps://string-db.org/Proteïne-proteïne interactieanalyse; v11 
SwissADMESIB Swiss Institute of Bioinformaticshttp://www.swissadme.ch/Beoordeling van drug-likeness; release 2017/webtool 
TIMERPublieke webhulpbronhttps://timer.cistrome.org/Analyse van immuunfiltratie; TIMER2.0 
UCSC Xena of gekoppelde TCGA-portalUCSChttps://xenabrowser.net/Exploratieve data-toegang/validatie 

Referenties

  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.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Tags

SinglecelanalyseBioinformatica-workflowImmuuninfiltratieTCGA-BRCAMyeloïde kenmerkenImmuundeconvolutieGeneesmiddel-geninteractie
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.