Związek ekspresji MPO z mikrośrodowiskiem immunologicznym w raku piersi: wnioski z analiz bioinformatycznych i analiz pojedynczych komórek

Qingrui Li; Fei Teng; Weijia Kong; Siyu Tong; Peilin Sha; Pengrui Wang

doi:10.3791/71189

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Związek ekspresji MPO z mikrośrodowiskiem immunologicznym w raku piersi: wnioski z analiz bioinformatycznych i analiz pojedynczych komórek

91 wyświetleń

⸱

DOI:

10.3791/71189

⸱

14 sierpnia 2026

Qingrui Li^*¹ , Fei Teng^*² , Weijia Kong^*³^,⁴ , Siyu Tong⁵ , Peilin Sha² , Pengrui Wang²

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

W tym artykule

Podsumowanie

Niniejszy artykuł przedstawia odtwarzalny schemat bioinformatyczny i analizę pojedynczych komórek służące do badania powiązań między ekspresją mieloperoksydazy (MPO) a cechami odpornościowymi i mieloidalnymi w raku piersi. Ponieważ analizy opierają się na publicznych zbiorach danych i metodach in silico, wyniki mają charakter eksploracyjny i służą do generowania hipotez.

Streszczenie

Rak piersi pozostaje główną przyczyną śmiertelności związanej z nowotworami, a eksploracyjne przepływy pracy obliczeniowej mogą pomóc w priorytetyzacji markerów związanych z odpowiedzią immunologiczną do dalszych badań. W niniejszej pracy wykorzystano dane transkryptomiczne bulk z bazy The Cancer Genome Atlas dla inwazyjnego raka piersi (TCGA-BRCA) oraz publiczny zbiór danych jednokomórkowych GSE161529, aby zbadać powiązania między ekspresją mieloperoksydazy (MPO) a wynikami klinicznymi, infiltracją immunologiczną, metylacją, adnotacjami regulatorów nadrzędnych, wzorcami ekspresji na poziomie pojedynczych komórek, wynikami wrażliwości na wirtualny nokdaun, wyszukiwaniem interakcji lek–gen oraz adnotacjami dotyczącymi absorpcji, dystrybucji, metabolizmu, wydalania i toksyczności (ADMET). Ekspresja MPO była niższa w tkankach raka piersi niż w sąsiednich tkankach nietumorowych. Wyższa ekspresja MPO wiązała się z dłuższym czasem wolnym od progresji, natomiast powiązania z przeżyciem całkowitym oraz przeżyciem specyficznym dla choroby nie były istotne statystycznie. Analiza charakterystyki operacyjnej odbiornika (ROC) sugerowała rozdzielenie tkanki nowotworowej od prawidłowej w analizowanym publicznym zbiorze danych, jednak nie należy interpretować tego jako walidacji diagnostyki klinicznej. Dekonwolucja immunologiczna oraz analizy wzbogacenia wykazały, że ekspresja MPO korelowała głównie z cechami transkrypcyjnymi związanymi z układem odpornościowym i komórkami mieloidalnymi, a nie ustanawiała wewnątrznowotworowej regulacji mikrośrodowiska immunologicznego. W rozdzielczości jednokomórkowej sygnał MPO był rzadki – przed rozszerzeniem sąsiedztwa w oparciu o algorytm k-najbliższych sąsiadów (KNN) wykryto jedynie 85 komórek MPO-dodatnich. Wykrywalny sygnał MPO oraz powiązane z nią wyniki interpretowano z ostrożnością, ponieważ mogły one być pod wpływem rzadkiej ekspresji, niepewności adnotacji typów komórek, zjawiska dropout, doubletów lub wolnego RNA w środowisku (ambient RNA). In silico wirtualny knockdown wskazał potencjalne zmiany transkrypcyjne związane z odpowiedzią odpornościową i zapalną, jednak wyniki te uznano za wstępne i wymagają one walidacji. Wyszukiwanie leków i genów w oparciu o bazę danych interakcji lek-gen (DGIdb) oraz adnotacje ADMET zostały wykorzystane wyłącznie jako wstępne adnotacje chemiczne i nie były interpretowane jako dowody terapeutyczne. Podsumowując, niniejsze badanie dostarcza powtarzalnego schematu in silico do generowania hipotez dotyczących cech odpornościowych i mieloidalnych związanych z MPO w raku piersi, które wymagają walidacji na zewnętrznych kohortach oraz potwierdzenia eksperymentalnego.

Wprowadzenie

Rak piersi jest wysoce heterogennym nowotworem związanym z układem odpornościowym¹. Postępowanie choroby, ryzyko nawrotu i przerzutów oraz odpowiedź na leczenie są ściśle powiązane ze składem i statusem funkcjonalnym immunologicznego mikrośrodowiska guza (TIME)². Pomimo ciągłej optymalizacji kompleksowych strategii terapeutycznych, u niektórych pacjentów nadal dochodzi do progresji lub nawrotu choroby, co podkreśla pilną potrzebę zidentyfikowania biomarkerów molekularnych charakteryzujących stan TIME i wspierających stratyfikację ryzyka, przy jednoczesnym wyjaśnieniu leżących u ich podstaw mechanizmów.

Mieloperoksydaza (MPO) jest zawierającą hem peroksydazą, która wykazuje ekspresję głównie w neutrofilach, a w mniejszym stopniu w monocytach i makrofagach. Poprzez generowanie kwasu podchlorawego i innych reaktywnych utleniaczy MPO przyczynia się do obrony przeciwdrobnoustrojowej, ale może również promować oksydacyjne uszkodzenie tkanek i przewlekły stan zapalny. W nowotworach znaczenie biologiczne MPO wydaje się być zależne od kontekstu³. Z jednej strony stres oksydacyjny indukowany przez MPO jest powiązany z kancerogenezą i progresją guza poprzez uszkadzanie DNA, utlenianie lipidów i białek, sygnalizację zapalną oraz przebudowę mikrośrodowiska guza⁴^,⁵^,⁶. Z drugiej strony naciek komórek mieloidalnych lub wrodzonych komórek odpornościowych wykazujących pozytywną ekspresję MPO był kojarzony z korzystnym rokowaniem lub przeciwnowotworową aktywnością immunologiczną w niektórych kontekstach nowotworowych⁷^,⁸^,⁹. Te pozornie sprzeczne wyniki sugerują, że znaczenie kliniczne i biologiczne MPO może zależeć od typu nowotworu, stopnia zaawansowania choroby, komórkowego źródła MPO oraz składu immunologicznego mikrośrodowiska guza. Niemniej jednak wzorzec ekspresji i znaczenie prognostyczne MPO w raku piersi, szczególnie na poziomie pojedynczych komórek, pozostają nie w pełni scharakteryzowane.

Immunologiczne mikrośrodowisko guza (TIME) składa się z heterogenicznych komponentów mieloidalnych, limfoidalnych, zrębowych i nabłonkowych¹⁰. MPO jest klasycznie kojarzone z neutrofilami i innymi komórkami linii mieloidalnej, zatem sygnały związane z MPO w profilach guza z analizy bulk mogą odzwierciedlać skład komórek odpornościowych, a nie aktywność wewnątrzpochodną komórek nowotworowych¹⁰. W raku piersi rozkład sygnału MPO w zbiorach danych bulk oraz single-cell, jego związek z szacunkami nacieku immunologicznego oraz granice reprodukowalności późniejszych analiz obliczeniowych pozostają niewystarczająco scharakteryzowane. Niniejsze badanie traktuje zatem MPO jako marker powiązany z układem odpornościowym w celu opracowania eksploracyjnego schematu postępowania, a nie jako udowodniony regulator przyczynowy TIME lub zwalidowany cel terapeutyczny. W porównaniu z analizami różnicowej ekspresji w obrębie jednej kohorty lub szacunkami nacieku immunologicznego z jednej platformy, zintegrowany schemat łączący transkryptomikę bulk, dekonwolucję immunologiczną, adnotację metylacji, mapowanie single-cell i obliczeniowe zaburzenia może zapewnić szerszy wgląd eksploracyjny w kontekst immunologiczny powiązany z genem. Podejście to jest przydatne do priorytetyzacji potencjalnych markerów i generowania testowalnych hipotez, zwłaszcza gdy zestawy danych eksperymentalnych nie są jeszcze dostępne. Jednakże taka integracja obliczeniowa nie może sama w sobie określić źródła komórkowego, przyczynowości, aktywności farmakologicznej ani użyteczności klinicznej. Dzięki rozwojowi wielkoskalowych publicznych kohort nowotworowych i technologii transkryptomicznych single-cell, podejścia bioinformatyczne mogą być wykorzystywane do badania powiązań między ekspresją genów, wynikami klinicznymi, składem komórek odpornościowych a stanami transkrypcyjnymi zarówno na poziomie populacyjnym, jak i pojedynczych komórek¹¹. Metody obliczeniowych zaburzeń oparte na sieciach regulacji genów single-cell mogą dodatkowo dostarczyć informacji służących do generowania hipotez dotyczących wrażliwości transkrypcyjnej powiązanej z genami¹²^,¹³. Dlatego celem niniejszego badania była charakterystyka wzorca ekspresji, związku z przeżywalnością, kontekstu immunologicznego/mieloidalnego, profilu metylacji, rozkładu single-cell oraz eksploracyjnego profilu obliczeniowych zaburzeń MPO w raku piersi. Całkowity schemat postępowania przedstawiono na Rysunku 1.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Pobieranie danych z bazy TCGA

Dane z sekwencjonowania RNA oraz informacje kliniczne dla kohorty raka inwazyjnego piersi TCGA (TCGA-BRCA) pobrano z portalu genomic data commons¹⁴. Dane RNA-seq z przepływu STAR w formacie transcripts per million (TPM) wyodrębniono wraz z dopasowanymi adnotacjami klinicznymi. Próbki RNA-seq pozbawione odpowiadających im informacji klinicznych zostały wykluczone. W analizach opartych na ekspresji wartości TPM przekształcono jako log2(TPM + 1). Ekspresję MPO wyodrębniono przy użyciu symbolu genu MPO oraz identyfikatora genu Ensembl ENSG00000005381.8. W analizach wymagających podziału na grupy MPO-high i MPO-low uwzględniono wyłącznie próbki nowotworowe TCGA-BRCA, natomiast próbki tkanek prawidłowych z sąsiedztwa wykluczono z przypisania do grup. Próbki nowotworowe podzielono zgodnie z wartością mediany przekształconej log2(TPM + 1) ekspresji MPO wśród próbek nowotworowych TCGA-BRCA. Próbki z ekspresją MPO większą lub równą medianie przypisano do grupy MPO-high, natomiast próbki poniżej mediany przypisano do grupy MPO-low. Tę strategię grupowania opartą na medianie zastosowano w analizie przeżywalności, analizie ekspresji różnicowej, analizie wzbogacenia, grupowaniu metylacji oraz porównaniach wzbogacenia komórek odpornościowych, chyba że wskazano inaczej. Charakterystyki kliniczno-patologiczne, w tym płeć, wiek, pochodzenie etniczne, patologiczne stadium T, stopień histologiczny, podtyp PAM50, stadium patologiczne, status nowotworu oraz punkty końcowe przeżywalności, w tym przeżywalność całkowita (OS), czas wolny od progresji (PFI) i przeżywalność specyficzna dla choroby (DSS), analizowano przy użyciu programu R w wersji 4.2.1.

Publiczne wyszukiwanie obrazów immunohistochemicznych

Reprezentatywne obrazy immunohistochemii (IHC) MPO z sąsiadującej prawidłowej tkanki piersi oraz tkanki raka piersi zostały wykorzystane jako jakościowe referencje dla poziomu białka. Obrazy te nie zostały uwzględnione w ilościowych analizach morfometrycznych ani statystycznych. Obramowane obszary wskazują regiony przedstawione w większym powiększeniu. Paski skali wskazują 100 µm na obrazach 20× oraz 50 µm na obrazach 40×.

Analiza korelacji ekspresji

Do zbadania genów współzmieniających się z ekspresją MPO w raku piersi wykorzystano zbiór danych TCGA-BRCA. Obliczono genomowe współczynniki korelacji Pearsona pomiędzy MPO a genami kodującymi białka, a do wizualizacji wybrano 30 genów o najwyższej korelacji dodatniej oraz 30 genów o najwyższej korelacji ujemnej. W przypadku analiz korelacji obejmujących wiele badanych genów, nominalne wartości p skorygowano za pomocą metody kontroli odsetka fałszywych odkryć Benjamini-Hochberga. Sieć oddziaływań białko-białko (PPI) powiązaną z MPO skonstruowano przy użyciu bazy danych STRING (search tool for the retrieval of interacting genes/proteins), zachowując do wizualizacji pary białek z wynikiem oddziaływania powyżej 0,40¹⁵.

Analiza wzbogacenia funkcjonalnego

Geny różnicowo wyrażone (DEGs) zidentyfikowano poprzez porównanie grup nowotworowych TCGA-BRCA o wysokim i niskim poziomie MPO, stosując progi |log2FC| > 1 oraz skorygowaną metodą Benjamini-Hochberga wartość p < 0,05. Analizę wzbogacenia funkcjonalnego DEG-ów przeprowadzono przy użyciu pakietu R clusterProfiler w wersji 4.4.4, obejmując analizy procesów biologicznych, komponentów komórkowych i funkcji molekularnych w ramach ontologii genów (GO) oraz analizy szlaków w bazie Kyoto Encyclopedia of Genes and Genomes (KEGG)¹⁶^,¹⁷^,¹⁸^,¹⁹^,²⁰. Wzbogacone terminy GO i KEGG uznano za istotne, gdy skorygowana wartość p była < 0,05.

Analizę wzbogacenia zestawów genów (GSEA) przeprowadzono przy użyciu wstępnie uszeregowanej listy genów, opracowanej na podstawie statystyk ekspresji różnicowej pomiędzy grupami MPO-high a MPO-low. Wykorzystano kolekcję MSigDB C2 Canonical Pathways c2.cp.all.v2022.1.Hs.symbols.gmt, odpowiadającą wersji MSigDB v2022.1.Hs i zawierającą 3 050 zestawów genów²¹^,²². Terminy wzbogacone uznano za istotne przy wartości p skorygowanej metodą Benjamini–Hochberga < 0,05, wartości q FDR < 0,25 oraz |znormalizowany wynik wzbogacenia| > 1. W odpowiednich przypadkach wartości Z-score dla istotnie wzbogaconych terminów obliczono za pomocą pakietu GOplot w celu wizualizacji.

Analiza wzbogacenia komórek odpornościowych w guzach

Składniki immunologiczne i stromaalne w kohorcie TCGA-BRCA oceniono przy użyciu algorytmu ESTIMATE zaimplementowanego w pakiecie R estimate w wersji 1.0.13. Jako dane wejściowe wykorzystano dane ekspresji poddane transformacji Log2(TPM + 1), a dla każdej próbki guza obliczono wynik immunologiczny (immune score), wynik stromaalny (stromal score) oraz wynik ESTIMATE. Do oceny powiązań między ekspresją MPO a szacowanym poziomem infiltracji głównych populacji komórek immunologicznych w kohorcie TCGA-BRCA, w tym limfocytów B, limfocytów T CD8+, limfocytów T CD4+, makrofagów, neutrofili i komórek dendrytycznych, wykorzystano TIMER/TIMER2.0²³^,²⁴^,²⁵. Wyniki oparte na TIMER zinterpretowano jako szacunki infiltracji immunologicznej pochodzące z odpowiedniego zasobu online. Do analizy wzbogacenia komórek immunologicznych dla 24 typów komórek zastosowano analizę wzbogacenia zestawów genów dla pojedynczych próbek (ssGSEA) przy użyciu pakietu R GSVA w wersji 1.46.0²⁶. Macierz sygnatur komórek immunologicznych LM22, wykorzystana do dekonwolucji 22 typów komórek immunologicznych metodą CIBERSORT, znajduje się w Tabe lice uzupełniającej 1. Korelacje między ekspresją MPO a wynikami wzbogacenia komórek immunologicznych oceniono za pomocą korelacji rang Spearmana. Różnice w wynikach wzbogacenia komórek immunologicznych pomiędzy grupami guzów z wysoką i niską ekspresją MPO, zdefiniowanymi na podstawie mediany, porównano za pomocą testu sum rang Wilcoxona. W analizach obejmujących wiele typów komórek immunologicznych wartości p skorygowano metodą Benjamini-Hochberga dla kontroli stopnia odkryć fałszywych (FDR).

Metylacja DNA genu MPO

Wzorce metylacji DNA w obrębie locus MPO oceniono za pomocą narzędzia MethSurv. Wartości beta metylacji CpG oraz powiązania z przeżywalnością dla TCGA-BRCA pobrano z platformy MethSurv. Zwizualizowano wybrane miejsca CpG powiązane z MPO, a ich korelacje z przeżywalnością oceniono na podstawie wyników analizy przeżywalności dostarczonych przez MethSurv²⁷. W przypadku analiz obejmujących wiele miejsc CpG, wartości p skorygowano dla wszystkich badanych miejsc CpG powiązanych z MPO przy użyciu metody Benjamini-Hochberg dla fałszywych odkryć (FDR). Powyższe analizy metylacji zinterpretowano jako eksploracyjne adnotacje epigenetyczne.

Konstrukcja sieci PPI i analiza korelacji genów związanych z neutrofilami

W celu zbadania związku między MPO a biologią związaną z neutrofilami przeprowadzono systematyczną analizę sieciową. Z aktualnej literatury opracowano zestaw genów obejmujący uznane mediatory aktywacji neutrofili oraz powiązane z nimi procesy zapalne. Pełna lista genów związanych z neutrofilami została przedstawiona w Tabeli uzupełniającej 2. Symbole genów ujednolicono zgodnie z oficjalną nomenklaturą, usunięto duplikaty, a dostępne geny zestawiono z macierzą ekspresji TCGA-BRCA przed przeprowadzeniem analizy STRING/PPI, priorytetyzacją genów hubowych oraz analizą korelacji między MPO a genami hubowymi. Sieć PPI dla tych genów skonstruowano przy użyciu bazy danych STRING (wersja 11.5) z zastosowaniem średniego progu ufności dla interakcji (>0,40). Geny hubowe w tej sieci zostały spriorytetyzowane algorytmicznie na podstawie centralności stopnia, która określa liczbę bezpośrednich interakcji przypadających na jeden węzeł. Do dalszej analizy korelacji wybrano 20 genów o najwyższych wartościach stopnia.

Następnie profile ekspresji tych genów węzłowych (hub genes) oraz MPO wyekstrahowano z zestawu danych transkrypcyjnych TCGA-BRCA. Powiązanie między MPO a każdym genem węzłowym oceniono statystycznie za pomocą korelacji rang Spearmana. Aby scharakteryzować wzorce korelacji pomiędzy samymi genami węzłowymi, obliczono macierz korelacji Spearmana dla wszystkich próbek nowotworowych. Analizy korelacyjne te stanowiły podstawę ilościową dla późniejszych wizualizacji, w tym wykresu typu „lollipop” korelacji MPO z genami węzłowymi oraz diagramu chordowego/mapy ciepła przedstawiającej wzorce korelacji genów węzłowych.

Przewidywanie czynników transkrypcyjnych i miRNA celujących w MPO

Do przewidywania czynników TF będących celami MPO wykorzystano bazę danych KnockTF (https://bio.liclab.net/KnockTF/index.php)²⁸^,²⁹, bazę danych ChIP (http://chip-atlas.org/)³⁰^,³¹ oraz bazę danych GTRD³²^,³³ (https://gtrd.biouml.org/#!). Ponadto do przewidywania potencjalnych miejsc wiązania miRNA celujących w MPO wykorzystano bazę danych TargetScan (https://www.targetscan.org/vert_80/). Diagramy Venna zostały wygenerowane za pomocą strony MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)³⁴.

Analiza pojedynczych komórek MPO

Specyficzny zbiór danych GSE161529 pochodzi z bazy Gene Expression Omnibus (GEO). Podczas wstępnego przetwarzania danych przeprowadzono filtrowanie na poziomie komórek w celu wykluczenia komórek o niskiej jakości — tych, które spełniały dowolne z następujących kryteriów: ekspresja genów mitochondrialnych przekraczająca 25%, całkowita liczba unikalnych identyfikatorów molekularnych (UMI) poniżej 5000 lub wykrycie mniej niż 2500 genów. Następnie skorygowano zanieczyszczenia RNA z otoczenia (ambient RNA) oraz techniczne efekty serii³⁵. W celu redukcji wymiarowości i oceny podobieństwa komórkowego przeprowadzono analizę głównych składowych (PCA), a następnie zastosowano UMAP do klastrowania i wizualizacji komórek. Następnie, w oparciu o typowe geny markerowe komórek, poszczególne klastry przypisano do typów komórek¹¹. Zestaw genów związanych z MPO, wykorzystany do obliczania wyników sygnatur pojedynczych komórek, znajduje się w Pliku uzupełniającym 1. Przed obliczeniami symbole genów zharmonizowano z oficjalnymi symbolami genów, usunięto duplikaty, a dostępne geny zestawiono z macierzą ekspresji GSE161529. Do obliczenia wyników związanych z MPO dla poszczególnych komórek wykorzystano AUCell, funkcję AddModuleScore pakietu Seurat oraz ssGSEA. Wyniki uzyskane trzema metodami poddano normalizacji Z-score, przeskalowano do porównywalnego zakresu i zintegrowano w celu wygenerowania złożonego wyniku związanego z MPO do późniejszych analiz opisowych. Przeanalizowano sieci oddziaływań komórka-komórka, aby porównać wnioskowane wzorce komunikacji ligand–receptor z udziałem komórek nowotworowych nabłonkowych, rozdzielonych według sygnału związanego z MPO, oraz różnorodnych typów komórek partnerskich. Wyniki te zinterpretowano jako opisowe wzorce komunikacji, a nie jako dowód na to, że komórki wykazujące ekspresję MPO bezpośrednio pośredniczą w komunikacji międzykomórkowej.

Wirtualny knockdown pojedynczych komórek MPO oraz analiza wzbogacenia szlaków za pomocą scTenifoldKnk

Wirtualny knockdown MPO na poziomie pojedynczych komórek przeprowadzono poprzez integrację narzędzi Seurat i scTenifoldKnk. Po standardowej kontroli jakości (200–6 000 genów na komórkę; frakcja mitochondrialna < 10%), dane poddano logarytmicznej normalizacji, a do redukcji wymiarowości i klastrowania wybrano 2 000 genów o wysokiej zmienności. Aby wzbogacić konteksty istotne dla MPO, zachowano komórki, które znalazły się w górnych 50% wyników dla modułu genów mieloidalnych/neutrofilnych. Z tych komórek zdefiniowano podzbiór sąsiedztwa MPO poprzez rozszerzenie zziaren MPO-dodatnich przy użyciu k = 40 najbliższych sąsiadów w przestrzeni PCA. Rozszerzony podzbiór nie był traktowany jako czysta populacja MPO-dodatnia i na podstawie tego kroku rozszerzenia KNN nie wyciągano wniosków dotyczących proporcji typów komórek. Podzbiór ten poddano analizie wirtualnego knockdownu za pomocą scTenifoldKnk, wykorzystując zbiór genów obejmujący geny o wysokiej zmienności oraz MPO (wykazujący ekspresję w ≥25 komórkach). Zidentyfikowano geny istotnie zaburzone (FDR < 0,05, korekta BH). Uzyskane geny poddano dalszej analizie wzbogacenia funkcjonalnego w ramach procesów biologicznych GO oraz szlaków KEGG (q < 0,05).

Eksploracyjne wyszukiwanie powiązań lek-gen i adnotacja ADMET

W celu uzyskania wstępnych zapisów interakcji lek–gen lub związek chemiczny–gen związanych z MPO przeprowadzono kwerendę w bazie DGIdb. Ponieważ listy interakcji pochodzące z baz danych mogą zawierać wpisy poparte heterogennymi typami dowodów i mogą nie odpowiadać bezpośrednio agentom terapeutycznym o znaczeniu klinicznym, pobrane związki potraktowano jako adnotacje eksploracyjne, a nie priorytetowych kandydatów do leczenia. Następnie wykorzystano narzędzia SwissADME oraz ADMETlab do podsumowania przewidywanych właściwości fizykochemicznych, farmakokinetycznych i toksykologicznych. Adnotacje te, opracowane in silico, posłużyły do zapewnienia wstępnego kontekstu dla interpretacji na poziomie poszczególnych związków oraz do podkreślenia konieczności dalszej kuracji farmakologicznej, toksykologicznej i klinicznej przed rozważeniem jakiegokolwiek znaczenia terapeutycznego³⁶.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wzorce ekspresji MPO i eksploracyjne powiązania z przeżywalnością w raku piersi

Aby opisać wzorce ekspresji MPO w zbiorach danych dotyczących nowotworów, przeanalizowano dane RNA-seq dla MPO z pan-rakowego zbioru danych TCGA. Zaobserwowano niższą ekspresję MPO w tkankach nowotworowych w przypadku raka urotelialnego pęcherza moczowego (BLCA), inwazyjnego raka piersi (BRCA), glejaka wielopostaciowego (GBM), raka płaskonabłonkowego głowy i szyi (HNSC), chromofobowego raka nerki (...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Niniejsze badanie przedstawia eksploracyjny przepływ pracy oparty na publicznych zbiorach danych i analizach in silico w celu zbadania powiązań między ekspresją MPO a cechami immunologicznymi i mieloidalnymi w raku piersi. Analizy TCGA-BRCA wykazały, że ekspresja MPO była niższa w tkankach nowotworowych niż w przyległych tkankach niedowotworowych oraz że wyższa ekspresja MPO wiązała się z dłuższym odstępem wolnym od progresji. Jednak przeżycie całkowite oraz przeżycie swoiste dla choroby nie były istotne statystycznie. W...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie zgłaszają konfliktów interesów w niniejszej pracy. Narzędzie do edycji językowej oparte na sztucznej inteligencji zostało wykorzystane wyłącznie w celu poprawy stylu i czytelności języka angielskiego podczas rewizji manuskryptu. Narzędzie nie było wykorzystywane do projektowania badania, analizy danych, generowania rycin, interpretacji wyników, wyboru referencji ani wyciągania wniosków naukowych. Wszystkie analizy, wyniki, interpretacje, referencje oraz ostateczny tekst zostały starannie sprawdzone, zweryfikowane i zatwierdzone przez autorów, którzy biorą pełną odpowiedzialność za treść manuskryptu.

Podziękowania

Autorzy wyrażają wdzięczność za wsparcie finansowe z Funduszu Badań Naukowych Szpitala Centrum Lotnictwa i Kosmonautyki (YN202530).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
CellChat	Pakiet R/Open source	https://github.com/sqjin/CellChat	Analiza komunikacji międzykomórkowej
ChIP-Atlas	Publiczna baza danych	https://chip-atlas.org/	Przesiewanie celów TF; aktualizacja z 2021 r.
clusterProfiler	Bioconductor	https://bioconductor.org/packages/clusterProfiler/	Analiza wzbogacenia GO/KEGG; v4.4.4
Cytoscape	Cytoscape Consortium	https://cytoscape.org/	Wizualizacja sieci i analiza topologii
DGIdb	Washington University/Publiczna baza danych	https://www.dgidb.org/	Wyszukiwanie interakcji lek-gen
GDC/TCGA-BRCA	National Cancer Institute	https://portal.gdc.cancer.gov/	Źródło danych klinicznych i transkrypcyjnych typu bulk
Gene Expression Omnibus: GSE161529	NCBI	https://www.ncbi.nlm.nih.gov/geo/	Źródło zbioru danych single-cell
GSEA/MSigDB	Broad Institute	https://www.gsea-msigdb.org/gsea/msigdb	Analiza wzbogacenia zbiorów genów i referencyjny zbiór genów; wersja 3.0
GSVA	Bioconductor	https://bioconductor.org/packages/GSVA/	Punktacja wariacji zbiorów genów/powiązana z ssGSEA; wersja 1.46.0
GTRD	Publiczna baza danych	http://gtrd.biouml.org/	Przesiewanie celów TF; 2021
KnockTF	Publiczna baza danych	http://www.licpathway.net/KnockTF/index.html	Zasób perturbacji TF; wersja 2.0
R	R Foundation for Statistical Computing	https://www.r-project.org/	Środowisko obliczeń statystycznych
scTenifoldKnk	Pakiet R/Open source	https://github.com/cailab-tamu/scTenifoldKnk	Analiza wirtualnego nokdaunu
Seurat	Pakiet R/Open source	https://satijalab.org/seurat/	Preprocessing i klasteryzacja danych single-cell
STRING	ELIXIR/Publiczna baza danych	https://string-db.org/	Analiza oddziaływań białko-białko; v11
SwissADME	SIB Swiss Institute of Bioinformatics	http://www.swissadme.ch/	Ocena podobieństwa do leku; wersja z 2017 r./narzędzie webowe
TIMER	Publiczny zasób internetowy	https://timer.cistrome.org/	Analiza infiltracji immunologicznej; TIMER2.0
UCSC Xena lub powiązany portal TCGA	UCSC	https://xenabrowser.net/	Eksploracyjny dostęp do danych/walidacja

Bibliografia

Onkar SS, et al. The great immune escape: Understanding the divergent immune response in breast cancer subtypes. Cancer Discov. 2023;13(1):23-40.
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.
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.
Ohshima H, Tatemichi M, Sawa T. Chemical basis of inflammation-induced carcinogenesis. Arch Biochem Biophys. 2003;417(1):3-11.
Davies MJ, Hawkins CL. The role of myeloperoxidase in biomolecule modification, chronic inflammation, and disease. Antioxid Redox Signal. 2020;32(13):957-981.
Gomez-Mejiba SE, et al. Myeloperoxidase-induced genomic DNA-centered radicals. J Biol Chem. 2010;285(26):20062-20071.
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.
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.
Droeser RA, et al. High myeloperoxidase positive cell infiltration in colorectal cancer is an independent favorable prognostic factor. PLoS One. 2013;8(5):e64814.
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.
Xu H, et al. Single-cell transcriptomics reveals CCL3+ classical monocyte subset linked to autoimmune pathogenesis. J Inflamm Res. 2025;18:16273-16291.
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.
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.
Das SC, et al. Comprehensive bioinformatics and machine learning analyses for breast cancer staging using TCGA dataset. Brief Bioinform. 2024;26(1):bbae628.
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.
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.
Ashburner M, et al. Gene ontology: tool for the unification of biology. Nat Genet. 2000;25(1):25-29.
Kanehisa M, Goto S. KEGG: Kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000;28(1):27-30.
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.
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.
Liberzon A, et al. Molecular signatures database MSigDB 3.0. Bioinformatics. 2011;27(12):1739-1740.
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.
Li B, et al. Comprehensive analyses of tumor immunity: implications for cancer immunotherapy. Genome Biol. 2016;17(1):174.
Li T, et al. TIMER: A web server for comprehensive analysis of tumor-infiltrating immune cells. Cancer Res. 2017;77(21):e108-e110.
Li T, et al. TIMER2.0 for analysis of tumor-infiltrating immune cells. Nucleic Acids Res. 2020;48(W1):W509-W514.
Hänzelmann S, Castelo R, Guinney J. GSVA: gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 2013;14:7.
Modhukur V, et al. MethSurv: a web tool to perform multivariable survival analysis using DNA methylation data. Epigenomics. 2018;10(3):277-288.
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.
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.
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.
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.
Kolmykov S, et al. GTRD: an integrated view of transcription regulation. Nucleic Acids Res. 2021;49(D1):D104-D111.
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.
Tang D, et al. SRplot: A free online platform for data visualization and graphing. PLoS One. 2023;18(11):e0294236.
Wang Y, et al. Immunological profiling of rheumatoid factor-positive primary Sjögren's syndrome by single-cell RNA sequencing. Front Immunol. 2026;17:1822615.
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.
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.
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.
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.
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.
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.
Scandolara TB, et al. Anti-neutrophil antibodies anti-MPO-ANCAs are associated with poor prognosis in breast cancer patients. Immunobiology. 2020;225(6):152011.
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.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Analiza pojedynczych komórek przepływ pracy bioinformatycznej infiltracja immunologiczna TCGA-BRCA cechy mieloidalne dekonwolucja immunologiczna interakcja lek-gen