Associação da Expressão de MPO com o Microambiente Imune no Câncer de Mama: Perspectivas de Análises Bioinformáticas e de Célula Única

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

doi:10.3791/71189

É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de investigação

Associação da Expressão de MPO com o Microambiente Imune no Câncer de Mama: Perspectivas de Análises Bioinformáticas e de Célula Única

91 visualizações

⸱

DOI:

10.3791/71189

⸱

14 de agosto de 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

Neste artigo

Resumo

Este artigo apresenta um fluxo de trabalho reprodutível de bioinformática e de célula única para explorar associações entre a expressão da mieloperoxidase (MPO) e características imunes/mieloides no câncer de mama. Como as análises são baseadas em conjuntos de dados públicos e métodos in silico, os resultados são interpretados como exploratórios e geradores de hipóteses.

Resumo

O câncer de mama continua sendo uma causa importante de mortalidade relacionada ao câncer, e fluxos de trabalho computacionais exploratórios podem ajudar a priorizar marcadores associados ao sistema imunológico para investigação adicional. Aqui, utilizamos dados transcriptômicos em larga escala do atlas do genoma do câncer de carcinoma invasivo de mama (TCGA-BRCA) e o conjunto de dados público de sequenciamento de célula única GSE161529 para examinar as associações entre a expressão da mieloperoxidase (MPO), desfechos clínicos, infiltração imune, metilação, anotações de reguladores upstream, padrões de expressão em nível de célula única, resultados de sensibilidade à supressão virtual, recuperação de interações droga-gene e anotações de absorção, distribuição, metabolismo, excreção e toxicidade (ADMET). A expressão de MPO foi menor nos tecidos de câncer de mama do que nos tecidos não tumorais adjacentes. Expressão mais elevada de MPO esteve associada a um intervalo livre de progressão mais longo, enquanto suas associações com sobrevida global e sobrevida específica para a doença não foram estatisticamente significativas. A análise da curva característica de operação do receptor (ROC) sugeriu separação entre tumor e tecido normal no conjunto de dados público analisado, mas isso não deve ser interpretado como validação diagnóstica clínica. Análises de desconvolução imune e enriquecimento indicaram que a expressão de MPO acompanhou principalmente características transcricionais relacionadas ao sistema imune e a linhagem mieloide, em vez de estabelecer uma regulação intrínseca tumoral do microambiente imune. Em resolução de célula única, o sinal de MPO foi escasso, com apenas 85 células positivas para MPO detectadas antes da expansão baseada em vizinhança de k-vizinhos mais próximos (KNN). O sinal detectável de MPO e os escores associados a MPO foram interpretados com cautela, pois podem ser influenciados pela baixa expressão, incerteza na anotação de tipos celulares, eventos de dropout, dupletos ou RNA ambiental. In silico o knockdown virtual sugeriu alterações transcricionais candidatas relacionadas a imunidade e inflamação, mas esses resultados foram considerados exploratórios e requerem validação. A recuperação de interações droga-gene baseada no banco de dados de interações droga-gene (DGIdb) e a anotação ADMET foram utilizadas apenas como anotações químicas preliminares e não foram interpretadas como evidência terapêutica. No geral, este estudo fornece um fluxo de trabalho in silico reprodutível para gerar hipóteses sobre características imunes/mieloides associadas à MPO no câncer de mama, as quais requerem validação em coortes externas e confirmação experimental.

Introdução

O câncer de mama é uma neoplasia imunorrelacionada altamente heterogênea¹. A progressão da doença, o risco de recorrência e metástase e a resposta ao tratamento estão estreitamente associados à composição e ao estado funcional do microambiente imunológico tumoral (TIME)². Apesar da otimização contínua das estratégias de tratamento abrangentes, alguns pacientes ainda apresentam progressão ou recorrência, destacando a necessidade urgente de identificar biomarcadores moleculares que caracterizem o estado do TIME e apoiem a estratificação de risco, além de elucidar seus mecanismos subjacentes.

A mieloperoxidase (MPO) é uma peroxidase contendo heme predominantemente expressa em neutrófilos e, em menor grau, em monócitos e macrófagos. Por meio da geração de ácido hipocloroso e outros oxidantes reativos, a MPO contribui para a defesa antimicrobiana, mas também pode promover lesão tecidual oxidativa e inflamação crônica. No câncer, a significância biológica da MPO parece ser dependente do contexto³. Por um lado, o estresse oxidativo mediado pela MPO tem sido implicado na carcinogênese e na progressão tumoral por meio de danos ao DNA, oxidação de lipídios e proteínas, sinalização inflamatória e remodelação do microambiente tumoral⁴^,⁵^,⁶. Por outro lado, a infiltração de células inatas imunes ou mieloides positivas para MPO tem sido associada a um prognóstico favorável ou à atividade imune antitumoral em certos contextos tumorais⁷^,⁸^,⁹. Essas descobertas aparentemente conflitantes sugerem que a significância clínica e biológica da MPO pode depender do tipo de tumor, estágio da doença, fonte celular da MPO e da composição imune do microambiente tumoral. No entanto, o padrão de expressão e a relevância prognóstica da MPO no câncer de mama, particularmente no nível de única célula, ainda não foram completamente caracterizados.

O microambiente imunológico tumoral (TIME) contém compartimentos heterogêneos de linhagem mieloide, linfóide, estromal e epitelial¹⁰. A MPO está classicamente associada aos neutrófilos e a outras células da linhagem mieloide, e sinais relacionados à MPO em perfis tumorais em massa podem, portanto, refletir a composição de células imunes, e não a atividade intrínseca das células tumorais¹⁰. No câncer de mama, a distribuição do sinal de MPO em conjuntos de dados em massa e de célula única, sua associação com estimativas de infiltração imune e os limites de reprodutibilidade de análises computacionais subsequentes permanecem insuficientemente caracterizados. Este estudo, portanto, trata a MPO como um marcador associado ao sistema imunológico para o desenvolvimento de fluxos de trabalho exploratórios, e não como um regulador causal comprovado do TIME ou um alvo terapêutico validado. Em comparação com análises de expressão diferencial em uma única coorte ou estimativas de infiltração imune em uma única plataforma, um fluxo de trabalho integrado que combine transcriptômica em massa, desconvolução imune, anotação de metilação, mapeamento de célula única e perturbação computacional pode fornecer uma visão exploratória mais ampla do contexto imune associado ao gene. Essa abordagem é útil para priorizar marcadores candidatos e gerar hipóteses testáveis, especialmente quando conjuntos de dados experimentais ainda não estão disponíveis. No entanto, essa integração computacional não pode, por si só, determinar a origem celular, causalidade, atividade farmacológica ou utilidade clínica. Com o avanço de grandes coortes públicas de câncer e tecnologias transcriptômicas de célula única, abordagens de bioinformática podem ser utilizadas para explorar associações entre expressão gênica, desfechos clínicos, composição de células imunes e estados transcricionais tanto em nível populacional quanto em nível de célula única¹¹. Métodos de perturbação computacional baseados em redes regulatórias gênicas de célula única podem ainda fornecer informações geradoras de hipóteses sobre a sensibilidade transcricional associada ao gene¹²^,¹³. Portanto, este estudo teve como objetivo caracterizar o padrão de expressão, associação com sobrevida, contexto imune/mieloide, perfil de metilação, distribuição em célula única e perfil exploratório de perturbação computacional da MPO no câncer de mama. O fluxo de trabalho geral é apresentado na Figura 1.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Aquisição a partir do banco de dados TCGA

Os dados de sequenciamento de RNA e informações clínicas para a coorte de carcinoma invasivo de mama do TCGA (TCGA-BRCA) foram obtidos no portal Genomic Data Commons¹⁴. Os dados de RNA-seq do fluxo de trabalho STAR no formato de transcritos por milhão (TPM) foram extraídos juntamente com as anotações clínicas correspondentes. Amostras de RNA-seq sem informações clínicas correspondentes foram excluídas. Para as análises baseadas em expressão, os valores de TPM foram transformados como log2(TPM + 1). A expressão de MPO foi extraída utilizando o símbolo gênico MPO e o ID do gene Ensembl ENSG00000005381.8. Para análises que exigiam agrupamento em MPO-alto e MPO-baixo, apenas amostras tumorais do TCGA-BRCA foram incluídas, e amostras normais adjacentes foram excluídas da atribuição de grupo. As amostras tumorais foram divididas de acordo com o valor mediano da expressão de MPO transformada por log2(TPM + 1) entre as amostras tumorais do TCGA-BRCA. Amostras com expressão de MPO maior ou igual à mediana foram atribuídas ao grupo MPO-alto, enquanto amostras abaixo da mediana foram atribuídas ao grupo MPO-baixo. Essa estratégia de agrupamento baseada na mediana foi utilizada para análise de sobrevida, análise de expressão diferencial, análise de enriquecimento, agrupamento por metilação e comparações de enriquecimento de células imunes, salvo indicação em contrário. As características clínico-patológicas, incluindo sexo, idade, etnia, estágio patológico T, grau histológico, subtipo PAM50, estágio patológico, status do tumor e desfechos de sobrevida, incluindo sobrevida global (OS), intervalo livre de progressão (PFI) e sobrevida específica para a doença (DSS), foram analisadas utilizando o R versão 4.2.1.

Recuperação Pública de Imagens de Imunohistoquímica

Imagens representativas de imuno-histoquímica de mieloperoxidase (MPO) de tecido mamário normal adjacente e tecido de câncer de mama foram utilizadas como referências qualitativas em nível proteico. Essas imagens não foram incluídas nas análises morfométricas quantitativas ou estatísticas. As áreas delimitadas indicam regiões mostradas em maior aumento. As barras de escala indicam 100 µm nas imagens de 20× e 50 µm nas imagens de 40×.

Análise de correlação de expressão

O conjunto de dados TCGA-BRCA foi utilizado para examinar genes que variam conjuntamente com a expressão de MPO no câncer de mama. Foram calculados coeficientes de correlação de Pearson em todo o genoma entre MPO e genes codificadores de proteínas, e os 30 genes com maior correlação positiva e os 30 com maior correlação negativa foram selecionados para visualização. Para análises de correlação envolvendo múltiplos genes testados, os valores de p nominais foram ajustados utilizando o método da taxa de falsa descoberta de Benjamini-Hochberg. A rede de interação proteína-proteína (PPI) associada a MPO foi construída utilizando a ferramenta de busca para recuperação de genes/proteínas interagentes (banco de dados STRING), mantendo-se para visualização pares de proteínas com escores de interação superiores a 0,40¹⁵.

Análise de enriquecimento funcional

Genes diferencialmente expressos (GDEs) foram identificados comparando os grupos de tumores MPO-alto e MPO-baixo do TCGA-BRCA utilizando limiares de |log2FC| > 1 e valor de p ajustado por Benjamini-Hochberg < 0,05. A análise de enriquecimento funcional dos GDEs foi realizada utilizando o pacote R clusterProfiler versão 4.4.4, incluindo análises de processo biológico, componente celular e função molecular da ontologia genética (GO) e análises de vias da Enciclopédia de Quioto de Genes e Genomas (KEGG)¹⁶^,¹⁷^,¹⁸^,¹⁹^,²⁰. Os termos GO e KEGG enriquecidos foram considerados significativos quando o valor de p ajustado foi < 0,05.

A análise de enriquecimento de conjuntos de genes (GSEA) foi realizada utilizando uma lista de genes pré-ordenada com base em estatísticas de expressão diferencial entre os grupos MPO-alto e MPO-baixo. A coleção de vias canônicas C2 do MSigDB c2.cp.all.v2022.1.Hs.symbols.gmt, correspondente ao MSigDB v2022.1.Hs e contendo 3.050 conjuntos de genes, foi utilizada²¹^,²². Os termos enriquecidos foram considerados significativos de acordo com valor-p ajustado por Benjamini–Hochberg < 0,05, valor-q FDR < 0,25 e |pontuação de enriquecimento normalizada| > 1. Quando aplicável, os escores Z para os termos significativamente enriquecidos foram calculados utilizando o pacote GOplot para visualização.

Análise do enriquecimento de células imunes em tumores

Os componentes imunes e estromais na coorte TCGA-BRCA foram avaliados utilizando o algoritmo ESTIMATE implementado no pacote R estimate versão 1.0.13. Dados de expressão transformados por log2(TPM + 1) foram utilizados como entrada, e os escores imune, estromal e ESTIMATE foram calculados para cada amostra tumoral. O TIMER/TIMER2.0 foi utilizado para avaliar as associações entre a expressão de MPO e os níveis estimados de infiltração das principais populações de células imunes na coorte TCGA-BRCA, incluindo células B, células T CD8+, células T CD4+, macrófagos, neutrófilos e células dendríticas²³^,²⁴^,²⁵. Os resultados baseados no TIMER foram interpretados como estimativas de infiltração imune derivadas do recurso online correspondente. Para a análise de enriquecimento de células imunes em 24 tipos de células imunes, a análise de enriquecimento de conjunto de genes de amostra única (ssGSEA) foi implementada utilizando o pacote R GSVA versão 1.46.0²⁶. A matriz de assinatura de células imunes LM22 utilizada para a desconvolução baseada no CIBERSORT de 22 tipos de células imunes está disponível na Tabela Suplementar 1. As correlações entre a expressão de MPO e os escores de enriquecimento de células imunes foram avaliadas utilizando o coeficiente de correlação de postos de Spearman. As diferenças nos escores de enriquecimento de células imunes entre os grupos de tumores definidos como MPO-alto e MPO-baixo com base na mediana foram comparadas utilizando o teste de soma de postos de Wilcoxon. Para análises envolvendo múltiplos tipos de células imunes, os valores de p foram ajustados utilizando o método de taxa de falsa descoberta de Benjamini–Hochberg.

Metilação do DNA do gene MPO

Padrões de metilação de DNA no locus MPO foram avaliados utilizando o MethSurv. Valores beta de metilação de CpG e associações com sobrevida para TCGA-BRCA foram obtidos a partir da plataforma MethSurv. Os sítios de CpG relacionados ao MPO selecionados foram visualizados, e suas associações com desfechos de sobrevida foram avaliadas utilizando as saídas de análise de sobrevida fornecidas pelo MethSurv²⁷. Para análises envolvendo múltiplos sítios de CpG, os valores-p foram ajustados entre os sítios de CpG relacionados ao MPO testados utilizando o método de taxa de descoberta falsa de Benjamini-Hochberg. Essas análises de metilação foram interpretadas como anotações epigenéticas exploratórias.

Construção da rede PPI e análise de correlação de genes relacionados a neutrófilos

Para examinar a associação entre MPO e a biologia relacionada aos neutrófilos, foi realizada uma análise de rede sistemática. Um conjunto de genes composto por mediadores estabelecidos da ativação de neutrófilos e processos inflamatórios associados foi compilado a partir da literatura atual. A lista completa de genes relacionados aos neutrófilos está disponível na Tabela Suplementar 2. Os símbolos gênicos foram harmonizados com os símbolos oficiais, entradas duplicadas foram removidas e os genes disponíveis foram intersectados com a matriz de expressão TCGA-BRCA antes da análise STRING/PPI, priorização de genes centrais (hub) e análise de correlação entre MPO e genes centrais. A rede de interação proteína-proteína (PPI) entre esses genes foi construída utilizando o banco de dados STRING (versão 11.5), com um limiar médio de pontuação de interação de confiança (>0,40). Os genes centrais dessa rede foram priorizados algoritmicamente com base na centralidade de grau, que quantifica o número de interações diretas por nó. Os 20 principais genes com as pontuações de grau mais altas foram selecionados para análise de correlação subsequente.

Posteriormente, os perfis de expressão desses genes centrais e da MPO foram extraídos do conjunto de dados transcriptômicos TCGA-BRCA. A associação entre a MPO e cada gene central foi avaliada estatisticamente utilizando a correlação de postos de Spearman. Para caracterizar os padrões de correlação entre os próprios genes centrais, foi calculada uma matriz de correlação de Spearman aos pares em todas as amostras tumorais. Essas análises de correlação forneceram a base quantitativa para visualizações subsequentes, incluindo o gráfico de bala das correlações entre MPO e genes centrais e o diagrama de cordas/mapa de calor que retrata os padrões de correlação entre os genes centrais.

Previsão de fatores de transcrição e miRNAs reguladores superiores que direcionam MPO

O banco de dados KnockTF (https://bio.liclab.net/KnockTF/index.php)²⁸^,²⁹, o banco de dados ChIP (http://chip-atlas.org/)³⁰^,³¹ e o banco de dados GTRD³²^,³³ (https://gtrd.biouml.org/#!) foram utilizados para prever os TFs alvo do MPO. Além disso, o banco de dados TargetScan (https://www.targetscan.org/vert_80/) foi utilizado para prever os sítios de ligação de miRNA potenciais que direcionam o MPO. Diagramas de Venn foram gerados utilizando o site MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)³⁴.

Análise de célula única de MPO

O conjunto de dados específico GSE161529 origina-se do Gene Expression Omnibus (GEO). A pré-processamento dos dados realizou primeiro uma filtragem em nível celular para excluir células de baixa qualidade—aquelas que atendiam a qualquer um dos seguintes critérios: expressão de genes mitocondriais superior a 25%, contagem total de identificadores moleculares únicos (UMI) abaixo de 5000 ou menos de 2500 genes detectados. Posteriormente, foram corrigidas a contaminação por RNA ambiental e os efeitos técnicos de lote³⁵. A análise de componentes principais (PCA) foi realizada para redução da dimensionalidade e avaliação da similaridade celular, seguida por UMAP para agrupamento e visualização celular. Em seguida, com base nos genes marcadores típicos das células, os diferentes agrupamentos foram anotados em tipos celulares¹¹. O conjunto de genes associados à MPO utilizado para pontuação de assinatura em única célula está fornecido no Arquivo Suplementar 1. Antes da pontuação, os símbolos gênicos foram harmonizados para os símbolos oficiais, entradas duplicadas foram removidas e os genes disponíveis foram intersectados com a matriz de expressão do GSE161529. AUCell, Seurat AddModuleScore e ssGSEA foram utilizados para calcular as pontuações associadas à MPO por célula. As pontuações obtidas pelos três métodos foram normalizadas por escore Z, escalonadas para uma faixa comparável e integradas para gerar uma pontuação composta associada à MPO para análises descritivas posteriores. Redes de interação entre células foram analisadas para comparar os padrões inferidos de comunicação ligante–receptor envolvendo células tumorais epiteliais estratificadas pelo sinal associado à MPO e diversos tipos celulares parceiros. Essas saídas foram interpretadas como padrões descritivos de comunicação, e não como evidência de que células que expressam MPO mediam diretamente a comunicação intercelular.

Extinção virtual em célula única de MPO e análise de enriquecimento de vias usando scTenifoldKnk

O silenciamento virtual de célula única de MPO foi realizado integrando Seurat e scTenifoldKnk. Após controle padrão de qualidade (200–6.000 genes por célula; fração mitocondrial < 10%), os dados foram normalizados por logaritmo, e 2.000 genes altamente variáveis foram selecionados para redução de dimensionalidade e agrupamento. Para enriquecer contextos relevantes para MPO, foram mantidas células com pontuação nos 50% superiores para um módulo de genes mieloide/neutrófilo. A partir dessas células, um subconjunto de vizinhança de MPO foi definido expandindo-se a partir de sementes positivas para MPO usando k = 40 vizinhos mais próximos no espaço do PCA. O subconjunto expandido não foi tratado como uma população puramente positiva para MPO, e nenhuma conclusão sobre proporção de tipos celulares foi feita a partir dessa etapa de expansão por KNN. Esse subconjunto foi submetido à análise de silenciamento virtual por meio do scTenifoldKnk, utilizando a união dos genes altamente variáveis e MPO (expressos em ≥25 células) como conjunto de genes. Genes significativamente perturbados foram identificados (FDR < 0,05, ajustado por BH). Os genes resultantes foram analisados adicionalmente quanto ao enriquecimento funcional em Processos Biológicos GO e vias KEGG (q < 0,05).

Recuperação exploratória de interações fármaco-gene e anotação ADMET

O DGIdb foi consultado para obter registros preliminares de interações droga-gene ou químico-gene associadas ao MPO. Como as listas de interações derivadas de bancos de dados podem incluir entradas apoiadas por tipos heterogêneos de evidência e podem não corresponder diretamente a agentes terapêuticos clinicamente acionáveis, os compostos recuperados foram tratados como anotações exploratórias, e não como candidatos prioritários a tratamento. Posteriormente, utilizaram-se o SwissADME e o ADMETlab para resumir as propriedades físico-químicas, farmacocinéticas e toxicológicas previstas. Essas anotações in silico foram usadas para fornecer um contexto preliminar à interpretação em nível de composto e para destacar a necessidade de curadoria farmacológica, toxicológica e clínica adicional antes que qualquer relevância terapêutica possa ser considerada³⁶.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Padrões de expressão de MPO e associações exploratórias de sobrevida no câncer de mama

Para descrever os padrões de expressão de MPO em conjuntos de dados de câncer, analisamos dados de RNA-seq de MPO do conjunto de dados pan-câncer do TCGA e observamos expressão de MPO mais baixa em tecidos tumorais de carcinoma urotelial da bexiga (BLCA), carcinoma invasivo da mama (BRCA), glioblastoma multiforme (GBM), carcinoma de células escamosas de cabeça e pescoço (HNSC), cromófobo ren...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

Este estudo apresenta uma análise exploratória baseada em conjunto de dados público e um fluxo de trabalho in silico para investigar associações entre a expressão de MPO e características imunes/mieloides no câncer de mama. As análises do TCGA-BRCA mostraram que a expressão de MPO era menor em tecidos tumorais do que em tecidos não tumorais adjacentes e que uma expressão mais elevada de MPO estava associada a um intervalo livre de progressão mais longo. No entanto, a sobrevida global e a sobrevida específica para a doenç...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores declaram não haver conflitos de interesse neste trabalho. Uma ferramenta de edição baseada em IA foi utilizada apenas para auxiliar no aprimoramento e na legibilidade da língua inglesa durante a revisão do manuscrito. A ferramenta não foi usada no delineamento do estudo, na análise de dados, na geração de figuras, na interpretação dos resultados, na seleção de referências ou na elaboração de conclusões científicas. Todas as análises, resultados, interpretações, referências e texto final foram cuidadosamente verificados, revisados e aprovados pelos autores, que assumem total responsabilidade pelo conteúdo do manuscrito.

Agradecimentos

Os autores agradecem o apoio financeiro do Fundo de Pesquisa Científica do Hospital do Centro Aeroespacial (YN202530).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
Nome	Empresa	Número de catálogo	Comentários
CellChat	Pacote R/Código aberto	https://github.com/sqjin/CellChat	Análise de comunicação célula-célula
ChIP-Atlas	Banco de dados público	https://chip-atlas.org/	Triagem de alvos de fatores de transcrição; atualização de 2021
clusterProfiler	Bioconductor	https://bioconductor.org/packages/clusterProfiler/	Análise de enriquecimento GO/KEGG; v4.4.4
Cytoscape	Consortium Cytoscape	https://cytoscape.org/	Visualização de redes e análise de topologia
DGIdb	Universidade de Washington/Banco de dados público	https://www.dgidb.org/	Recuperação de interações droga-gene
GDC/TCGA-BRCA	Instituto Nacional do Câncer	https://portal.gdc.cancer.gov/	Fonte de dados transcriptômicos em massa e clínicos
Gene Expression Omnibus: GSE161529	NCBI	https://www.ncbi.nlm.nih.gov/geo/	Fonte de conjunto de dados de célula única
GSEA/MSigDB	Instituto Broad	https://www.gsea-msigdb.org/gsea/msigdb	Análise de enriquecimento de conjunto de genes e referência de conjuntos de genes; Versão 3.0
GSVA	Bioconductor	https://bioconductor.org/packages/GSVA/	Pontuação relacionada à variação de conjuntos de genes/ssGSEA; Versão 1.46.0
GTRD	Banco de dados público	http://gtrd.biouml.org/	Triagem de alvos de fatores de transcrição; 2021
KnockTF	Banco de dados público	http://www.licpathway.net/KnockTF/index.html	Recurso de perturbação de fatores de transcrição; Versão 2.0
R	Fundação R para Computação Estatística	https://www.r-project.org/	Ambiente de computação estatística
scTenifoldKnk	Pacote R/Código aberto	https://github.com/cailab-tamu/scTenifoldKnk	Análise de silenciamento virtual
Seurat	Pacote R/Código aberto	https://satijalab.org/seurat/	Pré-processamento e agrupamento de células únicas
STRING	ELIXIR/Banco de dados público	https://string-db.org/	Análise de interação proteína-proteína; v11
SwissADME	Instituto SIB Suíço de Bioinformática	http://www.swissadme.ch/	Avaliação de semelhança a fármacos; versão 2017/ferramenta web
TIMER	Recurso web público	https://timer.cistrome.org/	Análise de infiltração imune; TIMER2.0
UCSC Xena ou portal TCGA vinculado	UCSC	https://xenabrowser.net/	Acesso e validação exploratórios de dados

Referências

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.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Análise de Célula Única Fluxo de Trabalho de Bioinformática Infiltração Imune TCGA-BRCA Características Mieloides Desconvolução Imune Interação Droga-Gene