Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Связь экспрессии MPO с иммунным микроокружением при раке молочной железы: данные биоинформатического и одноклеточного анализов

91 просмотров

⸱

DOI:

10.3791/71189

⸱

14 августа 2026 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

В данной статье представлен воспроизводимый биоинформатический рабочий процесс и алгоритм анализа на уровне отдельных клеток для изучения взаимосвязи между экспрессией миелопероксидазы (MPO) и иммунными/миелоидными характеристиками при раке молочной железы. Поскольку анализы основаны на общедоступных наборах данных и методах in silico, полученные результаты интерпретируются как предварительные и служащие для выдвижения гипотез.

Аннотация

Рак молочной железы остается одной из основных причин смертности от онкологических заболеваний, и исследовательские вычислительные алгоритмы могут помочь в определении приоритетных иммуноассоциированных маркеров для дальнейшего изучения. В данной работе мы использовали данные объемной транскриптомики инвазивной карциномы молочной железы из атласа ракового генома (TCGA-BRCA) и общедоступный набор данных одноклеточного секвенирования GSE161529 для изучения связей между экспрессией миелопероксидазы (MPO), клиническими исходами, иммунной инфильтрацией, метилированием, аннотациями апстрим-регуляторов, паттернами экспрессии на уровне отдельных клеток, результатами виртуального нокдауна, поиском взаимодействий «лекарство–ген», а также аннотациями ADMET (всасывание, распределение, метаболизм, выведение и токсичность). Экспрессия MPO была ниже в тканях рака молочной железы, чем в прилегающих нетрансформированных тканях. Более высокая экспрессия MPO была связана с более длительным бессмертными интервалом, в то время как её связь с общей выживаемостью и специфической выживаемостью при данном заболевании была статистически незначимой. Анализ рабочих характеристик приемника (ROC-анализ) указал на разделение опухолевых и нормальных тканей в исследуемом общедоступном наборе данных, однако это не следует интерпретировать как клиническую диагностическую валидацию. Иммунная деконволюция и анализ обогащения показали, что экспрессия MPO в основном коррелировала с транскрипционными признаками, связанными с иммунитетом и миелоидными клетками, а не с установлением опухолевой регуляции иммунного микроокружения. На уровне отдельных клеток сигнал MPO был разреженным: до расширения окрестностей на основе метода k-ближайших соседей (KNN) было обнаружено всего 85 MPO-положительных клеток. Обнаруживаемый сигнал MPO и ассоциированные с MPO показатели интерпретировались с осторожностью, так как на них могли повлиять разреженная экспрессия, неопределенность аннотации типов клеток, выпадение данных (dropout), дублеты или фоновая РНК. In silico Виртуальный нокдаун позволил выявить предполагаемые изменения транскрипции, связанные с иммунными и воспалительными процессами, однако эти результаты носят предварительный характер и требуют подтверждения. Поиск лекарственных средств и генов с использованием базы данных взаимодействий лекарств и генов (DGIdb), а также ADMET-аннотирование использовались исключительно в качестве первичных химических аннотаций и не интерпретировались как терапевтические доказательства. В целом, данное исследование представляет собой воспроизводимый рабочий процесс in silico для генерации гипотез об иммунных/миелоидных особенностях, связанных с MPO при раке молочной железы, которые требуют валидации на внешних когортах и экспериментального подтверждения.

Введение

Рак молочной железы представляет собой крайне гетерогенное иммуноопосредованное злокачественное новообразование1. Прогрессирование заболевания, риск рецидива и метастазирования, а также ответ на терапию тесно связаны с составом и функциональным состоянием иммунного микроокружения опухоли (TIME)2. Несмотря на постоянную оптимизацию стратегий комплексного лечения, у некоторых пациентов все еще наблюдается прогрессирование или рецидив, что подчеркивает острую необходимость в выявлении молекулярных биомаркеров, характеризующих статус TIME и поддерживающих стратификацию рисков, при одновременном выяснении лежащих в их основе механизмов.

Миелопероксидаза (MPO) представляет собой гемсодержащую пероксидазу, экспрессирующуюся преимущественно в нейтрофилах и, в меньшей степени, в моноцитах и макрофагах. Посредством генерации хлорноватистой кислоты и других реактивных окислителей MPO вносит вклад в антимикробную защиту, но также может способствовать окислительному повреждению тканей и хроническому воспалению. При раке биологическая значимость MPO, по-видимому, зависит от контекста3. С одной стороны, опосредованный MPO окислительный стресс играет роль в канцерогенезе и прогрессировании опухоли за счет повреждения ДНК, окисления липидов и белков, воспалительной сигнализации и ремоделирования микроокружения опухоли4,5,6. С другой стороны, инфильтрация MPO-положительными клетками врожденного иммунитета или миелоидными клетками была связана с благоприятным прогнозом или противоопухолевой иммунной активностью в определенных контекстах опухоли7,8,9. Эти, на первый взгляд, противоречивые данные позволяют предположить, что клиническая и биологическая значимость MPO может зависеть от типа опухоли, стадии заболевания, клеточного источника MPO и иммунного состава микроокружения опухоли. Однако паттерн экспрессии и прогностическая значимость MPO при раке молочной железы, особенно на уровне отдельных клеток, остаются охарактеризованными не полностью.

Опухолевое иммунное микроокружение (TIME) содержит гетерогенные миелоидные, лимфоидные, стромальные и эпителиальные компартменты10. MPO классически ассоциируется с нейтрофилами и другими клетками миелоидного ряда, поэтому сигналы MPO в профилях опухолевой массы могут отражать состав иммунных клеток, а не внутреннюю активность опухолевых клеток10. При раке молочной железы распределение сигнала MPO в наборах данных по общей массе и на уровне отдельных клеток, его связь с оценками иммунной инфильтрации и пределы воспроизводимости последующих вычислительных анализов остаются недостаточно изученными. Таким образом, в данной работе MPO рассматривается как иммунно-ассоциированный маркер для разработки исследовательского рабочего процесса, а не как доказанный каузальный регулятор TIME или валидированная терапевтическая мишень. По сравнению с анализом дифференциальной экспрессии в одной когорте или оценками иммунной инфильтрации на одной платформе, интегрированный рабочий процесс, сочетающий общую транскриптомику, иммунную деконволюцию, аннотацию метилирования, картирование отдельных клеток и вычислительное возмущение, может обеспечить более широкий исследовательский обзор иммунного контекста, связанного с геном. Этот подход полезен для приоритизации потенциальных маркеров и генерации проверяемых гипотез, особенно когда экспериментальные наборы данных еще недоступны. Однако такая вычислительная интеграция сама по себе не может определить клеточный источник, причинно-следственную связь, фармакологическую активность или клиническую значимость. С развитием крупномасштабных общедоступных когорт рака и технологий транскриптомики единичных клеток биоинформатические подходы могут быть использованы для изучения взаимосвязей между экспрессией генов, клиническими исходами, составом иммунных клеток и транскрипционными состояниями как на популяционном, так и на уровне отдельных клеток11. Методы вычислительного возмущения, основанные на генных регуляторных сетях единичных клеток, могут дополнительно предоставить информацию для генерации гипотез относительно транскрипционной чувствительности, связанной с генами12,13. Таким образом, целью данного исследования было охарактеризовать паттерн экспрессии, связь с выживаемостью, иммунный/миелоидный контекст, профиль метилирования, распределение на уровне отдельных клеток и исследовательский профиль вычислительного возмущения MPO при раке молочной железы. Общая схема рабочего процесса представлена на Рисунке 1.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Получение данных из базы данных TCGA

Данные секвенирования РНК и клиническая информация для когорты пациентов с инвазивной карциномой молочной железы TCGA (TCGA-BRCA) были получены с портала Genomic Data Commons14. Данные RNA-seq, обработанные с помощью рабочего процесса STAR в формате количества транскриптов на миллион (TPM), были извлечены вместе с соответствующими клиническими аннотациями. Образцы RNA-seq, для которых отсутствовала соответствующая клиническая информация, были исключены. Для анализа экспрессии значения TPM были преобразованы по формуле log2(TPM + 1). Экспрессия MPO была извлечена с использованием символа гена MPO и идентификатора гена Ensembl ENSG00000005381.8. Для анализов, требующих разделения на группы с высокой (MPO-high) и низкой (MPO-low) экспрессией, были включены только образцы опухолей TCGA-BRCA, а прилегающие нормальные образцы были исключены из распределения по группам. Образцы опухолей были разделены в соответствии со медианным значением преобразованной экспрессии MPO log2(TPM + 1) среди опухолевых образцов TCGA-BRCA. Образцы с экспрессией MPO больше или равной медиане были отнесены к группе MPO-high, в то время как образцы с экспрессией ниже медианы были отнесены к группе MPO-low. Эта стратегия группировки на основе медианы использовалась для анализа выживаемости, анализа дифференциальной экспрессии, анализа обогащения, группировки по метилированию и сравнения обогащения иммунными клетками, если не указано иное. Клинико-патологические характеристики, включая пол, возраст, этническую принадлежность, патологическую стадию T, гистологическую степень злокачественности, подтип PAM50, патологическую стадию, статус опухоли, а также конечные точки выживаемости, включая общую выживаемость (OS), интервал без прогрессирования (PFI) и специфическую выживаемость (DSS), анализировались с использованием R версии 4.2.1.

Публичный поиск изображений иммуногистохимического анализа

Репрезентативные изображения иммуногистохимического (ИГХ) анализа MPO прилегающей нормальной ткани молочной железы и ткани рака молочной железы использовались в качестве качественных эталонов уровня белка. Эти изображения не включались в количественный морфометрический или статистический анализ. Обведенные области указывают на участки, показанные при большем увеличении. Масштабные отрезки соответствуют 100 µm на изображениях с увеличением 20× и 50 µm на изображениях с увеличением 40×.

Анализ корреляции экспрессии

Набор данных TCGA-BRCA использовался для изучения генов, экспрессия которых ковариирует с экспрессией MPO при раке молочной железы. Были рассчитаны общегеномные коэффициенты корреляции Пирсона между MPO и белок-кодирующими генами, и для визуализации были выбраны 30 наиболее положительно и 30 наиболее отрицательно коррелирующих генов. Для корреляционного анализа с участием нескольких тестируемых генов номинальные значения p были скорректированы с использованием метода контроля ложноположительных результатов Бенджамини-Хохберга. Сеть белок-белковых взаимодействий (PPI), ассоциированная с MPO, была построена с использованием базы данных STRING (инструмент поиска взаимодействующих генов/белков), при этом для визуализации были оставлены пары белков, показатели взаимодействия которых превышали 0,4015.

Анализ функционального обогащения

Дифференциально экспрессируемые гены (DEGs) были идентифицированы путем сравнения групп опухолей TCGA-BRCA с высоким и низким уровнем MPO с использованием пороговых значений |log2FC| > 1 и скорректированного по методу Бенджамини-Хохберга значения p < 0,05. Функциональный анализ обогащения DEGs был выполнен с помощью пакета R clusterProfiler версии 4.4.4, включая анализ биологических процессов, клеточных компонентов и молекулярных функций генной онтологии (GO), а также анализ путей Киотской энциклопедии генов и геномов (KEGG)16,17,18,19,20. Обогащенные термины GO и KEGG считались значимыми при скорректированном значении p < 0,05.

Анализ обогащения наборов генов (GSEA) проводили с использованием предварительно ранжированного списка генов на основе статистики дифференциальной экспрессии между группами с высоким и низким уровнем MPO. Была использована коллекция канонических путей MSigDB C2 c2.cp.all.v2022.1.Hs.symbols.gmt, соответствующая версии MSigDB v2022.1.Hs и содержащая 3 050 наборов генов21,22. Обогащенные термины считались значимыми при значении p-value, скорректированном по методу Бенджамини–Хохберга, < 0.05, FDR q-value < 0.25 и |нормированный показатель обогащения| > 1. Там, где это было применимо, для визуализации значимых обогащенных терминов вычислялись Z-показатели с помощью пакета GOplot.

Анализ обогащения опухолей иммунными клетками

Иммунные и стромальные компоненты в когорте TCGA-BRCA оценивали с помощью алгоритма ESTIMATE, реализованного в пакете R estimate версии 1.0.13. В качестве входных данных использовались данные экспрессии, преобразованные по формуле Log2(TPM + 1); для каждого образца опухоли рассчитывали иммунный показатель (immune score), стромальный показатель (stromal score) и общий показатель ESTIMATE. Для оценки взаимосвязи между экспрессией MPO и расчетными уровнями инфильтрации основных популяций иммунных клеток в когорте TCGA-BRCA, включая B-клетки, CD8+ T-клетки, CD4+ T-клетки, макрофаги, нейтрофилы и дендритные клетки, использовали TIMER/TIMER2.023,24,25. Результаты, полученные с помощью TIMER, интерпретировались как оценки иммунной инфильтрации, полученные из соответствующего онлайн-ресурса. Для анализа обогащения 24 типами иммунных клеток использовали анализ обогащения наборов генов для одного образца (ssGSEA), реализованный в пакете R GSVA версии 1.46.026. Матрица сигнатур иммунных клеток LM22, использованная для деконволюции 22 типов иммунных клеток с помощью CIBERSORT, представлена в Дополнительной таблице 1. Корреляции между экспрессией MPO и показателями обогащения иммунными клетками оценивали с помощью ранговой корреляции Спирмена. Различия в показателях обогащения иммунными клетками между группами опухолей с высоким и низким уровнем экспрессии MPO (разделенными по медиане) сравнивали с помощью суммы рангов Уилкоксона. Для анализов, включающих несколько типов иммунных клеток, значения p корректировали с использованием метода контроля ложных открытий Бенджамини — Хохберга.

Метилирование ДНК гена MPO

Паттерны метилирования ДНК в локусе MPO оценивали с помощью MethSurv. Значения бета-метилирования CpG и ассоциации с выживаемостью для TCGA-BRCA были получены с платформы MethSurv. Визуализировали выбранные CpG-сайты, связанные с MPO, и оценивали их связь с исходами выживаемости, используя результаты анализа выживаемости, предоставленные MethSurv27. Для анализов, включающих несколько CpG-сайтов, p-значения корректировали по всем протестированным CpG-сайтам, связанным с MPO, с использованием метода контроля ложноположительных результатов Бенджамини-Хохберга. Данные анализы метилирования интерпретировали как эксплораторные эпигенетические аннотации.

Построение сети белок-белковых взаимодействий и корреляционный анализ генов, связанных с нейтрофилами

Для изучения связи между MPO и биологией нейтрофилов был проведен систематический сетевой анализ. На основе имеющейся литературы был сформирован набор генов, включающий установленные медиаторы активации нейтрофилов и связанных с ними воспалительных процессов. Полный список генов, связанных с нейтрофилами, представлен в Дополнительной таблице 2. Символы генов были приведены к официальным обозначениям, дубликаты удалены, и доступные гены были сопоставлены с матрицей экспрессии TCGA-BRCA перед проведением анализа STRING/PPI, приоритизацией хаб-генов и анализом корреляции между MPO и хаб-генами. Сеть белок-белковых взаимодействий (PPI) для этих генов была построена с использованием базы данных STRING (версия 11.5) с пороговым значением показателя достоверности взаимодействия средней степени (>0,40). Хаб-гены в этой сети были приоритизированы алгоритмически на основе центральности по степени, которая количественно определяет число прямых взаимодействий на один узел. Для последующего корреляционного анализа были выбраны 20 генов с наивысшими показателями степени.

Затем из транскриптомного набора данных TCGA-BRCA были извлечены профили экспрессии этих хаб-генов и MPO. Связь между MPO и каждым хаб-геном была статистически оценена с помощью ранговой корреляции Спирмена. Для характеристики паттернов корреляции между самими хаб-генами была рассчитана попарная матрица корреляции Спирмена по всем образцам опухоли. Эти корреляционные анализы послужили количественной основой для последующей визуализации, включая леденцовую диаграмму (lollipop plot) корреляций MPO с хаб-генами, а также хордовую диаграмму/тепловую карту, отображающую паттерны корреляции хаб-генов.

Прогнозирование вышестоящих транскрипционных факторов и miRNA мишеней для MPO

Для прогнозирования целевых TF для MPO использовались база данных KnockTF (https://bio.liclab.net/KnockTF/index.php)28,29, база данных ChIP (http://chip-atlas.org/)30,31 и база данных GTRD32,33 (https://gtrd.biouml.org/#!). Кроме того, для прогнозирования потенциальных сайтов связывания miRNA, нацеленных на MPO, использовалась база данных TargetScan (https://www.targetscan.org/vert_80/). Диаграммы Венна были построены с помощью веб-сайта MicroBioinformatics (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34.

Одноклеточный анализ MPO

Конкретный набор данных GSE161529 был получен из базы данных Gene Expression Omnibus (GEO). При предварительной обработке данных сначала была выполнена фильтрация на уровне клеток для исключения клеток низкого качества, соответствующих любому из следующих критериев: экспрессия митохондриальных генов более 25%, общее количество уникальных молекулярных идентификаторов (UMI) менее 5000 или обнаружение менее 2500 генов. Впоследствии была проведена коррекция загрязнения окружающей РНК и технических батч-эффектов35. Для снижения размерности с целью оценки сходства клеток был выполнен анализ главных компонентов (PCA), за которым следовал UMAP для кластеризации и визуализации клеток. Затем, на основании типичных маркерных генов клеток, различные кластеры были аннотированы по типам клеток11. Набор генов, связанных с MPO и используемый для расчета показателей сигнатуры отдельных клеток, представлен в Дополнительном файле 1. Перед расчетом символы генов были приведены к официальным символам генов, дубликаты были удалены, а доступные гены были пересечены с матрицей экспрессии GSE161529. Для расчета показателей, связанных с MPO, для каждой отдельной клетки использовались AUCell, Seurat AddModuleScore и ssGSEA. Показатели, полученные тремя методами, были нормализованы по Z-показателю, масштабированы до сопоставимого диапазона и объединены для создания композитного показателя, связанного с MPO, для последующего описательного анализа. Были изучены сети межклеточных взаимодействий для сравнения предполагаемых паттернов коммуникации лиганд-рецептор с участием эпителиальных опухолевых клеток, стратифицированных по сигналу, связанному с MPO, и различных типов клеток-партнеров. Эти результаты интерпретировались как описательные паттерны коммуникации, а не как доказательство того, что экспрессирующие MPO клетки непосредственно опосредуют межклеточную коммуникацию.

Виртуальный нокдаун в отдельных клетках MPO и анализ обогащения путей с использованием scTenifoldKnk

Виртуальный нокдаун MPO на уровне отдельных клеток был выполнен путем интеграции Seurat и scTenifoldKnk. После стандартного контроля качества (200–6 000 генов на клетку; доля митохондриальных генов < 10%) данные подвергли логарифмической нормализации, и 2 000 высоковариабельных генов были отобраны для снижения размерности и кластеризации. Для обогащения контекстов, релевантных MPO, были сохранены клетки, вошедшие в топ-50% по показателям модуля генов миелоидных клеток/нейтрофилов. Из этих клеток был определен подмножество «окрестности MPO» путем расширения от MPO-положительных стартовых клеток с использованием k = 40 ближайших соседей в пространстве PCA. Данное расширенное подмножество не рассматривалось как чисто MPO-положительная популяция, и на этапе расширения по методу KNN не делалось никаких выводов о пропорциях типов клеток. Это подмножество было подвергнуто анализу виртуального нокдауна с помощью scTenifoldKnk, при этом в качестве набора генов использовалось объединение высоковариабельных генов и MPO (экспрессируемого в ≥25 клетках). Были выявлены значимо измененные гены (FDR < 0,05, с поправкой Бенджамини-Хохберга). Полученные гены были дополнительно проанализированы на функциональное обогащение в категориях биологических процессов GO и путях KEGG (q < 0,05).

Поиск взаимосвязей между лекарственными средствами и генами и ADMET-аннотирование

Для получения предварительных записей о взаимодействиях «лекарственное средство — ген» или «химическое вещество — ген», связанных с MPO, был использован поиск в базе данных DGIdb. Поскольку списки взаимодействий из баз данных могут содержать записи, подтвержденные гетерогенными типами доказательств, и могут не соответствовать напрямую клинически применимым терапевтическим агентам, найденные соединения рассматривались как предварительные аннотации, а не как приоритетные кандидаты для лечения. Впоследствии для обобщения прогнозируемых физико-химических, фармакокинетических и токсикологических свойств использовались SwissADME и ADMETlab. Эти аннотации, полученные in silico, были использованы для обеспечения предварительного контекста интерпретации на уровне соединений и для подчеркивания необходимости дальнейшего фармакологического, токсикологического и клинического анализа перед рассмотрением какой-либо терапевтической значимости36.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Паттерны экспрессии MPO и предварительный анализ ассоциаций с выживаемостью при раке груди

Для описания паттернов экспрессии MPO в наборах данных по раку мы проанализировали данные RNA-seq MPO из пан-ракового набора данных TCGA и обнаружили более низкую экспрессию MPO в опухолевых тканях при уротелиальной карциноме мочевого пузыря (BLCA), инвазивной карциноме молочной железы (BRCA), мультиформной глиобластоме (GBM), плоскоклеточном раке головы и шеи (HNSC), хромофобном раке по...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

В данном исследовании представлен ознакомительный рабочий процесс с использованием открытых наборов данных и методов in silico для изучения взаимосвязи между экспрессией MPO и иммунными/миелоидными характеристиками при раке молочной железы. Анализ данных TCGA-BRCA показал, что экспрессия MPO в опухолевых тканях была ниже, чем в прилегающих неотморфозированных тканях, и что более высокая экспрессия MPO была связана с более длительным интервалом до прогрессирования заболевания. Однако общая выживаемость и выживаемость с уч...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов в данной работе. Инструмент редактирования языка на базе ИИ использовался исключительно для улучшения английского языка и удобочитаемости текста в процессе пересмотра рукописи. Инструмент не использовался для разработки дизайна исследования, анализа данных, создания рисунков, интерпретации результатов, подбора литературы или формулирования научных выводов. Все анализы, результаты, интерпретации, ссылки и окончательный текст были тщательно проверены, отрецензированы и одобрены авторами, которые несут полную ответственность за содержание рукописи.

Благодарности

Авторы выражают благодарность за финансовую поддержку, предоставленную Научно-исследовательским фондом Госпиталя аэрокосмического центра (YN202530).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
CellChatR-пакет/Open sourcehttps://github.com/sqjin/CellChatАнализ межклеточного взаимодействия
ChIP-AtlasПубличная база данныхhttps://chip-atlas.org/Скрининг мишеней TF; обновление 2021 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/Анализ обогащения GO/KEGG; v4.4.4
CytoscapeCytoscape Consortiumhttps://cytoscape.org/Визуализация сетей и анализ топологии
DGIdbВашингтонский университет/Публичная база данныхhttps://www.dgidb.org/Поиск взаимодействий лекарственное средство — ген
GDC/TCGA-BRCAНациональный институт ракаhttps://portal.gdc.cancer.gov/Источник данных объемной транскриптомики и клинических данных
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Источник набора данных одноклеточного секвенирования
GSEA/MSigDBBroad Institutehttps://www.gsea-msigdb.org/gsea/msigdbАнализ обогащения наборов генов и справочник наборов генов; версия 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Оценка вариации наборов генов/скоринг на основе ssGSEA; версия 1.46.0
GTRDПубличная база данныхhttp://gtrd.biouml.org/Скрининг мишеней TF; 2021 
KnockTFПубличная база данныхhttp://www.licpathway.net/KnockTF/index.htmlРесурс по пертурбации TF; версия 2.0 
RR Foundation for Statistical Computinghttps://www.r-project.org/Среда для статистических вычислений
scTenifoldKnkR-пакет/Open sourcehttps://github.com/cailab-tamu/scTenifoldKnkАнализ виртуального нокдауна
SeuratR-пакет/Open sourcehttps://satijalab.org/seurat/Препроцессинг и кластеризация данных одноклеточного секвенирования
STRINGELIXIR/Публичная база данныхhttps://string-db.org/Анализ белок-белковых взаимодействий; v11 
SwissADMEШвейцарский институт биоинформатики SIBhttp://www.swissadme.ch/Оценка лекарственно-подобных свойств; выпуск 2017/веб-инструмент 
TIMERПубличный веб-ресурсhttps://timer.cistrome.org/Анализ иммунной инфильтрации; TIMER2.0 
UCSC Xena или связанный портал TCGAUCSChttps://xenabrowser.net/Исследовательский доступ к данным/валидация 

Ссылки

  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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Анализ единичных клетокбиоинформатический рабочий процессиммунная инфильтрацияTCGA-BRCAмиелоидные признакииммунная деконволюциявзаимодействие лекарственных средств с генами
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.