Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Meme Kanserinde MPO Ekspresyonunun İmmün Mikroçevre ile İlişkisi: Biyoenformatik ve Tek Hücre Analizlerinden Elde Edilen Bilgiler

91 görüntülenme

⸱

DOI:

10.3791/71189

⸱

14 Ağustos 2026

 ,  ,  ,  ,  , 
1Department of Traditional Chinese Medicine, Aerospace Center Hospital, 2Third Affiliated Hospital, Beijing University of Chinese Medicine, 3China Academy of Chinese Medical Sciences, 4Graduate School, Beijing University of Chinese Medicine, 5College of Traditional Chinese Medicine, Shandong University of Traditional Chinese Medicine

* These authors contributed equally

Bu makalede

Özet

Bu makale, meme kanserinde myeloperoksidaz (MPO) ekspresyonu ile immün/miyeloid özellikler arasındaki ilişkileri araştırmak için tekrarlanabilir bir biyoinformatik ve tek hücreli çalışma akışı sunmaktadır. Analizler kamuya açık veri setlerine ve in silico yöntemlere dayandığı için bulgular, keşifsel ve hipotez oluşturucu olarak yorumlanmıştır.

Özet

Meme kanseri, kansere bağlı ölümlerin temel nedenlerinden biri olmaya devam etmektedir ve keşifsel hesaplamalı iş akışları, daha ileri araştırmalar için immün ilişkili belirteçlerin önceliklendirilmesine yardımcı olabilir. Burada, myeloperoksidaz (MPO) ekspresyonu ile klinik sonuçlar, immün infiltrasyon, metilasyon, yukarı akış regülatör açıklamaları, tek hücreli ekspresyon paternleri, sanal knockdown hassasiyet çıktıları, ilaç-gen etkileşim geri çağırımı ve absorpsiyon, dağılım, metabolizma, ekskresyon ve toksisite (ADMET) açıklamaları arasındaki ilişkileri incelemek için Cancer Genome Atlas meme invaziv karsinomu (TCGA-BRCA) bulk transkriptomik verilerini ve halka açık tek hücreli veri seti GSE161529'u kullandık. MPO ekspresyonu, meme kanseri dokularında komşu tümör dışı dokulardan daha düşüktü. Daha yüksek MPO ekspresyonu, daha uzunle bir progresyonsuz süreçle ilişkilendirilirken, genel sağkalım ve hastalığa özgü sağkalım ile olan ilişkileri istatistiksel olarak anlamlı değildi. Alıcı işletim karakteristiği (ROC) analizi, analiz edilen halka açık veri seti dahilinde tümör-normal ayrımı olduğunu göstermiştir, ancak bu durum klinikle tanısal doğrulama olarak yorumlanmamalıdır. İmmün dekonvolüsyon ve zenginleştirme analizleri, MPO ekspresyonunun immün mikroçevrenin tümör içi regülasyonunu kurmaktan ziyade, temel olarak immün ve myeloid ilişkili transkripsiyonel özelliklerle birlikte seyrettiğini göstermiştir. Tek hücre çözünürlüğünde MPO sinyali seyrek olup, k-en yakın komşu (KNN) tabanlı komşuluk genişlemesinden önce yalnızca 85 MPO-pozitif hücre tespit edilmiştir. Tespit edilebilir MPO sinyali ve MPO ile ilişkili skorlar; seyrek ekspresyon, hücre tipi açıklama belirsizliği, dropout, dubletler veya ortam RNA'sı tarafından etkilenmiş olabileceği için dikkatle yorumlanmıştır. In silico sanal knockdown, aday immün ve inflamasyon ilişkili transkripsiyonel değişiklikler önermiştir, ancak bu sonuçlar keşifsel olarak değerlendirilmiş olup doğrulama gerektirmektedir. İlaç-gen etkileşim veri tabanı (DGIdb) tabanlı ilaç-gen geri çağırımı ve ADMET açıklamaları yalnızca ön kimyasal açıklamalar olarak kullanılmış ve terapötik kanıt olarak yorumlanmamıştır. Genel olarak bu çalışma, meme kanserinde MPO ile ilişkili immün/myeloid özellikler hakkında hipotezler üretmek için, harici kohort doğrulaması ve deneysel onay gerektiren, tekrarlanabilir bir in silico iş akışı sunmaktadır.

Giriş

Meme kanseri, oldukça heterojen, bağışıklıkla ilişkili bir malignitedir1. Hastalığın seyri, nüks ve metastaz riski ile tedaviye verilen yanıt, tümör immün mikroçevresinin (TIME) bileşimi ve fonksiyonel durumuyla yakından ilişkilidir2. Kapsamlı tedavi stratejilerinin sürekli olarak optimize edilmesine rağmen, bazı hastalar hala ilerleme veya nüksle karşılaşmaktadır; bu durum, TIME durumunu karakterize eden ve risk stratifikasyonunu destekleyen moleküler biyobelirteçlerin belirlenmesinin ve bunların altında yatan mekanizmaların aydınlatılmasının acil gerekliliğini vurgulamaktadır.

Miyeloperoksidaz (MPO), ağırlıklı olarak nötrofillerde ve daha az oranda monositler ile makrofajlarda eksprese edilen, hem içeren bir peroksidazdır. MPO, hipokloröz asit ve diğer reaktif oksidanların üretimi yoluyla antimikrobiyal savunmaya katkıda bulunur, ancak aynı zamanda oksidatif doku hasarını ve kronik inflamasyonu da tetikleyebilir. Kanserde, MPO'nun biyolojik önemi bağlama bağımlı görünmektedir3. Bir yandan, MPO aracılı oksidatif stresin; DNA hasarı, lipid ve protein oksidasyonu, inflamatuar sinyalleme ve tümör mikroçevresinin yeniden şekillenmesi yoluyla karsinogenez ve tümör progresyonunda rol oynadığı belirtilmiştir4,5,6. Öte yandan, belirli tümör bağlamlarında MPO-pozitif doğuştan gelen bağışıklık veya miyeloid hücre infiltrasyonunun, uygun bir prognoz veya antitümör immün aktivite ile ilişkili olduğu görülmüştür7,8,9. Görünüşte çelişen bu bulgular, MPO'nun klinik ve biyolojik öneminin tümör tipine, hastalık evresine, MPO'nun hücresel kaynağına ve tümör mikroçevresinin immün kompozisyonuna bağlı olabileceğini düşündürmektedir. Bununla birlikte, meme kanserinde, özellikle tek hücre düzeyinde MPO'nun ekspresyon paterni ve prognostik önemi henüz tam olarak tanımlanmamıştır.

Tümör immün mikroçevresi (TIME); heterojen myeloid, lymphoid, stromal ve epitelyal kompartmanlar içerir10. MPO klasik olarak nötrofiller ve diğer myeloid soy hücreleri ile ilişkilidir; bu nedenle bulk tümör profillerindeki MPO ile ilgili sinyaller, tümör hücresine özgü aktiviteden ziyade immün hücre kompozisyonunu yansıtabilir10. Meme kanserinde, MPO sinyalinin bulk ve tek hücreli veri setleri arasındaki dağılımı, immün infiltrasyon tahminleri ile ilişkisi ve alt hesaplamalı analizlerin tekrarlanabilirlik sınırları henüz yeterince karakterize edilmemiştir. Bu nedenle, bu çalışma MPO'yu TIME'ın kanıtlanmış nedensel bir düzenleyicisi veya valide edilmiş terapötik bir hedef olarak değil, keşifsel iş akışı geliştirme için immün ilişkili bir marker olarak ele almaktadır. Tek kohortlu diferansiyel ekspresyon analizleri veya tek platformlu immün infiltrasyon tahminleri ile karşılaştırıldığında; bulk transkriptomik, immün dekonvolsiyon, metilasyon anotasyonu, tek hücreli haritalama ve hesaplamalı perturbasyon yöntemlerini birleştiren entegre bir iş akışı, gene ilişkili immün bağlama dair daha geniş bir keşifsel bakış sunabilir. Bu yaklaşım, özellikle deneysel veri setlerinin henüz mevcut olmadığı durumlarda, aday markerların önceliklendirilmesi ve test edilebilir hipotezlerin oluşturulması için faydalıdır. Ancak, bu tür hesaplamalı entegrasyonlar tek başına hücresel kaynağı, nedenselliği, farmakolojik aktiviteyi veya klinik yararlılığı belirleyemez. Büyük ölçekli kamuya açık kanser kohortlarının ve tek hücreli transkriptomik teknolojilerin ilerlemesiyle birlikte, biyoinformatik yaklaşımlar hem popülasyon hem de tek hücre seviyelerinde gen ekspresyonu, klinik sonuçlar, immün hücre kompozisyonu ve transkripsiyonel durumlar arasındaki ilişkileri keşfetmek için kullanılabilir11. Tek hücreli gen düzenleyici ağlara dayalı hesaplamalı perturbasyon yöntemleri, gene ilişkili transkripsiyonel hassasiyet konusunda hipotez üreten ek bilgiler sağlayabilir12,13. Bu nedenle, bu çalışma meme kanserinde MPO'nun ekspresyon paternini, sağkalım ilişkisini, immün/myeloid bağlamını, metilasyon profilini, tek hücreli dağılımını ve keşifsel hesaplamalı perturbasyon profilini karakterize etmeyi amaçlamıştır. Genel iş akışı Şekil 1'de gösterilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

TCGA veri tabanından veri edinimi

TCGA meme invaziv karsinomu (TCGA-BRCA) kohortuna ait RNA dizileme verileri ve klinik bilgiler genomic data commons portalından elde edildi14. STAR iş akışı RNA-seq verileri, milyon başına transkript (TPM) formatında, eşleşen klinik açıklamalarla birlikte çıkarıldı. Karşılık gelen klinik bilgileri eksik olan RNA-seq örnekleri hariç tutuldu. Ekspresyon tabanlı analizler için TPM değerleri log2(TPM + 1) olarak dönüştürüldü. MPO ekspresyonu, MPO gen sembolü ve ENSG00000005381.8 Ensembl gen ID'si kullanılarak çıkarıldı. MPO-yüksek ve MPO-düşük gruplandırma gerektiren analizler için yalnızca TCGA-BRCA tümör örnekleri dahil edildi ve komşu normal örnekler grup atamasından hariç tutuldu. Tümör örnekleri, TCGA-BRCA tümör örnekleri arasındaki log2(TPM + 1) dönüştürülmüş MPO ekspresyonunun medyan değerine göre bölündü. MPO ekspresyonu medyan değerine eşit veya daha büyük olan örnekler MPO-yüksek grubuna, medyanın altında kalan örnekler ise MPO-düşük grubuna atandı. Aksi belirtilmedikçe, bu medyan tabanlı gruplandırma stratejisi sağkalım analizi, diferansiyel ekspresyon analizi, zenginleştirme analizi, metilasyon gruplandırması ve immün hücre zenginleştirme karşılaştırmaları için kullanıldı. Cinsiyet, yaş, etnisite, patolojik T evresi, histolojik derece, PAM50 alt tipi, patolojik evre, tümör durumu gibi klinik patolojik özellikler ile genel sağkalım (OS), progresyonsuz aralık (PFI) ve hastalığa özgü sağkalım (DSS) dahil olmak üzere sağkalım son noktaları R versiyon 4.2.1 kullanılarak analiz edildi.

Kamuya Açık İmmünohistokimya Görüntü Erişimi

Komşu normal meme dokusunun ve meme kanseri dokusunun temsili MPO immünohistokimya (IHC) görüntüleri, kalitatif protein düzeyi referansları olarak kullanılmıştır. Bu görüntüler, kantitatif morfometrik veya istatistiksel analizlere dahil edilmemiştir. Kutulu alanlar, daha yüksek büyütmede gösterilen bölgeleri belirtmektedir. Ölçek çubukları, 20× görüntülerde 100 µm ve 40× görüntülerde 50 µm'yi göstermektedir.

Ekspresyon korelasyon analizi

Meme kanserinde MPO ekspresyonu ile birlikte değişkenlik gösteren genleri incelemek için TCGA-BRCA veri seti kullanılmıştır. MPO ile protein kodlayan genler arasında genom çapında Pearson korelasyon katsayıları hesaplanmış ve görselleştirme için en yüksek pozitif korelasyona sahip 30 gen ile en yüksek negatif korelasyona sahip 30 gen seçilmiştir. Birden fazla test edilen geni içeren korelasyon analizleri için nominal p-değerleri, Benjamini-Hochberg yanlış keşif oranı yöntemi kullanılarak düzeltilmiştir. MPO ile ilişkili protein-protein etkileşim (PPI) ağı, etkileşen genlerin/proteinlerin geri çağrılması için arama aracı (STRING) veri tabanı kullanılarak oluşturulmuş ve 0,40'tan büyük etkileşim skorları sergileyen protein çiftleri görselleştirme için tutulmuştur15.

Fonksiyonel zenginleştirme analizi

Diferansiyel olarak eksprese edilen genler (DEG'ler), |log2FC| > 1 ve Benjamini-Hochberg ile düzeltilmiş p-değeri < 0,05 eşik değerleri kullanılarak MPO-yüksek ve MPO-düşük TCGA-BRCA tümör grupları karşılaştırılarak belirlenmiştir. DEG'lerin fonksiyonel zenginleştirme analizi; gen ontolojisi (GO) biyolojik süreç, hücresel bileşen, moleküler fonksiyon ve Kyoto gen ve genom ansiklopedisi (KEGG) yolak analizlerini içerecek şekilde R paketinin clusterProfiler 4.4.4 versiyonu kullanılarak gerçekleştirilmiştir16,17,18,19,20. Zenginleşmiş GO ve KEGG terimleri, düzeltilmiş p-değeri < 0,05 olduğunda anlamlı kabul edilmiştir.

MPO-yüksek ve MPO-düşük gruplar arasındaki diferansiyel ekspresyon istatistiklerine dayanan ön sıralamaya tabi tutulmuş bir gen listesi kullanılarak gen seti zenginleştirme analizi (GSEA) gerçekleştirilmiştir. MSigDB v2022.1.Hs ile uyumlu ve 3.050 gen seti içeren MSigDB C2 Kanonik Yolaklar koleksiyonu c2.cp.all.v2022.1.Hs.symbols.gmt kullanılmıştır21,22. Zenginleşen terimler, Benjamini–Hochberg düzeltmeli p-değeri < 0.05, FDR q-değeri < 0.25 ve |normalize edilmiş zenginleştirme skoru| > 1 kriterlerine göre anlamlı kabul edilmiştir. Uygun olan durumlarda, anlamlı derecede zenginleşen terimler için Z-skorları, görselleştirme amacıyla GOplot paketi kullanılarak hesaplanmıştır.

Tümörlerdeki immün hücre zenginleştirmesinin analizi

TCGA-BRCA kohortundaki immün ve stromal bileşenler, R paketinin estimate versiyon 1.0.13 sürümünde uygulanan ESTIMATE algoritması kullanılarak değerlendirilmiştir. Girdi olarak Log2(TPM + 1)-transforme edilmiş ekspresyon verileri kullanılmış; her bir tümör örneği için immün skor, stromal skor ve ESTIMATE skor hesaplanmıştır. B hücreleri, CD8+ T hücreleri, CD4+ T hücreleri, makrofajlar, nötrofiller ve dendritik hücreler dahil olmak üzere, TCGA-BRCA kohortundaki MPO ekspresyonu ile ana immün hücre popülasyonlarının tahmini infiltrasyon seviyeleri arasındaki ilişkileri değerlendirmek için TIMER/TIMER2.0 kullanılmıştır23,24,25. TIMER tabanlı sonuçlar, ilgili çevrimiçi kaynaktan elde edilen immün infiltrasyon tahminleri olarak yorumlanmıştır. 24 immün hücre tipi üzerinden immün hücre zenginleştirme analizi için, R paketinin GSVA versiyon 1.46.0 sürümü kullanılarak tek örnek gen seti zenginleştirme analizi (ssGSEA) uygulanmıştır26. 22 immün hücre tipinin CIBERSORT tabanlı dekonvolüsyonu için kullanılan LM22 immün hücre imza matrisi Ek Tablo 1'de sunulmuştur. MPO ekspresyonu ile immün hücre zenginleştirme skorları arasındaki korelasyonlar, Spearman sıra korelasyonu kullanılarak değerlendirilmiştir. Medyan ile tanımlanmış MPO-yüksek ve MPO-düşük tümör grupları arasındaki immün hücre zenginleştirme skorlarındaki farklılıklar, Wilcoxon sıra toplamı testi kullanılarak karşılaştırılmıştır. Birden fazla immün hücre tipini içeren analizler için p-değerleri, Benjamini–Hochberg yanlış keşif oranı yöntemi kullanılarak düzeltilmiştir.

MPO geninin DNA metilasyonu

MPO lokusundaki DNA metilasyon modelleri MethSurv kullanılarak değerlendirildi. TCGA-BRCA için CpG metilasyon beta değerleri ve sağkalım ilişkileri MethSurv platformundan elde edildi. Seçilen MPO ile ilişkili CpG bölgeleri görselleştirildi ve bunların sağkalım sonuçlarıyla olan ilişkileri, MethSurv tarafından sağlanan sağkalım analizi çıktıları kullanılarak değerlendirildi27. Birden fazla CpG bölgesini içeren analizler için p-değerleri, test edilen MPO ile ilişkili CpG bölgeleri genelinde Benjamini-Hochberg yanlış keşif oranı yöntemi kullanılarak düzeltildi. Bu metilasyon analizleri, keşifsel epigenetik anotasyonlar olarak yorumlandı.

Nötrofille ilişkili genlerin PPI ağının oluşturulması ve korelasyon analizi

MPO ile nötrofil ilişkili biyoloji arasındaki ilişkiyi incelemek için sistematik bir ağ analizi gerçekleştirilmiştir. Mevcut literatürden, nötrofil aktivasyonunun ve ilgili inflamatuar süreçlerin kanıtlanmış mediyatörlerini içeren bir gen seti oluşturulmuştur. Nötrofille ilişkili tam gen listesi Ek Tablo 2'de sunulmuştur. Gen sembolleri resmi gen sembolleriyle uyumlu hale getirilmiş, mükerrer girişler kaldırılmış ve mevcut genler; STRING/PPI analizi, hub-gen önceliklendirmesi ve MPO–hub gen korelasyon analizi öncesinde TCGA-BRCA ekspresyon matrisi ile kesiştirilmiştir. Bu genler arasındaki PPI ağı, orta güvenilirlikteki etkileşim skoru eşiği (>0,40) kullanılarak STRING veritabanı (versiyon 11.5) ile oluşturulmuştur. Bu ağdaki hub genler, düğüm başına doğrudan etkileşim sayısını belirleyen derece merkeziliği (degree centrality) temel alınarak algoritmik olarak önceliklendirilmiştir. En yüksek derece skoruna sahip ilk 20 gen, sonraki korelasyon analizi için seçilmiştir.

Ardından, bu hub genlerin ve MPO'nun ekspresyon profilleri TCGA-BRCA transkriptomik veri setinden çıkarıldı. MPO ile her bir hub gen arasındaki ilişki, Spearman sıra korelasyonu kullanılarak istatistiksel olarak değerlendirildi. Hub genlerin kendi aralarındaki korelasyon modellerini karakterize etmek için, tüm tümör örnekleri genelinde ikili bir Spearman korelasyon matrisi hesaplandı. Bu korelasyon analizleri; MPO-hub gen korelasyonlarının lolipop grafiği ve hub-gen korelasyon modellerini betimleyen kord diyagramı/ısı haritası dahil olmak üzere, sonraki görselleştirmeler için kantitatif temel oluşturdu.

MPO'yu hedefleyen üst akış transkripsiyon faktörlerinin ve miRNA'ların tahmini

MPO'nun hedef TF'lerini öngörmek için KnockTF veritabanı (https://bio.liclab.net/KnockTF/index.php)28,29, ChIP veritabanı (http://chip-atlas.org/)30,31 ve GTRD veritabanı32,33 (https://gtrd.biouml.org/#!) kullanıldı. Ayrıca, MPO'yu hedefleyen potansiyel miRNA bağlanma bölgelerini öngörmek için TargetScan veritabanından (https://www.targetscan.org/vert_80/) yararlanıldı. Venn diyagramları, MicroBioinformatics web sitesi (https://www.bioinformatics.com.cn/static/others/jvenn/example.html)34 kullanılarak oluşturuldu.

MPO'nun tek hücre analizi

GSE161529 numaralı spesifik veri seti Gene Expression Omnibus (GEO) kaynaklıdır. Veri ön işleme aşamasında, düşük kaliteli hücreleri hariç tutmak için hücre düzeyinde filtreleme yapılmıştır; bu kapsamda şu kriterlerden herhangi birini karşılayan hücreler dışlanmıştır: mitokondriyal gen ekspresyonunun %25'i aşması, toplam benzersiz moleküler tanımlayıcı (UMI) sayısının 5000'in altında olması veya 2500'den az gen saptanması. Ardından, ortam RNA kontaminasyonu ve teknik grup (batch) etkileri düzeltilmiştir35. Hücresel benzerliği değerlendirmek amacıyla boyut indirgeme için temel bileşen analizi (PCA) yapılmış, ardından hücre kümeleme ve görselleştirme için UMAP uygulanmıştır. Daha sonra, hücrelerin tipik marker genlerine göre farklı kümeler hücre tipleri olarak tanımlanmıştır11. Tek hücre imza skorlaması için kullanılan MPO ilişkili gen seti Ek Dosya 1'de sunulmuştur. Skorlamadan önce, gen sembolleri resmi gen sembolleriyle harmonize edilmiş, yinelenen girişler kaldırılmış ve mevcut genler GSE161529 ekspresyon matrisi ile kesiştirilmiştir. Hücre başına MPO ilişkili skorları hesaplamak için AUCell, Seurat AddModuleScore ve ssGSEA kullanılmıştır. Üç yöntemden elde edilen skorlar Z-skoru ile normalize edilmiş, karşılaştırılabilir bir aralığa ölçeklendirilmiş ve sonraki tanımlayıcı analizler için kompozit bir MPO ilişkili skor oluşturacak şekilde entegre edilmiştir. MPO ilişkili sinyale göre katmanlandırılmış epitelyal tümör hücreleri ile çeşitli partner hücre tipleri arasındaki çıkarılan ligand-reseptör iletişim modellerini karşılaştırmak için hücre-hücre etkileşim ağları incelenmiştir. Bu çıktılar, MPO eksprese eden hücrelerin hücreler arası iletişimi doğrudan yönettiğine dair bir kanıttan ziyade, tanımlayıcı iletişim modelleri olarak yorumlanmıştır.

scTenifoldKnk kullanarak MPO'nun tek hücreli sanal nakavtı ve yol zenginleştirme analizi

MPO'nun tek hücreli sanal nakavtı (virtual knockdown), Seurat ve scTenifoldKnk entegre edilerek gerçekleştirilmiştir. Standart kalite kontrolünün ardından (hücre başına 200–6.000 gen; mitokondriyal fraksiyon < %10), veriler log-normalleştirilmiş ve boyut indirgeme ile kümeleme için 2.000 yüksek değişkenli gen seçilmiştir. MPO ile ilgili bağlamları zenginleştirmek amacıyla, bir myeloid/nötrofil gen modülünde ilk %50'lik dilimde yer alan hücreler tutulmuştur. Bu hücreler arasından, PCA uzayında k = 40 en yakın komşu kullanılarak MPO-pozitif tohumlardan genişletme yapılarak bir MPO-komşuluk alt kümesi tanımlanmıştır. Genişletilen alt küme, saf bir MPO-pozitif popülasyon olarak değerlendirilmemiş ve bu KNN genişletme adımından herhangi bir hücre tipi oranı sonucu çıkarılmamıştır. Bu alt küme, yüksek değişkenli genlerin ve MPO'nun (≥25 hücrede ifade edilen) birleşimi gen seti olarak kullanılarak scTenifoldKnk aracılığıyla sanal nakavt analizine tabi tutulmuştur. Anlamlı düzeyde pertürbe olmuş genler belirlenmiştir (FDR < 0,05, BH-düzeltmeli). Elde edilen genler, GO Biyolojik Süreçler ve KEGG yolakları açısından fonksiyonel zenginleştirme için ileri analizlere tabi tutulmuştur (q < 0,05).

Keşifsel ilaç-gen erişimi ve ADMET anotasyonu

Öncelikle MPO ile ilişkili ilaç–gen veya kimyasal–gene etkileşim kayıtlarını elde etmek için DGIdb sorgulandı. Veritabanı kaynaklı etkileşim listeleri, heterojen kanıt türleri tarafından desteklenen girişler içerebileceği ve klinik olarak uygulanabilir terapötik ajanlarla doğrudan örtüşmeyebileceği için, geri getirilen bileşikler öncelikli tedavi adaylarından ziyade keşif amaçlı notlar olarak değerlendirildi. Ardından, tahmin edilen fizikokimyasal, farmakokinetik ve toksikolojik özellikleri özetlemek için SwissADME ve ADMETlab kullanıldı. Bu in silico notlar, bileşik düzeyindeki yorumlamalar için ön bilgi sağlamak ve herhangi bir terapötik ilişki değerlendirilmeden önce daha fazla farmakolojik, toksikolojik ve klinik kürasyon ihtiyacını vurgulamak amacıyla kullanıldı36.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Meme kanserinde MPO ekspresyon modelleri ve keşifsel sağkalım ilişkileri

Kanser veri setlerindeki MPO ekspresyon modellerini tanımlamak için TCGA pan-kanser veri setinden MPO RNA-seq verilerini analiz ettik ve mesane urotheliyal karsinomu (BLCA), invaziv meme karsinomu (BRCA), glioblastoma multiforme (GBM), baş ve boyun skuamöz hücreli karsinomu (HNSC), böbrek kromofob hücreli karsinomu (KICH), karaciğer hepatosellüler karsinomu (LIHC), akciğer adenokarsinomu (LUAD), akciğer s...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, meme kanserinde MPO ekspresyonu ile immün/miyeloid özellikler arasındaki ilişkileri incelemek için keşifsel bir kamu veri seti ve in silico iş akışı sunmaktadır. TCGA-BRCA analizleri, MPO ekspresyonunun tümör dokularında komşu tümör dışı dokulara göre daha düşük olduğunu ve daha yüksek MPO ekspresyonunun daha uzun bir progresyonsuz aralık ile ilişkili olduğunu göstermiştir. Ancak, genel sağkalım ve hastalığa özgü sağkalım istatistiksel olarak anlamlı bulunmamıştır. Bu nedenle, mevcut kanıtlara dayanarak MPO, ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, bu çalışmada herhangi bir çıkar çatışması olmadığını beyan etmektedir. AI tabanlı bir dil düzenleme aracı, yalnızca taslak revizyonu sırasında İngilizce dilinin iyileştirilmesi ve okunabilirliğin artırılmasına yardımcı olmak amacıyla kullanılmıştır. Bu araç; çalışma tasarımı, veri analizi, şekil oluşturma, sonuçların yorumlanması, referans seçimi veya bilimsel sonuçların çıkarılması için kullanılmamıştır. Tüm analizler, sonuçlar, yorumlar, referanslar ve nihai metin; makalenin içeriği için tüm sorumluluğu üstlenen yazarlar tarafından dikkatle kontrol edilmiş, gözden geçirilmiş ve onaylanmıştır.

Teşekkürler

Yazarlar, Aerospace Center Hospital Bilimsel Araştırma Fonu'ndan (YN202530) aldıkları finansal destek için müteşekkirler.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
CellChatR paketi/Açık kaynakhttps://github.com/sqjin/CellChatHücre-hücre iletişimi analizi
ChIP-AtlasKamu veritabanıhttps://chip-atlas.org/TF hedef taraması; 2021 güncellemesi 
clusterProfilerBioconductorhttps://bioconductor.org/packages/clusterProfiler/GO/KEGG zenginleştirme analizi; v4.4.4
CytoscapeCytoscape Konsorsiyumuhttps://cytoscape.org/Ağ görselleştirme ve topoloji analizi
DGIdbWashington Üniversitesi/Kamu veritabanıhttps://www.dgidb.org/İlaç-gen etkileşimi sorgulama
GDC/TCGA-BRCAUlusal Kanser Enstitüsühttps://portal.gdc.cancer.gov/Bulk transkriptomik ve klinik veri kaynağı
Gene Expression Omnibus: GSE161529NCBIhttps://www.ncbi.nlm.nih.gov/geo/Tek hücreli veri seti kaynağı
GSEA/MSigDBBroad Enstitüsühttps://www.gsea-msigdb.org/gsea/msigdbGen seti zenginleştirme analizi ve gen-seti referansı; Versiyon 3.0 
GSVABioconductorhttps://bioconductor.org/packages/GSVA/Gen seti varyasyonu/ssGSEA ile ilişkili skorlama; Versiyon 1.46.0
GTRDKamu veritabanıhttp://gtrd.biouml.org/TF hedef taraması; 2021 
KnockTFKamu veritabanıhttp://www.licpathway.net/KnockTF/index.htmlTF perturbasyon kaynağı; Versiyon 2.0 
RR İstatistiksel Hesaplama Vakfıhttps://www.r-project.org/İstatistiksel hesaplama ortamı
scTenifoldKnkR paketi/Açık kaynakhttps://github.com/cailab-tamu/scTenifoldKnkSanal knockdown analizi
SeuratR paketi/Açık kaynakhttps://satijalab.org/seurat/Tek hücreli ön işleme ve kümeleme
STRINGELIXIR/Kamu veritabanıhttps://string-db.org/Protein-protein etkileşim analizi; v11 
SwissADMESIB İsviçre Biyoenformatik Enstitüsühttp://www.swissadme.ch/İlaç benzerliği değerlendirmesi; 2017 sürümü/web aracı 
TIMERKamu web kaynağıhttps://timer.cistrome.org/İmmün infiltrasyon analizi; TIMER2.0 
UCSC Xena veya bağlantılı TCGA portalıUCSChttps://xenabrowser.net/Keşifsel veri erişimi/doğrulama 

Kaynaklar

  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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Tek Hücre AnaliziBiyoenformatik İş Akışıİmmün İnfiltrasyonTCGA-BRCAMiyeloid Özelliklerİmmün Dekonvolüsyonİlaç-Gen Etkileşimi
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.