Glycoproteomic Comparison of Clinical Triple-Negative and Luminal Breast Tumors
Notice bibliographique
Résumé
Triple-negative (TN) breast cancer accounts for ∼ 15% of breast cancers and is characterized by a high likelihood of relapse and a lack of targeted therapies. In contrast, luminal-type tumors that express the estrogen and progesterone receptors (ER+/PR+) and lack expression of human epidermal growth factor receptor 2 (Her2-) are treated with targeted hormonal therapy and carry a better prognosis. To identify potential targets for the development of future therapeutics aimed specifically at TN breast cancers, we have used a hydrazide-based glycoproteomic workflow to compare protein expression in clinical tumors from nine TN (Her2-/ER-/PR-) and nine luminal (Her2-/ER+/PR+) patients. Using a label-free LC-MS based approach, we identified and quantified 2264 proteins. Of these, 90 proteins were more highly expressed and 86 proteins were underexpressed in the TN tumors relative to the luminal tumors. The expression level of four of these potential targets was verified in the original set of tumors by Western blot and correlated well with our mass-spectrometry-based quantification. Furthermore, 30% of the proteins differentially expressed between luminal and TN tumors were validated in a larger cohort of 406 TN and 469 luminal tumors through corresponding differences in their mRNA expression in publically available microarray data. A group of 29 of these differentially expressed proteins was shown to correctly classify 88% of TN and luminal tumors using microarray data of their associated mRNA levels. Interestingly, even within a group of TN breast cancer patients, the expression levels of these same mRNAs were able to significantly predict patient survival, suggesting that these proteins play a role in the aggressiveness seen in TN tumors. This study provides a comprehensive list of potential targets for the development of diagnostic and therapeutic agents specifically aimed at treating TN breast cancer and demonstrates the utility of using publicly available microarray data to further prioritize potential targets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».