Análise proteômica diferencial entre os subtipos do câncer de mama

Abstract

Resumo: O câncer de mama é uma doença com altos índices de incidência, mortalidade e impactos sociais e econômicos. Os tumores mamários são classificados em subtipos, visando direcionar o tratamento e predizer o prognóstico dos pacientes, porém, a classificação atual, baseada em quatro marcadores imunoistoquímicos, não é suficiente para uma classificação satisfatória destes tumores. Além disso, as características biológicas que geram as diferenças entre tumores não são completamente conhecidas. Neste sentido, as tecnologias proteômicas e interatômicas têm grande relevância, tanto na investigação das diferenças biológicas entre subtipos através da identificação de proteínas diferencialmente expressas, as quais influenciam vias e processos relacionados com as diferenças clínicas e biológicas dos subtipos, quanto na identificação de marcadores proteicos que possam complementar e otimizar a classificação e discriminação entre subtipos. Neste estudo, mais especificamente no capítulo 1, métodos proteômicos baseados em espectrometria de massas LC-MS/MS livre de marcação foram utilizados para obtenção e comparação do proteoma total de tumores mamários de diferentes subtipos (luminal A, Luminal B, HER2+ enriquecido e triplo negativo) e, através da aplicação de análises computacionais de enriquecimento funcional e de predição de interatoma, a relevância biológica de proteínas diferencialmente expressas foi evidenciada. Além disso, a tecnologia de machine learning baseada em supported vector machines foi aplicada para a obtenção de painéis proteicos com potencial para servirem como painéis de discriminação e de classificação de tumores mamários em subtipos. Proteínas diferencialmente expressas (DEPs) puderam ser identificadas entre todos os subtipos, identificando oncogenes e supressores de tumor que possuem padrões de expressão que variam segundo a subdivisão entre subtipos. Através das análises de enriquecimento, os contextos biológicos nos quais se incluem estas DEPs puderam ser explorados, sendo identificados processos e vias biológicas que possuem níveis de atuação e ativação/inativação que diferem segundo o subtipo do tumor, incluindo alterações, por exemplo, nas vias de endocitose mediada por clatrinas, metabolismo de glucose e carboidratos, citoproteção por HMOX1 e regulação da estabilidade e atividade de PTEN. Os painéis proteicos aqui propostos obtiveram bom desempenho, alcançando taxas de falso-positivos sempre menores que 10%, e sensibilidade e especificidade sempre maiores que 75%. O capítulo 2 desta dissertação, por sua vez, traz análises sobre as proteínas ribossomais (RPs) no contexto do câncer de mama, trazendo novas informações acerca do padrão de expressão proteômico e transcriptômico das RPs, bem como de seu potencial para predição de prognóstico e do o panorama funcional e mutacional das RPs no câncer de mama.

Abstract: Breast cancer is a disease with high rates of incidence, mortality, and social and economic impacts. The mammary tumors can be classified into subtypes, aiming to manage patient treatment and predict patient prognostics, however, the actual classification method, based in four immunohistochemical markers, is not sufficient to a satisfactory classification of the tumors. Furthermore, the biological characteristics involved in the differences between subtypes are not fully known. In this context, proteomic and interatomic technologies have great relevance both in the investigation of the biological differences between subtypes through the identification of differentially expressed proteins, which influence biological pathways and processes related to clinical and biological differences among the subtypes, and in the identification of proteic biomarkers that can be used to complement and optimize the classification and discrimination between subtypes. In this study, more specifically in chapter 1, label free mass spectrometry (LC-ESI-MS/MS) based proteomics was applied to obtain and compare total proteomes of breast tumors of different subtypes and, through application of computational enrichment analysis and interatomic predictions, the biological relevance of the differentially expressed proteins (DEPs) was investigated. Further, machine learning-based technologies were applied to obtain proteic panels with the potential to discriminate and classify breast tumors in subtypes. We found DEPs in thecomparisons of all subtypes, identifying oncogenes and tumor suppressor genes with expression patterns that vary accordingly with the subtype classification. Through the enrichment analysis, the biological context in with the DEPs take part was explored, being that processes and pathways that shows differential behavior among the subtypes were found, including, for example, clathrinmediated endocytosis, glucose and carbohydrates metabolism, HMOX1 mediated cytoprotection and PTEN stability and activity regulation. The proteic panels proposed achieved great performances, both in the cross-validation and in the independent cohort validation, reaching rates of false-positives under 10%, and sensibility and specificity over 75%. The chapter 2, in turn, describes the analysis about the ribosomal proteins (RPs) in breast cancer, contributing with new data about the RPs proteomic and transcriptomic expression pattern, as well about its potential as prognostic markers and mutational and functional landscape in breast cancer.