НОВЫЙ МЕТОД КЛАССИФИКАЦИИ ПАЦИЕНТОВ С ТРИЖДЫ НЕГАТИВНЫМ РАКОМ МОЛОЧНОЙ ЖЕЛЕЗЫ НА ОСНОВЕ ЭКСПРЕССИИ ШЕСТИ ГЕНОВ С ИСПОЛЬЗОВАНИЕМ SHINY- ПРИЛОЖЕНИЯ

Распечатать / Сохранить в PDF

УДК: 616 – 006.699

И.С. Панченко¹, В.В. Родионов², О.В. Бурменская², В.В. Кометова², В.К. Боженко³, М.Г. Шарафутдинов¹, С.В. Панченко¹, Л.В. Матвеева¹

¹Ульяновский государственный университет, Ульяновск

²Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии им. акад. В.И. Кулакова МЗ РФ, Москва

³Российский научный центр рентгенорадиологии МЗ РФ, Москва

Панченко И.С. – ассистент кафедры онкологии и лучевой диагностики им. О.П. Модникова

432063, г. Ульяновск, ул. Льва Толстого, 42, тел.: +7 (8422) 32-39-05, e-mail: pan91ch@yandex.ru, ORCID ID: 0000-0001-7923-4317

 Реферат. В данной статье представлено Shiny-приложение для автоматической классификации пациентов с тройным негативным раком молочной железы (ТНРМЖ) на четыре кластера с различным прогнозом общей выживаемости. Классификация основана на экспрессии шести генов (AR, MKi67, FOXA1, MMP11, SCGB2A2, MIA) и реализована с использованием дискриминантной функции с уникальными коэффициентами для каждого кластера. Приложение позволяет исследователям быстро и точно определять принадлежность пациентов к определенной группе, что может быть полезно для персонализированного подхода к лечению. Мы демонстрируем эффективность приложения на реальных данных, показывая его высокую точность (95%) и скорость работы (< 0.1 с). Приложение доступно онлайн и может быть использовано в клинической практике и научных исследованиях.

Ключевые слова: трижды негативный рак молочной железы (ТНРМЖ), классификация, shiny-приложение.

Введение

Трижды негативный рак молочной железы (ТНРМЖ) – подтип рака молочной железы (РМЖ), при котором не экспрессируются рецепторы эстрогена, прогестерона и HER2. Данное обстоятельство делает этот подтип рака очень сложным для лечения, так как ни гормональная, ни анти-HER2 терапия не работают. Единственным вариантом лечебного воздействия остается цитотоксическая химиотерапия, однако ее действие неспецифично, и у значительной части пациентов добиться успеха в лечении удается далеко не всегда. Поэтому существующие генетические классификации ТНРМЖ важны для поиска новых методов лечения. В последние годы разными учеными предлагались молекулярно-генетические классификации. В 2011 г. Lehmann B.D. и соавт. предложили выделять шесть подтипов ТНРМЖ: базальноподобный 1 (BL1), базальноподобный 2 (BL2), иммуномодулирующий (IM), мезенхимальный стволовой (MSL), люминальный андрогеновый (LAR) [1]. Позднее Burstein M.D. и соавт. упростили данную классификацию и предложили уже четыре подтипа ТНРМЖ: люминальный андрогеновый (LAR), мезенхимальный (MES), базальноподобный иммуносупрессивный (BLIS), базальноподобный иммуноактивированный (BLIA) [2]. Данная классификация больше фокусировалась на иммунном ответе опухолей.

При разработке классификации ТНРМЖ могут использоваться не только данные об экспрессии генов, но также и интегративные подходы (геномные, транскриптомные, протеомные). The Cancer Genome Atlas (TCGA) проводил масштабные исследования, в которых были выявлены генетические вариации ТНРМЖ: мутации в генах TP53, BRCA ½, PI3KCA и др. [3]. Эта информация может помочь в планировании терапии пациентов с ТНРМЖ, например у пациентов с мутациями в BRCA ½ эффективно использование PARP-ингибиторов [4]. Знание о протеомных мутациях может помочь нам в планировании лечения на основании знания активности сигнальных путей (PI3K/AKT/mTOR, RAS/MAPK) [5], точно так же, как знание иммуного микроокружения опухоли (опухоли с высокой инфильтрацией лимфоцитов (TILs) и экспрессией PD-L1) лучше отвечают на иммунотерапию, например пембролизумабом, чем опухоли с низкой иммуной инфильтрацией [6].

Если говорить о современных разработках, то можно сослаться на классификацию Jiang М. и соавт. (2021), которая учитывает комбинацию генетических и иммунных маркеров. Исследователями было показано, что генетически нестабильные опухоли с высоким TMB (tumor mutational burden) чаще лучше отвечают на иммунотерапию [7]. Особого внимания заслуживают методы машинного обучения, в которых для выявления новых кластеров используются алгоритмы для анализа мультиомиксных данных (геномных, транскриптомных, эпигеномных).

Целью данного исследования является разработка удобного и интуитивно понятного web-приложения для автоматической классификации пациентов с трижды негативным раком молочной железы (ТНРМЖ) на четыре кластера с различным прогнозом общей выживаемости. Приложение основано на дискриминантном анализе экспрессии шести генов (AR, MKi67, FOXA1, MMP11, SCGB2A2, MIA) и позволяет исследователям и клиницистам быстро и точно определять кластерную принадлежность пациентов. Это может способствовать персонализированному подходу к лечению и улучшению отдаленных результатов лечения пациентов с ТНРМЖ.

Материал и методы

В исследование включены 226 пациентов с морфологически верифицированным трижды негативным раком молочной железы (ТНРМЖ).

Отбор генов проводился на их известной роли в патогенезе ТНРМЖ, прогностической значимости в предыдущих исследованиях, потенциальной возможности терапевтического воздействия и статистической значимости в предварительном анализе.

Гены были сгруппированы по функциональным категориям:

1)      гены гормональных рецепторов:

–       ESR1: ассоциирован с прогнозом [8];

–       AR: ключевой маркер LAR-подтипа ТНРМЖ [1, 2];

2)      рецепторы ростовых факторов:

–       ERBB2: ядерная изоформа (NErbB-2) – новый биомаркер ТНРМЖ [9];

–       GRB7: маркер агрессивного течения [10];

–       EGFR: перспективная таргетная мишень [11]

–       FGFR4: ассоциирован с плохим прогнозом при ТНРМЖ и рассматривается как перспективная мишень для таргетного воздействия на его сигнальные пути [12–14];

3)      гены пролиферации и клеточного цикла:

–       MKI67, CCNB1 и AURKA ассоциированы с плохим прогнозом при ТНРМЖ и рассматриваются как потенциальные терапевтические мишени для лекарственного воздействия [15–17];

–       MYBL2: фактор транскрипции и неблагоприятного прогноза для ТНРМЖ (сигнальный путь PITPNA-AS1) [18];

–       BIRC5: экспрессируется у 45–90% пациентов с ТНРМЖ и связан с резистентностью к терапии [19, 20];

–       MYC: опухоли с гиперэкспрессией, подавляет иммунные сигнатуры [21];

–       CCND1 и CCNE1: их сигнальные пути ассоциированы с плохим прогнозом [22, 23];

–       CDKN2A: прогностический предиктор для ТНРМЖ, мишень для терапевтического воздействия [24];

–       KIF14, PTTG1: перспективные терапевтические мишени [25];

–       SFRP1 коррелирует с агрессивными клинико-морфологическими параметрами [26];

–       TPX2 – независимый прогностический фактор [27];

4)      гены инвазии и метастазирования:

–       MMP11: маркер сигнального пути EGFR/AKT, связан с плохим прогнозом у пациентов с ТНРМЖ [28];

–       EMSY: перспективная терапевтическая мишень, ассоциируется с BRCA-мутированным подтипом ТНРМЖ [29];

–       PAK1: перспективная терапевтическая мишень [30];

–       ANLN: связан с рецидивами и неблагоприятным исходом [31];

5)      гены апоптоза:

–       BCL2 маркер MSL-подтипа ТНРМЖ, ассоциирован с лучшим ответом на антрациклины [32];

–       PTEN: инактивация связана с агрессивным фенотипом [33];

6)      гены репарации ДНК:

–       TYMS: ингибирование перспективно для терапии [34];

–       EXO1: потенциальная мишень для комбинированной терапии PARP-ингибиторами [35];

–       UBE2T: гиперэкспрессия связана с метастазированием в ЦНС [36].

7)      гены – маркеры дифференцировки опухолевых клеток:

–       SCGB2A2: предиктор ответа на иммунотерапию [37];

–       KRT5: компонент прогностической сигнатуры [38].

8)      гены – факторы транскрипции:

–       ZNF503 и GATA3: комбинация улучшает прогностическую точность [39];

–       FOXA1 независимый биомаркер ТНРМЖ [40];

–       ZNF703: ассоциирован с плохим прогнозом [41];

–       NAT1: потенциальная терапевтическая мишень [42];

9)      гены, отвечающие за иммунный ответ:

–       CD68 и PD-L1: коэкспрессия ассоциирована с лучшим прогнозом [43].

Такой комплексный подход позволил создать сбалансированную панель маркеров, отражающих ключевые аспекты биологии ТНРМЖ.

Экспрессия генов исследована методом мультиплексной ПЦР в реальном времени. РНК выделена из опухолевых образцов, после чего проведена амплификация кДНК. Уровень экспрессии генов измерен в относительных единицах. Для формирования молекулярно-генетических кластеров использован метод K-средних. В результате выделено четыре кластера, различающихся по профилю экспрессии генов и общей выживаемости (рис. 1, табл. 1).

Таблица 1. Распределение генов по кластерам

Table 1. Distribution of genes by cluster

Рис. 1. Общая выживаемость пациенток четырех кластеров (метод Каплана – Майера)

Fig. 1. Overall survival of patients in four clusters (Kaplan – Mayer method)

Клинико-генетические характеристики кластеров:

1. Кластер 1 (n = 87, 38,5%).

Генетический профиль: гипоэкспрессия большинства генов.

Клинические особенности: не показал значимых ассоциаций с конкретными морфологическими параметрами (требуются дополнительные исследования).

2. Кластер 2 (n = 87, 38,5%).

Генетический профиль: гиперэкспрессия генов гормональных рецепторов (ESR1, PGR, AR), рецепторов ростовых факторов (ERBB2, EGFR, FGFR4) и факторов транскрипции (GATA3, FOXA1, ZNF703, NAT1).

Клинические особенности:

а) преобладающий гистологический тип: медуллярный вариант (57,5%);

б) степень злокачественности: высокая (74,7%);

в) уровень Ki67 ≥ 31% (85,1%).

3. Кластер 3 (n = 27, 11,9%).

Генетический профиль: гиперэкспрессия генов, регулирующих пролиферацию, митоз, клеточный цикл (MKI67, MYBL2, CCNB1, AURKA, BIRC5, MYC, CCND1, CCNE1, CDKN2A, KIF14, PPP2R2A, PTTG1, SFRP1, TMEM45B, TMEM45A, TPX2), клеточный транспорт (MMP11, CTSL2, EMSY, PAK1, ANLN), репликацию и репарацию ДНК (TYMS, EXO1, UBE2T), дифференцировку клеток (KRT5), апоптоз (BAG1, PTEN) и иммунные процессы (CD68, TRA, PD-L1).

Клинические особенности:

а) гистологические варианты:

–       инвазивный дольковый (16,7%);

–       особые гистологические типы (33,3%);

б) степень злокачественности: равное распределение высокой и низкой (по 50%);

в) уровень Ki67 ≤ 14% (46,7%).

4. Кластер 4 (n = 25, 11,1%).

Генетический профиль: характеризуется средними значениями экспрессии большинства генов.

Клинические особенности:

а) гистологический подтип: преобладание инвазивного неспецифического типа (64,1%);

б) степень злокачественности: низкая и умеренная (61,5%);

в) уровень Ki67 15–30% (46,2%).

Статистически значимые различия (p ≤ 0,05)

1. Гистологические параметры:

–       кластер 2 медуллярный вариант (57,5%) vs. кластеры 3–4 (дольковый/неспецифический).

2. Степень злокачественности:

–       кластер 2 (высокая – 74,7%) vs. кластер 3 (50% высокая/50% низкая) и кластер 4 (преимущественно низкая/умеренная).

3. Индекс пролиферации Ki67:

–       кластер 2: ≥ 31% (85,1%) vs. кластер 3 (≤ 14%) и кластер 4 (15–30%).

Анализ выживаемости

Общая выживаемость пациентов оценена методом Каплана – Майера (рис. 1). На момент анализа (15.02.2025) в кластере 1 умерли 26 (30%) пациентов, в кластере 2 – 19 (22%), в кластере 3 – 9 (33%), в кластере 4 – 11 (44%). Наилучшая выживаемость отмечена в кластере 2, наихудшая – в кластере 4. Все случаи соответствовали трижды негативному подтипу (ТН) по данным ПЦР.

Результаты

Отбор генов и разработка дискриминантной функции

Из исходной панели 45 генов методом пошагового дискриминантного анализа (Backward stepwise) были отобраны 6 генов, вносящих наибольший вклад в различия между кластерами: AR, MKI67, FOXA1, MMP11, SCGB2A2 и MIA. Коэффициенты дискриминантной функции и константы дискриминации для каждого кластера представлены в табл. 2.

Таблица 2. Коэффициенты линейной дискриминантной функции и константы дискриминации кластеров

Table 2. Coefficients of the linear discriminant function and constants of cluster discrimination

Дискриминантная функция имеет вид:

Y_k = a_1kx₁+ a_2kx₂ + … + a₆x₆ + C_k,                                        (1)

где Y_k – значение дискриминантной функции для k-го кластера; а_ik – коэффициенты для i-го гена в k-м кластере; х_i – значение экспрессии i-го гена в логарифмической шкале; С_k – константа дискриминации для k-го кластера.

Разработка Shiny-приложения

Для упрощения расчетов разработано интерактивное приложение на основе модели реактивного программирования Shiny. Разработка включала три этапа:

1) интеграция математической модели: в программе R реализована дискриминантная функция с предопределенными коэффициентами для каждого кластера;

2) проектирование интерфейса: использованы элементы numericInput для ввода значений генов и actionButton для запуска расчета;

3) реактивная обработка данных: при нажатии кнопки «Рассчитать» значения экспрессии генов передаются в функцию calculate_cluster, которая возвращает номер кластера с максимальным значением дискриминантной функции.

Алгоритм работы приложения.

1) пользователь вводит значения экспрессии 6 генов («Gene1» – AR, «Gene2» – MKI67, «Gene3» – FOXA1, «Gene4» – MMP11, «Gene5» – SCGB2A2, «Gene6» – MIA) в логарифмической шкале;

2) для каждого кластера рассчитывается значение дискриминантной функции;

3) после нажатия кнопки «Рассчитать» приложение определяет кластер с максимальным значением функции и выводит результат на экран.

Приложение протестировано в браузерах Chrome, Firefox и Safari, что подтверждает его кроссплатформенную совместимость (рис. 2).

Рис. 2. Рабочая консоль web-приложения

Fig. 2. Interface of the web application

Обсуждение

Рассмотрим еще раз роль каждого из ключевых генов, вошедших в нашу модель, в контексте ТНРМЖ.

Ген AR (андрогеновый рецептор)

Роль AR в прогнозе ТНРМЖ остается неоднозначной. С одной стороны, коэкспрессия AR ассоциируется с худшим прогнозом и резистентностью к химиотерапии [44], с другой – высокая экспрессия AR связана с лучшей выживаемостью без прогрессирования и снижением пролиферативной активности [45–48]. Мы можем предположить, что существует зависимость прогностической значимости AR от ко-экспрессии генов (например, FOXA1) и гормонального фона. В нашем исследовании AR был гиперэкспрессирован во втором кластере, что может объяснить его благоприятный прогноз.

Ген FOXA1 (Forkhead Box protein A1)

FOXA1 – транскрипционный фактор, регулирующий экспрессию генов, связанных с гормональной сигнализацией, включая AR [49]. При ТНРМЖ низкая экспрессия FOXA1 может быть связана с менее агрессивным фенотипом опухоли [50]. Однако его роль остается противоречивой: при люминальных подтипах РМЖ FOXA1 ассоциируется с благоприятным прогнозом, тогда как при ТНРМЖ – с агрессивным поведением опухоли [51]. В нашем исследовании FOXA1 был гиперэкспрессирован во втором кластере, что, вероятно, связано с его взаимодействием с AR.

Ген MMP11 (Matrix Metalloproteinase 11)

MMP11 участвует в деградации внеклеточного матрикса, способствуя инвазии опухоли и метастазированию [52]. Высокая экспрессия MMP11 при РМЖ ассоциируется с агрессивным поведением опухоли, резистентностью к терапии и худшим прогнозом [53]. В нашем исследовании MMP11 был гиперэкспрессирован в третьем кластере, что может объяснить его промежуточный прогноз.

Ген SCGB2A2 (Secretoglobin Family 2A Member 2)

SCGB2A2 кодирует белок mammoglobin-A, который экспрессируется в тканях молочной железы и может играть роль в дифференцировке клеток [37]. Исследования показывают, что SCGB2A2 может быть связан с иммунным микроокружением опухоли. Например, после терапии наб-паклитакселом в комбинации с пембролизумабом наблюдалось увеличение его экспрессии в опухолевом ложе [37]. Это подчеркивает необходимость дальнейшего изучения роли SCGB2A2 в иммунотерапии ТНРМЖ.

Ген MKI67

MKI67 кодирует белок Ki67, маркер пролиферативной активности клеток. Высокая экспрессия Ki67 указывает на активное деление клеток и ассоциируется с более низкой общей выживаемостью и выживаемостью без прогрессирования [54, 55]. В нашем исследовании MKI67 был гиперэкспрессирован в третьем кластере, что соответствует его роли как маркера агрессивности опухоли.

Ген MIA (Melanoma Inhibitory Activity)

MIA участвует в регуляции клеточной адгезии, миграции и инвазии клеток меланомы [56]. Хотя данных о роли MIA при ТНРМЖ недостаточно, его связь с плохим прогнозом была продемонстрирована при меланоме и раке легкого [57]. В нашем исследовании MIA был гиперэкспрессирован в третьем кластере, что позволяет предположить его потенциальную роль как маркера агрессивности при ТНРМЖ.

Наши результаты демонстрируют, что предложенные гены-предикторы (AR, MKI67, FOXA1, MMP11, SCGB2A2, MIA) эффективно разделяют пациентов с трижды негативным раком молочной железы (ТНРМЖ) на четыре кластера с различным прогнозом общей выживаемости. Наиболее благоприятный прогноз наблюдался у пациентов второго кластера, который характеризовался гиперэкспрессией генов гормональных рецепторов, рецепторов факторов роста и транскрипции, худший прогноз регистрировался у пациентов четвертого кластера, который был представлен пациентами со средними значениями экспрессии большинства генов. Мы можем предположить худшую выживаемость пациентов четвертого кластера методологическим ограничениями нашего исследования – это был самый малочисленный по количеству участниц кластер (n = 25).

При сравнении сформированных нами кластеров ТНРМЖ с известными подтипами, разработанными другими авторами ранее – Lehmann B.D. с соавт. (2011) и Burstein с соавт. (2015), мы обнаружили, что кластер 2 может соответствовать LAR-подтипу, предложенному Lehmann B.D. с соавт. [1], из-за экспрессии генов AR и FOXA1 и LAR-подтипу, предложенному Burstein с соавт. (2015), за счет генов ESR1, PGR, FOXA, GATA3.

BL 1-подтип и MSL-подтипы Lehmann B.D. с соавт. (2011) более соответствовали кластеру 3 нашего исследования, за счет преобладания маркеров пролиферации: AURKA, MYC, BIRC5, EXO1 и гена CCND, связанного с Wnt/β-катенина, – сигнальным путем и BLIS-подтипа, предложенного Burstein с соавт. [2], по причине гиперэкспрессии MKI67 и генов пролиферации. Также кластер 3 и MSL-подтип объединяет сходность гистологических форм опухолей – в обоих кластерах чаще встречались особые гистологические формы опухолей (метапластический рак молочной железы). Данные опухоли чаще являются химиорезистентными, что, по нашему мнению, объясняет промежуточные результаты по выживаемости у пациентов кластера 3.

BL-2 подтип по Lehmann B.D. с соавт. (2011) в чем-то перекликался с кластером 2, за счет маркера фактора роста – EGFR, который также был представлен в нашей генетической панели, как и FGFR4, который в последнее время рассматривается не только как прогностический маркер ТНРМЖ, но и как перспективная мишень для лекарственного воздействия [12–14]. Подтип IM по Lehmann B.D. с соавт. (2011) по генетическому портрету был представлен генами, которые участвуют в регуляции функции иммунных клеток (сигнальные пути Т и В-лимфоцитов), сигнальных путях, связанных с процессами презентации антигенов (NFKB, TNF и JAK/STAT), а также генами, которые совпадали с генной сигнатурой медуллярного рака молочной железы, который ассоциируется с благоприятным прогнозом. Пациенты кластера 2 также статистически значимо чаще имели данную гистологическую форму опухоли, что, с одной стороны, объясняет более благоприятный прогноз пациентов этого кластера, а с другой – роднит его с IM-подтипом, который предложили Lehmann B.D. с соавт. (2011).

Если рассматривать наши кластеры с точки зрения лечебных подходов, то, ссылаясь на ранее проведенные исследования, мы можем предложить следующие методы терапии для различных кластеров:

–       кластер 1 (гипоэкспрессия большинства генов). Можно предположить, что низкая экспрессия многих генов может указывать на низкую дифференцировку и высокую агрессивность опухолей, поэтому для пациентов данного кластера может быть применена интенсивная химиотерапия на основе препаратов платины и таксанов;

–       кластер 2 (гиперэкспрессия AR, FOXA1, гормональных рецепторов). Возможная тактика – антиандрогенная терапия (бикалутамид, энзалутамид), ингибиторы PI3K/AKT/mTOR;

–       кластер 3 (гиперэкспрессия пролиферативных генов, ММР11, MKI67). Возможная тактика – химиотерапия с использованием антрациклинов и таксанов, а также PARP-ингибиторов (при наличии мутации в гене BRCA);

–       кластер 4 (средняя экспрессия большинства генов). Возможная тактика для данного кластера – проводить углубленное молекулярное профилирование с целью определения ключевых генов у конкретного пациента. Например, при гиперэкспрессии AR назначать антиандрогенную терапию, тестировать пациентов на экспрессию HER2/neu. Несмотря на формальный статус ТНРМЖ, часть пациентов может иметь низкую экспрессию HER2 (IHC 1+ или 2+/FISH-) – таким пациентам можно использовать для лечения препарат трастузумаб-дерукстекан [58]. Перспективным может быть определение TMB (tumor mutational burden) и MSI (микросателлитной нестабильности), которые ассоциируются с высоким ответом на иммунотерапию. Например, в исследовании Barroso-Sousa R. с соавт. было показано, что пациенты с высоким TMB (≥ 10 мутаций/Мб) и мутации в гене PTEN могут иметь пользу от терапии анти-PD-1/L1 – терапии [59]. Наличие MSI-H является предиктором ответа на терапию пембролизумабом [60].

Проведенное исследование имело определенные ограничения, что на наш взгляд, необходимо учитывать. Во-первых, была предложена небольшая выборка пациентов в кластерах 3 и 4, во-вторых, отсутствовала внешняя валидация данных кластеров на независимой когорте пациентов.

Заключение

Наше исследование подтверждает, что предложенные гены-предикторы эффективно разделяют пациентов с ТНРМЖ на кластеры с различным прогнозом. Однако роль некоторых генов, таких как AR и FOXA1, остается неоднозначной и требует дальнейшего изучения. Разработанное Shiny-приложение позволяет быстро и точно определять кластерную принадлежность пациентов, что может способствовать персонализированному подходу к лечению.

 Список сокращений

AR – рецептор андрогена

BCL2 (BCL2 apoptosis regulator) – регулятор апоптоза

BL-1 (basal-like -1) – базально-подобный подтип 1

BL-2 (basal-like -2) – базально-подобный подтип 2

BLIA (basal-like immune-activated) – базальный иммуно-активированный подтип

BLIS (basal-like immune-suppressed) – базальный иммуно-супрессивный подтип

CCNB1 (cyclin B1) – циклин Б1

CCND1 (cyclin D1) – циклин Д1

CCNE1 (cyclin Е1) – циклин Е1

CD68 (CD68 Molecule) – молекула CD68

CTSL2 (cathepsin L2) – катепсин Л2

EGFR (epidermal growth factor receptor) – рецептор эпидермального фактора роста

EMSY (EMSY transcriptional repressor) – репрессор транскрипции

ERBB2 (Erb-B2 ReceptorTyrosinekinase 2) – рецептор тирозин-киназы 2

ESR1 – рецептор эстрогена 1

EXO1 (Exonuclease 1) – экзонуклеаза 1

FGFR4 (fibroblast growth factor receptor 4) – рецептор фактора роста фибробластов 4

GATA (GATA Binding Protein 3) – GATA-связывающий белок

GRB7 (growth factor receptor bound protein 7) – белок 7, связанный с рецептором фактора роста

IM (immunomodulatory) – иммуномодуляторный подтип

KRT5 (Keratin 5) – кератин 5

LAR (luminal androgen receptor) – люминальный андрогенный подтип

M (mesenchymal) – мезенхимальный подтип

MES (mesenchymal) – мезенхимальный подтип

MIA (MIA SH3 Domain Containing) – домен-связывающий пептид

MKI67 (marker of proliferation 67) – маркер пролиферации 67

MMP11 (matrix metallopeptidase 11) – матриксная метало-пептидаза

MSL (mesenchymal stem-like) – мезенхимально-стволоподобный подтип

MYBL2 (MYB proto-oncogene like 2) – MYB- протоонкоген 2

MYC (MYC- proto-oncogene) – MYC-протоонкоген

PAK1 (P21 (RAC1) Activated kinase 1) – активированная киназа 1

PD-L1 (CD274 Molecule) – молекула CD274

PGR – рецептор прогестерона

PPP2R2A (protein phosphatase 2 regulatory subunit Balpha) – протеиновая фосфатаза 2 регуляторной субъединицы Б-альфа

PTEN (Phosphatase And Tensin Homolog) – гомолог фосфатазы и тензина

PTTG1 (regulator of sister chromatid separation, securin) – регулятор разделения сестринских хроматид, секурин

TMEM45A (transmembrane protein 45A) – трансмембранный протеин 45А

TMEM45B (transmembrane protein 45B) – трансмембранный протеин 45Б

TPT1 (tumor protein, translationally-controlled) – опухолевый трансляционно-контролируемый белок

TPX2 (Tpx2 microtubule nucleation factor) – фактор нуклеации микротрубочек

TRA (T cell receptor Alpha Locus) – Т-клеточный рецептор альфа-локус

TYMS (Thymidylate Synthetase) – тимидилат-синтетаза

UBE2T (Ubiquitin conjugating enzyme E2 T) – фермент Е2 Т, конъюгирующий убиквитин

 Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

 Литература

1. Lehmann B.D., Bauer J.A., Chen X., Sanders M.E., Chakravarthy A.B., Shyr Y., Pietenpol J.A. Identification of human triple-negative breast cancer subtypes and preclinical models for selection of targeted therapies // J. Clin. Invest. – 2011. – V. 121 (7). – P. 2750–2767. DOI: 10.1172/JCI45014
2. Burstein M.D., Tsimelzon A., Poage G.M., Covington K.R., Contreras A., Fuqua S.A. et al. Comprehensive genomic analysis identifies novel subtypes and targets of triple-negative breast cancer // Clin. Cancer Res. – 2015. – V. 21 (7). – P. 1688–1698. DOI: 10.1158/1078-0432.CCR-14-0432
3. Mahdavi M., Nassiri M., Kooshyar M.M., Vakili-Azghandi M., Avan A., Sandry R. et al. Hereditary breast cancer; Genetic penetrance and current status with BRCA // J. Cell. Physiol. – 2019. – V. 234 (5). – P. 5741–5750. DOI: 10.1002/jcp.27464
4. Gupta G.K., Collier A.L., Lee D., Hoefer R.A., Zheleva V., Siewertsz van Reesema L.L. et al. Perspectives on triple-negative breast cancer: current treatment strategies, unmet needs, and potential targets for future therapies // Cancers (Basel). – 2020. – V. 12 (9). – P. 2392. DOI: 10.3390/cancers12092392
5. Costa R.L.B., Han H.S., Gradishar W.J. Targeting the PI3K/AKT/mTOR pathway in triple-negative breast cancer: a review // Breast Cancer Res. Treat. – 2018. – V. 169 (3). – P. 397–406. DOI: 10.1007/s10549-018-4697-y
6. Wimberly H., Brown J.R., Schalper K., Haack H., Silver M.R., Nixon C. et al. PD-L1 expression correlates with tumor-infiltrating lymphocytes and response to neoadjuvant chemotherapy in breast cancer // Cancer Immunol. Res. – 2015. – V. 3 (4). – P. 326–332. DOI: 10.1158/2326-6066.CIR-14-0133
7. Jiang M., Jia K., Wang L., Li W., Chen B., Liu Y. et al. Alterations of DNA damage response pathway: Biomarker and therapeutic strategy for cancer immunotherapy // Acta Pharm. Sin. B. – 2021. – V. 11 (10). – P. 2983–2994. DOI: 10.1016/j.apsb.2021.01.003
8. Sghaier I., Zidi S., El-Ghali R.M., Daldoul A., Aimagambetova G., Almawi W.Y. Unique ESR1 and ESR2 estrogen receptor gene variants associated with altered risk of triple-negative breast cancer: A case-control study // Gene. – 2023. – V. 851. – P. 146969. DOI: 10.1016/j.gene.2022.146969
9. Chervo M.F., Cordo Russo R.I., Petrillo E., Izzo F., De Martino M., Bellora N. et al. Canonical ErbB-2 isoform and ErbB-2 variant c located in the nucleus drive triple negative breast cancer growth // Oncogene. – 2020. – V. 39 (39). – P. 6245–6262. DOI: 10.1038/s41388-020-01430-9
10. Giricz O., Calvo V., Pero S.C., Krag D.N., Sparano J.A., Kenny P.A. GRB7 is required for triple-negative breast cancer cell invasion and survival // Breast Cancer Res. Treat. – 2012. – V. 133 (2). – P. 607–615. DOI: 10.1007/s10549-011-1822-6
11. Lev S. Targeted therapy and drug resistance in triple-negative breast cancer: the EGFR axis // Biochem. Soc. Trans. – 2020. – V. 48 (2). – P. 657–665. DOI: 10.1042/BST20191055
12. Gu Z., Ye F., Luo H., Li X., Gong Y., Mao S. et al. Metformin sensitizes triple-negative breast cancer to histone deacetylase inhibitors by targeting FGFR4 // J. Biomed. Sci. – 2025. – V. 32 (1). – P. 36. DOI: 10.1186/s12929-025-01129-7
13. Wei W., Cao S., Liu J., Wang Y., Song Q., A L. et al. Fibroblast growth factor receptor 4 as a prognostic indicator in triple-negative breast cancer // Transl. Cancer Res. – 2020. – V. 9 (11). – P. 6881–6888. DOI: 10.21037/tcr-20-1756
14. Ye J., Wu S., Quan Q., Ye F., Zhang J., Song C. et al. Fibroblast growth factor receptor 4 promotes triple-negative breast cancer progression via regulating fatty acid metabolism through the AKT/RYR2 signaling // Cancer Med. – 2024. – V. 13 (23). – P. e70439. DOI: 10.1002/cam4.70439
15. Wei L.M., Li X.Y., Wang Z.M., Wang Y.K., Yao G., Fan J.H., Wang X.S. Identification of hub genes in triple-negative breast cancer by integrated bioinformatics analysis // Gland Surg. – 2021. – V. 10 (2). – P. 799–806. DOI: 10.21037/gs-21-17
16. Qiu P., Guo Q., Yao Q., Chen J., Lin J. Hsa-mir-3163 and CCNB1 may be potential biomarkers and therapeutic targets for androgen receptor positive triple-negative breast cancer PLoS One. – 2021. – V. 16 (11). e0254283. DOI: 10.1371/journal.pone.0254283
17. Kahl I., Mense J., Finke C., Boller A.L., Lorber C., Győrffy B. et al. The cell cycle-related genes RHAMM, AURKA, TPX2, PLK1, and PLK4 are associated with the poor prognosis of breast cancer patients // J. Cell. Biochem. – 2022. – V. 123 (3). – P. 581–600. DOI: 10.1002/jcb.30205
18. Liu B., Yao P., Xiao F., Guo J., Wu L., Yang Y. MYBL2-induced PITPNA-AS1 upregulates SIK2 to exert oncogenic function in triple-negative breast cancer through miR-520d-5p and DDX54 // J. Transl. Med. – 2021. – V. 19 (1). – P. 333. DOI: 10.1186/s12967-021-02956-6
19. Adinew G.M., Messeha S., Taka E., Soliman K.F.A. The prognostic and therapeutic implications of the chemoresistance gene BIRC5 in triple-negative breast cancer // Cancers (Basel). – 2022. – V. 14 (21). – P. 5180. DOI: 10.3390/cancers14215180
20. Bai Y., Yuan F., Yu J., Si Y., Zheng Y., Li D. A BIRC5High COD1Low cancer tissue phenotype indicates poorer prognosis of metastatic breast cancer patients // Cancer Inform. – 2022. – V. 21. 11769351221096655. DOI: 10.1177/11769351221096655
21. Zimmerli D., Brambillasca C.S., Talens F., Bhin J., Linstra R., Romanens L. et al. MYC promotes immune-suppression in triple-negative breast cancer via inhibition of interferon signaling // Nat. Commun. – 2022. – V. 13 (1). – P. 6579. DOI: 10.1038/s41467-022-34000-6
22. Liu Y., Zhang A., Bao P.P., Lin L., Wang Y., Wu H. et al. MicroRNA-374b inhibits breast cancer progression through regulating CCND1 and TGFA genes // Carcinogenesis. – 2021. – V. 42 (4). – P. 528–536. DOI: 10.1093/carcin/bgab005
23. Zhao Z.M., Yost S.E., Hutchinson K.E., Li S.M., Yuan Y.C., Noorbakhsh J. et al. CCNE1 amplification is associated with poor prognosis in patients with triple negative breast cancer // BMC Cancer. – 2019. – V. 19 (1). – P. 96. DOI: 10.1186/s12885-019-5290-4
24. Cheng T., Wu Y., Liu Z., Yu Y., Sun S., Guo M. et al. CDKN2A-mediated molecular subtypes characterize the hallmarks of tumor microenvironment and guide precision medicine in triple-negative breast cancer // Front. Immunol. – 2022. – V. 13. 970950. DOI: 10.3389/fimmu.2022.970950
25. Bashari N., Naghizadeh M., Chegini M.K., Sadeghi E.S., Zamani A., Mahdevar M. Therapeutic potential of PLK1, KIF4A, CDCA5, UBE2C, CDT1, SKA3, AURKB, and PTTG1 genes in triple-negative breast cancer: correlating their expression with sensitivity to GSK 461364 and IKK 16 drugs // Biochem. Genet. – 2024. DOI: 10.1007/s10528-024-10907-1
26. Schäfer S.A., Hülsewig C., Barth P., von Wahlde M.K., Tio J., Kolberg H.C. et al. Correlation between SFRP1 expression and clinicopathological parameters in patients with triple-negative breast cancer // Future Oncol. – 2019. – V. 15 (16). – P.1921–1938. DOI: 10.2217/fon-2018-0564
27. Jiang Y., Liu Y., Tan X., Yu S., Luo J. TPX2 as a novel prognostic indicator and promising therapeutic target in triple-negative breast cancer // Clin. Breast Cancer. – 2019. – V. 19 (6). – P. 450–455. DOI: 10.1016/j.clbc.2019.05.012
28. Cui N.P., Qiao S., Jiang S., Hu J.L., Wang T.T., Liu W.W. et al. Protein tyrosine kinase 7 regulates EGFR/Akt signaling pathway and correlates with malignant progression in triple-negative breast cancer // Front. Oncol. – 2021. – V. 11. 699889. DOI: 10.3389/fonc.2021.699889
29. Liu C.C., Chen L., Cai Y.W., Chen Y.F., Liu Y.M., Zhou Y.J. et al. Targeting EMSY-mediated methionine metabolism is a potential therapeutic strategy for triple-negative breast cancer // Cell Rep. Med. – 2024. – V. 5 (2). 101396. DOI: 10.1016/j.xcrm.2024.101396
30. Shi W., Ma D., Cao Y., Hu L., Liu S., Yan D. et al. SphK2/S1P promotes metastasis of triple-negative breast cancer through the PAK1/LIMK1/cofilin1 signaling pathway // Front. Mol. Biosci. – 2021. – V. 8. 598218. DOI: 10.3389/fmolb.2021.598218
31. Dai X., Mei Y., Chen X., Cai D. ANLN and KDR are jointly prognostic of breast cancer survival and can be modulated for triple negative breast cancer control // Front. Genet. – 2019. – V. 10. – P. 790. DOI: 10.3389/fgene.2019.00790
32. Bouchalova K., Kharaishvili G., Bouchal J., Vrbkova J., Megova M., Hlobilkova A. Triple negative breast cancer – BCL2 in prognosis and prediction. Review // Curr. Drug Targets. – 2014. – V. 15 (12). – P. 1166–1175. DOI: 10.2174/1389450115666141106151143
33. Chai C., Wu H.H., Abuetabh Y., Sergi C., Leng R. Regulation of the tumor suppressor PTEN in triple-negative breast cancer // Cancer Lett. – 2022. – V. 527. – P. 41–48. DOI: 10.1016/j.canlet.2021.12.003
34. Wang L., Wu Z., Wang Y., Chen C., Li Y., Dong H. et al. TYMS knockdown suppresses cells proliferation, promotes ferroptosis via inhibits PI3K/Akt/mTOR signaling pathway activation in triple negative breast cancer // Cell Biochem. Biophys. – 2024. – V. 82 (3). – P. 2717–2726. DOI: 10.1007/s12013-024-01388-5
35. Frederick M.I., Fyle E., Clouvel A., Abdesselam D., Hassan S. Targeting FEN1/EXO1 to enhance efficacy of PARP inhibition in triple-negative breast cancer // Transl. Oncol. – 2025. – V. 54. 102337. DOI: 10.1016/j.tranon.2025.102337
36. Shi L.L., Chen Y., Xie M.X., Chen Q.Z., Qiao X.W., Cheng Q.H. et al. UBE2T/CDC42/CD276 signaling axis mediates brain metastasis of triple-negative breast cancer via lysosomal autophagy // J. Immunother. Cancer. – 2025. – V. 13 (2). e010782. DOI: 10.1136/jitc-2024-010782
37. Zheng Y., Peng Y. SCGB2A2 as a predictor of prognosis and response to immune-checkpoint blockage in metastatic triple-negative invasive breast cancer // Asian J. Surg. – 2024. – V. 47 (5). – P. 2299–2301. DOI: 10.1016/j.asjsur.2024.01.161
38. Yang Y.S., Ren Y.X., Liu C.L., Hao S., Xu X.E., Jin X. et al. The early-stage triple-negative breast cancer landscape derives a novel prognostic signature and therapeutic target // Breast Cancer Res. Treat. – 2022. – V. 193 (2). – P. 319–330. DOI: 10.1007/s10549-022-06537-z
39. Liu S., Cao X., Li J., Liu J. ZNF503 combined with GATA3 is a prognostic factor in triple-negative breast cancer // Biomarkers. – 2023. – V. 28 (5). – P. 437–447. DOI: 10.1080/1354750X.2023.2201665
40. Dai X., Cheng H., Chen X., Li T., Zhang J., Jin G. et al. FOXA1 is prognostic of triple negative breast cancers by transcriptionally suppressing SOD2 and IL6 // Int. J. Biol. Sci. – 2019. – V. 15 (5). – P. 1030–1041. DOI: 10.7150/ijbs.31009
41. Zhang X., Mu X., Huang O., Wang Z., Chen J., Chen D., Wang G. ZNF703 promotes triple-negative breast cancer cells through cell-cycle signaling and associated with poor prognosis // BMC Cancer. – 2022. – V. 22 (1). – P. 226. DOI: 10.1186/s12885-022-09286-w
42. Malagobadan S., Ho C.S., Nagoor N.H. MicroRNA-6744-5p promotes anoikis in breast cancer and directly targets NAT1 enzyme // Cancer Biol. Med. – 2020. – V. 17 (1). – P. 101–111. DOI: 10.20892/j.issn.2095-3941.2019.0010
43. Wang J., Browne L., Slapetova I., Shang F., Lee K., Lynch J. et al. Multiplexed immunofluorescence identifies high stromal CD68+PD-L1+ macrophages as a predictor of improved survival in triple negative breast cancer // Sci. Rep. – 2021. – V. 11 (1). – P. 21608. DOI: 10.1038/s41598-021-01116-6
44. Mansouri H., Alcaraz L.B., Mollevi C., Mallavialle A., Jacot W., Boissière-Michot F., Simony-Lafontaine J. et al. Co-expression of androgen receptor and cathepsin D defines a triple-negative breast cancer subgroup with poorer overall survival // Cancers (Basel). – 2020. – V. 12 (5). – P. 1244. DOI: 10.3390/cancers12051244
45. Yu L., Yu Q., Xu C., Wang M., Song J., Gao X. The expression of androgen receptor in triple-negative breast cancer and the effect of a traditional Chinese medicine formula on disease-free survival // Gland. Surg. – 2022. – V. 11 (11). – P. 1772–1783. DOI: 10.21037/gs-22-508
46. Ogawa Y., Hai E., Matsumoto K., Ikeda K., Tokunaga S., Nagahara H. et al. Androgen receptor expression in breast cancer: relationship with clinicopathological factors and biomarkers // Int. J. Clin. Oncol. – 2008. – V. 13 (5). – P. 431–435. DOI: 10.1007/s10147-008-0770-6
47. Asano Y., Kashiwagi S., Goto W., Tanaka S., Morisaki T., Takashima T. et al. Expression and clinical significance of androgen receptor in triple-negative breast cancer // Cancers (Basel). – 2017. – V. 9 (1). – P. 4. DOI: 10.3390/cancers9010004
48. Wang C., Pan B., Zhu H., Zhou Y., Mao F., Lin Y. et al. Prognostic value of androgen receptor in triple negative breast cancer: A meta-analysis // Oncotarget. – 2016. – V. 7 (29). – P. 46482–46491. DOI: 10.18632/oncotarget.10208
49. Mangia A., Saponaro C., Vagheggini A., Opinto G., Centonze M., Vicenti C. et al. Should tumor infiltrating lymphocytes, androgen receptor, and FOXA1 expression predict the clinical outcome in triple negative breast cancer patients? // Cancers (Basel). – 2019. – V. 11 (9). – P. 1393. DOI: 10.3390/cancers11091393
50. Kumar U., Ardasheva A., Mahmud Z., Coombes R.C., Yagüe E. FOXA1 is a determinant of drug resistance in breast cancer cells // Breast Cancer Res. Treat. – 2021. – V. 186 (2). – P. 317–326. DOI: 10.1007/s10549-020-06068-5
51. Metovic J., Borella F., D’Alonzo M., Biglia N., Mangherini L., Tampieri C. et al. FOXA1 in breast cancer: a luminal marker with promising prognostic and predictive impact // Cancers (Basel). – 2022. – V. 14 (19). – P. 4699. DOI: 10.3390/cancers14194699
52. Zhuang Y., Li X., Zhan P., Pi G., Wen G. MMP11 promotes the proliferation and progression of breast cancer through stabilizing Smad2 protein // Oncol. Rep. – 2021. – V. 45 (4). – P. 16. DOI: 10.3892/or.2021.7967
53. Cid S., Eiro N., Fernández B., Sánchez R., Andicoechea A., Fernández-Muñiz P.I. et al. Prognostic influence of tumor stroma on breast cancer subtypes // Clin. Breast Cancer. – 2018. – V. 18 (1). – P. e123–e133. DOI: 10.1016/j.clbc.2017.08.008
54. Oshi M., Newman S., Murthy V., Tokumaru Y., Yan L., Matsuyama R. et al. ITPKC as a prognostic and predictive biomarker of neoadjuvant chemotherapy for triple negative breast cancer // Cancers (Basel). – 2020. – V. 12 (10). – P. 2758. DOI: 10.3390/cancers12102758
55. Zilenaite-Petrulaitiene D., Rasmusson A., Valkiuniene R.B., Laurinaviciene A., Petkevicius L., Laurinavicius A. Spatial distributions of CD8 and Ki67 cells in the tumor microenvironment independently predict breast cancer-specific survival in patients with ER+HER2- and triple-negative breast carcinoma // PLoS One. – 2024. – V. 19 (11). e0314364. DOI: 10.1371/journal.pone.0314364
56. Schmidt J., Bosserhoff A.K. Processing of MIA protein during melanoma cell migration // Int. J. Cancer. – 2009. – V. 125 (7). – P. 1587–1594. DOI: 10.1002/ijc.24508
57. Gu Q.H., Li D., Xie Z.H., Shen Q.B. The clinical significance of MIA gene in tumorigenesis of lung cancer // Neoplasma. – 2020. – V. 67 (3). – P. 660–667. DOI: 10.4149/neo_2020_190511N422
58. Farshid G., Armes J., Dessauvagie B., Gilhotra A., Kumar B., Mahajan H. et al. Development and validation of a HER2-low focused immunohistochemical scoring system with high-interobserver concordance: the Australian HER2-low breast cancer concordance study // Mod. Pathol. – 2024. – V. 37 (8). 100535. DOI: 10.1016/j.modpat.2024.100535
59. Barroso-Sousa R., Keenan T.E., Pernas S., Exman P., Jain E., Garrido-Castro A.C. et al. Tumor mutational burden and PTEN alterations as molecular correlates of response to PD-1/L1 blockade in metastatic triple-negative breast cancer // Clin. Cancer Res. – 2020. – V. 26 (11). – P. 2565–2572. DOI: 10.1158/1078-0432.CCR-19-3507
60. Sukumar J., Gast K., Quiroga D., Lustberg M., Williams N. Triple-negative breast cancer: promising prognostic biomarkers currently in development // Expert Rev. Anticancer Ther. – 2021. – V. 21 (2). – P. 135–148. DOI: 10.1080/14737140.2021.1840984