PubMed دسترسی آزاد

A breast tissue-specific epigenetic clock provides accurate chronological age predictions and reveals de-correlation of age and DNA methylation in tumor-adjacent and tumor samples.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

Epigenetic clocks have been widely used to estimate biological age across various tissues, but their accuracy in breast tissue remains suboptimal. Classical models such as Horvath's and Hannum's clocks perform poorly in predicting chronological age in breast tissue, underscoring the need for a tissue-specific approach. In this study, we introduce a Breast Tissue-specific Epigenetic Clock (BTEC), developed using DNA methylation data from 553 healthy breast tissue samples across seven different studies. BTEC significantly outperformed existing clocks, demonstrating superior correlation with chronological age (r = 0.91) and lower prediction errors (MAE = 3.0 y) without requiring dataset-specific regressions adjustments. Notably, BTEC showed consistent performance across ancestry groups, in contrast to existing clocks which exhibited variable ancestry-related biases. We also found that residual-based epigenetic age acceleration, commonly used to correct for prediction bias, is highly dependent on the choice of reference dataset and does not provide a generalizable correction. BTEC's chronological age predictions for tumor-adjacent samples showed distortions, with an average deviation of -2.3 y, which was even more pronounced in tumor samples, where the average difference between predicted and chronological age was -14 to -15 y. When analyzed by molecular subtype, the distortion was greater in the more aggressive HER2+ and TNBC tumors compared to HR+ tumors. Overall, our findings indicate that breast tumors do not generally exhibit accelerated epigenetic aging. The probes used by BTEC were associated with known oncogenes such as JAK1, TP73, PDGFRA, CCND1 and STAT5B, as well as genes involved in cancer-related pathways, including Wnt, Hedgehog and ErbB signaling. Importantly, extreme deviations in epigenetic age, as measured by BTEC-derived epigenetic age acceleration (EAA), were associated with patient survival in HR+ breast cancer patients in an exploratory analysis, highlighting the prognostic value of tissue-specific epigenetic aging measures. These findings demonstrate that BTECs not only improve age prediction in breast tissue but also capture biologically meaningful alterations in tumor epigenetic aging with potential clinical implications.

نتیجه فارسی

این مطالعه یک ساعت اپی‌ژنتیک خاص بافت پستان (BTEC) را توسعه داد که دقت پیش‌بینی سن زمانی را در بافت پستان بهبود می‌بخشد. BTEC عملکرد بهتری نسبت به ساعت‌های کلاسیک داشت و ناهنجاری‌های نژادی را کاهش داد. با این حال، پیش‌بینی‌های آن برای نمونه‌های توموری دچار انحراف شدید شد. تحلیل‌ها نشان داد که سرطان پستان معمولاً شتاب سن اپی‌ژنتیک را نشان نمی‌دهد و شتاب شدید سن اپی‌ژنتیک با بقا در بیماران HR+ مرتبط است.

  • BTEC دقت بهتری در پیش‌بینی سن زمانی نسبت به ساعت‌های موجود در بافت پستان دارد.
  • BTEC عملکرد ثابتی در گروه‌های نژادی نشان داد و ناهنجاری‌های نژادی را کاهش داد.
  • پیش‌بینی‌های سن زمانی BTEC برای نمونه‌های توموری دچار انحراف شدید شد (تا -15 سال).
  • سرطان پستان به طور کلی شتاب سن اپی‌ژنتیک را نشان نمی‌دهد.
  • شتاب شدید سن اپی‌ژنتیک با بقا در بیماران مبتلا به سرطان پستان HR+ مرتبط است.

ترجمه فارسی چکیده

ساعت‌های اپی‌ژنتیک برای تخمین سن زیستی در بافت‌های مختلف استفاده شده‌اند، اما دقت آن‌ها در بافت پستان هنوز بهینه نیست. در این مطالعه، ساعت اپی‌ژنتیک خاص بافت پستان (BTEC) معرفی شد که با استفاده از داده‌های میتیلاسیون دی‌ان‌ای از ۵۵۳ نمونه سالم بافت پستان در هفت مطالعه مختلف توسعه یافت. BTEC عملکرد بهتری نسبت به ساعت‌های موجود نشان داد و همبستگی بهتری با سن زمانی (r = 0.91) و خطای پیش‌بینی کمتری (MAE = 3.0 سال) داشت. BTEC عملکرد ثابتی در گروه‌های نژادی نشان داد، در حالی که ساعت‌های موجود ناهنجاری‌های نژادی متغیری داشتند. همچنین یافت شد که شتاب سن اپی‌ژنتیک مبتنی بر باقی‌مانده، که برای اصلاح سوگیری استفاده می‌شود، به انتخاب مجموعه داده مرجع وابسته است. پیش‌بینی‌های سن زمانی BTEC برای نمونه‌های مجاور تومور دچار انحراف بود (میانگین -2.3 سال) که در نمونه‌های توموری بیشتر شدید بود (تفاوت -14 تا -15 سال). بافت‌های توموری پستان به طور کلی شتاب سن اپی‌ژنتیک نشان ندادند. پروب‌های استفاده شده در BTEC با ژن‌های سرطان‌زا مانند JAK1، TP73، PDGFRA، CCND1 و STAT5B و همچنین مسیرهای مرتبط با سرطان مرتبط بودند. در تحلیل اکتشافی، انحرافات شدید در سن اپی‌ژنتیک با بقا در بیماران مبتلا به سرطان پستان HR+ مرتبط بود.

روش پژوهش

ساعت BTEC با استفاده از داده‌های میتیلاسیون دی‌ان‌ای از ۵۵۳ نمونه سالم بافت پستان در هفت مطالعه مختلف توسعه یافت.

محدودیت‌ها

پیش‌بینی‌های سن زمانی BTEC برای نمونه‌های توموری دچار انحراف شدید شد. شتاب سن اپی‌ژنتیک مبتنی بر باقی‌مانده به انتخاب مجموعه داده مرجع وابسته است.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
نمونه‌های سالم بافت پستان (۵۵۳ نمونه) و نمونه‌های توموری پستان.
مداخله/مواجهه
توسعه ساعت اپی‌ژنتیک خاص بافت پستان (BTEC).
مقایسه
ساعت‌های اپی‌ژنتیک کلاسیک (Horvath و Hannum) و سایر ساعت‌های موجود.
حجم نمونه
۵۵۳ نمونه سالم بافت پستان.

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

Breast cancerDNA methylationagingbreastepigenetic clockstumor-adjacent
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2027

A Straightforward and Reliable Mouse Model of Colorectal Cancer by Orthotopic Transplantation.

Colorectal cancer (CRC) is a major malignancy with significant global implications for human health. The development of a reliable and pathologically relevant orthotopic CRC model is essential for advancing our understanding of its molecular mechanisms and for developing more effective therapeutic interventions. However, the construction of such models is fraught with challenges primarily because of the technical complexities involved …

PubMed2027

A Tissue Explant Model for Colon Cancer.

Colorectal cancer (CRC) remains a leading cause of cancer-related morbidity and mortality worldwide. Recent advancements in cancer research emphasize the importance of personalized medicine, necessitating robust preclinical models that closely mimic the tumor microenvironment. Colorectal cancer organoids have emerged as a pivotal tool in this domain, providing a platform that preserves the cellular heterogeneity and allows high-through…

PubMed2027

AA-Induced Lipid Peroxidation at the Center of Tumor Cell Apoptosis and Ferroptosis.

Polyunsaturated fatty acids (PUFAs), especially gamma-linolenic acid (GLA), arachidonic acid (AA), eicosapentaenoic acid (EPA), and docosahexaenoic acid (DHA), can block HMG-CoA reductase activity and thus decrease cholesterol synthesis/formation. Cholesterol has antioxidant actions and thus reduces the formation of ROS (reactive oxygen species). In contrast, PUFAs augment the generation of ROS. PUFAs undergo peroxidation to form lipid…

PubMed2027

Advanced Image Generation for Cancer and Stem Cell Biology Using Diffusion Models.

Deep learning has transformed medical image analysis, but progress in cancer and stem cell applications is often constrained by limited access to large, diverse, well-annotated imaging datasets. This bottleneck is especially acute for studies of tumor heterogeneity and cancer stem cell (CSC) biology, where rare phenotypes and dynamic cell-state transitions-frequently linked to stemness-associated transcriptional programs (e.g., OCT4, S…