artikel

Metabolomi Plasma Manusia untuk Penemuan Biomarker:

Menargetkan Subtipe Molekuler pada Kanker Payudara
1.† 1.†
Leticia Díaz-Beltrán , Carmen González-Olmedo , Natalia Luque-Caro 1,Caridad Díaz 2,* ,
Ariadna Martín-Blázquez 2,Mónica Fernández-Navarro 1, Ana LauraOrtega-Granados 1,
Fernando Gálvez-Montosa 1,Francisca Vicente 2 , José Pérez del Palacio 2 dan Pedro Sánchez-Rovira 1,*
andalucia.es (N.L.-C.); musikafn@gmail.com (M.F.-N.); analaura.ortega.sspa@juntadeandalucia.es (A.L.O.-
G.); fernando.galvez.sspa@juntadeandalucia.es (F.G.-M.)
2
Fundación MEDINA, Centro de Excelencia en Investigación de Medicamentos Innovadores en
Kutipan: Díaz-Beltrán,L.; Andalucía,
González-Olmedo, C.; Luque-Caro, 18016 Granada, Andalucía, Spanyol; ariadna.martin@medinaandalucia.es (A.M.-B.);
francisca.vicente@medinaandalucia.es (F.V.); jose.perezdelpalacio@medinaandalucia.es(J.P.d.P.P.)
N.; Díaz, C.; Martín-Blázquez, A.;
* Korespondensi: caridad.diaz@medinaandalucia.es (C.D.); pedro.sanchez.rovira.sspa@juntadeandalucía.es
Fernández-Navarro, M.;
atau oncogestionhj@gmail.com (P.S.-R.); Tel.: +34-958-993-965 (C.D.); +34-953-220-306 (P.S.-R.) † Penulis ini
Ortega-Granados, A.L.;
berkontribusi sama pada pekerjaan ini.
Gálvez-Montosa,F.; Vicente, F.;
Pérez del Palacio, J.; dkk. manusia
Metabolomi Plasma untuk Ringkasan Sederhana: Kanker payudara adalah penyebab utama kematian terkait kanker wanita
Biomarker di seluruh dunia. Teknologi baru dengan sensitivitas dan kekhususan yang ditingkatkan untuk
Penemuan: Menargetkan Subtipe diagnosis dini dan pemantauan yang disesuaikan sangat diminati. Dengan demikian, metabolomis
Molekuler pada Kanker Payudara. tampaknya menjadi alat yang berkembang untuk mendeteksi perbedaan molekul antara
Kanker kelompok yang berbeda. Dalam hal ini, pendekatan analitik yang tidak ditarget digunakan
2021, 13, 147. https://doi.org/ untuk mengidentifikasi perbedaan metabolisme antara subtipe molekul kanker payudara
10.3390/kanker13010147 dibandingkan dengan kontrol yang cocok sehat. Jejak kaki untuk setiap subtipe kanker payudara
menyediakan kapasitas diagnostik dengan area di bawah kurva karakteristik operasi penerima di
Diterima: 7 Desember 2020 atas 0,85, yang menunjukkan bahwa hasil kami dapat mewakili kemajuan besar menuju
Diterima: 31 Desember 2020
peningkatan obat yang dipersonalisasi dan terapi yang ditargetkan terlebih dahulu untuk
Diterbitkan: 5 Januari 2021
berbagaifenotipe kanker payudara. Untuk memvalidasi profil molekul ini sebagai strategi
terapeutik potensial untuk subtipe kanker payudara yang berbeda, analisis lebih lanjut dan kohort
Catatan Penerbit: MDPI tetap netral
yang lebih besar akan diperlukan dalam waktu dekat.
sehubungan dengan klaim yurisdiksi

dalam peta yang diterbitkan dan Abstrak: Tujuan: Tujuan penelitian ini adalah untuk mengidentifikasi tanda tangan metabolomis
afiliasi institusional. diferensial dalam sampel plasma dari subtipe pasien kanker payudara yang berbeda yang dapat
digunakan dalam praktik klinis sebagai biomarker diagnostik untuk fenotipe molekuler ini d untuk
memberikan prosedur terapiyang lebih individual dan akurat. Metode: Pendekatan
Hak Cipta: © 2021 oleh penulis. metabolomik LC-HRMS yang tidak tertarget dalam mode ionisasi elektrospray positif dan negatif
Pemegang lisensi MDPI, Basel, digunakan untuk menganalisis sampel plasma dari LA, LB, HER2 + dan TN kanker payudara
Swiss. Artikel ini adalah artikel akses patients dan kontrol sehatuntuk menentukan profil metabolisme tertentu melalui analisis
terbuka yang didistribusikan data statistik univariat dan multivariat. Hasil: Kami secara tentatif mengidentifikasi metabolit yang
berdasarkan syarat dan ketentuan
diubah yang menampilkan variasi konsentrasi di antara empat subtipemolekulcanc er
lisensi Creative Commons
payudara. Kami menemukan panel biomarker dari 5 kandidat di LA, 7 di LB, 5 di HER2 dan 3 di TN
Attribution (CC BY) (https://
yang mampu mendiskriminasi setiap subtipe kanker payudara dengan rentang penemuan palsu
creativecommons.org/licenses/by/
4.0/). yang dikoreksi p-value < 0,05 dan nilai cutoff perubahan lipat > 1,3. Nilai klinismodel The
1
Unit Onkologi Medis, dievaluasi dengan AUROC, menyediakan kapasitas diagnostik di atas 0,85. Kesimpulan: Studi kami
Universitas Hospital dari mengidentifikasi perbedaan profil metabolisme dalam fenotipe molekul kanker payudara. Ini
Jaén, 23007 Jaén, mungkin mewakili langkah kunci menuju terapi meningkatkan ementdalam kedokteran yang
Andalucía, Spanyol; dipersonalisasi dan prioritas strategi intervensi terapeutik yang disesuaikan.
leticia.diaz@juntadeandalu
cia.es (L.D.-B.);
carmengo.92@gmail.com
Kata kunci: metabolomi plasma manusia; kanker payudara; subtipe molekul; profil metabolisme;
(C.G.-O.); obat yang dipersonalisasi
natalia.luque.sspa@juntade

Kanker 2021, 13, 147. https://doi.org/10.3390/cancers13010147 https://www.mdpi.com/journal/cancers

Kanker 2021, 13, 147 2 arab 22
1. Pendahuluan

Kanker payudara (SM) saat ini adalah keganasan yang paling umum pada wanita,
baik di negara maju maupun yang kurang maju, dan penyebab utama kematian terkait
kanker di antara wanita di seluruh dunia, dengan tingkat insiden yang tinggi [1,2].
Setiap subtipe kanker payudara ditandai dengan fitur molekul intrinsiks dan lesi
metastatik, dan heterogenitas alami mereka mengarah pada keragaman tinggi dalam
prognosis dan respons klinis untuk perawatan medis yang tersedia, bahkan untuk
pasien dengan diagnosis serupa, histologi dan stadium penyakit [3-9].
Oleh karena itu, menentukan subtipe molekul kanker payudara menjadi penting
untuk pengobatan yang dipersonalisasi. Bahkan, ada bukti yang melaporkan bahwa
pasien yang menerima terapi molekuler memiliki tingkat respons keseluruhan yang
meningkat,periode waktu yang lebih lama untuk kegagalan pengobatan tingkat
kelangsungan hidup yang lebih lama dibandingkan dengan pasien dengan terapi yang
tidak cocok [3,9]. Prosedur biopsi berturut-turut dan analisis histopathological
berikutnya biasanya digunakan untuk mempelajari informasi molekuler dan genetik
dari sel tumor untuk mendiagnosisSM d ke dalamsubtipe. Teknik analitis ini invasif
dan memakan waktu[3]. Dengan demikian, metode analitik non-invasif, cepat, masuk
akal dan tepat untuk perbedaan subtipe SM yang berbeda sangat diminati [10,11].
Dalam pengertian ini, metabolomik telah dengan cepat muncul sebagai
pendekatan baru di bidang biomarker kanker untuk mengatasi keterbatasan teknik
diagnostik standar saat ini [12]. Area penelitian yang berkembang ini memberikan
potret dinamisdari statusetabolik m keseluruhan individu, menilai produk akhir dari
segudang proses molekul intrinsik dan jalur antarseluler yang dapat diubah sebagai
respons terhadap faktor genetik, patologis dan /atau lingkungan[3,13]. Oleh karena
itu, produkakhir dari beragam proses bio logis yang dikenal sebagai metabolit
dapat dianalisis dari teknologi penyaringan throughput tinggi seperti resonansi
magnetik nuklir (NMR) dan spektrometri massa (MS) memungkinkan penemuan jalur
yang diubah yang dapat memberi kita wawasan baru tentang metabolisme d
disregulasidalam perkembangan dan perkembangan tumor. Oleh karena itu,
metabolit yang diubah yang mencerminkan perubahan patok fisiologis ini mungkin
dianggap sebagai target terapeutik baru yang potensial untuk diagnosis kanker
payudara, prognosis, kekambuhanawal dan kemanjuran obat [14-16].
Beberapa penelitian telah dilakukan untuk mengeksplorasi kemungkinan
menggunakan panel metabolit sebagai biomarker untuk diagnosis dini, karakterisasi
tumor dan prediksi hasil klinis [3,14-20]. Cairan tubuh manusia seperti air liur, urin,
serum dan plasma telah ditemukan kembali sebagai sumber besar penanda biologis
potensial, dan karenanya dianalisis dalam pencarian profil metabolisme yang
mungkin mewakili disregulasi metabolisme sistemik pada pasien kanker payudara [19-
23]. Namun, hingga hari ini, upaya untuk membuktikan penanda yang sangat akurat
atau target yang terbukti untuk perawatan terapeutik yang disesuaikan belum
memberikanhasil yang diharapkan [24-28] karenatingginya heterogenitas yang
ditampilkan oleh kanker payudara, dari histologi hingga prognosis,urrence rekreasi
awal, risiko perkembangan metastatik atau respons terhadap pengobatan dan
tingkat kelangsungan hidup [29].
Dengan tujuan ini terlihat, kami mengeksplorasi apakah metabolomik mampu
memberikan diagnosis patologis yang akurat, klasifikasi fenotipik dan tindak lanjut
yang disesuaikan dari individu dengan keganasan ini. Pendekatan metabolisme tanpa
penargetan throughput tinggi digunakan untukmengidentifikasi kapasitas profil
metabolisme yang berbeda untuk memprediksi berbagai subtipe SM. Berdasarkan
studi metabolomi berbasis kromatografi cair (HPLC/Q-TOF 5600), kami mengusulkan
dan menguji gagasan bahwa perwakilan sifat sig metabolisme diferensial dari
subtipe kanker payudara yang berbeda ada, dan pada akhirnya dapat dideteksi dalam
plasma individu dengan penyakit ini.

2. Hasil
Kanker 2021, 13, 147 3 arab 22
2.1. Karakteristik Pasien

Untuk menghindari efek variabel yang berpotensi membingungkan seperti usia

dan Indeks Massa Tubuh (IMT), homogenitas kelompok SM dan subjek HC yang sesuai
dievaluasi. Distribusi normalitas diperiksa dengan tes normalitas Shapiro-Wilk dan
kesetaraan varians kedua kelompok studi dipelajari dengan te st Levene ketika sesuai.
Akhirnya, tes t yang sesuai diterapkan tanpa perbedaan signifikan yang diamati dalam
hal apapun.

2.2. Analisis LC-HRMS

Empat analisis spektrometri massa resolusi tinggi kromatografi cair (LC-HRMS)
yang berbeda dilakukan untuk mode ionisasi each, untuk menentukan perbedaan
molekul antara subtipe utama kanker payudara (luminal A (LA), luminal B (LB), triple
negative (TN) dan reseptor faktor pertumbuhan manusia 2 positif (HER2) dan
kelompok kontrol sehat (HC) Kolom fase terbalik (RP) direkomendasikanuntuk
pemisahan metabolit sedang-kutub (seperti fosfosfopid, lysophospholipids atau
steroid) dan metabolit non-kutub. Total kromatogram ion (IC) dalam mode ionisasi
elektrospray positif (ESI+) adalah howndi Gambar 1, di mana perbedaan yang jelas
diamati antara subtipe SM dan kelompok HC yang sesuai dengan fitur diskriminatif
paling signifikan yang terdeteksi: metabolit yang sangat kutub yang ditinggikan dalam
subtipe SM dan kelompok HC yang sesuai dengan fitur diskriminatif paling signifikan
yang terdeteksi: metabolit yang sangat kutub yang ditinggikan dalam pertama 3 menit
(Gambar 1a,c); metabolit kutub sedang found untuk menghindari dari 8,5 hingga 12,5
menit (Gambar 1a,b,d); metabolit non-kutub tidak ditemukan dalam pekerjaan kami
menjadi diskriminatif setelah semua analisis statistik.

Gambar 1. Perwakilan RPLC-ESI +-HRMS IC dari sampel LA_BC (biru muda) (a), HER2_BC (oranye) (b), TN_BC (kuning) (c)
danLB_BC (merah muda) (d) dibandingkan dengan sampel HC (hijau). Perbedaan luar biasa diamati antara sampel SM dan
HC.

2.3. Analisis Chemometric

Matriks data yang berbeda diperoleh tergantung pada mode ionisasi dan
sekumpulan subtipe molekul SM yang dianalisis. Jendela waktu penyimpanan (RT) dan
toleransi massa ditentukan untuk setiap set yang dianalisis berdasarkan data puncak
kromatografi yang dipilih. Setelah pemilihan monoisotopik, kontaminan dihapus
Kanker 2021, 13, 147 4 arab 22
berdasarkan filtrasi pelarut organik (OS) dan beberapa fitur yang disajikan dalam

sampel kontrol kualitas (QC) dikecualikan untuk variabilitas yang tidak dapat diterima
(penyimpangan standar relatif > 30%). Variabel tetapg dievaluasi oleh analisis statistik
multivariat (Tabel S1). Pengelompokan dekat sampel QC pada Gambar 2
menunjukkan bahwa pemisahan yang diamati antara kelompok studi yang sesuai
terutama karena alasan biologis di ESI−. Uthormenemukan bahwa PC1 dan PC2
menjelaskan 54,6%, 47,9%, 40,5% dan 39% dari total varians di LA, HER2, TN,
LB dalam analisis modeESI − masing-masing. Varians yang diperoleh dengan PC1 dan
PC2 masing-masing sebesar 42,5%, 40,5%, 44,8% dan 43% di LA, HER2, TN, LB dalam
analisis mode ESI+. Plot skor analisis komponen utama (PCA) tanpa pengawasan yang
diperoleh ESI+ ditampilkan dalam Gambar S1. Plot skor dari model analisis diskriminan
kuadrat parsial (PLS-DA) menggambarkan pemisahan yang ditandai antara kelompok
HC dan subtipe molekul SM oleh mode ESI (Gambar 3 dan Gambar S2); "kebaikan"
dari model PLS-DA, diukur oleh R 2 dan Q2, menunjukkan bahwa tidak ada over-fitting
yang diamati dan, akibatnya, model-model ini diakui untuk keberhasilan membedakan
pasienHC ween dan subtipe molekul LA, LB, TN dan HER2 BC [30] (Tabel S1). Sinyal
dengan rentang penemuan palsu (FDR) yang dikoreksi p-values < 0,05 dipilih sebagai
metabolit yang diubah; yang memiliki nilai perubahan lipat (FC) setidaknya 1,3 di
antara kelompok study dipilih sebagaibiomarker potensial (BM) untuk diidentifikasi.

Gambar 2. Plot skor 2D dari PCA grup HC (hijau) dan LA_BC (biru muda) (biru muda) yang tidak diawasi (a), HER2_BC
(oranye) (b),TN_BC (kuning) (c) dan pasienLB_BC (merah muda) (d) olehESI− menunjukkan bahwa pemisahan
yang diamati antara kelompok-kelompok itu karena alasan biologis sesuai dengan pengelompokan dekat
dari sampel QC (biru tua).
Kanker 2021, 13, 147 5 arab 22

Gambar 3. Plot skor 2D dari PLS-DA yang diawasi dari kelompok HC (hijau) dan LA_BC (light blue) (a), HER2_BC(oranye)
(b),TN_BC (kuning) (c) danLB_BC (merah muda) (d) pasien olehESI-menentukanpemisahan terutama antara subtipe
molekul SM dan kontrol yang cocok.

2.4. Profil Metabolomis Diferensial

Identifikasi tentatif dariandidates akhir c dicapai karena sebelumnya
dilaporkan oleh klasifikasi Schymansky. Semua metabolit yang diidentifikasi
diklasifikasikan pada level 1 dan 2, oleh karena itu, identitas atau struktur
kemungkinan mereka dikonfirmasi [31,32]. Oleh karena itu, 5 metabolit
didefinisikan untuk fenotipe LA, 7 untuk LB, 5 untuk HER2 dan 3 untuk TN (Tabel 1).
Sisa metabolit (Tabel S2) memenuhi kriteria yang ditetapkan untuk biomarker
potensial SM, meskipun mereka tidak dapat diidentifikasi karena pola MS / MS
mereka, yang tidak cocok dengan kueri database majemuk yang dicari (Metlin ,
DatabaseMetabolome Manusia, Peta Lipid, PubChem, MassBank dan NIST) atau
standar komersial yang digunakan. Ini kemungkinan akan terjadi karena bagian
utamadari identitas quer ies milik keluarga molekul serupa yang
perbedaanspektra MS / MS virtualnya perlu diklarifikasi, atau karena beberapa sinyal
belum ditemukan.
Kanker 2021, 13, 147

6 dari 18

Meja 1. Diferensial mengidentifikasi metabolit dari pes subtymolekuler di SM.

Subtipe ID Tentatif m/ Rt Kesalahan Massa (ppm) p (FDR) FC * Tamb rumus
Molekul z (BC/HC) ah kimia
SM
ESI+
LysoPE(18:2) 478. 11.3 −2,5 1.67 0.6008 [ C23H44
LysoPE(18:1(11Z/9Z)) 2916 4 4.8 0× 0.6303 M NO7P
LysoPE(18:1(11Z/9Z)) 480. 12.1 −2,5 − 0.4713 + C23H46
10 8
3108 5 5.36 H] NO7P
480.3 12.4 5× [ C23H46
073 7 10−3 M NO7P
9.05 +
H]
8×
− [M+H
10 10
Lb. ]
LysoPC(20:3) 546.3 12.1 −2,7 2.21 0.7303 [M+H C28H52
539 6 4× ] NO7P
−
10 2
Biliverdin 583.2 8.95 2.6 7.39 1.5681 [M+H C33H34
566 0× ] N4O6
10−9
1 188.0 3.73 0.5 2.50 0.6362 [M+H- C11H12
707 3× NH3] N2O2
−
10 2
LysoPC(14:0) 468.3 9.66 −0,2 3.74 0.5849 [M+H C22H46
084 5× ] NO7P
10−2
LysoPE(18:1(11Z)/9Z) 480.3 12.3 6.19 0.6407 [M+H C23H46
109 1 2× ] NO7P
−
10 3

LysoPC(0:0/16:0) 496.3 11.7 2.6 6.39 0.6701 [M+H C24H50

411 1 6× ] NO7P
Kanker 2021, 13, 147

10−6
Biliverdin 583.2 8.65 −4,5 2.06 1.62655 [M+H C33H34
525 21 × 79 ] N4O6
−
10 6
L-Triptofan 1 188.0 3.4 2.1 4.15 0.6259 [M+H- C11H12
LysoPC(16:0/0:0) 702 10.0 1.3 3× 11 NH3] N2O2
518.3 7 10−2 0.52896 Aku C24H50
224 0.03 69 tidak NO7P
043 tahua
Tn
pa
yang
harus
kulak
ukan.
ESI−
5.42
452.2 7× [M-H- C21H44
Lb. LysoPE(16:0) 796 5.71 2.9 10−14 0.5342 H2O] NO7P
LysoPE(18:2) 476.2 5.59 4.4 1.30 0.5498 Apa C23H44
804 4× yang NO7P
− kauk
10 8
an di
sini?
L-Triptofan 2 203.0 1.27 −1 1.63 0.6543 Apa C11H12
Asam 824 7× yang N2O2
3.24 −0,4 0.5646
glisikok 448.3 10−2 kauk
C18H3
sikolat an di
3
066 2.86 4O4
sini?
1×
− Apa
10 2
yang
kauk
an di
La. sini?
LysoPE(18:2) 476.2 5 −3,6 3.48 0.6711 Apa C23H44
766 9× yang NO7P
− kauk
10 2
an di
sini?
H L-Triptofan 2 203.0 1 4.9 7.53 0. Apa C11H12
Kanker 2021, 13, 147

LysoPE(18:2) 836 7.8 6× 6 yang N2O2

E −
514.2 5 10 5 7 kauk C23H44
R
381 . 3.40 4 an di NO7P
2
5 3× 4 sini?
(
0. [M+K-
H 10−4
6 2H]
E
4
R
0
2)
8
Tn LysoPE(18:1(11Z)/9Z) 957.5 5.86 2.6 0.02 0.44077 [2M- C23H46
976 7908 72 H] NO7P
Fitur yang signifikan secara statistik (FDR < 0,05 dan FC > 1,3) dengan identifikasi tentatif berdasarkan massa akurat mereka (m / z), pola MS / MS atau perbandingan dengan standar komersial 1,2,3, dipilih
untuk membuat model multivariat yang diusulkan. * Perubahan lipat (FC) yang dinyatakan sebagai rasio dua rata-rata (BC/ HC); SM bervariasi tergantung pada subtipe molekul. SM: kanker payudara; HC: kontrol yang sehat; LA:
luminal A; LB: luminal B; HER2: overexpressing faktor pertumbuhan epidermal manusia 2; Tn: tiga kali lipat negatif.
Kanker 2021, 13, 147 9 arab 22

Dengan demikian, RT dan MS / MS spektra dari L-Triptofan dan asam Glycoursodeoxycholic

(GUDCA) dapat dibandingkan dengan standar komersial mereka dalam kondisi analitik yang
sama (Gambar 4a,b dan Gambar S3). Pola eksperimental metabolit ini cocok dengan standar
mereka sehingga identitas tentatif dapat dikonfirmasi.

Gambar 4. Spektra MS/MS karakteristik m/z 188.0707 dalam sampel biologis (hijau) (a.1) dan standar L-Triptofan pada 3,73 menit
di ESI + (biru) (a.1 )2) dan m/z 203.0824 pada 1,27 menit dalam sampel biologis (hijau) (b.1) dan standar L-Triptofan di ESI − (biru)
(b.2). Spektra MS/MS mengungkapkan pola fragmentasi karakteristik L-Triptofan baik di ESI+ maupun ESI −.
Kanker 2021, 13, 147 10 arab 22

2.5. Evaluasi Biomarker dan Pembuatan Model

Kemampuan diagnostik kandidat fied identifikasi tentatifakhir dievaluasi dengan analisis
multivariate receiver-operating characteristic (ROC). Dalam hal ini, kami menerapkan model PLS-
DA untuk menggabungkan serangkaian biomarker kami untuk mendapatkan area di bawah
kurva (AUC), yang merupakan ukuran seberapa baik parameter dapat membedakan antara dua
kelompok diagnostik. Nilai AUC yang diperoleh untuk setiap set metabolit (Tabel 1)
untukmendiskriminasi antara pasien sehat dan subtipe kanker payudara masing-masing adalah
0,870, 0,919, 0,961 dan 0,954 di LA, HER2+, TN dan LB. Kinerja model biomarker ini dievaluasi
menggunakan prosedur validasi silang Monte Carlo yang seimbang. Meskipun model mungkin
membaik ketika menambahkan lebih banyak biomarker potensial yang diusulkan dalam
pekerjaan kami (Table S2), fitur-fitur ini tidak memiliki ID struktur e reliabl karena mereka
hanya dapat diidentifikasioleh m / z dan RT mereka. Oleh karena itu, kami lebih suka
menggunakan metabolit tersebut berdasarkan nilai P yang dikoreksi FDR < 0,05, nilai FC > 1,3
dan identifikasi tentatif dengan klasifikasi tingkat 1 atau 2 oleh Schymansky (Tabel 1). Hasil
yang diperoleh untuk potensi diagnostik biomarker yang dipilih dirangkum dalam Gambar 5 dan
Tabel 2.

Gambar 5. Kurva ROC untuk model biomarker gabungan dalam LA_BC (a),HER2_BC (b), TN_BC(c) danLB_BC (d)oleh ESI + dan ESI−;
100 validasi silang dilakukan, dan hasilnya rata-rata menghasilkan plot.

Perangkat lunak Server Web MetaboAnalyst 4.0 (Wishart Research Group di University of
Alberta, Alberta, Kanada) memberikan rata-rata probabilitas kelas yang diprediksi dari setiap
sampel dalam 100 validasi silang. Matriks kebingungan LA_BC mengungkapkan 14 SM dan 16
sampel HC diklasifikasikan dengan benar. Bersamaan dengan itu, 26 HER2_BC sampel
Kanker 2021, 13, 147 11 arab 22

diklasifikasikan dengan benar, sedangkan 28 sampel didistribusikan dengan benar dalam

kelompok HC. Selain TN_BC samples 13 SM dan 11 sampel HC diklasifikasikan dengan benar;
sementara 50 SM dan 54 sampel HC ditetapkan dengan benar LB_BC subtipe molekul.

Meja 2. Skor AUC dari biomarker terpilih (BM) untuk model yang diusulkan dan matriks kebingungan
subtipe SM.
Subtipe Molekul SM Bm Auc 95% CI Matriks Kebingungan
Sm Hc
La. 5 0.87 0.651–0.992 14/20 16/21
HER2 (HER2) 5 0.919 0.819–0.985 26/31 28/34
Tn 3 0.961 0.8–1 13/15 14/15
Lb. 7 0.954 0.886–0.995 50/56 54/62
2.6. Analisis Jalur
Kami telah menemukan satu set biomarker, yang mampu mendiskriminasi setiap subtipe
kanker payudara secara signifikan. Pendanaan pertama ini untuk membedakan pada tingkat
molekuler menggunakan metabolomi yang tidak tertarget dapat meningkatkan pengobatan
kanker payudara dan bergerak menuju prioritas obat yang dipersonalisasi dan strategi intervensi
terapeutik yang disesuaikan.
Menurut metabolit yang diatur secara tentatif diidentifikasi dalam setiap subtipe molekul
SM oleh ESI + dan ESI −, kami menentukan jalur perubahan utama yang terlibat dalam empat
subtipe yang berbeda. Hasilnya diperoleh dengan menganalisis hasil di ESI+ dan
ESI−,diferensiasi oleh fenotipe. Dengan demikian, analisis jalur mengungkapkan bahwa
metabolisme porfirin dan klorofil, metabolisme gllycerophospholipid, metabolisme
triptofansebuah biosintesis aminoacyl-tRNA tampaknya diubah (Tabel S3). Jalur yang signifikan
secara statistik (p < 0,05) diperlihatkan dalam Tabel 3.

Meja 3. Jalur yang diubah terkait dengan subtipe molekul SM oleh ESI+ dan ESI −.
Jalur yang Diubah Subtipe Molekul SM p-Nilai
Porfirin dan metabolisme klorofil LB dan HER2 0.038347
Metabolisme Glycerophospholipid LA, LB, TN dan HER2 0.045927
Analisis Jalur menggunakan perangkat lunak Server Web MetaboAnalyst 4.0
mengungkapkan dua jalur disregulasi yang signifikan secara statistik(nilai p < 0,05) pada
subtipe molekul kanker payudara.

3. Diskusi
Munculnya teknik –omics secara substansial mempercepat prediktif, pencegahan, dan
pengobatan yang dipersonalisasi. Urutan generasi berikutnya (NGS), genomik dan transkripomik
memberikan pemahaman yang lebih baik tentang arsitektur genomik kanker dan memungkinkan
penemuan gen yang diekspresikansecara berbeda yang mendorong dan m aintain
tumorigenesis. Profil genomik telah menghasilkan biomarker potensial yang relevan secara klinis
untuk diagnosis dini kanker payudara, tetapi platform analitik ini memiliki beberapa kelemahan,
seperti panjang baca yang lebih pendek yang menantang keselarasan genom dan assemble, cara
menavigasi melalui mega-dataset dan, selain itu, biaya mereka masih tinggi dibandingkan
dengan teknik lain. Berbeda dengan panel gen yang ditemukan oleh teknik lain, metabolit lebih
dekat ke fenotipe organisme daripada gen dan protein, sehingga metabolom dapat menjadi titik
konvergensi untuk variasi genetik yang mempengaruhi sifat-sifat kompleks, dan dapat secara
efisien memperkuat mekanisme yang mendasari variasi fenotipik. Dengan demikian, pembuatan
profil metabolomik dianggap sebagai metode yang relatif lebih ra pid, akurat dan non-invasif
untuk menemukan biomarker diagnostik dan prognostik. Dalam pekerjaan ini, kami menerapkan
pendekatan metabolomik throughput tinggi yang tidak tertarget untuk membandingkan
perubahan profil metabolisme plasma yang terkait dengan subtipe molekul SM yang berbeda
Kanker 2021, 13, 147 12 arab 22

(LA, LB, TN dan HER2) versus kontrol yang sehat. Dengan menggunakan RPLC-HRMS dalam mode
ESI+dan ESI−, kami dapat mendeteksi perbedaan yang signifikan secara statistik dalam
metabolit tertentu dengan kapasitas diagnostik tinggi dalam empat fenotipe SM yang
berbeda, yang terlibat dalam jalur terkait kanker biologis yang relevan seperti: metabolisme
gllycerophospholipid, porfirin dan metabolisme klorofil, metabolisme triptofan dan metabolisme
aminoacyl-tRNA
Otto Warbug menjelaskan dengan sangat rinci bagaimana sel kanker increa se
konsumsiglukosa mereka sebagai sumber bahan bakar untuk mendukung proses anabolik yang
mempromosikan proliferasi mereka yang tidak terkontrol. Tidak hanya temuan Warburg yang
dikonfirmasi, tetapi jalur katabolik lainnya telah menunjukkan peran mendasar mereka dalam
perkembangan kanker [33,34]. Temuan kami sesuai dengan kebutuhan penting untuk
meningkatkan pasokan energi dalam pertumbuhan sel kanker payudara dan proliferasi.
Menariknya, penurunan konsentrasi L-Triptofan (Trp) yang signifikan diamati diplasmaLA, TN
dan subtipe molekuler HER2 SM dibandingkan dengan kontrol sehat (FDR terkoreksi nilai p <
0,05, FC < 0,6). Triptofan menurun dalam plasma dan serum pasien SM juga telah dilaporkan
dalam beberapa penelitian [35-38]. Meskipun peran Trp katabolisme dalam proliferasi tumor
masih belum jelas, ia telah ditemukan secara tidak langsung mempromosikan degradasi matriks
ekstraseluler dan invasi pada sel kanker [39]. Dua enzim utama menganalalisis triptofan
menjadi metabolit jalur kynurenine (Kyn): triptofan-degrading dioxygenases indoleamine-
2,3dioxygenase (IDO1) dan triptofan-2,3-dioxygenase (TDO2) [40,41]. Kyn mengaktifkan
reseptor hidrokarbon aryl (AhR)yang berkontribusi pada pelarian kekebalan kanker karena
mempromosikan mikroenvironmen tumor imunosupresif dengan peningkatan IL-10, sel Treg
dan menekan sel aktivasikekebalan tubuh[42 ]. Oleh karena itu, pada kanker dengan
overexpression IDO1/TDO2, peningkatan katabolisme Trp dapat menyebabkan menipisnya
konsentrasi serumnya danlation accumu metabolit Kyn, yang meningkatkan skenario
kanker [43-46]. Namun demikian, hingga saat ini tidak ada inhibitor IDO1/TDO2 yang saat ini
disetujui oleh Us Food and Drug Administration. Uji klinis terbaru yang menerbitkan efek
IDO1/TDO2 padahibitor, Indoximod (D-1MT/NLG-8189), tidak menunjukkan manfaat klinis
pada pasien SM metastatik ketika dikombinasikan dengan kemoterapi taxane [47]. Bahkan,
banyak penelitian lebih lanjut diperlukan untuk menjamin kemanjuran inhibitor ini dalam praktik
klinis [48].
Pemrograman ulang metabolisme lipid adalah ciri khas dari banyak kanker, termasuk
kanker payudara. Beberapa lipoid diidentifikasi diubah secara berbeda dalam subtipe molekul
LA, LB, TN dan HER2 ketika dibandingkan dengan kontrol yang sehat, yang
menekankanpentingnya menyelidiki perbedaan metabolisme lipid pada kanker payudara.
Fosfolipid adalah komponen utama membran sel, mereka memainkan peran utama dalam sinyal
sel dan pengaturan siklus dan merupakan sumber asam lemak (FA) yang oksidatif metabolism
dan produksi ATP sangat penting, tidak hanya dalam sel normal tetapi juga dalam fungsi kanker
[49]. Secara khusus, penurunan konsentrasi plasma fosforetanolamines (LysoPE (16:0), (18:1),
(18:2) FDR < 0,05 dan perubahan lipat < 0,6) dan fosfocholines (LysoPC (14:0), (16:0), (20:3) FDR
< 0,05 dan perubahan lipat < 0,7) diamati. Temuan kami sejalan dengan perbedaan yang sudah
disarankan dalam dinamika membran di seluruh subtipe molekul kanker payudara, di mana
konstituen rantai acyl PC dan PE ditiduri oleh aksi fosfosfat dan lysohpospholipid
acyltransferases dengan pengiriman molekul asam lemak untuk keperluan struktural,
sinyal,danenergi-menghasilkan sel kanker payudara [ 50]. Namun, sesuai dengan penelitian lain,
sel kanker payudara beradaptasi dengan stres metabolisme dalam kondisi eksperimental yang
diberikan (kekurangan glutamin atau kekurangan serum), dengan mengubah homeostasis PE
dan DAG. Dalam kedua kasus, akumulasi fosforetanolamine (PEtn) diamati pada sel kanker
payudarawith mengurangi ekspresi PCYT2, menunjukkan perkembangan tumor sebagai
respons terhadap perampasan glutamin [51,52]. Selain itu, sesuai dengan studi prospektif
Kanker 2021, 13, 147 13 arab 22

baru-baru ini di mana 1624 kasus kanker payudara invasif insiden primer pertama dibandingkan
oleh fenotipe molekuler mereka dengan 1624 kontrol yang cocok, sebuah fosforilkolin (LysoPC
(20:3)) ditemukan memiliki asosiasi tive nega dengan risiko kanker payudara seperti yang
kamitemukan dalam analisis kami [53]. Biomarker ini mungkin membuka kemungkinan
mengidentifikasi prognosis miskin awal serta mendeteksi penyakit sisa setelah pengobatan
neoadjuvant (NAT).
Selain itu, hanya dua metabolit yang tidak terkait yang ditemukan secara berbeda
dinyatakan dalam kondisi eksperimental kami dalam subtipe molekul luminal A, luminal B dan
HER2: biliverdin dan asam gllycoursodeoxycholic. Tingkat tinggi biliverdin (FDR < 0,05 dan FC >
1,5) terdeteksid dalam plasma pasien kanker luminal B dan HER2. Meskipun biliverdin (BV) dan
bilirubin katabolitnya (BR) adalah molekul non-beracun yang, dalam kebanyakan kondisi,
bertindak sebagai anti-oksidan dengan memulung atau menetralisir spesies oksigen reaktif
(ROS) [54], they jugamerupakan aktivator endogen reseptor hidrokarbon aromatik [reseptor
hidrokarbon amilis Jadi, kenaikan BV dalam plasma pasien kanker LB dan HER2 akan
menyarankan implikasinya dalam sinyal dan ekspresi gen yang terkait dengan sel growth
dan perkembangan kanker baik oleh peningkatan konsentrasi plasma, pengaturan atas
heme oksigenase-1 (HO-1) atau disregulasi enzim katabol biliverdin reductase (BLVR-A atau
BLVR-B) [56 -56 -8
Selain itu, tidak banyak penelitian yang memiliki ctkebuntuan pada pemahaman kita
tentang bagaimana pola asam empedu berbeda dalam subtipe SM sampai sekarang. Meskipun
pengaruh asam empedu pada perkembangan sel kanker payudara dan fungsi reseptor
estrogen telah disarankan[59],baik efek pro dan anti-proliferatif asam empedu dalam model
sel kanker payudara yang berbeda telah ditentukan. Konsentrasi asam deokskolat plasma (DA)
ditemukan lebih tinggi pada pasien kanker payudara daripada dalam kontrol tanpa
mempertimbangkan perbedaan molekul SM [60], sementara deoxycholate (DC) menghambat
luminal manusia Sebuah sel payudara garis proliferasi dan gllycochenodeoxycholate (GCDC)
meningkatkan kelangsungan hidup pasien dalam penelitian lain [61]. Dalam aspek ini, hasil kami
menunjukkan kadar GUDCA yang rendah dalam plasma 21 luminal A kanker patients jika
dibandingkan dengan 21 kontrol sehat (FDR < 0,05 dan FC < 0,06), yang membuatnya menarik
untuk studi lebih lanjut untuk memperjelas fungsinya dalam perkembangan kanker payudara.
Akhirnya, penelitian ini menunjukkan bahwa empat subtipe utama SM dapatdicoret-coret
menggunakan pendekatan metabolisme yang tidak ditarget. Klasifikasi yang tepat dari fenotipe
ini memiliki implikasi penting dalam pengobatan yang dipersonalisasi kanker payudara, tindak
lanjut yang disesuaikan dan deteksi kekambuhan dini.

4. Bahan dan Metode

4.1. Peserta dan Etika
Sebanyak 131 pasien kanker payudara dan 134 mata pelajaran kontrol sehat direkrut
selama 12 bulan di Unit Onkologi Medis Rumah Sakit Universitas Jaén (Spanyol). Studi ini
disetujui oleh Tinjauan Kelembagaan Board dari Komite Etika Penelitian Klinis Jaén dan semua
penyelidikan klinis dilakukan di bawah pedoman Deklarasi Helsinki dan Konferensi Internasional
tentang Harmonisasi-Klinis yang Baik
Pedoman Praktik (ICH-GCP). Setiap pasien prodibagi persetujuan tertulis untuk partisipasi
sebelum ekstraksi sampel darah. Protokol seleksi pasien ditetapkan sebagai berikut: subjek
perempuan berusia setidaknya 18 tahun dengan konfirmasi histologis SM, tidak ada metastasis
makro yang dapat dideteksi dan tidak ada pengobatan antikanker yang dapatdideteksi PR.
Rincian demografis dan diagnosis klinis subjek yang dipelajari dirangkum dalam Tabel 4.
Stadium kanker diklasifikasikan menurut sistem Metastasis Simpul Tumor (TNM) 2002.
Khususnya, pasien SM yang didiagnosis dengan HER2- dan ER+ dengan Ki67 > 20% didefinisikan
sebagai kelompok B luminal dan pasien yang didiagnosis dengan HER2- dan ER + dengan Ki67 <
20% dikategorikan sebagai luminal A. Sedangkan untuk subtipe non-luminal, semua pasien SM
Kanker 2021, 13, 147 14 arab 22

yang tidak mengekspresikan reseptor hormon (PR-, ER-) maupunover expressed human
epidermal growth factor 2 (HER2-) dianggap sebagai tiga pasien kanker payudara negatif; dan
akhirnya, pasien yang terlalu banyak mengalami faktor pertumbuhan epidermal manusia 2
didiagnosis sebagai pasien kanker payudara HER2+.

4.2. Persiapan Sampel Plasma

Sampel dikumpulkan dalam tabung EDTA setelah setidaknya 8 jam puasa menggunakan
prosedur venipunktur standar. Darah kemudian diser sentrifuged pada 1400 × g selama 10
menit pada 4 ◦Cdan supernatant dicita-citakan dengan hati-hati dan ditransfer ke botol baru,
dan segera stored di −80 ◦Csampai analisis.
Kanker 2021, 13, 147

12 dari 18

Meja 4. Karakteristik demografis dan klinis pasien kanker payudara dan subjek kontrol yang sehat.
Karakteristik Lb. Hc La. Hc Tn Hc HER2 (HER2) Hc
Mata pelajaran 61 64 21 21 15 15 34 34
Usia (Rentang) 49 (27–75) 50 (42–56) 50 (32–81) 49 (34–60) 49 (29–71) 51 (26–63) 51 (33–70) 49 (28–62)
− 25.63 (16.9–40.5) 25.35 (19.8–30.0) 24.90 (20.0–37.2) 25.00 (18.0–28.3) 27.60 (21.60–41.23) 26.5 (21.3–30.0) 26.10 (21.0–33.3) 25.30 (20.80–
BMI (Kg· m 2)
29.80)
HER2 (HER2) Negatif - Negatif - Negatif - Positif -
Pr. Neg/Pos - Neg/Pos - Negatif - Neg/Pos -
lebih Positif - Positif - Negatif - Neg/Pos -
Ki67 >20% - <20% - - - - -
IA tahap TNM 0 - 1 - 0 - 1 -
IIA tahap TNM 26 - 10 - 9 - 9 -
TNM-tahap IIIA 12 - 0 - 0 - 3 -
IIB tahap TNM 19 - 9 - 3 - 19 -
TNM-tahap IIIB 2 - 1 - 2 - 1 -
IC tahap TNM 2 - 0 - 1 - 1 -
Pasien HC dan BC dicocokkan dalam hal usia dan BMI. SM: kanker payudara; LB: luminal B; HC: kontrol yang sehat; LA: luminal A; TN: tiga kali lipat negatif; HER2: reseptor faktor pertumbuhan epidermal manusia 2 positif; BMI:
indeks massa tubuh; PR: reseptor progesteron; ER: reseptor estrogen; TNM: metastasis node tumor.
Kanker 2021, 13, 147 16 arab 22

4.3. Ekstraksi Metabolit

Aliquot 600 μ Lasetonitrile (AcN)ditambahkan ke 75 μL plasma dan campuran dikocok
selama 2 menit. Kemudian, sampel dibererasi pada 15.200 × g selama 10 menit pada 4 ◦C.
Supernatant ini dikumpulkan dalam botol analitik HPLC. Setelah itu, menguap dalam evaporator
GeneVac HT-8 (Savant, Holbrook, NY, AS) dan terus dibekukan pada −80 ◦C sampaianalisis.
Akhirnya, residu kering direkonstitusi dalam 210 μL air:AcN (50:50) dengan 0,1% asam formic
dan 250 ppb L-leucine (1–13C, 99%), Roxithromycin, Caffeine-d3, Creatine (metil-d3)
monohidrasi, L-abrine (metil-d3) monohidrasi dan Bisphenol A-d16 sebagai standar internal.

4.4. Analisis LC-HRMS

Sampel dianalisis menggunakan sistem LC Agilent 1290 (Agilent Technologies, Santa Clara,
CA, AS) ditambah dengan spektrometer massa 5600 cahaya quadrupole-time-of-f(AB SCIEX
Q-TOF 5600, Concord, ON, Kanada) dalam mode ionisasi elektrospray positif dan negatif
(ESI+, ESI−). Pemisahan mode kromatografi cair kinerja tinggi (HPLC) di
ESI+ dilakukan menggunakan kolom Atlantis T3 HPLC C18 (2,1 mm × 150 mm, 3 μm; Waters
Corporation, Milford, MA, AS) menyimpan 25 ◦C. Organic Solvent (OS) terdiri dari air:AcN
(90:10) dengan asam formic 0,1% (eluent A) dan AcN:water (90:10) dengan asam formic 0,1%
(eluent B). Kolom itu ditinggikan dengan t iamengikuti gradien: 0–0,5 menit 1% eluent B; 0,5–11
menit 99% eluent B; 11–15,50 menit 99% eluent B; 15,50–15,60 menit 1% eluent B dan 15,60–
20 menit 1% eluent B. Laju aliran elusi ditetapkan pada 300 μL/menit [ 62]. Kemudian,
pemisahan kromatografi dilakukan using kolom Gemini HPLC C18 (100 mm × 2 mm, 3 μm;
Phenomenex, CA, AS) disimpan pada 25 ◦C dalam modeESI−. Tingkat aliran adalah 300 μL /
menit dengan fase mobile A (90% air: 10% AcN) dan B (10% air: 90% AcN), keduanya
mengandung 0,1% amonia pada 20%. Gradien terdiridari d 0–0,3 menit 1% eluent B; 0,3–7,3
menit 99% eluent B, 7,3–10,3 menit 99% eluent B dan 10,3–13,3 menit 1% eluent B. Metode
TOF yang dioperasikan dengan metode Q-TOF 5600 memungkinkan pemilihan massal (80–1600
Da) dengan resolusi tinggi, dikombinasikan dengan metode informasi dependent acquisition
(IDA), yang memungkinkan fragmentasi delapan ion paling intens, untuk mengumpulkan
informasi HRMS dan MS/MS pemindaian penuh secara bersamaan.
Kalibrasi massa yang tepat secara otomatis dilakukan untuk setiap 10 suntikan 5 μL sampel
plasma acak injected. Sampel pelarut organik dianalisis di sepanjang urutan untuk setiap 30
suntikan; sampel kontrol kualitas dianalisis untuk setiap 10 suntikan. Analisis sampel OS
memberikan identifikasi ketidakakurian tinggi pada ent penyelesaianorganik atau prosedur
ekstraksi, dan memungkinkan membuang kontaminasi bawaan. Stabilitas dan kinerja sistem
dievaluasi oleh sampel QC —kumpulan volume yang sama dari semua sampel plasma yang
digunakan dalam penelitian.

4.5. Pemrosesan Data

Perangkat lunak MarkerView (versi 1.2.1, AB SCIEX, Concord, ON, Kanada) digunakan
untuk pemrosesan data mentah LC-HRMS. Alat ini melakukan deteksi puncak, perataan, dan
pemfilteran data, menyediakan matriks data di mana rasio massa-ke-muatan yang diukur (m/z),
waktu penyimpanan (RT) dan intensitas didefinisikan untuk setiap sampel. Setelah itu, untuk
meminimalkan redundansi massal dan meningkatkan pemilihan fitur molekul yang sebenarnya,
hanya puncak monoisotopik yang dipertimbangkan. Latar belakang dan kontaminan dihapus dari
OS dengan applying prosedur pemfilteran tambahan dengan perubahan lipatan (<1,5) dan tes t
(p > 0,05) antara sampel OS dan sampel studi. Akhirnya, menurut kriteria FDA untuk
metabolomik yang tidak tertarget, fitur dengan simpangan baku relatif lebih tinggi dari
30%dikurung karena variabilitasnya yang tidak dapat diterima dalam sampel QC [ 63]. Langkah
selanjutnya dilakukan menggunakan perangkat lunak MetaboAnalyst 4.0 Web Server (Wishart
Research Group di University of Alberta, Alberta, Kanada) [64].
Kanker 2021, 13, 147 17 arab 22

4.6. Normalisasi danValidasi Al Analitik

Sebelum analisis statistik, normalisasi oleh sampel referensi QC (normalisasi kuotis
probabilistik), transformasi dan penskalaan diterapkan untuk mengonversi kumpulan data
menjadi distribusi tipe Gaussian yang lebih [65,66]. Kemudian, PCA kamied untuk menilai
kualitas kinerja sistem analitik [67]. Stabilitas sistem analitik divalidasi oleh presentasi sampel
QC pada plot PCA. Secara paralel, plot skor PLS-DA menunjukkan kemungkinan outlier.
Parameter R2 dan Q2, yang memperkirakan goodness kesesuaian dan kebaikan prediksi masing-
masing, dihitung untuk mengevaluasi deskripsi model kualitas statistik.

4.7. Analisis Statistik

Analisis univariat (UVA) dilakukan menggunakan tes ranksum Wilcoxon non-parametrik
untuk mengevaluasinces yang berbeda antara pasien SM dan subjek HC. Koreksi Benjamini-
Hochberg false discovery rate (FDR) dilakukan setelah itu untuk meminimalkan proporsi yang
diharapkan dari positif palsu (Kesalahan Tipe I) [68]. Dalam hal ini, nilai p 0,05 (dikoreksi oleh
FDR) fo adalah tes t umumnya digunakan dalam metabolomik sebagai ambang batas cutoff.
Sinyal yang dipilih sebagai kandidat potensial untuk model diskriminatif akhir dipilih juga
berdasarkan perubahan lipatan mereka (FC > 1,3). Akhirnya, analisis multivariat diterapkan pada
fitur identify yang bertanggung jawab untuk mendiskriminasi kedua kelompok studi [30,69].

4.8. Identifikasi Metabolit

Perangkat lunak PeakView (versi 1.0 dengan plug-in Formula Finder versi 1.0, AB SCIEX,
Concord, ON, Kanada) digunakan untuk memprediksi rumus elemen kandidat yang dipilih dari
massa yang akurat, pengelompokan isototopik, dan pola fragmentasi. Penugasan identifikasi
tentatif untuk setiap metabolit yang dipilih dimungkinkan dengan mencari database majemuk
yangberbeda (Metlin, Database Metabolome Manusia, Peta Lipid, PubChem [70-73]) untuk nilai
massa yang akurat. Identifikasi struktural formula molekuler adalahchieved membandingkan
spektra fragmentasi eksperimental terhadap database spektral(MassBank [74], NIST2014: versi
2.2, Layanan Instrumen Ilmiah, Inc, Ringoes,NJ, AS).

4.9. Evaluasi Biomarker

Relevansi klinis dari metabolit kandidat dievaluasi dengan area di bawah kurva karakteristik
operasi penerima (AUROC). Untuk memeriksa kinerja pengklasifikasi biomarker yang diusulkan
untuk model diagnostik, analisis ROC multivariat dilakukan.

4.10. Analisis Jalur

Perangkat lunakMetaboA nalyst 4.0 Web Server digunakan untuk identifikasi jalur
metabolisme yang diubah[64]. Pencocokan ID metabolit dilakukan dengan Database
Metabolome Manusia dan database KEGG [71,75]. Analisis disesuaikan oleh tes hipergeometrik
dan dampak pada topologi jalur didasarkan pada sentralitas relatif antara.

5. Kesimpulan
Di sini kami menyajikan pendekatan metabolomik LC-HRMS yang tidak ditarget sebagai
teknik non-invasif untuk mengidentifikasi tanda tangan metabolomik diferensial untuk
subkelompok SM. Kami menemukan perwakilanprofil molekul dis tinct untuk fenotipe LA, LB,
HER2 dan TN BC, yang dapat bertindak sebagai biomarker penting untuk diagnosis yang akurat,
diskriminasi fenotipik dan intervensi terapeutik yang dipersonalisasi. Perlu disorot pentingnya
pemahaman deep tentang perbedaan molekul di antara subtipe SM dalam ranah obat yang
dipersonalisasi untuk menghindari efek samping yang tidak perlu atau keterlibatan target yang
tidak memadai. Profil metabolomik yang ditemukan dapat digunakan sebagai alat yang kuat
dalam tindakan PR klinis,tidak hanya untuk menentukan keberadaan penyakit sisa setelah terapi
neoadjuvant dan, dengan demikian, berkontribusi pada identifikasi pasien yang benar-benar
akan mendapat manfaat dari perawatan tambahan, tetapi juga untuk mencerahkan
Kanker 2021, 13, 147 18 arab 22

pengembanganstrategiutik terapi baru untuk setiap subtipe molekul SM dan tindak lanjut yang
disesuaikan. Akhirnya, temuan kami memperkuat fondasi untuk mengidentifikasi target biologis
baru di jalur metabolisme utama yang dapat membantu mengidentifikasi kambuhnya awal
berikutnya di es fenotip SM yang berbeda. Analisis lebih lanjut dalam kelompok calon pasien
yang lebih besar akan diperlukan untuk memvalidasi kemampuan prognostik / diagnostik dari
berbagai profil metabolomik yang ditemukan di antara empat subtipe utama SM.

Bahan Tambahan: Berikut ini available online di https://www.mdpi.com/2072-6 694 / 13 / 1 / 147 / s1.
Gambar S1: Plot skor 2D dari PCA grup HC (hijau) dan LA_BC (biru muda)(a),HER2_BC (oranye) (b),TN_BC
(kuning) (c) dan pasien LB_BC (merah muda) (d)olehESI + menunjukkan bahwaepaasi yang diamati
di antara kelompok-kelompok itu karena alasan biologis sesuai dengan pengelompokan
dekat sampel QC (biru gelap). Gambar S2: Plot skor 2D pls-DA yang diawasi dari kelompok HC (hijau) dan
LA_BC (biru muda) (a), HER2_BC(oranye) (b), TN_BC(kuning) (c) danLB_BC (merah muda) (d)
pasienoleh ESI- menentukan pemisahan terutama antara subtipe molekul SM dan kontrol yang cocok.
Gambar S3: Karakteristik spektra MS/MS m/z 448.3066 dalam sampel biologis (hijau) (a)dan standar
asam ic glycoursodeoxycholic acid (GUDCA) (biru) (b)pada 3,24 menit. spektra MS/MS mengungkapkan
pola fragmentasi karakteristik GUDCA di ESI −. Tabel S1: Puncak yang diekstrak dari RPLC ESI+ dan ESI −
HRMS, metabolit yang diubah secara signifikan dan deskripsi model berkualitas. Tabel S2: Fitur yang
diidentifikasi oleh massa akurat(m/z)dan waktu penyimpanan (RT). Tabel S3: Jalur non-signifikan yang
diubah yang terkait dengan subtipe molekul SM oleh ESI+ dan ESI −.

Kontribusi Penulis: Konseptualisasi, J.P.d.P.danP.S.-R.; metodologi, A.M.-B.analisis formalC.G.-O.;

J.P.d.P., C.G.-O., C.D. dan L.D.-B.; investigasi, M.F.-N. dan L.D.B.; sumber daya, M.F.-N., N.L.-C., A.L.O.-G.,
F.G.-M., L.D.-B., C.D. dan C.G.-O.; kurasi data, A.M.B. dan L.D.-B; menulis—penyusunan draf asli, L.D.-B..
dan C.G.-O.; menulis—tinjauan dan pengeditan, C.D., P.S.-R. dan L.D.-B.; visualisasi, L.D.-B. dan C.G.-O.;
pengawasan, P.S.-R. dan F.V.; administrasi proyek, akuisisi pendanaan P.S.-R.; , P.S.-R. Semua penulis telah
membaca dan menyetujui versi yang diterbitkan ofnaskah.

dari Junta de Andalucía, nomor hibah PI-

Pendanaan: Penelitian ini didanai oleh Consejería de Salud
0455-2016 dan APC didanai oleh Fundación Pública Andaluza para la Investigación Biosanitaria de
Andalucía Oriental Alejandro Otero(FIBAO).
Pernyataan Dewan Peninjau Kelembagaan: Studi ini dilakukan sesuai dengan pedoman Deklarasi Helsinki
dan Konferensi Internasional tentang Praktik Klinis Yang Baik Harmonisasi (ICH-GCP), dan disetujui
oleh Dewan Tinjauan Kelembagaan Komite Etika Penelitian Klinis Jaén (kode protokol: PI-
0455-2016 dan tanggal persetujuan: 27 Oktober 2016).
Pernyataan Persetujuan Berdasarkan Informasi: Persetujuan berdasarkan informasi diperoleh dari semua
mata pelajaran yang terlibat dalam penelitian ini.

Pernyataan Ketersediaan Data: Semua data yang dihasilkan atau dianalisis selama penelitianini
disertakan kembali dalam artikel yang diterbitkan ini dan materi tambahannya. Data mentah
tidak tersedia untuk umum karena pembatasan etika, karena berisi informasi yang dapat membahayakan
privasi peserta penelitian, tetapi tersedia dari penulis corresponding berdasarkan permintaan yang wajar.

Pengakuan: Kami sangat berterima kasih kepada semua pasien dan keluarga mereka yang
menyumbangkan data yang memungkinkan penelitian ini. Selain itu, kami berterima kasih kepada staf Unit
Penelitian Klinis LayananOnkologi Medica l Dari Rumah Sakit Universitas Jaén untuk waktu
mereka, dan bantuan; serta dukungan teknis dari Fundación MEDINA. Kami juga ingin mengucapkan terima
kasih kepada Shivan Barungi,yang bantuan berharganya secara substansial meningkatkan kualitas
nuskrip MA. Kami berterima kasih kepada pengulas dan editor atas kontribusi dan komentar konstruktif
mereka. Kami akhirnya berterima kasih kepada Junta de Andalucía dan Fundación Pública Andaluza para
la Investigación Biosanitaria de Andalucía Oriental Alejandro Otero (FIBAO) atas dukungan keuangan
tahliwaris.
Kanker 2021, 13, 147 19 arab 22

Konflik Kepentingan: Penulis menyatakan tidak ada konflik kepentingan.

Referensi
1. Nguyen, T.L.; Pham, T.Q.N.; Hoang, V.M.; Kim, B.G.; Phan, T.H.; Doan, T.H.; Nguyen, T.L.; Van Duong, K.; Luong, N.K. Tren Tingkat Paparan
Asap Tembakau Bekas di Rumah di antara Anak-anak Sekolah Viet Nam Berusia 13–15 tahun dan Faktor Terkait. Pac Asia J. Kanker Prev.
2016, 17,43–47. Aku tidaktahu apa yang harus kulakukan.
2. Bray, F.; Ferlay,J.; Soerjomataram,I.; Siegel, R.L.; Torre, L.A.; Jemal, A. Global cancer statistics 2018: GLOBOCAN memperkirakan insiden
dan kematian di seluruh dunia untuk 36 kanker di 185 negara. Kanker CA J. Clin. 2018, 68,394–424. [CrossRef] [PubMed]
3. Kipas, Y.; Zhou, X.; Xia, T.-S.; Chen, Z.; Li, J.; Liu, Q.; Alolga,R.N.; Chen, Y.; Lai, M.-D.; Li, P.; dkk. Metabolomi plasma manusia untuk
mengidentifikasi metabolit diferensial dan memprediksi subtipe molekul kanker payudara. Oncotarget 2016, 7,9925–9938. [CrossRef]
[PubMed]
4. Haukaas,T.H.; Euceda,L.R.; Giskeødegård,G.F.; Lamichhane,S.; Krohn,M.; Jernström,S.; Aure,M.R.; Lingjærde, O.C.; Schlichting, E.;
Garred, Ø.; et al. Kelompok metabolisme kanker payudara dalam kaitannya dengan gen- dan protein expressipada subtipe. Kanker
Metab. 2016, 4,1–14. [CrossRef] [PubMed]
5. Cardoso, M.R.; Santos, J.C.; Ribeiro, M.L.; Talarico,M.C.R. ; Viana, L.R.; Derchain,S.F.M. Pendekatan Metabolomis untuk Memprediksi
Perilaku Kanker Payudara dan Respons Kemoterapi. Int. J. Mol. Sci. 2018, 19, 617. [CrossRef] [PubMed]
6. Kalinowski, L.; Saunus, J.M.; Reed, A.E.M.; Lakhani, S.R. Heterogenitas Kanker Payudara pada Penyakit Primer dan Metastatik. Adv. Exp.
Med. Biol. 2019, 1152, 75–104. Aku tidaktahu apa yang harus kulakukan.
7. Priadoza-Diaz, S.; Castilla-Tarra, J.A.; Pena-Torres, E.; Orozco-Ospino,M.; Mendoza-Diaz, S.; Nuñez-Lemus, M.; Garcia-Angulo, O.; Garcia-
Mora, M.; Guzman-AbiSaab,L.; Lehmann-Mosquera, C.; et al. Respon Patologis terhadap Kemoterapi Neoadjuvant dan Klasifikasi Ular
Molecdari Kanker Payudara Tingkat Lanjut Lokal dalam Kelompok Amerika Latin. Ahli onkologi 2019, 24,e1360–e1370. Aku tidaktahu
apa yang harus kulakukan.
8. Wang, R.; Zhao, H.; Zhang, X.; Zhao, X.; Lagu, Z.; Ouyang, J. Diskriminasi Metabolisme Subtipe Kanker Payudara di Tingkat Sel Tunggal oleh
Beberapa Mikroektraksi Ditambah dengan Spektrometri Massa. Anal. Chem. 2019, 91,3667–3674. Aku tidaktahu apa yang harus
kulakukan.
9. Tsimberidou,A.-M.; Iskander,N.G.; Hong, D.S.; Wheler, J.J.; Falchook,G.S.; Fu, S.; Piha-Paul, S.; Naing, A.; Janku,F.; Luthra, R.; dkk.
Personalized Medicine dalam Program Uji Klinis Fase I: Inisiatif Pusat Kanker MD Anderson. Clin, apa yang terjadi? Kanker Res. 2012,
18,6373–6383. Aku tidaktahu apa yang harus kulakukan.
10. Huang, S.; Chong, N.; Lewis, N.E.; Sijia,H.; Xie,G.; Garmire, L.X. Model metabolisme berbasis jalur yang dipersonalisasi mengungkapkan
jalur metabolisme utama untuk diagnosis kanker payudara. Med Genom. 2016, 8,1–14. Aku tidaktahu apa yang harus kulakukan.
11. Carels, N.; Spinassé,L.B.; Tilli,T.M.; Tuszynski, J.A. Menuju kedokteran presisi kanker payudara. Teori. Biol. Model Obat. 2016, 13, 1–46.
[CrossRef] [PubMed]
12. Hirschey,M.D.; DeBerardinis, R.J.; Diehl, A.M.E.; Drew, J.E.; Frezza,C.; Hijau, M.F.; Jones, L.W.; Ko, Y.H.; Le, A.; Lea, M.A.; dkk.
Metabolisme yang disregulasi berkontribusi pada onkogenesis. Semin, apa yang terjadi? Biol Kanker. 2015, 35,S129-S150. [CrossRef]
[PubMed]
13. Beger, R.D.; Dunn, W.; Schmidt, M.A.; Menjijikkan, S.S.; Kirwan, J.A.; Cascante, M.; Brennan, L.; Wishart, D.S.; Oresik,M.; Hankemeier, T.;
dkk Metabolomik memungkinkan kedokteran presisi: "Kertas Putih,Perspektif Komunitas". Metabolomi 2016, 12,1–15. Aku tidaktahu
apa yang harus kulakukan.
14. Griffin,J.L.; Shockcor,J.P. Profil metabolisme sel kanker. Nat. Pdt. Kanker 2004, 4,551–561. [CrossRef] [PubMed]
15. Luo, X.; Yu, H.; Lagu, Y.; Matahari, T. Integrasi data metabolisme dan transkripomik mengungkapkan perubahan jalur metabolisme pada
kanker payudara dan dampak tanda tangan terkait pada kelangsungan hidup. Sel J. Fisiol( fisiol). 2019, 234, 13021–13031. Aku tidaktahu
apa yang harus kulakukan.
16. Cheung, P.K.; Ma, M.H.; Tse,H.F.; Yeung, K.F.; Tsang, H.F.; Chu, M.K.M.; Kan, C.M.; Cho, W.C.; Ng, L.B.W.; Chan, L.W.C.; dkk. Aplikasi
metabolomik dalam diagnostik molekul kanker. Mantanpert Pdt. Mol. Diagn. 2019, 19,785–793. 17 tahun. Giskeødegård,G.F.;
Grinde,M.T.; Pengasuh, B.; Axelson, D.E.; Lundgren, S.; Fjøsne,H.E.; Dahl, S.; Gribbestad,I.S.; Bathen, T.F. Multivariate Modeling dan
Prediksi Faktor Prognostik Kanker Payudara Menggunakan METABOLOMICS MR. J. Res Proteome. 2010, 9, 972–979. Aku tidaktahu apa
yang harus kulakukan.
18. Pengasuh, B.; Bathen,T.F.; Singstad,T.E.; Fjøsne,H.E.; Lundgren, S.; Halgunset,J.; Gribbestad, I.S. Kuantifikasi metabolit pada pasien
kanker payudara dengan prognosis klinis yang berbeda menggunakan spektroskopi HR MAS MR. NMR Biomed. 2010, 23,424–431. Aku
tidaktahu apa yang harus kulakukan.
19. Asiago, V.M.; Alvarado, L.Z.; Shanaiah,N.; Gowda, G.A.N.; Owusu-Sarfo, K.; Ballas, R.A.; Raftery, D. Deteksi Dini Kanker Payudara Berulang
Menggunakan Profil Metabolit. Kanker Res. 2010, 70,8309–8318. Aku tidaktahu apa yang harus kulakukan.
Kanker 2021, 13, 147 20 arab 22

20. Zhao, H.; Shen, J.; Moore, S.C.; (Kalian, hai orang-orang yang beriman! Wu, X.; Esteva,F.J.; Tripathy, D.; Chow, W.-H.; Zanetti, K.A. Risiko
kanker payudara dalam kaitannya dengan metabolit plasma di antara wanita Hispanik dan Afrika Amerika. Res Kanker Payudara
Mengobati. 2019, 176, 687–696. Aku tidaktahu apa yang harus kulakukan.
21. Silva, C.L.; Perestrelo, R.; Silva, P.; Tomás, H.; Câmara, J.S. Menerapkan desain komposit pusat untuk optimalisasi mikroektraksi fase
padat untuk menetapkan ekspresi volatomik urin: Pendekatan pertama untuk kanker payudara. Metabolomi 2019, 15,64. [CrossRef]
[PubMed]
22. Murata, T.; Yanagisawa, T.; Kurihara,T.; Kaneko, M.; Ota, S.; Enomoto,A.; Tomita, M.; Sugimoto, M.; Sunamura, M.; Hayashida, T.; dkk.
Metabolomis ludah dengankeputusanlternatif metode pembelajaran mesin berbasis pohon untuk diskriminasi kanker payudara.
Res Kanker Payudara Mengobati. 2019, 177, 591–601. [CrossRef] [PubMed]
23. Jové, M.; Collado,R.; Quiles,J.L.; Ramírez-Tortosa,M.-C.; Sol, J.; Ruiz-Sanjuan,M.; Fernandez, M.; Cabrera, C.D.L.T.; RamírezTortosa,C.;
Granados-Kepala Sekolah, S.; dkk. Tanda tangan metabolisme plasma mengungkapkan kanker payudara manusia. Oncotarget 2017,
8,19522–19533. [CrossRef] [PubMed]
24. Gouazé-Andersson, V.; Cabot, M.C Glycosphingolipids dan ketahanan obat. Biochim ( biochim). Biofis. Acta (BBA)-Biomembr. 2006,
1758, 2096–2103. [CrossRef] [PubMed]
25. D'Angelo, G.; Capasso,S.; Sticco,L.; Russo, D. Glycosphingolipids: Sintesis dan fungsi. FEBS J. 2013, 280, 6338–6353. [CrossRef]
[PubMed]
26. Ong, E.S.; Zou, L.; Li, S.; Cheah, P.Y.; Uni Eropa, K.W.; Ong, C.N. Metabolic profiling dalam kanker kolorektal mengungkapkan pergeseran
metabolisme khas selama tumorigenesis. Sel Mol. Proteom ( proteom). 2010, 9,1–42. Aku tidaktahu apa yang harus kulakukan.
27. Matahari, S.-Q.; Gu, X.; Gao, X.-S.; Li, Y.; Yu, H.; Xiong,W.; Yu, H.; Wang, W.; Li, Y.; Teng, Y.; dkk. Overexpression AKR1C3 secara signifikan
meningkatkan sel kanker prostat manusia resistance ke radiasi. Oncotarget 2016, 7,48050–48058. Aku tidaktahu apa yang harus
kulakukan.
28. Penjualan, K.; Boddy, S.C.; Jabbour, H.N. F-reseptor prostanoid mengubah adhesion, morfologi dan migrasi sel adenocarcinoma
endometrik. Onkogen 2007, 27,2466–2477. Aku tidaktahu apa yang harus kulakukan.
29. Caiazza,F.; McCarthy, N.S.; Muda, L.S.; Hill, A.D.K.; Harvey, B.J.; Thomas, W. Cytosolic phospholipase A2-α ekspresi pada kanker payudara
dikaitkan dengan ekspresi EGFR dan berkorelasi dengan prognosis yang merugikan dalam tumor luminal. Br. J. Kanker 2010, 104,338–
344. Aku tidaktahu apa yang harus kulakukan.
30. Godzien,J.; Ciborowski, M.; Angulo-Díaz-Parreño,S.; Barbas,C. Dari angka ke pengertian biologis: Bagaimana strategi yang dipilih untuk
treatmen data metabolomist dapat mempengaruhi hasil akhir. Contoh praktis berdasarkan sidik jari urin yang diperoleh LC-MS.
Elektroforesis 2013, 34,2812–2826. Aku tidaktahu apa yang harus kulakukan.
31. Schymanski,E.L.; Jeon, J.; Gulde,R.; Fenner,K.; Ruff, M.; Penyanyi, H.P.; Hollender, J. Mengidentifikasi Molekul Kecil melalui Spektrometri
Massa Resolusi Tinggi: Mengkomunikasikan Kepercayaan Diri. Environ, apa yang terjadi? Sci. Technol. 2014, 48,2097–2098. [CrossRef]
[PubMed]
32. Díaz, C.; Del Palacio, J.P.; Valero-Guillén,P.L.; García, P.M.; Pérez, I.; Vicente, F.; Martin, C.; Genilloud,O.; Sanchez-Pozo,A.; Gonzalo-
Asensio, J.; et al. Metabolomis komparatif antara Mycobacterium tuberculosis dan the MTBVAC Vaksin Kandidat. ACS Menginfeksi.
Dis( dis). 2019, 5, 1317–1326. [CrossRef] [PubMed]
33. Warburg, O. Tentang Asal Usul Sel Kanker. Sains 1956, 123,309–314. Aku tidaktahu apa yang harus kulakukan.
34. Liberti,M.V.; Locasale,J.W. Efek Warburg: Bagaimana Manfaatnya Sel Kanker? (vol 41, pg 211, 2016). Tren Biokimia. Sci, apa yang
terjadi? 2016, 41, 287. [CrossRef] [PubMed]
35. Eniu,D.T.; Romanciuc,F.; Moraru,C.; Goidescu,I.; Eniu,D.; Staicu,A.; Rachieriu,C.; Buiga,R.; Socaciu,C. Dekrease dari beberapa asam amino
bebas serum dapat memprediksi diagnosis dan perkembangan kanker payudara. Scand. J. Clin. Lab. Investig, apa yangterjadi? 2019,
79,17–24. Aku tidaktahu apa yang harus kulakukan.
36. Lainnya, T.H.; Roychoudhury, S.; Christie, J.; Taunk,K.; Mane, A.; Santra,M.K.; Chaudhury, K.; Rapole, S. Perubahan metabolomis dalam
karsinoma saluran invasif payudara: Studimetabolisme rehensif komphensif menggunakan sampel jaringan dan serum. Oncotarget 2017,
9,2678–2696. Aku tidaktahu apa yang harus kulakukan.
37. Cao, Y.; Wang, Q.; Gao, P.; Dong, J.; Zhu, Z.; Fang, Y.; Fang, Z.; Matahari, X.; Matahari, T. Pendekatan metabolomis spektrometri massa
titik darah kering untuk deteksi kanker payudara yang cepat. Onco, apa yangterjadi? Target Ther. 2016, 9, 1389–1398. Aku tidaktahu
apa yang harus kulakukan.
38. Miyagi, Y.; Higashiyama, M.; Gochi,A.; Akaike, M.; Ishikawa, T.; Miura, T.; Saruki, N.; Bando, E.; Kimura, H.; Imamura, F.; et al. Plasma
Free Amino Acid Profiling dari Lima Jenis Pasien Kanker dan ation Apliknyauntuk Deteksi Dini. PLoS ONE 2011, 6,e24143. Aku tidaktahu
apa yang harus kulakukan.
39. Opitz, C.A.; Litzenburger,.M.; Sahm, F.; Ott, M.; Tritschler, I.; Trump, S.; Schumacher, T.; Jestaedt,L.; Schrenk,D.; Weller, M.; dkk. Sebuah
tumor endogen-mempromosikan ligan dari reseptor hidrokarbon aryl manusia. Alam 2011, 478,197–203. Aku tidaktahu apa yang harus
kulakukan.
Kanker 2021, 13, 147 21 arab 22

40. Grohmann, U. Toleransi, DC dan triptofan: Banyak basa-basi tentang IDO. Tren Immunol. 2003, 24,242–248. Aku tidaktahu apa yang
harus kulakukan.
41. Anda, Z.; Yue, L.; Shi, J.; Shao, M.; Wu, T. Peran IDO dan TDO pada Kanker dan Penyakit Terkait dan Implikasi Terapeutik. J. Kanker 2019,
10,2771–2782. [CrossRef] [PubMed]
42. Cheong, J.E.; Sun, L. Menargetkan Jalur IDO1/TDO2–KYN–AhR untuk Imunoterapi Kanker—Tantangan dan Peluang. Tren Farmasi. Sci,
apa yang terjadi? 2018, 39,307–325. [CrossRef] [PubMed]
43. Platten, M.; Wick, W.; Van de Eynde, B.J. Triptofan Katabolisme dalam Kanker: Di Luar IDO dan Penipisan Triptofan. Kanker Res. 2012,
72,5435–5440. [CrossRef] [PubMed]
44. Zhai, L.; Spranger,S.; Pengikat, D.C.; Gritsina,G.; Lauing,K.L.; Giles, F.J.; Wainwright, D.A. Jalur Molekuler: Menargetkan IDO1 dan
Triptofan Lainnya Dioksigen untuk Imunoterapi Kanker Lijie. Fisiol( fisiol). Berperilaku. 2015, 176, 139–148. [CrossRef] [PubMed]
45. Yu, C.-P.; Song, Y.-L.; Zhu, Z.-M.; Huang, B.; Xiao, Y.-Q.; Luo, D. Menargetkan TDO dalam kanker immunotherapy. Med. Oncol. 2017, 34,
73. [CrossRef]
46. Wei, L.; Zhu, S.; Li, M.; Li, F.; Wei, F.; Liu, J.; Ren, X. Indoleamine Tinggi 2,3-Dioxygenase Berkorelasi Dengan Kepadatan Mikrovessel dan
Prognosis Lebih Buruk pada Kanker Payudara. Depan. Imuno. 2018, 9,724. Aku tidaktahu apa yang harus kulakukan.
47. Mariotti, V.; Han, H.; Ismail-Khan, R.; Tang, S.J.; Dillon, P.; Montero, A.J.; Poklepovic,A.; Melin,S.; Ibrahim, N.K.; Kennedy, E.; dkk. Efek
Kemoterapi Taxane Dengan atau Dengan keluarnya Indoximod pada Kanker Payudara Metastatik. JAMA Oncol. 2020, 33612, 1–
9.
Akutidak tahu apa yang harus kulakukan.
48. Günther, J.; Däbritz,J.; Wirthgen, E. Keterbatasan dan Efek Off-Target Inhibitor IDO Terkait Triptofan dalam Pengobatan Kanker. Depan.
Imuno. 2019, 10, 1801. Aku tidaktahu apa yang harus kulakukan.
49. Carracedo, A.; Cantley,L.C.; Pandolfi, P.P. Metabolisme kanker: Oksidasi asam lemak dalam pusat perhatian. Nat. Pdt. Kanker 2013,
13,227–232. Aku tidaktahu apa yang harus kulakukan.
50. Cappelletti, V.; Iorio,E.; Miodini, P.; Silvestri, M.; Dugo,M.; Daidone, M.G. Jejak Metabolisme dan Subtipe Molekuler pada Kanker
Payudara. Dis. Penanda 2017, 2017,7687851-19. Aku tidaktahu apa yang harus kulakukan.
51. Zhu, L.; Bakovic, M. Sel kanker payudara beradaptasi dengan stres metabolisme dengan meningkatkan sintesis fosfosida etanolamin dan
CTP: ethanolaminephosphate cytidylyltransferase-Pcyt2 aktivitas. Biokimia. Biol Sel. 2012, 90,188–199. [CrossRef] [PubMed]
52. Osawa, T.; Shimamura, T.; Saito, K.; Hasegawa, Y.; Ishii, N.; Nishida, M.; Ando, R.; Kondo, A.; Anwar, M.; Tsuchida,R.; dkk. Akumulasi
Fosfofetamin Melindungi Sel Kanker di bawah Kelaparan Glutamin melalui Downregulasi PCYT2. Sel Rep. 2019, 29,89–103.e7.
[CrossRef] [PubMed]
53. Nya, M.; Viallon,V.; Dossus,L.; Gicquiau,A.; Achaintre,D.; Scalbert,A.; Ferrari, P.; Romieu,I.; Onland-Moret,N.C.; Weiderpass, E.; dkk.
Analisis prospektif tentang metabolit yang beredar dan kanker payudara di EPIC. BMC Med. 2019, 17, 1–13. [CrossRef] [PubMed]
54. Vasavda,C.; Kothari, R.; Malla,A.P.; Tokhunts, R.; Lin, A.; Ji, M.; Ricco, C.; Xu, R.; Saavedra, H.G.; Sbodio,J.I.; dkk. Bilirubin
Menghubungkan Metabolisme Heme dengan Neuroprotection dengan Memulung Superoksida. Sel Chem. Biol. 2019, 26, 1450–
1460.e7. Aku tidaktahu apa yang harus kulakukan.
Aku tidaktahu apa yang harus kulakukan.
55. Xi, X.-X.; Wang, H.-L.; Chen, T.; Dai, J.-R.; Hou, S.-Y.; Chen, Y.-G. Nilai prognostik kadar serum bilirubin pra operasi pada kanker ovarium.
Am. J. Transl. Res. 2020, 12,2267–2280.
56. Nitti, M.; Piras,S.; Marinari,.M.; Moretta,L.; Pronzato,M.A.; Furfaro, Induksi A.L. HO-1 dalam Perkembangan Kanker: Matter adaptasi sel.
Antioksidan 2017, 6,29. Aku tidaktahu apa yang harus kulakukan.
57. Chiang, S.-K.; Chen, S.-E.; Chang, L.-C. Peran Ganda Heme Oksigenase-1 dalam Sel Kanker. Int. J. Mol. Sci. 2018, 20,39. 58.
Canesin,G.; Hejazi, S.M.; Swanson, K.D.; Wegiel,B. Heme-Sinyal Metabolisme Yang Berasal Dari Mendikte Respons Kekebalan Tubuh.
Depan. Imuno. 2020, 11,66. Aku tidaktahu apa yang harus kulakukan.
59. Baker, PR; Wilton, J.C.; Jones, C.E.; Stenzel,D.J.; Watson, N.; Smith, asam G.J. Empedu mempengaruhi pertumbuhan, reseptor oestrogen
dan protein yang diatur oestrogen dari sel kanker payudara manusia MCF-7. Br. J. Kanker 1992, 65,566–572. Aku tidaktahu apa yang
harus kulakukan.
60. Costarelli,V.; Sanders, T.A.B. Asam empedu plasma dan risiko kanker payudara. IARC Sci. Publ. 2002, 156, 305–306.
61. Tang, W.; Putluri,V.; Ambati,C.R.; Dorsey, T.H.; Putluri,N.; Ambs,S. Asam Empedu yang berasal dari hati dan mikrobiom Menumpuk pada
Tumor Payudara Manusia dan Menghambat Pertumbuhan dan Meningkatkan Kelangsungan Hidup Pasien. Clin, apa
yang terjadi? Kanker Res. 2019, 25,5972–5983. [CrossRef] [PubMed]
62. Martín-Blázquez, A.; Díaz, C.; González-Flores, E.; Franco-Rivas, D.; Jiménez-Luna, C.; Melguizo,C.; Prados, J.; Genilloud,O.; Vicente, F.;
Caba, O.; dkk. Metabolomis berbasis LC-HRMS yang tidak ditargetkan untuk mengidentifikasi biomarker baru kanker kolorektal
metastatik. Sci. Rep. 2019, 9,20198–20199. [CrossRef] [PubMed]
Kanker 2021, 13, 147 22 arab 22

63. Cajka, T.; Fiehn, O. Menuju Penggabungan Metode Yang Tidak Ditargetkan dan Ditargetkan dalam Metabolomi dan Lipidom Berbasis
Spektrometri Massa. Anal. Chem. 2016, 88,524–545. [CrossRef] [PubMed]
64. Chong, J.; Soufan,O.; Li, C.; Caraus,I.; Li, S.; Bourque, G.; Wishart, D.S.; Xia, J. MetaboAnalyst 4.0: Menuju analisis metabolomik yang
lebih transparan dan integratif. Asam Nukleat Res. 2018, 46,W486–W494. [CrossRef] [PubMed]
65. van den Berg, R.A.; Hoefsloot,H.C.J.; Westerhuis,J.A.; Smilde,A.K.; Van Der Werf, M.J. Pusat,penskalaan, dan transformasi:Saya
membuktikan konten informasi biologis data metabolomik. Genom BMC . 2006, 7,142. Aku tidaktahu apa yang harus kulakukan.
66. Di Guida,R.; Engel, J.; Allwood, J.W.; Weber, R.J.M.; Jones, M.R.; Sommer, U.; Viant,M.R.; Dunn, W.B. Metode pemrosesan data
metabolomis UHPLC-MSyang tidak ditargetkan: Investigasi komparatif alisasi norma, imputasi nilai hilang, transformasi dan
penskalaan. Metabolomi 2016, 12,1–14. Aku tidaktahu apa yang harus kulakukan.
67. Alonso, A.; Marsal, S.; Julià, A. Metode Analitik dalam Metabolomik Yang Tidak Ditargetkan: State of the Art pada tahun 2015. Depan.
Bioeng, apa yangterjadi? Bioteknologi. 2015, 3, 23. Aku tidaktahu apa yang harus kulakukan.
68. Benjamini, Y.; Hochberg, Y. Mengendalikan Tingkat Penemuan Palsu — Pendekatan Praktis dan Kuat untuk Beberapa Pengujian. J. R.
Stat. Soc. Ser.B-Methodol. 1995, 57,289–300. Aku tidaktahu apa yang harus kulakukan.
69. Naz, S.; Vallejo, M.; García, A.; Barbas, C. Strategi validasi metode yang terlibat dalam metabolomik yang tidak ditargetkan. J.
Chromatogr. A 2014, 1353,99–105. Aku tidaktahu apa yang harus kulakukan.
70. Guijas,C.; Montenegro-Burke, J.R.; Domingo-Almenara,X.; Palermo, A.; Warth,B.; Hermann, G.; Koellensperger,G.; Huan, T.;
Uritboonthai,W.; Aisporna, A.E.; dkk. METLIN: Platform Teknologi untuk Mengidentifikasi Orang Yang Dikenal dan Tidak Diketahui. Anal.
Chem. 2018, 90,3156–3164. Aku tidaktahu apa yang harus kulakukan.
71. Wishart, D.S.; Feunang,Y.D.; Marcu,A.; Guo, A.C.; Liang, K.; Vázquez-Fresno, R.; Sajed, T.; Johnson, D.; Allison, P.; Karu, N.; dkk HMDB 4.0:
Database metabolome manusia untuk 2018. Asam Nukleat Res. 2018, 46,D608–D617. [CrossRef] [PubMed]
72. Fahy, E.; Sud, M.; Cotter, D.; Subramaniam, S. LIPID MAPS alat online untuk penelitian lipid. Asam Nukleat Res. 2007, 35,W606–W612.
Aku tidaktahu apa yang harus kulakukan.
73. Kim, S.; Chen, J.; Cheng, T.; Gindulyte,A.; Dia, J.; Dia, S.; Li, Q.; Pembuat sepatu, B.A.; Thiessen, P.; Yu, B.; dkk. Pembaruan PubChem 2019:
Peningkatan akses ke data kimia. Nukleik Acids Res. 2019, 47,D1102–D1109. [CrossRef] [PubMed]
74. Horai, H.; Arita,M.; Kanaya,S.; Nihei, Y.; Ikeda, T.; Suwa, K.; Ojima, Y.; Tanaka, K.; Tanaka, S.; Aoshima,K.; dkk. MassBank: Repositori
publik untuk berbagi data spektral massa untuk ilmu kehidupan. J. Spektrome Massa. 2010, 45,703–714. [CrossRef] [PubMed]
75. Ogata, H.; Goto,S.; Sato, K.; Fujibuchi, W.; Bono, H.; Kanehisa, M. KEGG: Ensiklopedia Kyoto gen dan genom. Asam Nukleat Res. 1999,
27,29–34. Aku tidaktahu apa yang harus kulakukan.