Expressão da proteína biglicano no câncer de mama

Abstract

Introdução: O câncer de mama é o principal câncer em mulheres. A busca por novos biomarcadores para marcadores prognósticos tem sido buscada por diversos autores. O biglicano (BGN) é um membro da pequena família de proteínas proteoglicanas ricas em leucina e é um importante componente da matriz extracelular. Altos níveis de expressão de mRNA de BGN foram encontrados em vários tipos de câncer sólido, em comparação com tecidos normais. No entanto, há poucos dados sobre a expressão da proteína BGN no câncer de mama. O objetivo deste estudo é comparar a expressão da proteína BGN no tecido mamário normal e no câncer de mama por meio de técnicas de imuno-histoquímica. A análise de imagem de sua expressão foi realizada usando pontuação histológica digital (D-HScore) e redes neurais de aprendizagem profunda supervisionadas. Material e métodos: Neste estudo de caso-controle, 24 tecidos fixados em formalina e embebidos em parafina foram obtidos de arquivos patológicos para análise. Seções de tecido de mama normal (n=9) e câncer de mama (n=15) foram analisadas por imuno-histoquímica usando anticorpo monoclonal BGN (M01 - Abnova), clone 4E1-1G7 na diluição 1:300 em pH 6 e 3,3'- Diaminobenzidina (DAB) como cromogênio. As fotomicrografias das lâminas foram analisadas com o software ImageJ com "color deconvolution". Depois de selecionar as regiões de interesse (ROI), os painéis deconvoluídos apenas com DAB foram quantificados usando unidades DAB arbitrárias. Outro conjunto, com maior ampliação sem seleção de ROI, foi submetido ao modelo de reconhecimento de incorporação de imagem de rede neural profunda inceptionV3. Em seguida, a análise de rede neural supervisionada, usando validação cruzada estratificada de 20 vezes, com 200 camadas ocultas, ativação ReLu e regularização em α = 0,0001 foram aplicadas para redes neurais de aprendizado supervisionado. O tamanho da amostra foi calculado para um mínimo de 7 casos e 7 controles, tendo um poder = 90%, um erro α = 5% e um desvio padrão de 20, para identificar uma diminuição da média de 40 unidades DAB (controle) a 4 unidades DAB em câncer. 14 Resultados: A expressão de BGN (média ± DP) foi de 6,1 ± 3,9 em tecido de câncer de mama, enquanto em tecido de mama normal foi de 39,6 ± 21,9, usando D-HScore (p=0,0017, teste t de Student, correção de Welch). O SDLNN foi capaz de classificar corretamente 110 das 129 fotomicrografias do conjunto de dados usando apenas painéis DAB, com uma precisão de classificação de 85,3% (95% CI = 78,1% a 90,3%) e a área sob a curva = 94,3% Conclusões: D-HScore e redes neurais de aprendizado supervisionado foram capazes de revelar que a expressão da proteína BGN é reduzida no tecido com câncer de mama, em comparação com o tecido normal.

Background: Breast cancer is the leading cancer in women. The search for new biomarkers for prognostic markers have been sought by many authors. Biglycan (BGN) is a member of the small leucine-rich proteoglycan family of proteins, and is an important component of the extracellular matrix. High mRNA expression levels of BGN were found in various types of solid cancer, compared to normal tissues. However, there is scant data on the protein expression of BGN in breast cancer. The objective of this study is to compare the protein expression of BGN in normal breast tissue and in breast cancer using immunohistochemical techniques. Image analysis of its expression was performed using digital histological score (D-HScore) and supervised deep learning neural networks. Material and methods: In this case-control study, 24 formalin–fixed, paraffin-embedded tissues were obtained from pathological archives for analysis. Normal breast (n=9) and Breast cancer (n=15) tissue sections were analyzed by immunohistochemistry using BGN monoclonal antibody (M01 - Abnova), clone 4E1-1G7 at dilution 1: 300 at pH 6, and 3,3'-Diaminobenzidine (DAB) as the chromogen. Photomicrographs of the slides were analyzed with ImageJ software with "color deconvolution". After selecting the regions of interest (ROI), deconvoluted panels with DAB only were quantified using arbitrary DAB units. Another set, with higher magnification without ROI selection, was submitted to the inceptionV3 deep neural network image embedding recognition model. Next, supervised neural network analysis, using stratified 20 fold cross validation, with 200 hidden layers, ReLu activation, and regularization at α=0.0001 were applied for supervised learning neural networks. The sample size was calculated for a minimum of 7 cases and 7 controls, having a power = 90%, an α error = 5%, and a standard deviation of 20, to identify a decrease from the average of 40 DAB units (control) to 4 DAB units in cancer. Results: BGN expression (mean ± SD) was 6.1 ± 3.9 in breast cancer tissue, while in normal breast tissue, it was 39.6 ± 21.9, using D-HScore (p=0.0017, Student t-test, Welch corrected). SDLNN was 16 able to correctly classify 110 out of 129 photomicrographs of the dataset using DAB panels only, with a classification accuracy of 85.3% (95%CI=78.1% to 90.3%) and the area under the curve=94.3% Conclusions: D-HScore and supervised learning neural networks were able to reveal that BGN protein expression is reduced in breast cancer tissue, compared to normal tissue.