Возможность использования метода «случайного леса» для поиска взаимосвязи микроРНК с тканевыми и молекулярно-генетическими маркерами рака молочной железы

Цель. Поиск возможности выявления с помощью метода «случайного леса» (МСЛ) взаимосвязи между уровнем микроРНК miR-181a, miR-25 и экспрессией маркеров: E-кадгерина (CDH1), коллагена II (CII), интегрина бета-1 (ITGB1), циклина D1 (CCND1) и белка-костимулятора Т-лимфоцитов (CD86), а также их ассоциации с клинически значимыми молекулярно-генетическими маркерами (ER, PR, HER2, Ki-67) у пациенток с раком молочной железы (РМЖ).
Материалы и методы. У 44 пациенток с инвазивной протоковой карциномой молочной железы (без неоадъювантной терапии) определяли экспрессию микроРНК miR-181a и miR-25 в сыворотке крови, используя цифровую капельную полимеразную цепную реакцию (ПЦР). Экспрессию CDH1, CII, ITGB1, CCND1, CD86, ER, PR, HER2 и Ki-67 анализировали с помощью иммуногистохимии в образцах опухолевой ткани. Для анализа взаимосвязей использовали корреляционный анализ Спирмена и алгоритм МСЛ.
Результаты. Корреляционный анализ не выявил статистически значимых линейных взаимосвязей между исследуемыми параметрами (p > 0,05). Метод «случайного леса» показал наличие нелинейных ассоциаций: для miR-181a оптимальная прогностическая модель включала CDH1 и CCND1 (MAE = 4,267), для miR-25 – ITGB1 и CCND1 (MAE = 16,255). Из клинико-патологических характеристик статистически значимые положительные корреляции выявлены для CII с ER (r = 0,498; p = 0,001) и PR (r = 0,354; p = 0,018). Модели МСЛ продемонстрировали наибольшую точность предсказания HER2-статуса (82,6%) при использовании комбинации ITGB1, miR-181a и CDH1.
Заключение. Алгоритм МСЛ выявил сложные нелинейные взаимосвязи между miR-181a, miR-25 и тканевыми маркерами опухолевой прогрессии, которые ранее не обнаружены стандартными статистическими методами. Полученные результаты носят поисковый характер и формируют основу для дальнейших исследований по валидации данных биомаркеров и их роли в патогенезе различных подтипов РМЖ.

1. Rani V., Sengar R.S. Biogenesis and mechanisms of micro RNA-mediated gene regulation. Biotechnol. Bioeng. 2022;119 (3):685–692. DOI: 10.1002/bit.28029.

2. Kumar S., Ranga A. Role of miRNAs in breast cancer development and progression: Current research. BioFactors. 2025;51(1):e2146. DOI: 10.1002/biof.2146.

3. Zhai Z., Mu T., Zhao L., Li Y., Zhu D., Pan Y. MiR-181a-5p facilitates proliferation, invasion, and glycolysis of breast cancer through NDRG2-mediated activation of PTEN/AKT pathway. Bioengineered. 2022;13(1):83–95. DOI: 10.1080/21655979.2021.2006974.

4. Zhao T., Meng W., Chin Y., Gao L., Yang X., Sun S. et al. Identification of miR-25-3p as a tumor biomarker: Regulation of cellular functions via TOB1 in breast cancer. Mol. Med. Rep. 2021; 23(6):406. DOI: 10.3892/mmr.2021.12045.

5. Kalinina T.S., Kononchuk V.V., Alekseenok E.Y., Obukhova D., Sidorov S.V., Strunkin D. et al. Expression of estrogen receptor- and progesterone receptor-regulating micro RNAs in breast cancer. Genes. 2021;12(4):582. DOI: 10.3390/genes12040582.

6. Andreeva O.E., Sorokin D.V., Mikhaevich E.I., Bure I.V., Shchegolev Y.Y., Nemtsova M.V. et al. Towards unravelling the role of ERα-targeting miRNAs in the exosome-mediated transferring of the hormone resistance. Molecules. 2021;26(21):6661. DOI: 10.3390/molecules26216661.

7. Gilam A., Shai A., Ashkenazi I., Sarid L.A., Drobot A., Bickel A. et al. MicroRNA regulation of progesterone receptor in breast cancer. Oncotarget. 2017;8(16):25963–25976. DOI: 10.18632/oncotarget.15657.

8. Feng J., Hu S., Liu K., Sun G., Zhang Y. The role of microRNA in the regulation of tumor epithelial-mesenchymal transition. Cells. 2022;11(13):1981. DOI: 10.3390/cells11131981.

9. Mendez M.J., Hoffman M.J., Cherry E.M., Lemmon C.A., Weinberg S.H. Cell fate forecasting: a data-assimilation approach to predict epithelial-mesenchymal transition. Biophys. J. 2020;118(7):1749–1768. DOI: 10.1016/j.bpj.2020.02.011.

10. Manfioletti G., Fedele M. Epithelial-mesenchymal transition (EMT). Int. J. Mol. Sci. 2023;24(14):11386. DOI: 10.3390/ijms241411386.

11. Ali A.H., Haider G., Ahmed K., Hashmi M., Kerio P., Irshad R. Correlation between e-cadherin and hormone receptor status among breast cancer patients. Journal of the College of Physicians and Surgeons Pakistan. 2020;30(10):1030–1034. DOI: 10.29271/jcpsp.2020.10.1030.

12. Autenshlyus A.I., Perepechaeva M.L., Studenikina A.A., Grishanova A.Y., Lyakhovich V.V. Serum miR-181а and miR-25 levels in patients with breast cancer or benign breast disease. Dokl. Biochem. Biophys. 2023;512(1):279–283. DOI: 10.1134/S1607672923700436.

13. Студеникина А.А., Архипов С.А., Вараксин Н.А., Проскура А.В., Аутеншлюс А.И. Биомаркеры молочной железы в выявлении малигнизации при доброкачественных заболеваниях у женщин. Профилактическая медицина. 2024;27(1):63–66. DOI: 10.17116/profmed20242701163.

14. Студеникина А.А., Архипов С.А., Жураковский И.П., Проскура А.В., Аутеншлюс А.И. Экспрессия маркеров эпителиально-мезенхимального перехода при раке молочной железы. Архив патологии. 2023;85(4):12–17. DOI: 10.17116/patol20238504112.

15. Jeffreys S.A., Becker T.M., Khan S., Soon P., Neubauer H., de Souza P. et al. Prognostic and predictive value of CCND1/Cyclin D1 Amplification in Breast Cancer with a Focus on Postmenopausal Patients: A Systematic Review and Meta-Analysis. Frontiers in Endocrinology. 2022;13:895729. DOI: 10.3389/fendo.2022.895729.

16. Wennhold K., Thelen M., Lehmann J., Schran S., Preugszat E., Garcia-Marquez M. et al. CD86+ antigen-presenting B cells are increased in cancer, localize in tertiary lymphoid structures, and induce specific T-cell responses. Cancer Immunol. Res. 2021;9(9):1098–1108. DOI: 10.1158/2326-6066.CIR-20-0949.

17. Yang H.L., Tsai Y.C., Korivi M., Chang C.T., Hseu Y.C. Lucidone Promotes the cutaneous wound healing process via activation of the PI3K/AKT, Wnt/β-catenin and NF-κB signaling pathways. Biochimica et Biophysica Acta – Molecular Cell Research. 2017;1864(1):151–168. DOI: 10.1016/j.bbamcr.2016.10.021.

18. Li X., Jin Y., Xue J. Unveiling collagen’s role in breast cancer: insights into expression patterns, functions and clinical implications. International Journal of General Medicine. 2024;17:1773–1787. DOI: 10.2147/IJGM.S463649.

19. Khan M.J., Singh A.K., Sultana R., Singh P.P., Khan A., Saxena S. Breast cancer: A comparative review for breast cancer detection using machine learning techniques. Cell Biochem. Funct. 2023;41(8):996–1007. DOI: 10.1002/cbf.3868.

20. Breiman L. Random forests. Mach. Learn. 2001;45:5–32. DOI: 10.1023/A:1010933404324.

21. Zuo D., Yang L., Jin Y., Qi H., Liu Y., Ren L. Machine learning-based models for the prediction of breast cancer recurrence risk. BMC Med. Inform. Decis. Mak. 2023;23(1):276. DOI: 10.1186/s12911-023-02377-z.

22. Jin Y., Lan A., Dai Y., Jiang L., Liu S. Development and testing of a random forest-based machine learning model for predicting events among breast cancer patients with a poor response to neoadjuvant chemotherapy. Eur. J. Med. Res. 2023;28(1):394. DOI: 10.1186/s40001-023-01361-7.

23. Arika R.N., Mindila A., Cheruiyo W. Machine learning algorithms for breast cancer diagnosis: challenges, prospects and future research directions. J. Oncol. 2023;5(1):1–31. DOI: 10.30564/jor.v5i1.4977.

24. Kondov B., Milenkovikj Z., Kondov G., Petrushevska G., Basheska N., Bogdanovska-Todorovska M. et al. Presentation of the molecular subtypes of breast cancer detected by immunohistochemistry in surgically treated patients. J. Med. Sci. 2018;6(6): 961–967. DOI: 10.3889/oamjms.2018.231.

25. Yumpu [Internet]. ER/PR PharmDx Interpretation Manual. – Dako. URL: https://www.yumpu.com/en/document/read/18500132/er-pr-pharmdxtm-interpretation-manual-dako. Available at: 09.20.2013.

26. Willmott C.J., Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim. Res. 2005;30(1):79–82. DOI: 10.3354/cr030079.

27. Li L., Xu Q.H., Dong Y.H., Li G.X., Yang L., Wang L.W. et al. MiR-181a upregulation is associated with epithelial-to-mesenchymal transition (EMT) and multidrug resistance (MDR) of ovarian cancer cells. Eur. Rev. Med. Pharmacol. Sci. 2016;20(10):2004–2010.

28. Strotbek M., Schmid S., Sánchez-González I., Boerries M., Busch H., Olayioye M.A. miR-181 elevates Akt signaling by co-targeting PHLPP2 and INPP4B phosphatases in luminal breast cancer. Int. J. Cancer. 2017;140(10):2310–2320. DOI: 10.1002/ijc.30661.

29. Govatati S., Singamsetty G.K., Nallabelli N., Malempati S., Rao P.S., Madamchetty V.K.K. et al. Contribution of cyclin D1 (CCND1) and E-cadherin (CDH1) alterations to colorectal cancer susceptibility: a case-control study. Tumor Biol. 2014;35(12):12059–12067. DOI: 10.1007/S13277-014-2505-9.

30. Yan X., Gao M., Zhang P., Ouyang G., Mu Q., Xu K. MiR-181a functions as an oncogene by regulating CCND1 in multiple myeloma. Oncol. Lett. 2020;20(1):758–764. DOI: 10.3892/OL.2020.11579.

31. Yao J., Li G., Liu M., Yang S., Su H., Ye C. lnc-MICAL2 1 sponges miR 25 to regulate DKK3 expression and inhibits activation of the Wnt/β catenin signaling pathway in breast cancer. Int. J. Mol. Med. 2022;49(2):23. DOI: 10.3892/ijmm.2021.5078.

32. Jiang X., Wang J., Zhang K., Tang S., Ren C., Chen Y. The role of ITGB1-ILK-Akt signaling-mediated epithelial-mesenchymal transition of liver epithelial cells and chemoresistance and radioresistance in hepatocellular carcinoma cells. Med. Oncol. 2015;32(5):141. DOI: 10.1007/S12032-015-0595-X.

33. Vora H., Gavali M., Patel N. A Study of Col2A1 expression in triple-negative brest cancer patients. Glob. J. Clinic. Medici. Medica. Res. 2023;1:1–5.

34. Li X., Jin Y., Xue J. Unveiling collagen’s role in breast cancer: insights into expression patterns, functions and clinical implications. Int. J. Gen. Med. 2024;17:1773–1787. DOI: 10.2147/IJGM.S463649.