Expressão da proteína biglicano no câncer de mama

• Autor(a) principal: Thiesen, Ana Paula
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/255795
• topic: Neoplasias da mama; Imuno-histoquímica; Biglicano; Breast cancer; Biglycan; Immunohistochemistry; Deep learning

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.