طورنا توقيع مقاومة تاموكسيفين مشتق من التعلم الآلي يصنف مرضى سرطان الثدي حسب خطر البقاء وقد يدعم التقييم التنبؤي الشخصي واتخاذ القرار العلاجي في الممارسة السريرية.
مقالة بحثية
* These authors contributed equally
طورنا توقيع مقاومة تاموكسيفين مشتق من التعلم الآلي يصنف مرضى سرطان الثدي حسب خطر البقاء وقد يدعم التقييم التنبؤي الشخصي واتخاذ القرار العلاجي في الممارسة السريرية.
التاموكسيفين هو علاج رئيسي للغدد الصماء لسرطان الثدي الإيجابي لمستقبلات الإستروجين (ER+)، لكن المقاومة المكتسبة تحد من الفعالية طويلة الأمد. تظل الآليات الجزيئية معقدة، والعلامات الحيوية التنبؤية تفتقر. تم الحصول على بيانات التعبير الجيني المتعلقة بمقاومة التاموكسيفين من GEO (GSE67916)، وتم تحديد الجينات المعبر عنها بشكل تفاضلي (DEGs) باستخدام خوارزمية ليما. كشفت تحليلات الإثراء الوظيفي (GO وKEGG) عن تورط في العمليات المناعية، والاستجابات المضادة للفيروسات، والتداخل الخلوي، ومسارات الليسوزومات، وإشارات الإستروجين. حددت ثلاث خوارزميات تعلم آلي (LASSO، SVM-RFE، وRF) ستة جينات مركزية (CAMK1D، CHAC1، KIAA0513، MED13، NDRG1، STXBP5). تم بناء نموذج تنبؤي للمخاطر بناء على هذه الجينات باستخدام بيانات TCGA-BRCA، مما أدى إلى تصنيف المرضى بشكل فعال إلى مجموعات عالية ومنخفضة الخطورة مع بقاء إجمالي مختلف بشكل ملحوظ. أظهر النموذج دقة تنبؤية جيدة (AUC = 0.70) وأداء مستقر في تحليلات ROC المعتمدة على الوقت، تم التحقق منها في مجموعة مستقلة. توفر هذه الدراسة توقيعا جينيا قويا مرتبطا بمقاومة التاموكسيفين ونموذجا تنبؤيا متعدد الجينات، مقدما رؤى جديدة حول آليات المقاومة وإرشادات محتملة للتشخيص والعلاج الفردي في سرطان الثدي ER+ .
سرطان الثدي هو أكثر أنواع السرطان تشخيصا بين النساء حول العالم ولا يزال مساهما رئيسيا في الوفيات المرتبطة بالسرطان1. استنادا إلى التحليل الجزيئي، حوالي 60-70٪ من المرضى يظهرون بالنوع الفرعي الإيجابي لمستقبلات الإستروجين (ER+)، والذي يستجيب بشكل جيد عادة للعلاج الأولي بالغدد الصماء. من بين العديد من عوامل الغدد الصماء، كان تاموكسيفين—وهو معدل مستقبلات الإستروجين الانتقائي (SERM)—هو معيار الرعاية لعلاج سرطان الثدي ER+ بالطريقة المساعدة والنقلائية، مما حسن نتائج البقاء على قيد الحياة بشكل كبير في التجارب العشوائية واسعة النطاق2.
على الرغم من فعاليته السريرية المعروفة، إلا أن نسبة كبيرة من المرضى يطورون مقاومة مكتسبة في النهاية، مما يؤدي إلى تكرار المرض وتطوره3. وبالتالي، تمثل مقاومة التاموكسيفين عنق زجاجة حاسم في الإدارة طويلة الأمد لسرطان الثدي. تشير الدراسات السابقة إلى أن آليات المقاومة متجانسة للغاية، تشمل إشارات ER الشاذة، وتنشيط مسارات عوامل النمو البديلة (مثل PI3K/AKT، MAPK)، خلل في تنظيم الاستماتة المبرمجة، وإعادة برمجة الأيض4.
مؤخرا، حظيت البيئة الدقيقة للأورم (TME)، وخاصة البيئة الدقيقة المناعية، باهتمام متزايد لدورها في الاستجابة العلاجية والمقاومة. تسرب الخلايا المناعية والإشارات الالتهابية مرتبطان ارتباطا وثيقا بتطور سرطان الثدي وحساسيته للعلاج. تشير الأدلة الناشئة إلى أن العمليات المرتبطة بالمناعة قد تعدل استجابات الإجهاد الخلوي وتعزز التهرب المناعي، مما يساهم في مقاومة الغدد الصماء5. ومع ذلك، لا يزال المشهد المناعي الخاص المرتبط بمقاومة التاموكسيفين غير واضح بالكامل.
مع ظهور التسلسل عالي الإنتاجية والمعلوماتية الحيوية، يوفر تحليل بيانات النسخ النصية نهجا قويا لفك شفرة الأساس الجزيئي لمقاومة الأدوية. مقارنة بالمؤشرات الحيوية ذات الجين الواحد، تلتقط التواقيع متعددة الجينات تباين الورم بشكل أكثر فعالية، مما يوفر استقرارا ودقة أعلى في التشخيص. أصبحت خوارزميات التعلم الآلي، مثل انحدار LASSO، وآلات الدعم المتجه (SVM)، والغابة العشوائية (RF)، أدوات أساسية لتحديد العلامات الحيوية المتينة وبناء نماذج تنبؤية في الطب الدقيق6. على الرغم من اقتراح عدة توقيعات جينية 7,8,9، إلا أن التحقق المتين غالبا ما يكون مفقودا.
بينما استكشفت الدراسات السابقة جينات مقاومة التاموكسيفين، إلا أن القليل منها دمج بشكل منهجي استراتيجيات تعلم آلي متعددة لبناء نموذج تنبؤي قوي تم التحقق منه في مجموعات مستقلة. في هذه الدراسة، قمنا بدمج بيانات النسخ من GEO وTCGA لفحص الجينات المرتبطة بمقاومة التاموكسيفين. من خلال تطبيق مجموعة من خوارزميات التعلم الآلي، حددنا جينات المقاومة الأساسية وبنينا نموذج مخاطر تنبؤي. قمنا بتقييم ارتباط النموذج بالبيئة الدقيقة المناعية وأكدنا قيمته التنبؤية في مجموعة مستقلة، بهدف تقديم أدلة نظرية جديدة لاستراتيجيات العلاج الشخصية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تم الحصول على جميع البيانات المستخدمة في هذه الدراسة من قواعد بيانات متاحة للجمهور (TCGA، GEO، وMETABRIC). لم يشارك أي من البشر أو الحيوانات؛ لذلك، لم تكن هناك حاجة لموافقة لجنة المراجعة المؤسسية والموافقة المستنيرة.
جمع البيانات والمعالجة المسبقة
تم استرجاع بيانات التعبير الجيني المتعلقة بمقاومة التاموكسيفين من قاعدة بيانات التعبير الجيني الشاملة (GEO)10. تتضمن مجموعة البيانات GSE67916 (Affymetrix Human Genome U133 Plus 2.0 Array) 18 عينة من خلايا سرطان الثدي: 8 عينات ضابطة غير معالجة و10 عينات مقاومة للتاموكسيفين تم توليدها نتيجة التعرض طويل الأمد للأدوية. تم تنزيل بيانات تسلسل الحمض النووي الريبي ومعلومات المتابعة السريرية المقابلة لمجموعة سرطان الثدي الغازي (TCGA-BRCA) من أطلس جينوم السرطان (TCGA)11.
تمت معالجة ملفات CEL الخام في المصفوفة الدقيقة في R (الإصدار 4.4.2) باستخدام حزمة ال affy. تم إجراء تصحيح الخلفية والتطبيع باستخدام خوارزمية متوسط المصفوفات المتعددة المتينة (RMA)، بما في ذلك تحويل log2 وتطبيع الكم. تم تعيين معرفات المسبار إلى رموز جينية باستخدام ملفات توضيحية للمنصة؛ بالنسبة للجينات التي تحتوي على عدة مجسات، تم استخدام متوسط قيمة التعبير. بالنسبة لبيانات تسلسل RNA في TCGA، تم تحويل النصوص لكل مليون (TPM) إلى log2 [log2(TPM + 1)]. تم استبعاد العينات التي تحتوي على معلومات بقاء غير مكتملة أو متغيرات سريرية مفقودة.
تحديد الجينات المعبر عنها بشكل مختلف
تم تقييم التعبير التفاضلي بين العينات المقاومة للتاموكسيفين والعينات الضابطة باستخدام حزمة ليما R12 مع الاعتدال التجريبي لبايز. الجينات التي تتغير |log2 تتغير تم تعريف > 1 وقيمة P معدلة < 0.05 (FDR بنجاميني–هوشبرغ) كجينات معبرة بشكل تفاضلي (DEGs).
تحليل الإثراء الوظيفي
تم إجراء تحليلات أنطولوجيا جينية (GO)13وموسوعة كيوتو للجينات والجينومات (KEGG)14 باستخدام حزمة clusterProfiler15 R. شملت فئات GO العملية البيولوجية (BP)، والمكون الخلوي (CC)، والوظيفة الجزيئية (MF). اعتبرت قيم P المعدلة < 0.05 ذات دلالة.
اختيار الميزات المعتمد على التعلم الآلي
تم تطبيق ثلاث خوارزميات تعلم آلي لتحديد جينات المركز: (1) انحدار LASSO16 (حزمة glmnet) مع تحقق متقاطع 10 مرات لاختيار معامل العقوبة الأمثل (lambda.min); (2) دعم إزالة الخصائص العودية من آلة الناقل (SVM-RFE)17 (حزمة e1071) مع التحقق المتقاطع الخماسي لتحديد الحد الأدنى من الجينات ذات أقل خطأ تصنيفي؛ (3) الغابة العشوائية (RF)18 (حزمة عشوائية للغابة) مع 500 شجرة (ntree = 500); تم تصنيف الجينات بواسطة MeanDecreaseGini. تم تعريف الجينات التي تم تحديدها بالطرق الثلاث كلها كجينات مركز.
بناء نموذج المخاطر التنبؤية
تم بناء نموذج تنبؤي متعدد الجينات باستخدام بيانات تعبير وبقاءات جينات TCGA-BRCA. تم فحص الجينات المرتبطة بالبقاء باستخدام انحدار كوكس أحادي المتغير، تلاه انحدار كوكس متعدد المتغيرات لتطوير التوقيع النهائي. تم حساب صيغة تقييم المخاطر كالتالي: درجة المخاطر = (0.01297 × CAMK1D) + (0.03021 × CHAC1) + (0.02018 × KIAA0513) + (0.00647 × MED13) + (0.00108 × NDRG1) + (0.04551 × STXBP5). تم تصنيف المرضى إلى مجموعات عالية ومنخفضة المخاطر بناء على متوسط درجة المخاطر.
تقييم والتحقق من صحة نموذج التنبؤ
تم تقييم الفروق العامة في البقاء بين المجموعات باستخدام تحليل كابلان-ماير واختبار التصنيف اللوغاريتمي. تم تقييم الأداء التنبؤي باستخدام منحنيات ROC (حزمة pROC) وتحليل ROC المعتمد على الوقت (حزمة timeROC). تم إنشاء صورة نوموغرامية تدمج درجات المخاطر والمتغيرات السريرية باستخدام حزمة RMS. قيم منحنيات المعايرة التوافق بين احتمالات البقاء المتوقعة والملاحظة. تم إجراء التحقق الخارجي في المجموعة19 المستقلة لتصنيف جزيئية لاتحاد سرطان الثدي الدولي (METABRIC) باستخدام نفس الصيغة ونفس الحد.
تحليل تسرب المناعة
تم تقدير تسرب الخلايا المناعية باستخدام CIBERSORT20 مع 1000 تبديلة استنادا إلى بيانات TCGA. تم تضمين عينات تحتوي على P < 0.05. تم تقييم الفروق في تركيب الخلايا المناعية بين المجموعات عالية ومنخفضة الخطورة باستخدام اختبار ويلكوكسون لمجموع الترتيب، وتم تقييم الارتباطات بين تعبير جينات المحور ووفرة الخلايا المناعية باستخدام ارتباط الرتبة الخاص بسبيرمان.
التحليل الإحصائي
أجريت جميع التحليلات في R. تمت مقارنة المتغيرات المستمرة باستخدام اختبار ويلكوكسون للمجموع، والمتغيرات الفئوية باستخدام اختبار كاي-تربيع. اعتبر النسبة الثنائية الجانب P < 0.05 ذات دلالة إحصائية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تحديد الجينات المعبر عنها بشكل مختلف المرتبطة بمقاومة التاموكسيفين
تم تحديد ما مجموعه 854 جينا معبرا تفاضلا (DEGs) بين عينات مقاومة للتاموكسيفين وعينات ضابطة، بما في ذلك 556 جينا مرتفعا و298 جينا منخفضا. أظهر توزيع DEGs هيمنة الجينات المرتفعة في العينات المقاومة، مما يشير إلى تنشيط نسخي واسع النطاق مرتبط بمقاومة التاموكسيفين (الشكل 1).
تحليل الإثراء الوظيفي لمستويات DEGs
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تظل مقاومة التاموكسيفين عقبة محورية في علاج سرطان الثدي ER+ . بينما تعرف آليات مثل طفرات ER جيدا، لا تزال التكيفات الجزيئية النظامية للعلاج طويل الأمد أقل فهما. في هذه الدراسة، قمنا بدمج علم النسخ وتعلم الآلة لتحديد توقيع قوي مكون من ستة جينات (CAMK1D، CHAC1، KIAA0513، MED13، NDRG1، STXBP5) يتنبأ بمقاومة التاموكسيفين وتوقعات المريض.
كشف تحليلنا الوظيفي أن المقاومة تصاحبها إعادة تشكيل واسعة النطاق من النسخ، خاصة في الاستجابة المناعية ومسارات النقل دا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يعلن المؤلفون أنهم لا يملكون تضارب مصالح.
وقد دعمت هذه الدراسة مشروع مركز أبحاث الهندسة في مقاطعة جيانغسو للعلاج الجزيئي المستهدف والتشخيص المرافق في الأورام (SGK2202319)، وفريق البحث المبتكر في مؤسسة جيانغسو للتعليم العالي في مجال العلوم والتكنولوجيا (2021)، وبرنامج مركز أبحاث التكنولوجيا الهندسية في كلية جيانغسو المهنية (2023)، والمؤسسة الرئيسية للعلوم الطبيعية لمؤسسات جيانغسو للتعليم العالي في الصين (منحة رقم 24KJA310008)، البرامج الرئيسية لكلية الصحة المهنية في سوتشو (szwzy szwzy202406)، مشروع مختبر الدولة الرئيسي لطب الإشعاع والحماية، جامعة سوتشو (رقم GZK1202506)، مشروع مركز أبحاث الهندسة في مقاطعة جيانغسو للعلاج الجزيئي المستهدف والتشخيصات المصاحبة في الأورام (SGK1202413)، وبرنامج المواهب الصحية في دونغوو (DWWS2024002، DWWS2025001).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| حزمة Affy | Bioconductor | - | معالجة بيانات المصفوفة الدقيقة |
| حزمة clusterProfiler | Bioconductor | الإصدار 4.4.2 | تحليل إثراء GO و KEGG |
| خوارزمية CIBERSORT | Newman وآخرون | - | تقدير تسلل الخلايا المناعية |
| حزمة e1071 (SVM-RFE) | CRAN | - | الإزالة التكرارية للميزات باستخدام آلة المتجه الداعم |
| مكتبة Gene Expression Omnibus (GEO) | NCBI | GSE67916 | مجموعة بيانات مقاومة التاموكسيفين |
| حزمة glmnet | CRAN / Bioconductor | - | انحدار LASSO |
| حزمة limma | Bioconductor | - | تحليل التعبير التفاضلي |
| مجموعة بيانات METABRIC | cBioPortal / Curtis وآخرون | - | مجموعة التحقق |
| حزمة pROC | CRAN | - | تحليل منحنى ROC |
| برنامج R | فريق R الأساسي | الإصدار 4.4.2 | بيئة الحوسبة الإحصائية |
| حزمة Random forest | CRAN | - | خوارزمية Random Forest |
| حزمة rms | CRAN | - | إنشاء النمذجة |
| مجموعة بيانات TCGA-BRCA | The Cancer Genome Atlas (TCGA) | - | بيانات RNA-seq لمجموعة التدريب |
| حزمة timeROC | CRAN | - | تحليل ROC المعتمد على الوقت |
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن