Forschungsartikel
* These authors contributed equally
Wir entwickelten eine maschinell-learningbasierte Sechs-Gen-Tamoxifen-Resistenzsignatur, die Brustkrebspatientinnen nach Überlebensrisiko stratifiziert und möglicherweise eine personalisierte prognostische Bewertung sowie therapeutische Entscheidungsfindung in der klinischen Praxis unterstützt.
Tamoxifen ist eine wichtige endokrine Therapie für östrogenrezeptor-positive (ER+) Brustkrebs, begrenzt jedoch die langfristige Wirksamkeit. Die molekularen Mechanismen bleiben komplex, und prädiktive Biomarker fehlen. Genexpressionsdaten im Zusammenhang mit Tamoxifen-Resistenz wurden aus GEO (GSE67916) gewonnen, und differenziell exprimierte Gene (DEGs) wurden mit dem Limma-Algorithmus identifiziert. Funktionelle Anreicherungsanalysen (GO und KEGG) zeigten eine Beteiligung an Immunprozessen, antiviralen Reaktionen, Endozytose, Lysosomenwegen und Östrogen-Signalübertragung. Drei maschinelle Lernalgorithmen (LASSO, SVM-RFE und RF) identifizierten sechs Hub-Gene (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5). Ein prognostisches Risikomodell auf Basis dieser Gene wurde mit TCGA-BRCA-Daten erstellt und die Patienten effektiv in Hoch- und Niedrigrisikogruppen mit signifikant unterschiedlicher Gesamtüberlebensfähigkeit eingeteilt. Das Modell zeigte eine gute prädiktive Genauigkeit (AUC = 0,70) und stabile Leistung in zeitabhängigen ROC-Analysen, validiert in einer unabhängigen Kohorte. Diese Studie liefert eine robuste, mit Tamoxifen-Resistenz verbundene Gensignatur und ein multigen-prognostisches Modell, das neue Einblicke in Resistenzmechanismen sowie mögliche Hinweise für eine individualisierte Prognose und Therapie bei ER+- Brustkrebs bietet.
Brustkrebs ist weltweit die am häufigsten diagnostizierte Krebserkrankung bei Frauen und ist weiterhin ein wesentlicher Faktor für krebsbedingte Todesfälle1. Basierend auf molekularem Profiling zeigen etwa 60–70 % der Patienten den östrogenrezeptorpositiven (ER+)-Subtyp, der in der Regel gut auf die erste endokrine Therapie anspricht. Unter verschiedenen endokrinen Wirkstoffen ist Tamoxifen – ein selektiver Östrogenrezeptormodulator (SERM) – seit langem der Standard für die adjuvante und metastasierte Behandlung von ER+- Brustkrebs und verbessert die Überlebensergebnisse in groß angelegten randomisierten Studiensignifikant 2.
Trotz seiner etablierten klinischen Wirksamkeit entwickelt ein erheblicher Anteil der Patienten schließlich eine erworbene Resistenz, die zu einem Wiederauftreten und Fortschreiten der Krankheit führt. Folglich stellt die Tamoxifen-Resistenz einen entscheidenden Engpass in der langfristigen Behandlung von Brustkrebs dar. Frühere Studien zeigen, dass die Mechanismen, die den Widerstand antreiben, hoch heterogen sind und aberrante ER-Signalübertragungen, Aktivierung alternativer Wachstumsfaktorwege (z. B. PI3K/AKT, MAPK), eine Dysregulation der Apoptose und metabolische Umprogrammierungumfassen.
In jüngerer Zeit hat das Tumormikromilieu (TME), insbesondere das Immunsystemmikroumfeld, zunehmend Aufmerksamkeit für seine Rolle bei der therapeutischen Antwort und Resistenz erregt. Die Infiltration von Immunzellen und die entzündliche Signalgebung stehen in engem Zusammenhang mit dem Fortschreiten von Brustkrebs und der Empfindlichkeit gegenüber der Behandlung. Neue Erkenntnisse deuten darauf hin, dass immunbezogene Prozesse zelluläre Stressreaktionen modulieren und die Immunausweichung fördern können, wodurch sie zur endokrinen Resistenzbeitragen 5. Die spezifische Immunlandschaft, die mit Tamoxifen-Resistenz assoziiert ist, ist jedoch noch nicht vollständig geklärt.
Mit dem Aufkommen der Hochdurchsatzsequenzierung und Bioinformatik bietet die Analyse von transkriptomischen Daten einen leistungsstarken Ansatz zur Entschlüsselung der molekularen Basis der Arzneimittelresistenz. Im Vergleich zu Einzel-Gen-Biomarkern erfassen Multi-Gen-Signaturen die Tumorheterogenität effektiver und bieten eine überlegene Stabilität und Genauigkeit in der Prognose. Maschinelle Lernalgorithmen wie die LASSO-Regression, Support Vector Machines (SVM) und Random Forest (RF) sind zu unverzichtbaren Werkzeugen geworden, um robuste Biomarker zu identifizieren und prädiktive Modelle in der Präzisionsmedizinzu erstellen 6. Obwohl mehrere Gensignaturen vorgeschlagen wurden, 7,8,9, fehlt oft eine robuste Validierung.
Während frühere Studien Tamoxifen-Resistenzgene untersucht haben, haben nur wenige systematisch mehrere maschinelle Lernstrategien integriert, um ein robustes prognostisches Modell zu entwickeln, das in unabhängigen Kohorten validiert wird. In dieser Studie integrierten wir transkriptomische Daten von GEO und TCGA, um auf Gene mit Tamoxifenresistenz zu screenen. Durch die Anwendung eines Ensembles von maschinellen Lernalgorithmen identifizierten wir Kernresistenzgene und erstellten ein prognostisches Risikomodell. Wir bewerteten die Assoziation des Modells mit der immunen Mikroumgebung weiter und validierten seinen prädiktiven Wert in einer unabhängigen Kohorte, mit dem Ziel, neue theoretische Belege für personalisierte Behandlungsstrategien zu liefern.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Alle in dieser Studie verwendeten Daten stammen aus öffentlich zugänglichen Datenbanken (TCGA, GEO und METABRIC). Es waren keine menschlichen Teilnehmer oder Tiere beteiligt; daher waren keine Genehmigung des Prüfungsausschusses und eine informierte Zustimmung erforderlich.
Datenerfassung und Vorverarbeitung
Genexpressionsdaten im Zusammenhang mit Tamoxifen-Resistenz wurden aus der Gene Expression Omnibus (GEO)-Datenbankabgerufen 10. Der GSE67916-Datensatz (Affymetrix Human Genome U133 Plus 2.0 Array) umfasst 18 Brustkrebszellproben: 8 unbehandelte Kontrollproben und 10 tamoxifenresistente Proben, die durch langfristige Medikamentenexposition erzeugt wurden. RNA-Sequenzierungsdaten und entsprechende klinische Nachbeobachtungsdaten für die Breast Invasive Carcinoma-Kohorte (TCGA-BRCA) wurden aus dem Cancer Genome Atlas (TCGA)11 heruntergeladen.
Rohe Microarray-CEL-Dateien wurden in R (Version 4.4.2) mit dem affy-Paket verarbeitet. Hintergrundkorrektur und Normalisierung wurden mit dem Robust Multi-array Average (RMA)-Algorithmus durchgeführt, einschließlich log2-Transformation und Quantilnormalisierung. Sonden-IDs wurden mithilfe von Plattform-Annotationsdateien auf Gensymbole abgebildet; Für Gene mit mehreren Sonden wurde der durchschnittliche Expressionswert verwendet. Für TCGA RNA-seq-Daten wurden Transkripte pro Million (TPM)-Werte log2-transformiert [log2(TPM + 1)]. Proben mit unvollständigen Überlebensinformationen oder fehlenden klinischen Variablen wurden ausgeschlossen.
Identifikation unterschiedlich exprimierter Gene
Die differenzielle Expression zwischen tamoxifenresistenten und Kontrollproben wurde mit dem Limma-R-Paket12 mit empirischer Bayes-Moderation bewertet. Gene mit |log2-facher Veränderung| > 1 und ein angepasster P-Wert < 0,05 (Benjamini–Hochberg FDR) wurden als differentiell exprimierte Gene (DEGs) definiert.
Funktionale Anreicherungsanalyse
Gene Ontology (GO)13und die Kyoto Encyclopedia of Genes and Genomes (KEGG)14 Analysen wurden mit dem clusterProfiler15 R-Paket durchgeführt. Zu den GO-Kategorien gehörten biologischer Prozess (BP), zelluläre Komponente (CC) und molekulare Funktion (MF). Bereinigte P-Werte < 0,05 wurden als signifikant angesehen.
Feature-Auswahl basierend auf maschinellem Lernen
Drei Machine-Learning-Algorithmen wurden angewandt, um Hub-Gene zu identifizieren: (1) LASSO-Regression16 (glmnet-Paket) mit 10-facher Kreuzvalidierung zur Auswahl des optimalen Strafparameters (lambda.min); (2) Unterstützung der vektormaschinell-rekursiven Merkmalselimination (SVM-RFE)17 (e1071-Gehäuse) mit fünffacher Kreuzvalidierung, um die minimale Gen-Teilmenge mit dem geringsten Klassifikationsfehler zu identifizieren; (3) Random Forest (RF)18 (randomForest-Paket) mit 500 Bäumen (ntree = 500); Gene wurden von MeanDecreaseGini bewertet. Gene, die mit allen drei Methoden identifiziert wurden, wurden als Hubgene definiert.
Konstruktion des prognostischen Risikomodells
Ein multigen-prognostisches Risikomodell wurde unter Verwendung von TCGA-BRCA-Genexpressions- und Überlebensdaten erstellt. Überlebensassoziierte Gene wurden mittels univariater Cox-Regression gescreent, gefolgt von multivariater Cox-Regression, um die endgültige Signatur zu entwickeln. Die Risiko-Score-Formel wurde berechnet wie folgt: Risiko-Score = (0,01297 × CAMK1D) + (0,03021 × CHAC1) + (0,02018 × KIAA0513) + (0,00647 × MED13) + (0,00108 × NDRG1) + (0,04551 × STXBP5). Die Patienten wurden basierend auf dem Median-Risikowert in Hoch- und Niedrigrisikogruppen eingeteilt.
Bewertung und Validierung des prognostischen Modells
Die Überlebensunterschiede zwischen den Gruppen wurden mit der Kaplan–Meier-Analyse und dem Log-Rank-Test bewertet. Die prädiktive Leistung wurde mittels ROC-Kurven (pROC-Paket) und zeitabhängiger ROC-Analyse (timeROC-Paket) bewertet. Ein Nomogramm, das Risikoscores und klinische Variablen integriert, wurde mit dem rms-Paket erstellt. Kalibrierungskurven bewerteten die Übereinstimmung zwischen vorhergesagten und beobachteten Überlebenswahrscheinlichkeiten. Die externe Validierung erfolgte in der unabhängigen Kohorte19 des Molecular Taxonomy of Breast Cancer International Consortium (METABRIC) mit derselben Formel und Grenzwert.
Immuninfiltrationsanalyse
Die Infiltration von Immunzellen wurde mit CIBERSORT20 mit 1.000 Permutationen auf Basis von TCGA-Daten geschätzt. Proben mit P < 0,05 waren enthalten. Unterschiede in der Zusammensetzung von Immunzellen zwischen Hoch- und Niedrigrisikogruppen wurden mit dem Wilcoxon-Rangsummentest bewertet, und Korrelationen zwischen Hub-Genexpression und Immunzellenhäufigkeit wurden anhand der Spearman-Rangkorrelation bewertet.
Statistische Analyse
Alle Analysen wurden in R durchgeführt. Kontinuierliche Variablen wurden mit dem Wilcoxon-Rangsummentest verglichen und kategoriale Variablen mit dem Chi-Quadrat-Test. Zweiseitiges P < 0,05 wurde als statistisch signifikant angesehen.
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Identifizierung unterschiedlich exprimierter Gene, die mit Tamoxifenresistenz assoziiert sind
Insgesamt wurden 854 differenziell exprimierte Gene (DEGs) zwischen tamoxifenresistenten und Kontrollproben identifiziert, darunter 556 hochregulierte und 298 herunterregulierte Gene. Die Verteilung der DEGs zeigte eine Überlegenheit hochregulierter Gene in resistenten Proben, was auf eine umfangreiche transkriptionelle Aktivierung im Zusammenhang mit...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Tamoxifen-Resistenz bleibt ein zentrales Hindernis bei der Behandlung von ER+- Brustkrebs. Obwohl Mechanismen wie ER-Mutationen gut bekannt sind, sind die systemischen molekularen Anpassungen an die Langzeittherapie noch weniger gut verstanden. In dieser Studie integrierten wir Transkriptomik und maschinelles Lernen, um eine robuste Sechs-Gen-Signatur (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) zu identifizieren, die sowohl Tamoxifen-Resistenz als auch die Patientenpro...
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren erklären, dass sie keine Interessenkonflikte haben.
Diese Studie wurde unterstützt vom Projekt des Engineering Research Center für molekulare Zieltherapie und Begleitdiagnostik in der Onkologie der Provinz Jiangsu (SGK2202319), dem innovativen Forschungsteam für Wissenschaft und Technologie der Jiangsu Hochschule (2021), dem Programm des Jiangsu vocational college engineering technology research center (2023), der Natural Science Key Foundation der Jiangsu Higher Education Institutions of China (Fördernummer 24KJA310008), die Schlüsselprogramme des Suzhou Berufsgesundheitskollegs (szwzy szwzy202406), des Projekts des Staatlichen Schlüssellabors für Strahlenmedizin und Schutz, Soochow Universität (Nr. GZK1202506), das Projekt des Engineering Research Center für molekulare Zieltherapie und Begleitdiagnostik in der Onkologie der Provinz Jiangsu (SGK1202413), das Dongwu Health Talent Program (DWWS2024002, DWWS2025001).
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Affy-Paket | Bioconductor | - | Microarray-Datenverarbeitung |
| clusterProfiler-Paket | Bioconductor | v4.4.2 | GO- und KEGG-Enrichment-Analyse |
| CIBERSORT-Algorithmus | Newman et al. | - | Abschätzung der Immunzellinfiltration |
| e1071-Paket (SVM-RFE) | CRAN | - | Support Vector Machine Recursive Feature Elimination |
| Gene Expression Omnibus (GEO) | NCBI | GSE67916 | Tamoxifen-Resistenz-Datensatz |
| glmnet-Paket | CRAN / Bioconductor | - | LASSO-Regression |
| limma-Paket | Bioconductor | - | Differentiale Expressionsanalyse |
| METABRIC-Datensatz | cBioPortal / Curtis et al. | - | Validierungskohorte |
| pROC-Paket | CRAN | - | ROC-Kurvenanalyse |
| R-Software | R Core Team | v4.4.2 | Statistisches Berechnungs-Umfeld |
| Zufallswald-Paket | CRAN | - | Random Forest-Algorithmus |
| rms-Paket | CRAN | - | Nomogramm-Konstruktion |
| TCGA-BRCA-Kohorte | The Cancer Genome Atlas (TCGA) | - | Trainingskohorten-RNA-Seq-Daten |
| timeROC-Paket | CRAN | - | Zeitabhängige ROC-Analyse |
Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden
Genehmigung beantragen