פיתחנו חתימת עמידות לטמוקסיפן שמקורה בלמידת מכונה, אשר מדרגת חולות סרטן השד לפי סיכון הישרדות ועשויה לתמוך בהערכה פרוגנוסטית מותאמת אישית ובקבלת החלטות טיפוליות בפרקטיקה קלינית.
מאמר מחקר
* These authors contributed equally
פיתחנו חתימת עמידות לטמוקסיפן שמקורה בלמידת מכונה, אשר מדרגת חולות סרטן השד לפי סיכון הישרדות ועשויה לתמוך בהערכה פרוגנוסטית מותאמת אישית ובקבלת החלטות טיפוליות בפרקטיקה קלינית.
טמוקסיפן הוא טיפול אנדוקריני מרכזי לסרטן השד החיובי לקולטני אסטרוגן (ER+), אך עמידות נרכשת מגבילה את היעילות לטווח הארוך. המנגנונים המולקולריים נשארים מורכבים, וסמנים ביולוגיים חזויים חסרים. נתוני ביטוי גנים הקשורים לעמידות לטמוקסיפן התקבלו מ-GEO (GSE67916), וגנים מבוטאים באופן שונה (DEGs) זוהו באמצעות אלגוריתם לימה. ניתוחי העשרה פונקציונלית (GO ו-KEGG) חשפו מעורבות בתהליכים חיסוניים, תגובות אנטי-ויראליות, אנדוציטוזיס, מסלולי ליזוזום ואיתות אסטרוגן. שלושה אלגוריתמים של למידת מכונה (LASSO, SVM-RFE ו-RF) זיהו שישה גני hub (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5). מודל סיכון פרוגנוסטי המבוסס על גנים אלו נבנה באמצעות נתוני TCGA-BRCA, ובכך חילק ביעילות את המטופלים לקבוצות סיכון גבוה ונמוך עם הישרדות כוללת שונה משמעותית. המודל הראה דיוק חיזוי טוב (AUC = 0.70) וביצועים יציבים בניתוחי ROC תלויי זמן, שאומתו בקבוצה עצמאית. מחקר זה מספק חתימת גנים חזקה הקשורה לעמידות לטמוקסיפן ומודל פרוגנוסטי רב-גני, המציע תובנות חדשות לגבי מנגנוני עמידות והנחיות פוטנציאליות לתחזית וטיפול מותאמים אישית בסרטן השד ER+ .
סרטן השד הוא הסרטן המאובחן ביותר בקרב נשים ברחבי העולם ונשאר גורם מרכזי למקרי מוות הקשורים לסרטן1. בהתבסס על פרופילינג מולקולרי, כ-60-70% מהמטופלים מציגים תת-סוג חיובי לקולטן אסטרוגן (ER+), שמגיב בדרך כלל היטב לטיפול האנדוקריני הראשוני. מבין תרופות אנדוקריניות שונות, טמוקסיפן — מודולטור קולטני אסטרוגן סלקטיבי (SERM) — הוא זה זמן רב הסטנדרט לטיפול אדג'ובנטי וגרורתי בסרטן השד ER+ , ושיפר משמעותית את תוצאות ההישרדות בניסויים אקראיים רחבי היקף2.
למרות היעילות הקלינית המוכחת, חלק משמעותי מהמטופלים מפתח בסופו של דבר עמידות נרכשת, מה שמוביל להישנות המחלה ולהתקדמות3. כתוצאה מכך, עמידות לטמוקסיפן מהווה צוואר בקבוק קריטי בניהול ארוך טווח של סרטן השד. מחקרים קודמים מצביעים על כך שהמנגנונים המניעים את העמידות הם הטרוגניים מאוד, הכוללים איתות ER חריג, הפעלה של מסלולי גורמי גדילה חלופיים (למשל, PI3K/AKT, MAPK), דיסרגולציה של אפופטוזיס, ותכנות מחדש מטבולי4.
לאחרונה, מיקרו-סביבת הגידולים (TME), ובמיוחד המיקרו-סביבה החיסונית, זוכה לתשומת לב גוברת בשל תפקידה בתגובה טיפולית ועמידות. חדירת תאי מערכת החיסון ואיתות דלקתי קשורים קשר הדוק להתפתחות סרטן השד ולרגישות לטיפול. ראיות מתפתחות מצביעות על כך שתהליכים הקשורים למערכת החיסון עשויים לווסת את תגובות הלחץ התאית ולקדם התחמקות חיסונית, ובכך לתרום לעמידות האנדוקרינית5. עם זאת, הנוף החיסוני הספציפי הקשור לעמידות לטמוקסיפן עדיין לא הובהר במלואו.
עם הופעת ריצוף מהיר וביואינפורמטיקה, ניתוח נתוני טרנסקריפטומיה מציע גישה עוצמתית לפענוח הבסיס המולקולרי של עמידות תרופות. בהשוואה לסמנים חד-גניים, חתימות רב-גניות לוכדות את ההטרוגניות של הגידול בצורה יעילה יותר, ומציעות יציבות ודיוק עדיפים בתחזית. אלגוריתמים של למידת מכונה, כגון רגרסיית LASSO, מכונות וקטוריות תמיכה (SVM) ו-Random Forest (RF), הפכו לכלים חיוניים לזיהוי סמנים ביולוגיים חזקים ולבניית מודלים חיזויים ברפואה מדויקת6. למרות שהוצעו מספר חתימות גנים 7,8,9, לעיתים קרובות חסרה אימות חזק.
בעוד שמחקרים קודמים חקרו גנים לעמידות לטמוקסיפן, מעטים שילבו באופן שיטתי מספר אסטרטגיות למידת מכונה לבניית מודל פרוגנוסטי חזק מאומת בקבוצות עצמאיות. במחקר זה שילבנו נתונים טרנסקריפטומיים מ-GEO ו-TCGA כדי לסרוק גנים הקשורים לעמידות לטמוקסיפן. על ידי יישום אוסף של אלגוריתמים של למידת מכונה, זיהינו גני התנגדות ליבה ובנינו מודל סיכון פרוגנוסטי. הערכנו עוד את הקשר של המודל למיקרו-סביבה החיסונית ואישרנו את ערכו החיזוי בקבוצה עצמאית, במטרה לספק ראיות תיאורטיות חדשות לאסטרטגיות טיפול מותאמות אישית.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
כל הנתונים ששימשו במחקר זה נאספו ממאגרי מידע נגישים לציבור (TCGA, GEO ו-METABRIC). לא היו מעורבים משתתפים אנושיים או בעלי חיים; לכן, לא נדרשו אישור ועדת ביקורת מוסדית והסכמה מדעת.
רכישת נתונים ועיבוד מוקדם
נתוני ביטוי גנים הקשורים לעמידות לטמוקסיפן נאספו ממאגר Gene Expression Omnibus (GEO)10. מערך הנתונים GSE67916 (Affymetrix Human Genome U133 Plus 2.0 Array) כולל 18 דגימות תאי סרטן השד: 8 דגימות ביקורת לא מטופלות ו-10 דגימות עמידות לטמוקסיפן שנוצרו מחשיפה ממושכת לתרופות. נתוני ריצוף RNA ומידע מעקב קליני מקביל עבור קבוצת קרצינומה פולשנית לשד (TCGA-BRCA) הורדו מאטלס הגנום של הסרטן (TCGA)11.
קבצי CEL גולמיים במיקרו-מערך עובדו ב-R (גרסה 4.4.2) באמצעות חבילת ה-affy. תיקון רקע ונירמול בוצעו באמצעות אלגוריתם ממוצע רב-מערך חזק (RMA), כולל טרנספורמציית log2 ונרמול קוונטילי. מזהי גלאים מופו לסמלי גנים באמצעות קבצי הערות פלטפורמה; לגנים עם מספר גשושים, נעשה שימוש בערך הביטוי הממוצע. עבור נתוני RNA-seq של TCGA, ערכי תמלילים למיליון (TPM) עברו טרנספורמציה ל-log2 [log2(TPM + 1)]. מדגמים עם מידע הישרדות חלקי או משתנים קליניים חסרים הוצאו.
זיהוי גנים המובעים באופן שונה
הבעה שונה בין מדגמים עמידים לטמוקסיפן לבין מדגמים ביקורתיים הוערכה באמצעות חבילת לימה R12 עם מתון אמפירי של בייס. גנים עם |log2 משתנים| > 1 וערך P מותאם < 0.05 (Benjamini–Hochberg FDR) הוגדרו כגנים מבוטאים באופן שונה (DEGs).
ניתוח העשרה פונקציונלית
ניתוחי Gene Ontology (GO)13ואנציקלופדיית קיוטו לגנים וגנומים (KEGG)14 בוצעו באמצעות חבילת clusterProfiler15 R. קטגוריות GO כללו תהליך ביולוגי (BP), רכיב תאי (CC) ותפקוד מולקולרי (MF). ערכי P מותאמים < 0.05 נחשבו למוביצים.
בחירת תכונות מבוססת למידת מכונה
שלושה אלגוריתמים של למידת מכונה יושמו לזיהוי גני ה-hub: (1) רגרסיית LASSO16 (חבילת glmnet) עם אימות צולב של 10 פעמים לבחירת פרמטר העונש האופטימלי (lambda.min); (2) תמיכה בהסרת תכונות מכונה וקטורית–רקורסיבית (SVM-RFE)17 (חבילת e1071) עם אימות צולב חמש פעמים לזיהוי תת-הקבוצה המינימלית של הגנים עם שגיאת הסיווג הנמוכה ביותר; (3) יער אקראי (RF)18 (חבילת יער אקראי) עם 500 עצים (ntree = 500); הגנים דורגו על ידי MeanDecreaseGini. גנים שזוהו על ידי שלוש השיטות הוגדרו כגנים של ה-hub.
בניית מודל הסיכון הפרוגנוסטי
נבנה מודל סיכון פרוגנוסטי רב-גני באמצעות נתוני ביטוי והישרדות של TCGA-BRCA. גנים הקשורים להישרדות נבדקו באמצעות רגרסיה חד-משתנית של Cox, ואחריה רגרסיה רב-משתנית של Cox לפיתוח החתימה הסופית. נוסחת ציון הסיכון חושבה כך: ציון סיכון = (0.01297 × CAMK1D) + (0.03021 × CHAC1) + (0.02018 × KIAA0513) + (0.00647 × MED13) + (0.00108 × NDRG1) + (0.04551 × STXBP5). המטופלים חולקו לקבוצות סיכון גבוה ונמוך בהתבסס על ציון הסיכון החציוני.
הערכה ואימות של המודל הפרוגנוסטי
ההבדלים הכוללים בהישרדות בין קבוצות הוערכו באמצעות ניתוח קפלן–מאייר ומבחן ה-log-rank. ביצועים חיזויים הוערכו באמצעות עקומות ROC (חבילת pROC) וניתוח ROC תלוי זמן (חבילת timeROC). נבנתה נומוגרפיה המשלבת ציוני סיכון ומשתנים קליניים באמצעות חבילת ה-rms. עקומות כיול העריכו התאמה בין הסתברויות הישרדות חזויות לנצפות. אימות חיצוני בוצע בקבוצה19 של הקונסורציום המולקולרי של סרטן השד הבינלאומי (METABRIC) העצמאי, תוך שימוש באותה נוסחה וסף.
ניתוח חדירה חיסונית
חדירת תאי החיסון הוערכה באמצעות CIBERSORT20 עם 1,000 פרמוטציות המבוססות על נתוני TCGA. נכללו דגימות עם P < 0.05. ההבדלים בהרכב תאי החיסון בין קבוצות בסיכון גבוה לנמוך הוערכו באמצעות מבחן סכום הדירוג של וילקוקסון, וקורלציות בין ביטוי גן המרכז לשפע תאי החיסון הוערכו באמצעות מתאם הדירוג של ספירמן.
ניתוח סטטיסטי
כל הניתוחים בוצעו ב-R. משתנים רציפים הושוו באמצעות מבחן סכום דירגה של וילקוקסון, ומשתנים קטגוריים באמצעות מבחן חי-ריבועי. P דו-צדדי < 0.05 נחשב מובהק סטטיסטית.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
זיהוי גנים מבוטאים באופן שונה הקשורים לעמידות לטמוקסיפן
סך הכל זוהו 854 גנים מבוטאים באופן שונה (DEGs) בין דגימות עמידות לטמוקסיפן ולדגימות ביקורת, כולל 556 גנים מוגברים ומוסדרים ו-298 גנים עם ויסות נמוך יותר. התפלגות ה-DEGs הראתה דומיננטיות של גנים מווסתים בדגימות עמידות, מה שמרמז על הפעלה תעתוקית נרחבת הקשורה לעמידות לטמוקסיפן (איור 1).
ניתוח העשרה פונקציונלית של DEGs...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
עמידות לטמוקסיפן נותרה מכשול מרכזי בטיפול בסרטן השד ER+ . בעוד שמנגנונים כמו מוטציות ב-ER ידועים היטב, ההתאמות המולקולריות המערכתיות לטיפול ארוך טווח עדיין פחות מובנות היטב. במחקר זה שילבנו טרנסקריפטומיקה ולמידת מכונה כדי לזהות חתימה חזקה של שישה גנים (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) המנבא הן עמידות לטמוקסיפן והן לתחזית המטופל.
הניתוח התפקודי שלנו גילה כי עמידות מלווה בשחזור טרנסקריפטומי נרחב, במיוחד בתגובה החיסונית ובמסלולי העברה תוך...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
המחברים מצהירים שאין להם ניגודי עניינים.
מחקר זה נתמך על ידי פרויקט מרכז המחקר ההנדסי של מחוז ג'יאנגסו לטיפול מולקולרי ואבחון ליווי באונקולוגיה (SGK2202319), צוות המחקר החדשני של מוסד ההשכלה הגבוהה של ג'יאנגסו למדע וטכנולוגיה (2021), תוכנית מרכז המחקר הטכנולוגי להנדסה במכללה המקצועית בג'יאנגסו (2023), קרן המדע הטבעי של מוסדות ההשכלה הגבוהה של ג'יאנגסו בסין (מענק מס' 24KJA310008). התוכניות המרכזיות של המכללה לבריאות מקצועית בסוז'ואו (szwzy szwzy202406), פרויקט המעבדה הממלכתית המרכזית לרפואה והגנה מפני קרינה, אוניברסיטת סוצ'או (מס' GZK1202506), בפרויקט מרכז המחקר ההנדסי של מחוז ג'יאנגסו לטיפול מולקולרתי במטרה ואבחון ליווי באונקולוגיה (SGK1202413), תוכנית הכישרונות הבריאותיים של דונגוו (DWWS2024002, DWWS2025001).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| חבילת Affy | Bioconductor | - | עיבוד נתוני מיקרו-מערכים |
| חבילת clusterProfiler | Bioconductor | v4.4.2 | ניתוח העשרה של GO ו-KEGG |
| אלגוריתם CIBERSORT | Newman et al. | - | הערכת חדירת תאי חיסון |
| חבילת e1071 (SVM-RFE) | CRAN | - | חיסול תכונות רקורסיבי באמצעות מכונת וקטור תומך |
| Gene Expression Omnibus (GEO) | NCBI | GSE67916 | מאגר התנגדות ל-Tamoxifen |
| חבילת glmnet | CRAN / Bioconductor | - | רגרסיה LASSO |
| חבילת limma | Bioconductor | - | ניתוח ביטוי דיפרנציאלי |
| מקבץ METABRIC | cBioPortal / Curtis et al. | - | קבוצת אימות |
| חבילת pROC | CRAN | - | ניתוח עקומת ROC |
| תוכנת R | R Core Team | v4.4.2 | סביבת חישוב סטטיסטית |
| חבילת Random forest | CRAN | - | אלגוריתם Random Forest |
| חבילת rms | CRAN | - | בניית נומוגרמה |
| קבוצת TCGA-BRCA | The Cancer Genome Atlas (TCGA) | - | נתוני RNA-seq של קבוצת אימון |
| חבילת timeROC | CRAN | - | ניתוח ROC תלוי זמן |
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה