Articolo di ricerca
* These authors contributed equally
Abbiamo sviluppato una firma di resistenza al tamoxifene derivata dal machine learning a sei geni che stratifica le pazienti con cancro al seno in base al rischio di sopravvivenza e può supportare una valutazione prognostica personalizzata e il processo decisionale terapeutico nella pratica clinica.
Il tamoxifene è una terapia endocrina chiave per il cancro al seno positivo ai recettori degli estrogeni (ER+), ma la resistenza acquisita limita l'efficacia a lungo termine. I meccanismi molecolari rimangono complessi e mancano biomarcatori preditivi. I dati di espressione genica relativi alla resistenza al tamoxifene sono stati ottenuti dal GEO (GSE67916), e i geni differenzialmente espressi (DEG) sono stati identificati utilizzando l'algoritmo limma. Le analisi di arricchimento funzionale (GO e KEGG) hanno rivelato il coinvolgimento nei processi immunitari, nelle risposte antivirali, nell'endocitosi, nelle vie dei lisosomi e nella segnalazione degli estrogeni. Tre algoritmi di machine learning (LASSO, SVM-RFE e RF) hanno identificato sei geni hub (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5). Un modello di rischio prognostico basato su questi geni è stato costruito utilizzando dati TCGA-BRCA, stratificando efficacemente i pazienti in gruppi ad alto e basso rischio con una sopravvivenza complessiva significativamente diversa. Il modello ha dimostrato buona accuratezza predittiva (AUC = 0,70) e prestazioni stabili nelle analisi ROC dipendenti dal tempo, validate in una coorte indipendente. Questo studio fornisce una firma genetica robusta legata alla resistenza al tamoxifene e un modello prognostico multigene, offrendo nuove intuizioni sui meccanismi di resistenza e potenziali indicazioni per una prognosi e una terapia individualizzate nel cancro al seno RE+ .
Il tumore al seno è il cancro più comunemente diagnosticato tra le donne a livello globale e rimane un fattore importante di decessi associateal cancro 1. Sulla base della profilazione molecolare, circa il 60-70% dei pazienti presenta il sottotipo positivo al recettore degli estrogeni (ER+), che generalmente risponde bene alla terapia endocrina iniziale. Tra i vari agenti endocrini, il tamoxifene—un modulatore selettivo dei recettori degli estrogeni (SERM)—è da tempo lo standard di cura per il trattamento adiuvante e metastatico del cancro al seno RE+, migliorando significativamente gli esiti di sopravvivenza in grandi studi randomizzati2.
Nonostante la sua efficacia clinica consolidata, una percentuale significativa di pazienti sviluppa infine una resistenza acquisita, portando a recidiva e progressione dellamalattia 3. Di conseguenza, la resistenza al tamoxifene rappresenta un collo di bottiglia critico nella gestione a lungo termine del cancro al seno. Studi precedenti indicano che i meccanismi che guidano la resistenza sono altamente eterogenei, coinvolgendo segnalazione aberrante del RE, attivazione di vie alternative dei fattori di crescita (ad esempio, PI3K/AKT, MAPK), disregolazione dell'apoptosi e riprogrammazionemetabolica 4.
Recentemente, il microambiente tumorale (TME), in particolare il microambiente immunitario, ha attirato una crescente attenzione per il suo ruolo nella risposta terapeutica e nella resistenza. L'infiltrazione delle cellule immunitarie e la segnalazione infiammatoria sono strettamente legate alla progressione del cancro al seno e alla sensibilità al trattamento. Evidenze emergenti suggeriscono che i processi immunologici possono modulare le risposte allo stress cellulare e promuovere l'evasione immunitaria, contribuendo così alla resistenzaendocrina 5. Tuttavia, il paesaggio immunitario specifico associato alla resistenza al tamoxifene resta ancora da chiarire completamente.
Con l'avvento del sequenziamento ad alto rendimento e della bioinformatica, l'analisi dei dati trascritomici offre un approccio potente per decodificare la base molecolare della resistenza ai farmaci. Rispetto ai biomarcatori a singolo gene, le firme multigeniche catturano in modo più efficace l'eterogeneità tumorale, offrendo una stabilità e una precisione superiore nella prognosi. Gli algoritmi di machine learning, come la regressione LASSO, Support Vector Machines (SVM) e Random Forest (RF), sono diventati strumenti essenziali per identificare biomarcatori robusti e costruire modelli predittivi in medicinadi precisione 6. Sebbene siano state proposte diverse firme geniche 7,8,9, spesso manca una validazione robusta.
Sebbene studi precedenti abbiano esplorato i geni di resistenza al tamoxifene, pochi hanno integrato sistematicamente più strategie di machine learning per costruire un modello prognostico robusto validato in coorti indipendenti. In questo studio, abbiamo integrato dati trascrittomici di GEO e TCGA per selezionare i geni associati alla resistenza al tamoxifene. Applicando un insieme di algoritmi di machine learning, abbiamo identificato i geni di resistenza fondamentali e costruito un modello di rischio prognostico. Abbiamo inoltre valutato l'associazione del modello con il microambiente immunitario e ne abbiamo convalidato il valore predittivo in una coorte indipendente, con l'obiettivo di fornire nuove evidenze teoriche per strategie di trattamento personalizzate.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Tutti i dati utilizzati in questo studio sono stati ottenuti da database accessibili al pubblico (TCGA, GEO e METABRIC). Non erano coinvolti partecipanti umani né animali; Pertanto, non era richiesta l'approvazione del comitato di revisione istituzionale e il consenso informato.
Acquisizione e preelaborazione dei dati
I dati sull'espressione genica relativi alla resistenza al tamoxifene sono stati recuperati dal database Gene Expression Omnibus (GEO) 10. Il dataset GSE67916 (Affymetrix Human Genome U133 Plus 2.0 Array) include 18 campioni di cellule di tumore al seno: 8 campioni di controllo non trattati e 10 campioni resistenti al tamoxifene generati da esposizione a lungo termine a farmaci. I dati di sequenziamento dell'RNA e le relative informazioni cliniche di follow-up per la coorte del Carcinoma Invasivo del Seno (TCGA-BRCA) sono stati scaricati dal The Cancer Genome Atlas (TCGA)11.
I file CEL grezzi di microarray venivano processati in R (versione 4.4.2) utilizzando il pacchetto affy. La correzione e la normalizzazione di background sono state eseguite con l'algoritmo Robust Multi-array Average (RMA), inclusa la trasformazione log2 e la normalizzazione dei quantili. Gli ID delle sonde venivano mappati ai simboli genici tramite file di annotazione della piattaforma; Per i geni con sonde multiple, è stato utilizzato il valore medio di espressione. Per i dati TCGA RNA-seq, i valori di trascrizioni per milione (TPM) sono stati trasformati log2 [log2(TPM + 1)]. Sono stati esclusi campioni con informazioni di sopravvivenza incomplete o variabili cliniche mancanti.
Identificazione di geni espressi differenzialmente
L'espressione differenziale tra campioni resistenti al tamoxifene e quelli di controllo è stata valutata utilizzando il pacchetto limmaR 12 con moderazione bayesiana empirica. Geni con |log2 fold change| > 1 e un valore P aggiustato < 0,05 (Benjamini–Hochberg FDR) sono stati definiti come geni espressi differenzialmente (DEG).
Analisi dell'arricchimento funzionale
Le analisi Gene Ontology (GO)13e Kyoto Encyclopedia of Genes and Genomes (KEGG)14 sono state effettuate utilizzando il pacchettoclusterProfiler 15 R. Le categorie GO includevano processo biologico (BP), componente cellulare (CC) e funzione molecolare (MF). I valori P aggiustati < 0,05 sono stati considerati significativi.
Selezione delle caratteristiche basata sul machine learning
Tre algoritmi di machine learning sono stati applicati per identificare i geni hub: (1) regressione LASSO16 (pacchetto glmnet) con validazione incrociata di 10 volte per selezionare il parametro di penalità ottimale (lambda.min); (2) Supportare l'eliminazione delle caratteristiche macchina–ricorsiva vettore (SVM-RFE)17 (pacchetto e1071) con validazione incrociata a cinque volte per identificare il sottoinsieme genico minimo con il minimo errore di classificazione; (3) Random forest (RF)18 (pacchetto randomForest) con 500 alberi (ntree = 500); i geni sono stati classificati da MeanDecreaseGini. I geni identificati con tutti e tre i metodi sono stati definiti come geni hub.
Costruzione del modello di rischio prognostico
È stato costruito un modello prognostico multigene utilizzando dati sull'espressione genica e la sopravvivenza del TCGA-BRCA. I geni associati alla sopravvivenza sono stati selezionati utilizzando la regressione di Cox univariata, seguita da una regressione di Cox multivariata per sviluppare la firma finale. La formula del punteggio di rischio è stata calcolata come: Punteggio di rischio = (0,01297 × CAMK1D) + (0,03021 × CHAC1) + (0,02018 × KIAA0513) + (0,00647 × MED13) + (0,00108 × NDRG1) + (0,04551 × STXBP5). I pazienti sono stati stratificati in gruppi ad alto e basso rischio in base al punteggio mediano di rischio.
Valutazione e validazione del modello prognostico
Le differenze complessive di sopravvivenza tra i gruppi sono state valutate con l'analisi di Kaplan–Meier e il test log-rank. Le prestazioni predittive sono state valutate utilizzando curve ROC (pacchetto pROC) e analisi ROC dipendente dal tempo (pacchetto timeROC). Un nomogramma che integra punteggi di rischio e variabili cliniche è stato costruito utilizzando il pacchetto rms. Le curve di calibrazione hanno valutato l'accordo tra le probabilità di sopravvivenza previste e osservate. La validazione esterna è stata condotta nella coorte19 del Consortium Indipendente della Tassonomia Molecolare del Cancro al Seno (METABRIC) utilizzando la stessa formula e il cutoff.
Analisi dell'infiltrazione immunitaria
L'infiltrazione delle cellule immunitarie è stata stimata utilizzando CIBERSORT20 con 1.000 permutazioni basate sui dati TCGA. Sono stati inclusi campioni con P < 0,05. Le differenze nella composizione delle cellule immunitarie tra gruppi ad alto e basso rischio sono state valutate con il test di somma dei rangi di Wilcoxon, e le correlazioni tra espressione genica hub e abbondanza di cellule immunitarie sono state valutate utilizzando la correlazione di rango di Spearman.
Analisi statistica
Tutte le analisi sono state effettuate in R. Le variabili continue sono state confrontate utilizzando il test di somma dei rangi di Wilcoxon, e le variabili categoriche tramite il test del chi-quadrato. Un P a due facce < 0,05 è stato considerato statisticamente significativo.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Identificazione di geni differenzialmente espressi associati alla resistenza al tamoxifene
Sono stati identificati in totale 854 geni differenzialmente espressi (DEG) tra campioni resistenti al tamoxifene e di controllo, inclusi 556 geni al rialzo e 298 al ribali. La distribuzione dei DEG ha mostrato una predominanza di geni sopraregolati nei campioni resistenti, suggerendo un'estesa attivazione trascrizionale associata alla resistenza al tamo...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
La resistenza al tamoxifene rimane un ostacolo fondamentale nel trattamento del cancro al seno ER+ . Sebbene meccanismi come le mutazioni RE siano ben noti, le adattamenti molecolari sistemici alla terapia a lungo termine rimangono meno compresi. In questo studio, abbiamo integrato la trascrittologia e il machine learning per identificare una firma robusta di sei geni (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) che prevede sia la resistenza al tamoxifene sia la prognosi de...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Gli autori dichiarano di non avere conflitti di interesse.
Questo studio è stato supportato dal Progetto del Centro di Ricerca Ingegneristica della Provincia del Jiangsu per la Terapia Molecolare a Bersagli e Diagnostica Complementare in Oncologia (SGK2202319), dal team di ricerca innovativa per la scienza e la tecnologia dell'istituzione di istruzione superiore del Jiangsu (2021), dal Programma del Centro di Ricerca in Tecnologia dell'Ingegneria del College, dal Programma del Centro di Ricerca in Ingegneria del College, dal Jiangsu Higher Education Foundation of the Jiangsu Higher Education Institutions of China (Grant No. 24KJA310008). i Programmi Chiave del Collegio di Salute Professionale di Suzhou (szwzy szwzy202406), il Progetto del Laboratorio Statale Chiave di Medicina e Protezione delle Radiazioni, Università di Soochow (n. GZK1202506), il Progetto del Centro di Ricerca Ingegneristica della Provincia del Jiangsu per la Terapia Molecolare del Bersaglio e la Diagnostica Complementare in Oncologia (SGK1202413), il Programma di Talenti Sanitari di Dongwu (DWWS2024002, DWWS2025001).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Pacchetto Affy | Bioconductor | - | Elaborazione dati microarray |
| Pacchetto clusterProfiler | Bioconductor | v4.4.2 | Analisi di arricchimento GO e KEGG |
| Algoritmo CIBERSORT | Newman et al. | - | Stima dell'infiltrazione di cellule immunitarie |
| Pacchetto e1071 (SVM-RFE) | CRAN | - | Eliminazione ricorsiva delle caratteristiche con vettori di supporto |
| Gene Expression Omnibus (GEO) | NCBI | GSE67916 | Dataset di resistenza al tamoxifene |
| Pacchetto glmnet | CRAN / Bioconductor | - | Regresione LASSO |
| Pacchetto limma | Bioconductor | - | Analisi dell'espressione differenziale |
| Dataset METABRIC | cBioPortal / Curtis et al. | - | Coorte di validazione |
| Pacchetto pROC | CRAN | - | Analisi della curva ROC |
| Software R | R Core Team | v4.4.2 | Ambiente di calcolo statistico |
| Pacchetto Random forest | CRAN | - | Algoritmo Random Forest |
| Pacchetto rms | CRAN | - | Costruzione di nomogrammi |
| Coorte TCGA-BRCA | The Cancer Genome Atlas (TCGA) | - | Dati RNA-seq della coorte di addestramento |
| Pacchetto timeROC | CRAN | - | Analisi ROC dipendente dal tempo |
Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE
Richiedi permesso