Geração de banco de dados de Oncologia Torácica Comprehensive - Ferramenta para Pesquisa Translacional
January 22nd, 2011
Um banco de dados de oncologia torácica foi desenvolvido para servir como um repositório completo de dados clínicos e laboratoriais para fins de investigação de translação. O banco de dados servirá pesquisadores de câncer translacional dentro do Programa de Cirurgia Torácica Oncology Research. Este banco de dados é adaptável aos modelos outro câncer, bem como outras doenças humanas.
Um paradigma moderno de pesquisa do câncer sustenta que a compreensão das alterações genéticas que levam ao câncer levará a melhorias na prevenção, detecção precoce, identificação de marcadores prognósticos e desenvolvimento de terapias direcionadas. Esse banco de dados de oncologia no Microsoft Access se espalha por sete tabelas principais, incluindo uma tabela de pacientes com informações clínicas, uma tabela de TMA com dados de expressão de proteínas e uma tabela de amostras de DNA. Com dados mutacionais, são desenvolvidas relações para vincular os dados entre as tabelas para que os estudos laboratoriais de tecido pertencente a um determinado paciente possam ser conectados com sua história clínica.
Os dados vinculados podem então ser recuperados por meio de uma consulta ao banco de dados e analisados estatisticamente para determinar as relações entre a expressão de proteínas, DNA, mutações e resultados clínicos. Em última análise, a vinculação de dados clínicos e laboratoriais facilita o estudo de aberrações genéticas e expressão de proteínas da perspectiva de desfechos clínicos em pacientes com câncer. Um componente-chave da pesquisa translacional é a capacidade de acumular dados de pesquisa clínica e científica básica e amalgamar os dois em um relacionamento significativo.
No entanto, as ferramentas de bioinformática necessárias para fazer isso são muitas vezes limitadas e dependentes da instituição. Este banco de dados foi desenvolvido para ajudar nossos pesquisadores a responder a perguntas-chave relevantes para a pesquisa translacional do câncer, como a composição genética e proteômica de um paciente pode contribuir para certos desfechos clínicos, como resposta à terapia ou sobrevivência. Embora esse banco de dados tenha sido desenvolvido para pesquisadores e clínicos envolvidos com neoplasias torácicas, esse modelo pode ser aplicado a outras doenças e para atender às necessidades de pesquisadores e outras instituições.
Esperamos que você adote esse protocolo para seus próprios projetos de banco de dados. Antes de iniciar um projeto de banco de dados translacional, é essencial desenvolver protocolos aprovados pelo IRB. Para proteger a confidencialidade do paciente, rotule todas as amostras, tecidos, sangue ou outros fluidos corporais coletados com um identificador exclusivo com código de barras e documente-os adequadamente no formulário de coleta de amostras.
Para começar a desenvolver o banco de dados, primeiro crie tabelas primárias para capturar domínios de interesse, como informações sobre dados de amostras de pacientes, microarrays de tecidos e amostras de DNA. Outras tabelas de interesse podem incluir conferência de oncologia torácica, linhagens celulares e tabelas de gans. Para criar uma tabela no Microsoft Access, vá para a guia criar e selecione tabela.
Inicialmente, a tabela é apresentada no modo de exibição de planilha de dados. No entanto, para inserir variáveis de interesse, a tabela deve ser apresentada na visualização do projeto. Na guia inicial, selecione a visualização, a visualização do projeto, insira e descreva as variáveis de interesse na visualização do projeto para a mesa do paciente.
Isso incluirá o número do prontuário médico, sobrenome, nome, data de nascimento, etc. Na visualização de design, a data do campo deve ser descrita com um tipo de dados, pois o número do registro médico é um número de sete dígitos. Essa variável será descrita como numérica.
Como o sobrenome da variável é texto, ela é listada como uma variável de texto livre. Também é útil fornecer uma descrição para a variável. Por exemplo, para a variável sexo, é importante que a pessoa que digita os dados saiba que o sexo masculino deve ser inserido como um e o feminino como dois, projete as tabelas para limitar a redundância.
A mesa do paciente deve ser o único lugar onde informações detalhadas sobre os pacientes, seu câncer, seu curso clínico, seus fatores de risco e seus resultados são mantidos no banco de dados. Desenvolva uma tabela de dados de amostra para vincular amostras patológicas às fontes de seus pacientes, pois várias amostras podem ser obtidas de cada paciente. Esta tabela deve vincular o número de identificação de cada amostra ao número do prontuário médico do paciente em Uma tabela TMA captura de dados de expressão de proteínas resultantes da análise imuno-histoquímica de microarray de tecido.
Rotule a proteína que foi estudada e identifique o nível de expressão dessa proteína usando um sistema de pontuação padronizado. Identifique também o tipo de tecido que foi analisado, como tumor ou lista de tecidos normais, todas as amostras de DNA que foram submetidas a análise mutacional. Em uma tabela de amostras de DNA, anote claramente as alterações genéticas, como uma descrição da mutação exata, o gene para o qual existe uma mutação e o resultado final de tal mutação.
Gere uma quinta mesa de conferência de oncologia torácica para descrever as reuniões semanais da equipe clínica de oncologia torácica. Inclua informações pertinentes resultantes dessas reuniões, como a disponibilidade de amostras patológicas Para cada paciente, estabeleça uma tabela de linhagens celulares independentes que descreva as linhagens celulares utilizadas no laboratório. Para fins de pesquisa, descreva características importantes pertencentes a cada célula.
Por fim, crie outra tabela independente para CL elgan listar o receptor autólogo, tirosina quinases e pontuação de agulha associada. Uma medida de semelhança com as proteínas humanas. Para facilitar as consultas de várias tabelas, as tabelas individuais devem ser vinculadas por meio de chaves primárias.
Estabeleça uma chave primária ou identificador exclusivo para cada tabela. Um identificador exclusivo é um número ou palavra que representa apenas um indivíduo exclusivo e não pode ser listado duas vezes em uma tabela. Por exemplo, o número do prontuário médico de um paciente é a chave primária na tabela do paciente.
Para estabelecer uma chave primária, vá para a visualização de design da tabela de interesse. Clique com o botão direito do mouse no campo. Isso se tornará a chave primária e clique na opção chave primária.
Para vincular as tabelas, vá para a guia de ferramentas de banco de dados e clique no ícone de relacionamentos. Arraste o mouse do campo de interesse em uma tabela para o campo correspondente em outra tabela. Dessa maneira, duas tabelas são conectadas com relacionamentos em vigor.
Uma consulta pode ser executada Para obter informações relacionadas de várias tabelas, selecione a opção de design de consulta na guia criar, selecione e exiba tabelas, incluindo os campos de interesse. Em seguida, selecione as variáveis de interesse de cada tabela. Execute a consulta para produzir um formulário de planilha de resultados e salve os dados usando uma extensão de arquivo apropriada para importar dados.
Verifique se há uma correspondência perfeita entre o nome das variáveis nos dados importados e o nome das variáveis no Microsoft Access. Os dados não podem ser importados com êxito se as variáveis forem descritas de forma diferente, como se houver espaços em uma, mas não na outra. Depois que a simetria for obtida entre as duas tabelas, use uma consulta acréscimo ou atualização para importar os dados para o acesso.
Uma consulta de acréscimo adiciona novas linhas de dados, como novos pacientes, enquanto uma consulta de atualização atualizará os dados sobre as entradas que já estão no banco de dados. Para exportar os dados como uma planilha do Microsoft Excel, vá para a guia de dados externos e clique em exportar dados para o Excel. O Microsoft Access também permite que os dados sejam exportados em outros formatos comumente usados.
Um pesquisador está interessado em correlacionar informações para a proteína paxina na tabela do paciente, na tabela de TMA e na tabela de amostras de DNA. Como as tabelas já estão vinculadas por meio do número do prontuário médico, os dados podem ser consultados prontamente Para obter as informações relevantes, ela clica na guia criar e clica em design de consulta. Ela seleciona as três tabelas de pacientes de interesse, amostras de TMA e DNA de cada tabela.
Ela seleciona as variáveis de interesse, como o nome do paciente na tabela do paciente, a origem da amostra na tabela de TMA, a expressão de paxina da tabela de TMA e as mutações de paxina na tabela de amostras de DNA. Ela clica em executar consulta para gerar a consulta e os resultados aparecem em uma planilha de consulta. Todos os pacientes para os quais existem dados de paxin, expressivos e mutacionais aparecerão nesta planilha.
Ela pode então identificar a frequência de tais mutações, correlacionar mutações específicas com mudanças na expressão ou associar mutações a variáveis clínicas, como sobrevivência. Observe que os resultados demonstrados aqui são para pacientes da amostra e não para pacientes reais identificados no banco de dados. Os resultados podem ser exportados para análise de dados primários pelo bioestatístico e os resultados são compartilhados com o pesquisador.
Ao criar um banco de dados como esse, é importante garantir que todos os dados sejam inseridos de maneira consistente. Os dados só devem ser inseridos em um campo. Se o pesquisador tiver certeza de sua validade, é necessário enfatizar novamente a importância de manter a confidencialidade e manter um banco de dados que esteja em estrita conformidade com as regulamentações HIPAA e IRB.
Com este projeto de banco de dados translacional usando o Microsoft Access, conseguimos construir um banco de dados com quase 3000 pacientes únicos e ter dados de expressão em 63 proteínas únicas Os avanços que podemos fazer na identificação de tais mutações têm o potencial de levar a melhorias em nossa capacidade de prevenir, detectar e tratar doenças devastadoras.
Visão Geral
Um banco de dados de oncologia torácica foi desenvolvido para servir como um repositório abrangente de dados clínicos e laboratoriais para pesquisas translacionais. Este banco de dados adaptável facilitará o estudo de aberrações genéticas e expressão de proteínas em pacientes com câncer.
Componentes Principais do Estudo
Área da Ciência
- Pesquisa translacional em câncer
- Desenvolvimento de banco de dados em oncologia
- Integração de dados clínicos e laboratoriais
Fundamentos
- Entender as alterações genéticas pode melhorar a prevenção e o tratamento do câncer.
- O banco de dados conecta estudos laboratoriais com histórias clínicas.
- Ferramentas de bioinformática para integração de dados são frequentemente limitadas.
- Este modelo pode ser aplicado a outras doenças além das malignidades torácicas.
Propósito do Estudo
- Desenvolver um banco de dados que vincule dados clínicos e laboratoriais.
- Responder a perguntas-chave em pesquisas translacionais em câncer.
- Facilitar a pesquisa sobre contribuições genéticas e proteômicas para resultados clínicos.
Métodos Utilizados
- Criação de tabelas primárias no Microsoft Access para captura de dados.
- Vinculação de tabelas via chaves primárias para recuperação de dados.
- Projeção de tabelas para limitar redundância e garantir a integridade dos dados.
- Estabelecimento de protocolos para confidencialidade do paciente e gerenciamento de dados.
Principais Resultados
- O banco de dados inclui tabelas para informações do paciente, expressão de proteínas e espécimes de DNA.
- Relacionamentos entre dados são estabelecidos para analisar resultados clínicos.
- Facilita consultas em várias tabelas para análise abrangente.
- Fornece uma estrutura para futuros projetos de pesquisa translacional.
Conclusões
- O banco de dados é uma ferramenta valiosa para pesquisadores em oncologia torácica.
- Pode ser adaptado para uso em outros modelos de câncer e doenças.
- Incentiva a adoção de protocolos similares em outros ambientes de pesquisa.
Perguntas Frequentes
Executive Industry Relevance
Integrating clinical and laboratory data in a structured database enables biopharma R&D teams to interrogate therapeutic hypotheses with greater predictive confidence. This approach supports target validation by linking molecular alterations to clinical endpoints, facilitating data-driven go/no-go decisions in oncology drug discovery. The model provides a reusable framework for de-risking early-stage programs through mechanistic insight and translational continuity.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of genetic and proteomic alterations in relation to clinical outcomes such as survival or therapy response.
- Operational Value: Provides a standardized repository for annotating specimens with barcoded identifiers, ensuring consistent data entry across teams.
- Translational Value: Links laboratory findings (e.g., protein expression, mutations) to patient histories, supporting hypothesis generation for target prioritization.
Screening & Assay Development
- Scientific Value: Supports assay readiness by linking TMA-based protein expression data to genomic and clinical variables for correlative analysis.
- Operational Value: Establishes reproducible workflows for data import via append/update queries, minimizing redundancy and ensuring integrity.
- Scalability Value: Demonstrates how a Microsoft Access-based system can scale to nearly 3,000 patients with multi-omic data, enabling platform reuse across projects.
Translational & Preclinical Research
- Scientific Value: Facilitates study of genetic aberrations from the perspective of clinical endpoints, improving predictive models for preclinical advancement.
- Operational Value: Uses relationship mapping in Access to connect DNA specimens, TMA, and patient tables, enabling cross-functional querying.
- Translational Value: Supports biomarker alignment by correlating molecular data (e.g., Paxin expression) with clinical variables, informing risk-adjusted advancement.
Pipeline & Workflow Integration
The database fits within the discovery continuum by enabling hypothesis testing in early research, supporting assay development through standardized data capture, and informing preclinical decisions via integrated molecular-clinical analysis.
- Discovery Biology: Supports hypothesis testing by linking molecular data (mutations, expression) to clinical outcomes through query-driven analysis.
- Screening: Enables assay readiness by standardizing specimen annotation and linking TMA, DNA, and patient data for reliable compound evaluation.
- Analytics: Provides quantitative outputs via queried data export, allowing statistical analysis of relationships between biomarkers and clinical endpoints.
- Translational Research: Connects discovery to preclinical continuity by aligning molecular profiles with clinical histories, supporting biomarker-driven stratification.
- Enterprise Reuse: Offers a reusable infrastructure model adaptable to other diseases, reducing redundant database development across teams.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence by reducing mechanistic ambiguity through integrated data analysis.
- Operational Value: Ensures standardization and reproducibility via SOPs, unique identifiers, and consistent table design.
- Strategic Value: Improves go/no-go decisions by enabling evidence-based target validation, reducing late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization by linking preclinical findings to clinical relevance through queryable datasets.
Implementation Considerations
- Requires expertise in clinical data abstraction, bioinformatics, and database design to ensure accurate annotation and linkage.
- Needs Microsoft Access or compatible relational database infrastructure to establish table relationships and run queries.
- Demands cross-team standardization in data entry, variable naming, and identifier use to maintain integrity during import and export.
- Involves adaptation considerations when extending the model to other tissue types or disease areas beyond thoracic oncology.
- Includes practical limitations such as dependency on consistent variable naming for successful data import and the need for IRB-approved protocols prior to initiation.
