Исследовательская статья
* These authors contributed equally
Мы разработали шестигенную тамоксифен-резистентность на основе машинного обучения, которая стратифицирует пациентов с раком молочной железы по риску выживаемости и может поддерживать персонализированную прогностическую оценку и принятие терапевтических решений в клинической практике.
Тамоксифен является ключевым эндокринным методом терапии при раке молочной железы, положительном на эстроген-рецепторы (ER+), но приобретённая резистентность ограничивает долгосрочную эффективность. Молекулярные механизмы остаются сложными, а предиктивные биомаркеры отсутствуют. Данные экспрессии генов, связанных с резистентностью к тамоксифену, были получены с помощью GEO (GSE67916), а дифференциально экспрессированные гены (DEG) были выявлены с помощью алгоритма лимма. Функциональные анализы обогащения (GO и KEGG) выявили участие в иммунных процессах, противовирусных реакциях, эндоцитозе, лизосомных путях и эстрогеновой сигнализации. Три алгоритма машинного обучения (LASSO, SVM-RFE и RF) выявили шесть хабовых генов (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5). На основе этих генов была построена прогностическая модель риска с использованием данных TCGA-BRCA, что фактически стратифицировало пациентов на группы с высоким и низким риском с существенно отличающейся общей выживаемостью. Модель продемонстрировала хорошую предсказательную точность (AUC = 0,70) и стабильную производительность в анализах ROC, зависящих от времени, валидированных в независимой когорте. Это исследование предоставляет надёжную генную подпись, связанную с резистентностью к тамоксифену, и многогенную прогностическую модель, предлагая новые знания о механизмах резистентности и возможные рекомендации для индивидуализированного прогноза и терапии при раке молочной железы ER+ .
Рак молочной железы является самым часто диагностируемым среди женщин в мире и остаётся одним из основных факторов смертности, связанных сраком. 1. На основе молекулярного профилирования примерно 60-70% пациентов наблюдается подтип эстрогенового рецептора положительного (ER+), который обычно хорошо реагирует на начальную эндокринную терапию. Среди различных эндокринных препаратов тамоксифен — селективный модулятор эстрогеновых рецепторов (SERM) — долгое время является стандартом адъювантного и метастатического лечения рака молочной железы ER+ , значительно улучшая результаты выживаемости в масштабных рандомизированныхисследованиях 2.
Несмотря на установленную клиническую эффективность, значительная часть пациентов в конечном итоге развивает приобретённую резистентность, что приводит к рецидиву и прогрессированию заболевания3. Следовательно, резистентность к тамоксифену представляет собой критическое узкое место в долгосрочном лечении рака молочной железы. Предыдущие исследования показывают, что механизмы, определяющие устойчивость, очень разнородны, включая аномальное сигналирование ЭР, активацию альтернативных путей факторов роста (например, PI3K/AKT, MAPK), дисрегуляцию апоптоза и метаболическоеперепрограммирование 4.
В последнее время микросреда опухолей (ТМЭ), особенно иммунная микросреда, привлекает всё больше внимания за свою роль в терапевтическом ответе и устойчивости. Инфильтрация иммунных клеток и воспалительная сигнализация тесно связаны с прогрессированием рака молочной железы и чувствительностью к лечению. Новые данные свидетельствуют о том, что процессы, связанные с иммунитетом, могут модулировать клеточные стрессовые реакции и способствовать уклонению от иммунитета, тем самым способствуя развитию эндокриннойрезистентности 5. Однако специфический иммунный ландшафт, связанный с устойчивостью к тамоксифену, остаётся полностью прояснен.
С появлением высокопроизводительного секвенирования и биоинформатики анализ транскриптомных данных предлагает мощный подход к расшифровке молекулярной основы лекарственной устойчивости. По сравнению с одногенными биомаркерами, мультигенные сигнатуры эффективнее фиксируют гетерогенность опухоли, обеспечивая превосходную стабильность и точность прогноза. Алгоритмы машинного обучения, такие как регрессия LASSO, Support Vector Machines (SVM) и Random Forest (RF), стали необходимыми инструментами для выявления надёжных биомаркеров и построения предиктивных моделей в прецизионноймедицине 6. Хотя было предложено несколько генныхсигнатур 7,8,9, надёжная валидация часто отсутствует.
В то время как предыдущие исследования изучали гены устойчивости на тамоксифен, немногие систематически интегрировали несколько стратегий машинного обучения для создания надёжной прогностической модели, валидированной в независимых когортах. В этом исследовании мы интегрировали транскриптомические данные из GEO и TCGA для скрининга генов, связанных с резистентностью к тамоксифену. Применяя комплекс алгоритмов машинного обучения, мы выявили основные гены устойчивости и построили прогностическую модель риска. Мы дополнительно оценили связь модели с иммунной микросредой и подтвердили её прогностическую ценность в независимой когорте, стремясь предоставить новые теоретические доказательства персонализированных стратегий лечения.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Все данные, использованные в этом исследовании, были получены из общедоступных баз данных (TCGA, GEO и METABRIC). Участники или животные не участвовали; поэтому одобрение Институционального контрольного совета и информированное согласие не требовались.
Сбор и предобработка данных
Данные экспрессии генов, связанные с резистентностью к тамоксифену, были получены из базы данных Gene Expression Omnibus (GEO) 10. Набор данных GSE67916 (Affymetrix Human Genome U133 Plus 2.0 Array) включает 18 образцов клеток рака молочной железы: 8 необработанных контрольных образцов и 10 образцов с резистентностью к тамоксифену, полученных в результате длительного воздействия лекарств. Данные секвенирования РНК и соответствующая клиническая информация для когорты инвазивной карциномы молочной железы (TCGA-BRCA) были скачаны из Атласа генома рака (TCGA)11.
Необработанные микрочиповые CEL-файлы обрабатывались в R (версия 4.4.2) с помощью пакета affy. Коррекция фона и нормализация выполнялись с помощью алгоритма Robust Multi-array Average (RMA), включая преобразование log2 и нормализацию квантиль. Идентификаторы зонда сопоставлялись с генными символами с помощью аннотационных файлов платформы; Для генов с несколькими зондами использовалось среднее значение экспрессии. Для данных TCGA RNA-seq значения транскриптов на миллион (TPM) были преобразованы в log2 [log2(TPM + 1)]. Были исключены образцы с неполной информацией о выживаемости или отсутствующими клиническими переменными.
Идентификация дифференциально экспрессированных генов
Дифференциальная экспрессия между образцами, устойчивыми к тамоксифену, и контрольными образцами оценивалась с использованием пакета limmaR 12 с эмпирической байесовской модерацией. Гены с изменением |log2 fold| > 1 и скорректированное значение P < 0,05 (Бенджамини–Хохберг FDR) были определены как дифференциально экспрессированные гены (DEG).
Анализ функционального обогащения
Анализы Gene Ontology (GO)13и Kyoto Encyclopedia of Genes and Genomes (KEGG)14 были проведены с использованием пакета clusterProfiler15 R. Категории ГО включали биологический процесс (БП), клеточный компонент (CC) и молекулярную функцию (MF). Скорректированные значения P < 0,05 считались значимыми.
Выбор признаков на основе машинного обучения
Для идентификации хабовых генов были применены три алгоритма машинного обучения: (1) регрессияLASSO 16 (пакет glmnet) с 10-кратной перекрёстной валидацией для выбора оптимального штрафного параметра (lambda.min); (2) Поддержка векторного машинно-рекурсивного устранения признаков (SVM-RFE)17 (пакет e1071) с пятикратной перекрёстной валидацией для выявления минимального подмножества генов с наименьшей ошибкой классификации; (3) Случайный лес (RF)18 (пакет randomForest) с 500 деревьями (ntree = 500); гены ранжировали по MeanReductionGini. Гены, идентифицированные всеми тремя методами, были определены как хаб-гены.
Построение модели прогностического риска
Была построена многогенная прогностическая модель риска с использованием данных экспрессии и выживаемости генов TCGA-BRCA. Гены, связанные с выживаемостью, были скринингированы с помощью унивариантной регрессии Кокса, затем многомерной регрессии Кокса для формирования окончательной подписи. Формула оценки риска была рассчитана следующим образом: Risk score = (0.01297 × CAMK1D) + (0.03021 × CHAC1) + (0.02018 × KIAA0513) + (0.00647 × MED13) + (0.00108 × NDRG1) + (0.04551 × STXBP5). Пациенты были стратифицированы на группы с высоким и низким риском на основе медианного рейтинга риска.
Оценка и валидация прогностической модели
Общие различия в выживаемости между группами оценивались с помощью анализа Каплана–Майера и логарифмического теста. Предиктивная производительность оценивалась с помощью кривых ROC (пакет pROC) и анализа ROC, зависящего от времени, (пакет timeROC). С использованием пакета RMS была построена номограмма, интегрирующая оценки риска и клинические переменные. Калибровочные кривые оценивали соответствие между предсказанными и наблюдаемыми вероятностями выживаемости. Внешняя валидация проводилась в независимой когорте19 Международного консорциума по молекулярной таксономии рака молочной железы (METABRIC) с использованием той же формулы и порога.
Анализ иммунной инфильтрации
Инфильтрация иммунных клеток оценивалась с помощьюCIBERSORT 20 с 1000 перестановками на основе данных TCGA. Были включены образцы с P < 0,05. Различия в составе иммунных клеток между группами с высоким и низким риском оценивались с помощью теста Уилкоксона ранг-сумма, а корреляции между экспрессией генов хаба и численностью иммунных клеток оценивались с помощью корреляции ранга Спирмана.
Статистический анализ
Все анализы проводились в R. Непрерывные переменные сравнивались с помощью теста ранга Уилкоксона, а категориальные переменные — с помощью теста хи-квадрата. Двустороннее P < 0,05 считалось статистически значимым.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Идентификация дифференциально экспрессированных генов, связанных с резистентностью к тамоксифену
Всего было выявлено 854 дифференциально экспрессированных гена (DEG) между образцами, устойчивыми к тамоксифену и контрольными образцами, включая 556 генов с повышенной регуляцией и 298 генов с понижением регуляции. Распределение DEG показало преобладание повышенных генов в резистентных образцах, что указывает на обширную транскрипционную активацию...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Резистентность к тамоксифену остаётся ключевым препятствием в лечении рака молочной железы ER+ . Хотя такие механизмы, как мутации ЭР, хорошо известны, системные молекулярные адаптации к долгосрочной терапии остаются менее изученными. В этом исследовании мы интегрировали транскриптомику и машинное обучение для выявления устойчивой шестигенной подписи (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5), которая предсказывает как устойчивость к тамоксифену, так и прогноз пациентов.<...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторы заявляют, что у них нет конфликта интересов.
Это исследование было поддержано проектом Инженерного исследовательского центра молекулярной таргетной терапии и диагностики компаньонов в онкологии провинции Цзянсу (SGK2202319), инновационной исследовательской командой по науке и технологиям высшего учебного заведения Цзянсу (2021), программой исследовательского центра инженерных технологий профессионального колледжа Цзянсу (2023), основным фондом естественных наук высших учебных заведений Китая (грант No 24KJA310008), Ключевые программы Сучжоуского профессионального колледжа здоровья (szwzy szwzy202406), проект Государственной ключевой лаборатории радиационной медицины и защиты Университета Сучжоу (No GZK1202506), проект Инженерного исследовательского центра провинции Цзянсу по молекулярной таргетной терапии и диагностике компаньонов в онкологии (SGK1202413), Программу талантов в области здравоохранения Дунву (DWWS2024002, DWWS2025001).
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Пакет Affy | Bioconductor | - | Обработка данных микрочипов |
| Пакет clusterProfiler | Bioconductor | v4.4.2 | Анализ обогащения GO и KEGG |
| Алгоритм CIBERSORT | Newman et al. | - | Оценка инфильтрации иммунных клеток |
| Пакет e1071 (SVM-RFE) | CRAN | - | Рекурсивное исключение признаков с машинами поддержки |
| Генетический экспрессийный овальный (GEO) | NCBI | GSE67916 | Набор данных о сопротивлении тамоксифену |
| Пакет glmnet | CRAN / Bioconductor | - | Регрессия LASSO |
| Пакет limma | Bioconductor | - | Анализ дифференциальной экспрессии |
| Набор данных METABRIC | cBioPortal / Curtis et al. | - | Когрта для валидации |
| Пакет pROC | CRAN | - | Анализ кривой ROC |
| Программное обеспечение R | R Core Team | v4.4.2 | Среда статистических вычислений |
| Пакет Random forest | CRAN | - | Алгоритм Random Forest |
| Пакет rms | CRAN | - | Построение номограммы |
| Cohort TCGA-BRCA | The Cancer Genome Atlas (TCGA) | - | Данные RNA-seq для обучающей когорт |
| Пакет timeROC | CRAN | - | Анализ ROC, зависящий от времени |
Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE
Запросить разрешение