Araştırma makalesi
* These authors contributed equally
Meme kanseri hastalarını sağlıkta riske göre katmanlaştıran ve klinik uygulamada kişiselleştirilmiş prognostik değerlendirme ile terapötik karar alma süreçlerini destekleyebilecek makine öğrenimiyle türetilen altı gen tamoksifen direnç imzası geliştirdik.
Tamoksifen, östrojen reseptörü pozitif (ER+) meme kanseri için önemli bir endokrin tedavidir, ancak edinilmiş direnç uzun vadeli etkinliği sınırlar. Moleküler mekanizmalar karmaşık kalır ve öngörücü biyobelirteçler eksiktir. Tamoksifen direnciyle ilgili gen ifade verileri GEO (GSE67916) ile alındı ve limma algoritması kullanılarak farklı ekspresyon genler (DEG) tanımlandı. Fonksiyonel zenginleştirme analizleri (GO ve KEGG), bağışıklık süreçlerinde, antiviral yanıtlarda, endositozda, lizozom yollarında ve östrojen sinyalizasyonunda rol olduğunu ortaya koydu. Üç makine öğrenimi algoritması (LASSO, SVM-RFE ve RF) altı hub genini (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) tanımlamıştır. Bu genlere dayanan bir prognostik risk modeli TCGA-BRCA verileri kullanılarak oluşturulmuş, hastalar yüksek ve düşük riskli gruplara ve genel hayatta kalma oranında anlamlı derecede farklı gruplara ayrılmıştır. Model, bağımsız bir kohortta doğrulanan zamana bağlı ROC analizlerinde iyi öngörücü doğruluk (AUC = 0.70) ve istikrarlı performans gösterdi. Bu çalışma, sağlam bir tamoksifen dirençle ilgili gen imzası ve çoklu gen prognostik modeli sunarak direnç mekanizmalarına dair yeni içgörüler ve ER+ meme kanserinde bireysel prognoz ve tedavi için potansiyel rehberlik sunmaktadır.
Meme kanseri, dünya genelinde kadınlar arasında en yaygın teşhis edilen kanserdir ve kanserle ilişkili ölümlerde önemli bir katkı sağlamayadevam etmektedir 1. Moleküler profilleme temelinde, hastaların yaklaşık %60-70'i genellikle başlangıç endokrin tedaviye iyi yanıt veren östrojen reseptörü pozitif (ER+) alt tipiyle ortaya çıkar. Çeşitli endokrin ajanlar arasında, seçici östrojen reseptörü modülatörü (SERM) olan tamoksifen—uzun süredir ER+ meme kanserinin adjuvan ve metastatik tedavisinde standart bakım olup, büyük ölçekli randomize çalışmalarda sağkalım sonuçlarını önemli ölçüdeiyileştirmiştir 2.
Klinik etkinliğinin kanıtlanmasına rağmen, hastaların önemli bir kısmı sonunda edinilmiş direnç geliştirir ve bu da hastalığın tekrarlanması veilerlemesine yol açar. Sonuç olarak, tamoksifen direnci meme kanserinin uzun vadeli yönetiminde kritik bir darboğazı temsil eder. Önceki çalışmalar, direnci tetikleyen mekanizmaların oldukça heterojen olduğunu, anormal ER sinyalizasyonu, alternatif büyüme faktörü yollarının aktivasyonu (örneğin PI3K/AKT, MAPK), apoptozun düzensizliği ve metabolik yenidenprogramlama 4 içerdiğini göstermektedir.
Son zamanlarda, özellikle bağışıklık mikroçevresi (TME) tümör mikroçevresi, terapötik yanıt ve dirençteki rolü nedeniyle giderek daha fazla ilgi gördü. Bağışıklık hücresi infiltrasyonu ve inflamatuar sinyal, meme kanserinin ilerlemesi ve tedaviye duyarlılıkla yakından bağlantılıdır. Ortaya çıkan kanıtlar, bağışıklık ile ilgili süreçlerin hücresel stres yanıtlarını modüle edip bağışıklık kaçışını teşvik edebileceğini, böylece endokrin direncine katkıdabulunabileceğini göstermektedir 5. Ancak, tamoksifen direnciyle ilişkili spesifik bağışıklık ortamı hâlâ tam olarak açıklanmamıştır.
Yüksek verimli dizileme ve biyoinformatikin ortaya çıkmasıyla birlikte, transkriptomik verilerin analizi, ilaç direncinin moleküler temelini çözmek için güçlü bir yaklaşım sunmaktadır. Tek gen biyobelirteçlerine kıyasla, çoklu gen imzaları tümör heterojenliğini daha etkili yakalar ve prognozda üstün stabilite ve doğruluk sunar. LASSO regresyonu, Destek Vektör Makineleri (SVM) ve Rastgele Orman (RF) gibi makine öğrenimi algoritmaları, hassas tıpta sağlam biyobelirteçleri tanımlamak ve öngörücü modeller oluşturmak için temel araçlarhaline gelmiştir 6. Birçok gen imzası önerilmiş olsa da 7,8,9, sağlam doğrulama genellikle eksiktir.
Önceki çalışmalar tamoksifen direnç genlerini incelemiş olsa da, bağımsız kohortlarda doğrulanmış sağlam bir prognostik model oluşturmak için sistematik olarak birden fazla makine öğrenimi stratejisini entegre eden çok azı olmuştur. Bu çalışmada, tamoksifen direnciyle ilişkili genleri taramak için GEO ve TCGA'dan alınan transkriptomik verileri entegre ettik. Makine öğrenimi algoritmalarından oluşan bir topluluğu uygulayarak, temel direnç genlerini belirledik ve prognostik bir risk modeli oluşturduk. Modelin bağışıklık mikroçevresiyle ilişkisini daha da değerlendirdik ve bağımsız bir kohortta öngörücü değerini doğruladık; kişiselleştirilmiş tedavi stratejileri için yeni teorik kanıtlar sunmayı hedefledik.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Bu çalışmada kullanılan tüm veriler, halka açık veritabanlarından (TCGA, GEO ve METABRIC) alınmıştır. İnsan katılımcılar veya hayvanlar dahil değildi; Bu nedenle, kurumsal inceleme kurulu onayı ve bilgilendirilmiş onay gerekmiyordu.
Veri edinimi ve ön işleme
Tamoksifen direnciyle ilgili gen ifade verileri, Gen İfadesi Omnibus (GEO)veritabanından alınmıştır 10. GSE67916 veri seti (Affymetrix İnsan Genomu U133 Plus 2.0 Dizisi) 18 meme kanseri hücresi örneğini içerir: 8 tedavi edilmemiş kontrol örneği ve uzun süreli ilaç maruziyeti yoluyla üretilen 10 tamoksifen dirençli numune. Meme İnvaziv Karsinom kohortu (TCGA-BRCA) için RNA dizileme verileri ve ilgili klinik takip bilgileri, The Cancer Genome Atlas (TCGA)11'den indirildi.
Ham mikroarray CEL dosyaları, affy paketi kullanılarak R (sürüm 4.4.2) ile işleniyordu. Arka plan düzeltmesi ve normalizasyonu, log2 dönüşümü ve kuantil normalizasyonu dahil olmak üzere Robust Multi-array Average (RMA) algoritması ile gerçekleştirildi. Prob kimlikleri, platform annotasyon dosyaları kullanılarak gen sembollerine eşlendi; Birden fazla probu olan genler için ortalama ifade değeri kullanıldı. TCGA RNA dizisi verileri için, milyonda transkript (TPM) değerleri log2-dönüştürülmüştür [log2(TPM + 1)]. Eksik sağlıklı bilgiye sahip veya eksik klinik değişkenleri olan örnekler hariç tutuldu.
Farklı şekilde ifade edilen genlerin tanımlanması
Tamoksifen dirençli ve kontrol örnekleri arasındaki diferansiyel ekspresyone, limma Rpaketi 12 kullanılarak ampirik Bayes moderasyonu ile değerlendirildi. |log2 katlama değişimine sahip genler| > 1 ve ayarlanmış P değeri < 0.05 (Benjamini–Hochberg FDR) farklı eksprese genler (DEG) olarak tanımlandı.
Fonksiyonel zenginleştirme analizi
Gen Ontolojisi (GO)13ve Kyoto Genler ve Genomlar Ansiklopedisi (KEGG)14 analizleri clusterProfiler15 R paketi kullanılarak gerçekleştirildi. GO kategorilerinde biyolojik süreç (BP), hücresel bileşen (CC) ve moleküler fonksiyon (MF) yer alıyordu. Düzeltilmiş P değerleri < 0,05 anlamlı olarak kabul edildi.
Makine öğrenimi tabanlı özellik seçimi
Hub genlerini tanımlamak için üç makine öğrenimi algoritması uygulandı: (1) LASSO regresyon16 (glmnet paketi) ve optimal ceza parametresini seçmek için 10 kat çapraz doğrulama ile (lambda.min); (2) En düşük sınıflandırma hatasına sahip minimum gen alt kümesini belirlemek için beş kat çapraz doğrulama ile vektör makinesi–özyinelemeli özellik eliminasyonu (SVM-RFE)17 (e1071 paketi) destekli; (3) Random forest (RF)18 (randomForest paketi) 500 ağaç ile (ntree = 500); genler MeanDecreaseGini tarafından sıralandı. Üç yöntemle tanımlanan genler hub genleri olarak tanımlandı.
Prognostik risk modelinin inşası
TCGA-BRCA gen ekspresyonu ve sağ kalma verileri kullanılarak çoklu gen prognostik risk modeli oluşturuldu. Hayatta kalma ile ilişkili genler, tek değişkenli Cox regresyonu kullanılarak tarandı, ardından çok değişkenli Cox regresyonu ile nihai imza geliştirildi. Risk puanı formülü şu şekilde hesaplandı: Risk puanı = (0.01297 × CAMK1D) + (0.03021 × CHAC1) + (0.02018 × KIAA0513) + (0.00647 × MED13) + (0.00108 × NDRG1) + (0.04551 × STXBP5). Hastalar, medyan risk puanına göre yüksek ve düşük riskli gruplara ayrıldı.
Prognostik modelin değerlendirilmesi ve doğrulanması
Gruplar arasındaki genel hayatta kalma farkları Kaplan–Meier analizi ve log-rank testi ile değerlendirildi. Öngörücü performans, ROC eğrileri (pROC paketi) ve zamana bağlı ROC analizi (timeROC paketi) kullanılarak değerlendirildi. Risk puanlarını ve klinik değişkenleri entegre eden bir nomogram, rms paketi kullanılarak oluşturuldu. Kalibrasyon eğrileri, tahmin edilen ve gözlemlenen hayatta kalma olasılıkları arasındaki uyumu değerlendirdi. Dış doğrulama, aynı formül ve kesme sınırı kullanılarak bağımsız Meme Kanseri Moleküler Taksonomisi Uluslararası Konsorsiyumu (METABRIC)19 . kohortunda gerçekleştirildi.
İmmün infiltrasyon analizi
İmmün hücre sızması, TCGA verilerine dayanarak 1.000 permütasyonlu CIBERSORT20 kullanılarak tahmin edilmiştir. P < 0.05 içeren örnekler dahil edildi. Yüksek ve düşük riskli gruplar arasındaki bağışıklık hücresi bileşimindeki farklar Wilcoxon sıralama toplamı testi ile değerlendirildi ve hub gen ekspresyonu ile bağışıklık hücresi bolluğu arasındaki korelasyonlar Spearman rank korelasyonu kullanılarak değerlendirildi.
İstatistiksel analiz
Tüm analizler R'de yapıldı. Sürekli değişkenler Wilcoxon sıralama toplamı testiyle, kategorik değişkenler ise ki-kare testi kullanılarak karşılaştırıldı. İki taraflı P < 0.05 istatistiksel olarak anlamlı kabul edildi.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tamoksifen direnciyle ilişkili farklı ekspresyon genlerin tanımlanması
Tamoksifen dirençli ve kontrol örnekleri arasında toplam 854 farklı eksprese edilen gen (DEG) tespit edildi; bunların 556'sı yukarı regülasyonlu ve 298'i aşağı regülasyonlu genler bulundu. DEG'lerin dağılımı dirençli örneklerde yukarı regülasyona sahip genlerin baskınlığını gösterdi ve tamoksifen direnciyle ilişkili kapsamlı transkripsiyonel aktivasyonu gösterdi (
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tamoksifen direnci, ER+ meme kanseri tedavisinde kritik bir engel olmaya devam etmektedir. ER mutasyonları gibi mekanizmalar iyi bilinse de, uzun vadeli tedaviye sistemik moleküler adaptasyonlar daha az anlaşılmaktadır. Bu çalışmada, hem tamoksifen direncini hem de hasta prognozunu tahmin eden sağlam bir altı gen imzası (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) belirlemek için transkriptomik ve makine öğrenimi birleştirdik.
Fonksiyonel analizi...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yazarlar, çıkar çatışmaları olmadığını belirtirler.
Bu çalışma, Jiangsu Eyaleti Moleküler Hedef Tedavi ve Onkolojide Eşlik Tanı Mühendislik Araştırma Merkezi Projesi (SGK2202319), Jiangsu yükseköğretim kurumu bilim ve teknoloji alanında yenilikçi araştırma ekibi (2021), Jiangsu meslek yüksekokulu mühendislik teknolojisi araştırma merkezi programı (2023), Çin Jiangsu Yükseköğretim Kurumları'nın Doğa Bilimleri Anahtar Vakfı (Hibe No. 24KJA310008) tarafından desteklenmiştir. Suzhou Mesleki Sağlık Koleji'nin Ana Programları (szwzy szwzy202406), Soochow Üniversitesi Radyasyon Tıbbı ve Koruma Devlet Ana Laboratuvarı Projesi (No. GZK1202506), Jiangsu Eyaleti Moleküler Hedef Tedavisi ve Onkolojide Eşlik Tanı Mühendislik Araştırma Merkezi Projesi (SGK1202413), Dongwu Sağlık Yetenek Programı (DWWS2024002, DWWS2025001).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Affy paketi | Bioconductor | - | Mikrodizay veri işleme |
| clusterProfiler paketi | Bioconductor | v4.4.2 | GO ve KEGG zenginleştirme analizi |
| CIBERSORT algoritması | Newman et al. | - | İmmün hücre infiltrasyon tahmini |
| e1071 paketi (SVM-RFE) | CRAN | - | Destek vektör makinesi özyinelemeli özellik eliminasyonu |
| Gen Ekspresyon Omnibus (GEO) | NCBI | GSE67916 | Tamoksifen direnci veri seti |
| glmnet paketi | CRAN / Bioconductor | - | LASSO regresyon |
| limma paketi | Bioconductor | - | Diferansiyel ekspresyon analizi |
| METABRIC veri seti | cBioPortal / Curtis et al. | - | Doğrulama kohortu |
| pROC paketi | CRAN | - | ROC eğrisi analizi |
| R yazılımı | R Core Team | v4.4.2 | İstatistiksel hesaplama ortamı |
| Rastgele orman paketi | CRAN | - | Rastgele Orman algoritması |
| rms paketi | CRAN | - | Nomogram yapımı |
| TCGA-BRCA kohortu | Kanser Genom Atlası (TCGA) | - | Eğitim kohortu RNA-seq verisi |
| timeROC paketi | CRAN | - | Zamana bağlı ROC analizi |
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste