Kapsamlı Göğüs Onkoloji Veritabanı Üretimi - Translasyonel Araştırma Aracı
January 22nd, 2011
Torasik onkoloji veritabanı translasyonel araştırma amaçlı klinik ve laboratuvar veriler için kapsamlı bir veri havuzu olarak hizmet etmek için geliştirilmiştir. Veritabanı Göğüs Onkoloji Araştırma Programı çerçevesinde translasyonel kanser araştırmacıları hizmet edecektir. Bu veritabanı, diğer kanser modellerinin yanı sıra diğer insan hastalıkları için uyarlanabilir.
Modern bir kanser araştırma paradigması, kansere yol açan genetik değişikliklerin anlaşılmasının, önleme, erken teşhis, prognostik belirteçlerin tanımlanması ve hedefe yönelik tedavilerin geliştirilmesinde iyileşmelere yol açacağını savunmaktadır. Microsoft Access'teki bu onkoloji veritabanı, klinik bilgiler içeren bir hasta masası, protein ekspresyon verilerini içeren bir TMA tablosu ve bir DNA örnekleri tablosu dahil olmak üzere yedi birincil tabloya yayılır. Mutasyonel verilerle, belirli bir hastaya ait dokunun laboratuvar çalışmalarının klinik geçmişi ile ilişkilendirilebilmesi için tablolar arasındaki verileri birbirine bağlamak için ilişkiler geliştirilir.
Bağlantılı veriler daha sonra veri tabanı sorgusu yoluyla alınabilir ve protein ekspresyonu, DNA, mutasyonlar ve klinik sonuçlar arasındaki ilişkileri belirlemek için istatistiksel olarak analiz edilebilir. Sonuç olarak, klinik ve laboratuvar verilerinin birbirine bağlanması, kanser hastalarında klinik son noktalar perspektifinden genetik anormalliklerin ve protein ekspresyonunun incelenmesini kolaylaştırır. Translasyonel araştırmanın önemli bir bileşeni, klinik ve temel bilim araştırma verilerini tahakkuk ettirme ve ikisini anlamlı bir ilişki içinde birleştirme yeteneğidir.
Bununla birlikte, bunu yapmak için gerekli olan biyoinformatik araçlar genellikle sınırlıdır ve kuruma bağlıdır. Bu veri tabanı, araştırmacılarımızın, bir hastanın genetik ve proteomik yapısının, tedaviye yanıt veya sağkalım gibi belirli klinik uç noktalara nasıl katkıda bulunabileceği gibi, translasyonel kanser araştırmalarıyla ilgili temel soruları yanıtlamalarına yardımcı olmak için geliştirilmiştir. Bu veri tabanı torasik malignitelerle ilgilenen araştırmacılar ve klinisyenler için geliştirilmiş olsa da, bu model diğer hastalıklara uygulanabilir ve araştırmacıların ve diğer kurumların ihtiyaçlarına uygun hale getirilebilir.
Kendi veritabanı projeleriniz için bu protokolü benimseyeceğinizi umuyoruz. Bir çeviri veritabanı projesine başlamadan önce, IRB onaylı protokollerin geliştirilmesi esastır. Hasta gizliliğini korumak için, toplanan tüm örnekleri, dokuları, kanları veya diğer vücut sıvılarını barkodlu benzersiz bir tanımlayıcı ile etiketleyin ve bunları numune tedarik formunda uygun şekilde belgeleyin.
Veritabanını geliştirmeye başlamak için önce hasta örnek verileri, doku mikrodizisi ve DNA örnekleri hakkındaki bilgiler gibi ilgi alanlarını yakalamak için birincil tablolar oluşturun. Diğer ilgi tabloları arasında göğüs onkolojisi konferansı, hücre hatları ve gans tabloları yer alabilir. Microsoft Access'te bir tablo oluşturmak için oluştur sekmesine gidin ve tabloyu seçin.
Başlangıçta, tablo veri sayfası görünümünde sunulur. Ancak, ilgilenilen değişkenleri girmek için tablonun tasarım görünümünde sunulması gerekir. Ana sayfa sekmesi altında, görünüm, tasarım görünümü'nü seçin, hasta masası için tasarım görünümünde ilgilenilen değişkenleri girin ve tanımlayın.
Bu, tıbbi kayıt numarasını, soyadını, adını, doğum tarihini vb. içerecektir. Tasarım görünümünde, tıbbi kayıt numarası yedi basamaklı bir sayı olduğundan, alanın tarihi bir veri türüyle açıklanmalıdır. Bu değişken sayısal bir değişken olarak tanımlanacaktır.
Değişken soyadı metin olduğundan, serbest metin değişkeni olarak listelenir. Değişken için bir açıklama sağlamak da yararlıdır. Örneğin, cinsiyet değişkeni için, veri girişi yapan kişinin erkeğin bir, kadının iki olarak girilmesi gerektiğini bilmesi, fazlalığı sınırlamak için tabloları tasarlaması önemlidir.
Hasta masası, hastalar, kanserleri, klinik seyri, risk faktörleri ve sonuçları ile ilgili detaylı bilgilerin veri tabanında tutulduğu tek yer olmalıdır. Her hastadan birden fazla örnek elde edilebileceğinden, patolojik örnekleri hasta kaynaklarına bağlamak için bir örnek veri tablosu geliştirin. Bu tablo, her bir numunenin kimlik numarasını, doku mikroarray immünohistokimyasal analizinden elde edilen protein ekspresyon verilerini yakalayan bir TMA tablosundaki hastanın tıbbi kayıt numarasına bağlamalıdır.
Çalışılan proteini etiketleyin ve standart bir puanlama sistemi kullanarak bu proteinin ekspresyon seviyesini belirleyin. Ayrıca, tümör veya normal doku listesi, mutasyon analizi yapılmış tüm DNA örnekleri gibi analiz edilen doku tipini de tanımlayın. Bir DNA örnekleri tablosunda, tam mutasyonun tanımı, bir mutasyonun olduğu gen ve böyle bir mutasyonun sonucu gibi genetik değişiklikleri açıkça açıklayın.
Torasik onkoloji klinik ekibinin haftalık toplantılarını tanımlamak için beşinci bir göğüs onkolojisi konferans masası oluşturun. Patolojik örneklerin mevcudiyeti gibi bu toplantılardan elde edilen ilgili bilgileri dahil edin Her hasta için, laboratuvarda kullanılan hücre hatlarını tanımlayan bağımsız bir hücre hatları tablosu oluşturun. Araştırma amacıyla, her hücreye ait önemli özellikleri tanımlayın.
Son olarak, CL elgan'ın otolog reseptör, tirozin kinazlar ve ilgili iğne skorunu listelemesi için başka bir bağımsız tablo oluşturun. İnsan proteinleri ile benzerliğin bir ölçüsü. Birden çok tablodan gelen sorguları kolaylaştırmak için, tek tek tabloların birincil anahtarlar aracılığıyla bağlanması gerekir.
Her tablo için bir birincil anahtar veya benzersiz tanımlayıcı oluşturun. Benzersiz tanımlayıcı, yalnızca bir benzersiz bireyi temsil eden ve bir tabloda iki kez listelenemeyen bir sayı veya sözcüktür. Örneğin, bir hastanın tıbbi kayıt numarası, hastanın tablosundaki birincil anahtardır.
Birincil anahtar oluşturmak için, ilgilenilen tablonun tasarım görünümüne gidin. Alana sağ tıklayın. Bu, birincil anahtar olacak ve seçeneğe tıklayın birincil anahtar.
Tabloları bağlamak için veritabanı araçları sekmesine gidin ve ilişkiler simgesine tıklayın. Fareyi bir tablodaki ilgi alanından başka bir tablodaki ilgili alana sürükleyin. Bu şekilde, iki tablo yerinde ilişkilerle bağlanır.
Daha sonra bir sorgu çalıştırılabilir Birden çok tablodan ilgili bilgileri almak için, oluştur sekmesinin altındaki sorgu tasarımı seçeneğini belirleyin, ilgilenilen alanlar da dahil olmak üzere tabloları seçin ve görüntüleyin. Ardından, her tablodan ilgilendiğiniz değişkenleri seçin. Sonuçlardan oluşan bir elektronik tablo formu oluşturmak için sorguyu çalıştırın ve verileri almak için uygun bir dosya uzantısı kullanarak kaydedin.
İçeri aktarılan verilerdeki değişkenlerin adı ile Microsoft Access'teki değişkenlerin adı arasında mükemmel bir eşleşme olduğunu doğrulayın. Değişkenler farklı şekilde tanımlanırsa, örneğin birinde boşluk varken diğerinde boşluk yoksa, veriler başarılı bir şekilde içe aktarılamaz. İki tablo arasında simetri elde edildikten sonra, verileri access'e almak için bir ekleme veya güncelleştirme sorgusu kullanın.
Ekleme sorgusu, yeni hastalar gibi yeni veri satırları eklerken, güncelleştirme sorgusu zaten veritabanında bulunan girişlerdeki verileri güncelleştirir. Verileri Microsoft Excel elektronik tablosu olarak dışa aktarmak için dış veri sekmesine gidin ve verileri Excel'e aktar'a tıklayın. Microsoft Access, verilerin yaygın olarak kullanılan diğer biçimlerde dışa aktarılmasına da izin verir.
Bir araştırmacı, hastanın masası, TMA masası ve DNA örnekleri tablosu boyunca protein paksin için bilgileri ilişkilendirmekle ilgilenir. Tablolar zaten tıbbi kayıt numarası aracılığıyla birbirine bağlı olduğundan, veriler kolayca sorgulanabilir İlgili bilgileri elde etmek için oluştur sekmesine tıklar ve sorgu tasarımına tıklar. Her masadan ilgilenilen hastaların, TMA'nın ve DNA örneklerinin bulunduğu üç masayı seçer.
Hastanın masasından hastanın adı, TMA tablosundan örneğin kökeni, TMA tablosundan paxin ekspresyonu ve DNA örnekleri tablosundan Paxin mutasyonları gibi ilgilenilen değişkenleri seçer. Sorguyu oluşturmak için sorguyu çalıştır'a basar ve sonuçlar bir sorgu elektronik tablosunda görünür. Hem paxin, hem ekspresyonel hem de mutasyonel verileri bulunan tüm hastalar bu elektronik tabloda görünecektir.
Daha sonra bu tür mutasyonların sıklığını tanımlayabilir, spesifik mutasyonları ekspresyondaki değişikliklerle ilişkilendirebilir veya mutasyonları sağkalım gibi klinik değişkenlerle ilişkilendirebilir. Lütfen burada gösterilen sonuçların örnek hastalar için olduğunu ve veri tabanında tanımlanan gerçek hastalar için olmadığını unutmayın. Sonuçlar, biyoistatistikçi tarafından birincil veri analizi için dışa aktarılabilir ve sonuçlar araştırmacı ile paylaşılır.
Böyle bir veritabanı oluştururken, tüm verilerin tutarlı bir şekilde girildiğinden emin olmak önemlidir. Veriler yalnızca bir alana girilmelidir. Araştırmacı geçerliliğinden eminse, gizliliğin korunmasının ve HIPAA ve IRB düzenlemelerine sıkı sıkıya bağlı bir veri tabanı tutmanın önemini yeniden vurgulamak gerekir.
Microsoft Access kullanan bu translasyonel veritabanı projesiyle, yaklaşık 3000 benzersiz hastayla bir veritabanı oluşturabildik ve 63 benzersiz protein hakkında ekspresyon verilerine sahip olduk Bu tür mutasyonları tanımlamada yapabileceğimiz ilerlemeler, yıkıcı hastalıkları önleme, tespit etme ve tedavi etme yeteneğimizde gelişmelere yol açma potansiyeline sahiptir.
Genel Bakış
Tradüksiyonel araştırma için klinik ve laboratuvar verileri için kapsamlı bir depo olarak hizmet verecek bir torasik onkoloji veritabanı geliştirildi. Bu uyarlanabilir veritabanı, kanser hastalarında genetik anormalliklerin ve protein ekspresyonunun çalışılmasını kolaylaştıracaktır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Tradüksiyonel kanser araştırması
- Onkoloji veritabanı geliştirme
- Klinik ve laboratuvar verilerinin entegrasyonu
Arka Plan
- Genetik değişiklikleri anlamak, kanser önleme ve tedavisini iyileştirebilir.
- Veritabanı, laboratuvar çalışmalarını klinik öykülerle bağlantı kurar.
- Veri entegrasyonu için biyoinformatik araçlar genellikle sınırlıdır.
- Bu model, torasik malignitelerin ötesindeki diğer hastalıklara da uygulanabilir.
Çalışmanın Amacı
- Klinik ve laboratuvar verilerini bağlayan bir veritabanı geliştirmek.
- Tradüksiyonel kanser araştırmasındaki temel sorulara yanıt bulmak.
- Klinik sonuçlara genetik ve proteomik katkıların araştırılmasını kolaylaştırmak.
Kullanılan Yöntemler
- Veri yakalama için Microsoft Access'te birincil tabloların oluşturulması.
- Veri almak için birincil anahtarlarla tabloların bağlanması.
- Veri yinelenimini sınırlamak ve veri bütünlüğünü sağlamak için tabloların tasarlanması.
- Hasta gizliliği ve veri yönetimi için protokollerin oluşturulması.
Ana Sonuçlar
- Veritabanı, hasta bilgileri, protein ekspresyonu ve DNA örnekleri için tablolar içerir.
- Klinik sonuçları analiz etmek için veriler arasındaki ilişkiler kurulmuştur.
- Kapsamlı analiz için birden fazla tabloda sorgulamayı kolaylaştırır.
- Gelecekteki tradüksiyonel araştırma projeler için bir çerçeve sağlar.
Sonuçlar
- Veritabanı, torasik onkoloji araştırmacıları için değerli bir araçtır.
- Diğer kanser modelleri ve hastalıklar için uyarlanabilir.
- Diğer araştırma ortamlarında benzer protokollerin benimsenmesini teşvik eder.
Sıkça Sorulan Sorular
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.
