Krooninen sairaus

tiivistelmä

Background

Advanced-vaiheen munasarjasyöpä potilasta hoidetaan yleensä platina /taksaania -pohjainen kemoterapian jälkeen ensisijainen debulking leikkauksen. On kuitenkin olemassa laaja valikoima tuloksia yksittäisille potilaille. Siksi kliinis tekijät eivät yksin riitä ennustamaan ennustetta. Tavoitteenamme on tunnistaa ilman taudin etenemistä (PFS) liittyviä molekyyliprofiilin ennustamiseksi potilaiden selviytymiseen myöhäisvaiheen vakavasta munasarjasyöpään.

Menetelmät /Principal Havainnot

Advanced-vaiheen serous munasarjasyöpä kudoksia 110 japani potilailla, joille tehtiin primaarinen leikkaus ja platina /taksaania kemoterapian profiloitiin oligonukleotidigeenisirumenetelmää käyttäen. Valitsimme 88 PFS liittyviä geenejä jonka univariate Cox-malli (

p

0,01) ja tuotti ennustetekijöiden perustuvan indeksin 88 PFS liittyviä geenejä säädön jälkeen regressiokertoimia vastaavien geenien harjun regressio Cox malli käyttäen 10-kertainen ristivalidointi. Prognostisia indeksi oli itsenäisesti liittyy PFS aikaa verrattuna muihin kliiniset tekijät monimuuttujamenetelmin [riskisuhde (HR), 3,72; 95%: n luottamusväli (CI), 2,66-5,43;

p

0,0001]. Ulkoisessa aineisto, monimuuttuja-analyysi osoitti, että tämä ennustetekijöiden indeksi korreloi merkitsevästi PFS ajan (HR, 1,54; 95% CI, 1,20-1,98;

p

= 0,0008). Lisäksi korrelaatio ennustetekijöiden indeksin ja yleinen elinaika vahvistettiin kaksi riippumatonta ulkoista aineistot (log rank -testi,

p

= 0,0010 ja 0,0008).

Johtopäätökset /merkitys

ennustetekijöiden kyky hakemistomme perustuu 88-geenin ilmentyminen profiilin harjanteen regressio Cox riskin malliin osoitettiin olevan riippumattomia muut kliiniset tekijät ennustavat syövän ennuste poikki kaksi erillistä aineistoja. Lisätutkimuksia on tarpeen parantaa ennustavan tarkkuutta ennustetekijöiden indeksin kohti kliininen hakemuksen arviointiin uusiutumisen riskiä potilailla myöhäisvaiheen vakavasta munasarjasyöpään.

Citation: Yoshihara K, Tajima A, Yahata T, Kodama S, Fujiwara H, Suzuki M, et al. (2010) Gene Expression Profiili ennustaminen Survival in Advanced-Stage seroosit munasarjasyöpä Across kaksi Independent Datasets. PLoS ONE 5 (3): e9615. doi: 10,1371 /journal.pone.0009615

Editor: Zoltán Bochdanovits, VU University Medical Center ja Center for Neurogenomics ja kognitiiviset Research, Hollanti

vastaanotettu: 03 marraskuu 2009; Hyväksytty: 16 helmikuu 2010; Julkaistu: 12 maaliskuu 2010

Copyright: © 2010 Yoshihara et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Tämä työ tuettiin osittain Grant-in-tuki kolmannen aikavälin Cancer Ohjaus strategia Program terveysministeriön, Labour and Welfare, Japani (KT), ja 2009 tutkimus- ja Study Program Tokain yliopiston koululaitoksen General Research Organization ( AT). Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Potilaat myöhäisvaiheen munasarjasyöpä yleensä tehdään ensisijainen debulking leikkausta seuraa platina /taksaani kemoterapian. Vaikka postoperatiivinen käyttöönotto taksaania lääke on parantanut 5 vuoden pysyvyys ja myöhäisvaiheen munasarjasyöpä, potilailla, joilla on tämä syöpä on 5 vuoden eloonjäämisaste vain 30% [1] – [3]. Kliinis ominaisuudet, kuten rajaamisvai- tila primäärileikkauksen jälkeen, ovat kliinisesti pidetään tärkeänä indikaattoreita ennusteen [4], [5]. Kuitenkin uusiutuminen jälkeen optimaalinen debulking leikkauksen esiintyy joillakin potilailla, kun taas taudista vapaan aseman jälkeen epätäydellinen leikkauksen ylläpidetään toisissa. Itse asiassa se on raportoitu, että 34% potilaista hoidettiin optimaalinen leikkaus ja platina-taksaanin yhdistelmä kemoterapiaa myöhäisvaiheen munasarjasyöpä uusiutua 12 kuukauden kuluessa [4]. Siksi nämä kliinis tekijät eivät yksin riitä ennustamaan ennustetta ja selvittämiseen patologisia mekanismeja taudin etenemisen tai uusiutumisen. Molekyylibiologian lähestymistapoja voidaan käyttää tunnistamaan uusia ennusteeseen liittyviä profiileja johtaa selventämiseksi patologisten kysymyksiä myöhäisvaiheen vakavasta munasarjasyöpään.

Microarray teknologia on kehittynyt erittäin nopeasti, ja siitä on tullut suhteellisen helppo analysoida ekspressiotasot tuhansien geenien syöpäsoluja. Vaikka monet tutkimukset ovat raportoineet yhdistysten geeniekspressioprofiilien kanssa ennusteita syöpäpotilailla [6] – [10], rajoitettu määrä tällaisia ​​profiileja käytetään hoitopaikassa. Sirutekniikalla kliinisesti sovelletaan ennustamiseen ennusteen rintasyöpäpotilailla. MammaPrint ™ (Agendia BV, Amsterdam, Alankomaat) on jo Hyötykäyttöön varten. Samaan aikaan, ei ole mikrosirujen sarjoja kliininen diagnoosi ja hoito munasarjasyöpäpotilaalle vielä.

kolme tutkimukset ovat viime aikoina raportoitu geeniekspressioprofiilien ennustavia yleinen (OS) munasarjasyöpää sairastavilla potilailla, jotka käyttävät mikrosirujen tekniikkaa [11] – [13]. Näissä tutkimuksissa käytetään suhteellista suuren otoksen koosta (n 80) perustamisesta selviytymisen liittyvä profiili löytö vaiheessa kokeen ja ulkoinen riippumaton aineisto kuin validointi asettaa ongelman ratkaisemiseksi, että määrä genomisen muuttujien tutkittu paljon suurempi kuin koehenkilöillä. Siten tutkimus eloonjäämiseen liittyvän profiilit munasarjasyöpää sairastavilla potilailla on edennyt, kun taas ei ole laajoja tutkimuksia perustuu monikeskustutkimus validointi geeniekspressioprofiilien ennustamiseen taudin etenemisen tai uusiutumisen potilailla, joilla on munasarjasyöpä [14] – [15] . Ennustaminen uusiutumisen riskiä potilailla myöhäisvaiheen munasarjasyöpä sai tavanomaiset hoidot (ensisijainen leikkaus + platina /taksaani kemoterapian) on tärkeämpää suhteen optimointi kliinisen hoidon [16].

Olemme raportoi äskettäin, että on olemassa korkeat yhtäläisyyksiä geeniekspressiota välillä alkuvaiheen ja osajoukon myöhäisvaiheen serous munasarjasyöpä potilaille, joilla on suotuisa ennusteet, ja kaksi molekyylien alaryhmiä potilailla myöhäisvaiheen serous munasarjasyöpään mukaan geeniekspressioprofiilien heijastaa kasvaimen etenemisen ja ennusteen [17]. Tässä tutkimuksessa olemme keskittyneet ilman taudin etenemistä (PFS) kertaa suurempi määrä potilaita ainoastaan ​​myöhäisvaiheen serous munasarjasyöpä käsitelty platina /taksaanin kemoterapian ja yrittivät tunnistaa PFS liittyviin geeniekspressioprofiili käyttämällä uusi selviytyminen analyysimenetelmä: harjun regressio Cox malli [18]. Sitten arvioitiin korrelaation meidän PFS liittyvien geenien ilmentymisen profiilin ja selviytymisen aikaa ulkopuolinen riippumaton aineisto on myöhäisvaiheen vakavasta munasarjasyöpään.

Tulokset

Kliininen Ominaisuudet

kliininen ominaisuudet 110 japani potilaiden myöhäisvaiheen serous munasarjasyöpään on yhteenveto taulukossa 1. löytö asetettu, 93 potilasta (84,5%) diagnosoitiin International Federation of Gynecology and Obstetrics (FIGO) vaihe III, ja 17 potilasta (15,5%) kuin levinneisyysaste IV [19]. Kaikki potilaat saivat platina /taksaani kemoterapian jälkeen ensisijainen leikkauksen. Mediaani etenemisestä vapaan ja kokonaiselinaika ajat olivat 17 ja 31 kuukautta, vastaavasti.

Toisaalta, käytimme osa julkisesti saatavilla microarray data (GSE9891) ulkoisena itsenäinen aineisto (katso materiaalit ja menetelmät) [20]. Kliininen ominaisuudet 87 potilasta myöhäisvaiheen vakavien munasarjasyövän ulkoisen aineisto on lueteltu taulukossa S1 [20]. Kaplan-Meier selviytymisen analyysi osoitti, että ei ollut merkittäviä eroja PFS ja OS välinen aika potilaiden löytämisen aineisto ja ne ulkoisen aineisto (kuva S1). Kun verrataan kliinis ominaisuuksien välillä löytö asettaa ja ulkoisen aineisto oli merkittäviä eroja taajuuksilla vaiheessa (taulukko S1). Koska luokittelu järjestelmä hyväksytään ulkoisen aineisto oli erillään löytö set [21] – [23], emme voineet tehdä yksinkertainen vertailu pahanlaatuinen asteen välillä aineistot. Sitten tutki yhdistyksen välillä kliinis ja PFS aikaa potilailla myöhäisvaiheen seroosinen munasarjasyöpään kunkin aineisto. Monimuuttuja-analyysi paljasti, että vain optimaalinen leikkaus oli itsenäinen ennustetekijä PFS löytö aineisto (taulukko S2) ja joka oli marginaalisesti merkitsevä korrelaatio debulking tilan ensisijaisen leikkauksen ja PFS aikaa ulkoisen aineisto (taulukko S2). Siksi suunnittelimme ensin kehittää prognostinen indeksi perustuu PFS liittyvien geenien löytämiseen aineisto, toissijaisesti arvioimaan ennustetekijöiden kyky hakemistomme ulkoisen aineisto monimuuttujamenetelmin, ja sitten kolmanneksi arvioida ennustavan suorituskykyä ennustetekijöiden indeksin uudelleen kun kerrostuminen potilaiden mukaan debulking tilan ensisijaisen leikkausta.

tunnistaminen PFS liittyvistä Profiili

käyttäen Agilent kaikkiaan Human Genome Oligo microarray, me tuotetaan geenien ilmentyminen tietoja 110 myöhäisvaiheen serous munasarjasyöpä potilaille. Sitten tämä aineisto käytettiin löytö asettaa tunnistamiseksi PFS liittyvien profiilin potilailla myöhäisvaiheen vakavasta munasarjasyöpään. Arvioitava edelleen PFS liittyvä profiili, valmistimme osa GSE9891 aineisto ulkoisena itsenäinen aineisto käyttäen Affymetrix Human Genome U133 Plus 2.0 Array (katso materiaalit ja menetelmät) [20]. Käsitellä cross-platform microarray data asianmukaisesti, analysoimme ainoa yhteinen geenejä (28304 koettimien Agilent alustaan ​​38497 koettimien Affymetrix alustalla) näiden alustojen välillä tässä tutkimuksessa. Of 28304 Agilent antureista, 18178 koettimien ekspressiotasot merkitty ”Läsnä” kaikissa 110 microarray tietoja löytö asetettu uutettiin edelleen poistamiseksi puuttuvat ja epävarma signaaleja geenien ilmentymisen, ja sitten data oli per-geeni normalisoitu kussakin aineisto muuttamalla ilmaus kunkin geenin keskimäärin 0 ja keskihajonta 1 (kuva S2).

univariate Coxin suhteellisen riskin malliin osoitti, että ekspressiotasot 97 antureista (edustaa 88 nonredundant geenit) korreloivat kanssa PFS aika (

p

0,01). Mikäli usean tagged 8 geenien (edustaja 17 koettimia), valitsimme 8 koettimia (yksi koetin per geeni), jolla on suurin neliöiden summa yksittäisten ilmaisun arvot vastaavat geenit edustajina [24]. Kaikkiaan 88 geenien (asiamies 88 ainutlaatuinen koettimet) on siten tunnistettiin PFS liittyviä profiilin. Lisäksi olemme soveltaneet harjun regressiomallin arvioida optimaalinen regressiokertoimia (

β

) 88 geenit PFS liittyvän profiilin (taulukko 2), ja laskettiin ennustetyöväline indeksin kullekin näytteelle käyttäen yhtälöä (1) raportoitu aiemmin [18]. 88-geeni ennustetekijöiden indeksit saadaan olivat välillä -5,09-+4,14 (mediaani, 0,11), ja frekvenssijakautuman indeksien joukossa 110 potilasta oli yksihuippuisia.

arvioimiseksi ennustetekijöiden indeksin kategorisena muuttujana, yritimme jakaa tämä aineisto kahteen ryhmään perustuen mediaani ennustetekijöiden indeksi 0,11 [9]. Potilaat jaettiin ”korkean riskin” ryhmä, jos niiden ennustetekijöiden indeksi oli suurempi tai yhtä suuri kuin mediaani, kun taas ”alhaisen riskin” ryhmä koostui tapauksista kanssa ennustetekijöiden indeksit, jotka olivat vähemmän kuin mediaani. Kuten kuviossa 1A, potilaille, joilla on suuri riski ennustetekijöiden indeksit olivat lyhyempiä mediaani PFS kertaa kuin niitä, jotka kuuluvat matalan riskin ryhmään (mediaani PFS, 12 kk vs. 51 kuukautta, log rank -testi,

p

0,0001).

korkean riskin potilailla oli merkitsevästi lyhyellä ilman taudin etenemistä kertaa verrattuna alhaisen riskin potilailla (A) discovery setti (log rank -testi,

p

0,0001) ja (B) ulkoisessa setti (log rank -testi,

p

= 0,0004). Samoin korkean riskin potilailla oli huomattavasti lyhyempi kokonaiselinaika kertaa verrattuna alhaisen riskin potilailla (C) löytö asettaa (log rank -testi,

p

0,0001) ja (D) ulkoisessa setti ( log rank -testi,

p

= 0,0010).

jälkeen suoritetaan yhden ja usean Coxin suhteellisen vaaran analyysit todistaa, että 88-geenin ennustetekijöiden indeksi oli itsenäinen ennustetekijä (taulukko 3). Univariate Coxin suhteellinen vaara-analyysi osoitti, että ennustetekijöiden indeksin vaiheessa optimaalinen leikkaus, ja histologinen luokka korreloivat PFS (

p

0,0001,

p

= 0.022,

p

0,0001 ja

p

= 0,016, tässä järjestyksessä). Lisäksi monimuuttuja-analyysi osoitti, että ennustetekijöiden indeksi eniten merkitsevästi yhteydessä PFS ajan [riskisuhde (HR), 3,80; 95%: n luottamusväli (CI), 2,68-5,61;

p

0,0001].

validointi kvantitatiivisen tosiaikaisen RT-PCR

validoimiseksi microarray ekspressiotietojen, suoritimme kvantitatiivisen tosiaikaisen RT -PCR varten osajoukko löytö aineisto (53 näytettä). Neljä geenit,

E2F2

,

FOXJ1

,

DNAH7

, ja

FILIP1

, valittiin sattumanvaraisesti tätä tarkoitusta varten. Oli merkittäviä korrelaatioita microarray ilmaisun datan ja reaaliaikaisen RT-PCR-ilmentymisen data (kuva 2). Huolimatta siitä, että pienemmän näytteen koko, olemme vahvistaneet merkittävä assosiaatio PFS ajan ja kunkin reaaliaikaisen RT-PCR-data neljän geenien yksiulotteista Cox riskin malliin (tuloksia ei ole esitetty).

oli merkittäviä korrelaatioita microarray ilmaisun ja reaaliaikaisen RT-PCR ilmentymisen (A)

E2F2

, (B)

DNAH7

, (C)

FOXJ1

, ja ( D)

FILIP1

.

Appling PFS-Related Profile ulkoiseen Dataset

kääntäneet 88 ennustetekijöiden geenien kanssa Agilent Probe tunnukset Affymetrix 196 antureista käyttäen käännös toiminto GeneSpring GX 10 ja arvioidaan nykyisen PFS liittyvä profiili ulkoisessa aineisto (kuva S2). Laskimme ennustetekijöiden indeksin kunkin näytteen ulkoisessa aineisto painotetulla summa ilmaisun arvojen 88 PFS liittyviä geenejä yhtälön (1), jossa harjanteen regressiokertoimia (

β

) tunnistettu löytö joukko käytettiin painoja vastaavat geenit (katso materiaalit ja menetelmät). Saimme ennustetekijöiden indeksit vaihtelevat -5,37-+4,56 ulkoisen aineisto. Frekvenssijakauma ennustetekijöiden indeksien ei ollut tilastollisesti erilainen kuin löytö asettamat Kolmogorov Smirnov testi (

p

0,05).

Kun jaettu ulkoinen aineisto kahteen alaryhmään by mediaani ennustetekijöiden indeksi (0,11) löytö asettaa merkittävä korrelaatiota ei havaittu riskiluokitusta ja PFS (log rank -testi,

p

= 0,0004) (kuvio 1 B). Vuonna univariate analyysi ulkoisia tietoja, arvioitu ennuste indeksin ja optimaalisen leikkauksen korreloivat PFS ajan (

p

= 0,0001 ja 0,049, vastaavasti) (taulukko 3). Monimuuttuja-analyysi osoitti, että ennustetekijöiden indeksi oli itsenäinen ennustetekijä PFS aikaa (HR, 1,64; 95% CI, 1,27-2,13,

p

= 0,0001).

Arvio Meidän Prognostiset indeksi

arvioimiseksi herkkyys ja meidän prognoosi- indeksin, käytimme ROC käyrät indeksin. Ala alle ROC-käyrän 0,5 (merkitty diagonaalinen katkoviivalla kuvaan S3) edustaa välistä tasa oikeita positiivisia ja vääriä positiivisia testituloksia. Se, missä määrin ROC käyrä poikkeaa poikkiviiva vasemmalle ja ylhäältä akselit on mitta tehokkuudesta 88-geenin ennustetekijöiden indeksi ennustamiseen kliinisen tuloksen. Alla oleva alue ROC käyrät erottaa varhaisen uusiutuminen potilailla, joilla on vähintään 18 kuukauden PFS kertoja myöhään uusiutumisen potilailla oli 0,959 ja 0,674 in löytö asettaa ja ulkoisen aineisto, vastaavasti (kuva S3). Kun käytimme mediaani prognoosi- indeksin löytö määritetty cut-off, herkkyys ja spesifisyys olivat 88,9% ja 85,7% vuonna löytö aineisto ja 64,4% ja 69,2% ulkoiseen aineisto.

Suoritimme selviytyminen analyysi jälkeen kerrostuminen potilaiden tilan mukaan on debulking leikkaus, joka oli itsenäinen ennustetekijä monimuuttuja analyysiin löytö aineisto (taulukko 3). Jaoimme potilaat kahteen ryhmään ( ”optimaalinen ryhmä” ja ”suboptimal ryhmä”) kussakin löytö ja ulkoiset aineistot, ja merkitään kukin potilas ”korkean riskin” tai ”matalan riskin”, joka perustuu mediaani nykyisen ennustetekijöiden indeksi kussakin ositteessa mukaan debulking tilan. Kaplan-Meier selviytymisen analyysi osoitti, että korkean riskin potilailla oli merkittävästi lyhyempi PFS aikaa kuin matalan riskin potilasta kussakin neljässä kerrostumista kahdesta aineistot (kuva 3) seuraavasti: optimaalinen ryhmä (

p

0,0001) ja optimaalinen ryhmä (

p

0,0001) meidän aineisto; optimaalinen ryhmä (

p

= 0,0034) ja optimaalinen ryhmä (

p

= 0,015) ulkoisessa aineisto. Tämä kerrostunut analyysi osoitti myös, että ennustetekijöiden indeksi liittyy PFS ajan riippumatta debulking tilan.

Korkean riskin potilailla oli huomattavasti vähemmän ilman taudin etenemistä kertaa verrattuna alhaisen riskin potilailla (A) optimaalinen ( log rank -testi,

p

0,0001) ja (B) optimaalinen ryhmän löytö aineisto (log rank -testi,

p

0,0001). Samoin korkean riskin potilailla oli huomattavasti lyhyempi kokonaiselinaika kertaa verrattuna alhaisen riskin potilailla (C) optimaalisissa (log rank -testi,

p

= 0,0034) ja (D) optimaalinen ryhmän ulkoisen aineisto (log rank testi,

p

= 0,015).

Korrelaatio Tämä Prognostiset indeksi ja Kokonaiselossaoloaika

Kokonaiselossaoloaika on toinen tärkeä päätepiste potilailla, joilla on ennalta-vaiheen munasarjojen syöpiä, ja siksi me tarkemmin, onko nykyisen 88-geenin ennustetekijöiden indeksi voitaisiin ulottaa käyttää ennustamaan eloonjäämisaste potilaiden. Arvioida välinen vastaavuus prognoosi- indeksin ja yleistä elinaika, suoritimme Kaplan-Meierin eloonjäämisen käyräanalyysi. Potilaat, joilla on korkean riskin ennustetekijöiden indeksit olivat lyhyempiä eloonjäämiseen kertaa kuin matalan riskin potilailla kahdessa aineistot (log rank -testi,

p

0,0001 ja

p

= 0,0010, vastaavasti) (Kuvio 1C, D). Lisäksi ennustetekijöiden indeksi oli merkitsevästi yhteydessä eloonjäämisaste aikaan sekä löytö asettaa ja ulkoisen aineisto monimuuttuja-analyysi (taulukko 4).

Lisäksi tutkimme ennustava kyky meidän prognoosi- indeksin julkisesti saatavilla Dressman n aineisto [25], jossa potilaat olivat enää seurattu (mediaani kokonaiselinaika, 31 kuukautta alue, 1-185kuukausi). Dressmann n aineisto [25] koostui 119 myöhäisvaiheen serous munasarjasyöpä hoidetuilla potilailla platinapohjaisen kemoterapian (myös ei-taksaani kemoterapiaa). Koska niiden tiedot kertyi eri alustalla, jossa kahdessa edeltävässä aineistot, 75% 88 PFS liittyviä geenejä käännettiin hengissä ennuste tässä aineisto. Kun jaettu Dressman n aineisto [25] kahteen alaryhmään, jonka mediaani ennustetekijöiden indeksi löytö aineisto, joka on merkittävää yhteyttä ei havaittu riskiluokitusta ja kokonaiselinaikaa (log rank -testi,

p

= 0,0008) (kuva S4) . Sen ennustetekijöiden indeksi korreloi merkitsevästi eloonjäämisaste ajan Monimuuttuja-analyysissä (HR, 1,51; 95% CI, 1,19-1,93,

p

= 0,0008).

karakterisointi PFS liittyvistä Profiili

Olemme suorittaneet GO analyysi ymmärtää biologisia ominaisuuksia 88 PFS liittyviä geenejä. Luonnehtia geeni lista perustuu GO luokitus biologinen prosessi ”,” molekyyli-toiminto ”, ja” solukomponentti ”, tutkimme, mitkä luokat olivat erittäin liittyy 88 geenit. Toistuvassa testaus korjauksia käyttäen FDR menetelmää [26], 8 kategoriaa merkittävästi yliedustettuna (FDR

q

-arvo 0,10) (kuva 4). Vuonna 88 PFS liittyviä geenejä, geenit osallistuvat GTPaasi sitoutumisen (GO17016, GO31267 ja GO51020), sijainti solussa (GO51649 ja GO51641), solunsisäinen liikenne (GO46907 ja GO6886), ja /tai silmän sädekehän tai flagellaarinen liikkuvuuteen (GO1539) on erityisesti rikastettu . Olemme tutkineet yhtäläisyydet yliedustettuna GO luokkien välillä 88 PFS liittyviä geenejä sekä aiemmin raportoitu geeniekspressioprofiilien jotka korreloivat ennusteen munasarjasyöpä [11], [13]. Emme kuitenkaan voi tunnistaa yhteisiä GO luokkien välillä profiilin ja aiemmin raportoitujen profiileja (tuloksia ei ole esitetty).

Huomattavasti yliedustettuna 8 geeni ontologian (GO) luokat GO-pohjainen profilointi 88 geenien toistuvassa testaus korjaus Benjamini-Hochberg vääriä löytö rate (FDR

q

-arvo 0,10). Yliedustettuina GO luokkia tunnistettiin käyttäen kaikkia geenien Agilent alustan taustalla joukko geenejä varten määrittävä

p

-arvot. Todellinen määrä PFS liittyvien geenien kunkin luokan on suluissa.

jatkokäyttää IPA ohjelmisto analysoida 88 PFS liittyviä geenejä näkökulmasta molekyylien vuorovaikutus tai reitin. Top kolme merkittävää verkkoja (pisteet 25) on esitetty kuvioissa S5-7. Verkko 1 sisältyi 15 88 prognoosi- geenit, ja oli merkitsevästi yhteydessä IPA-määrittänyt useita verkkoja: solukuoleman, neurologinen sairaus, ja solujen kokoonpano ja organisaatio (kuva S5). Neljätoista prognostiset geenit sisällytettiin verkossa 2, joka määriteltiin verkkoihin liittyvät syöpään, solun morfologia, ja munuaisten ja urologiset sairaus (kuva S6). Verkko 3 näkyy merkittäviä yhteisvaikutuksia ja keskinäiset geenien solu-solu signalointi ja vuorovaikutus, hematologisten järjestelmän kehittäminen ja toiminta, ja immuunijärjestelmän solujen kaupan (Kuva S7). Vuonna 88 geenejä, löysimme useita geenejä vuorovaikutuksessa

SRC

tai

MYC

(kuva S6), joista kukin oli raportoitu edustajana geenin kasvaimia synnyttävän polkuja munasarjasyövän [25], [27].

keskustelu

tässä tutkimuksessa olemme tunnistaneet ennustetekijöiden indeksin ennustamiseen PFS aikaa potilailla myöhäisvaiheen serous munasarjasyöpä käsitelty platina /taksaanin kemoterapiaa liitännäishoitona kahdella eri tyyppisiä microarray ilmaisun tietoja nykyisestä löytö asettaa ja julkisesti saatavilla ulkoinen sarja käyttäen harjun regressio Cox malli. Merkittävä korrelaatio meidän prognoosi- indeksin ja OS aika oli myös ilmoitettu kahden riippumattoman aineistoja.

ilme mikrosiruanalyysi, on niin sanottu ”kirous dimensionality” ongelma, että määrä geenejä on paljon suurempi kuin näytteiden lukumäärä. Luotettavuuden parantamiseksi geenin ilmentymisen perustuva ennustetekijöiden malli, on tarpeen välttää overfitting että aineisto, ja vahvistaa toistettavuus ennustavan kykyä ulkopuolinen riippumaton aineistot [28]. Tähän asti monet bioinformatiikan lähestymistapoja on ehdotettu luomaan malli selviytymisen ennustamiseen käyttäen microarray data [18], [29]. Bøvelstad

et al

. [18] äskettäin tutkinut ennusteen suorituskykyä seuraavat seitsemän menetelmistä: univariate valinta, eteenpäin vaiheittain valinta, pääkomponentit regressio, valvottu pääkomponentit regressio, osittainen pienimmän neliösumman regressio, harjun regressio ja suopunki kolmella mikrosirujen aineistoja [Dutch rintasyöpä tiedot ( n = 295), diffuusi suuri B-solulymfooman data (n = 240), ja Norja /Stanford rintasyövän tiedot (n = 115)] [7], [30] – [32]. He päättelivät, että yhden muuttujan Coxin mallin yksinään oli riittämätön ennustamiseen selviytymisen ja että harjanteen regressio Coxin malli osoitti parasta suorituskykyä kolmessa aineistoja. Siksi käytimme yhden muuttujan Coxin mallissa vain valitsemiseksi liittyvistä geeneistä PFS aikaa, ja säädettävä regressiokertoimet jonka harjanne regressio Coxin malli lisäämiseksi ennakoivan suorituskykyä ennustetekijöiden indeksin meidän aineisto.

Nykyinen tutkimuksen tarkoituksena on selvittää geeniekspressioprofiili ylivoimainen kyky ennustaa ennuste kuin muut kliinis tekijöitä. Kerrostuminen munasarjasyöpäpotilaalle mukaan kliinis ennustavat tekijät on yksi tärkeä analyysimenetelmien tunnistamiseksi erittäin tarkat prognoosi- indeksin [11]. Kun olemme stratifioitu potilaat mukaan luokalla FIGO vaiheessa ja asema rajaamisvai- kirurgian, tutkimme geeniekspressioprofiili ennustamiseen PFS kertaa vaiheessa III luokan 2/3 serous munasarjasyöpä potilaat saivat optimaalista leikkaus tai optimaalinen leikkaus. Kuitenkin voisimme löytää huonompi ennustavaa suorituskykyä ennustetekijöitä indeksit kerrostunut analyysit kuin että ei-ositettu analyysi (taulukko S3). Vähentymisen lisäksi otoskoko löytö ja ulkoiset aineistot jälkeen kerrostuneisuus, erilaisia ​​kliinisen piirteet ja luokitukset kahden aineistoja (taulukko S1) saattaisi vaikuttaa tuloksiin näiden kerrostunut analyysit. Tämä on tärkein syy, miksi me suunnitellaan tunnistamaan ennustetekijöitä indeksiin perustuvan PFS liittyvien geenien 110 myöhäisvaiheen serous munasarjojen syöpiä ja sitten arvioida merkitystä ennustetekijöiden indeksin monimuuttujamenetelmin kuten laatu, vaihe, ja tilan rajaamisvai- leikkausta.

Vaikka me otettiin munasarjasyöpä potilaat seulottiin huolellisesti seuraaviin kolmeen ryhmään: myöhäisvaiheen, histologinen vakavien-tyyppinen, ja platina /taksaania kemoterapian jälkeen ensisijainen leikkauksen, loimme ei ottamista tai pois kriteeri histologista arvosanan ilmoittautumisen sekä Crijns ja työtovereiden tekivät [12]. Tämä johtuu siitä, standardijärjestelmiä luokittelua munasarjakarsinoomat on vielä rakenteilla maailmassa, vaikka useita luokitukset on ehdotettu epiteelin munasarjasyöpä [21] – [23], [33], [34]. Mukaan kolmen kriteerin edellä rekrytoimme 110 Japani munasarjasyöpä potilaille kuin löytö asetettu PFS analyysiä. Prognostisia indeksi kutakin potilasta yksinkertaisesti laskettiin harjun-regressio painotettu summa 88-geenin ilmentymisen arvoja, ja ennustetekijöiden voima hakemistoamme arvioitiin käyttäen Tothill n aineisto [20]. Lisäksi myöhemmät kerrostunut analyysi mukaan rajaamisvai- tila, joka oli itsenäinen ennustetekijä monimuuttuja analyysiin löytö aineisto osoitti, että meidän ennustetekijöiden indeksi liittyi PFS ajan riippumatta debulking tila. Kuitenkin herkkyys ja spesifisyys ennustetekijöiden indeksi kohdella eri alku- ja myöhään uusiutumisen potilailla oli pienempi Tothill n aineisto kuin löytö asetettu. Tämä saattaa johtua eri taustoista suhteissa etnisen taustan tai mikrosirun alusta. Vaikka erot geenien ilmentyminen syövän kudosten keskuudessa etniseltä ei ole raportoitu aikaisemmin, useat tutkimukset osoittavat, että osuudet selkeitä solun ja endomet- histologisia tyyppejä epiteelin munasarjasyövän Aasian väestöstä ovat korkeampia kuin ei-aasialaisilla [35], [36]. Viimeaikaiset genomin laajuinen yhdistys tutkimuksessa on tunnistettu yhden nukleotidin polymorfismin 9p22 liittyy munasarjasyövän riskiä henkilöillä, joilla Euroopan syntyperä, mutta ei ei-eurooppalaisten jälkeläiset [37]. Tämäntyyppinen eroja tutkimusten voitaisiin myös johtua geneettinen sekä ympäristötekijät. Lisäksi emme voi sulkea pois mahdollisuutta, että nykyinen PFS liittyvä luokittelijoiden kanssa harju-regressio-pohjainen painoja vielä riittämättömät yleistys ominaisuuksia ulkoisen aineisto johtuen ongelman overfitting. Siksi me uudelleen näitä tärkeitä kysymyksiä, kuten Tutkimusten välisten erojen etnisten ryhmien ja mikrosirujen alustoja sekä overfitting ongelma käyttämällä suurempaa määrää microarray tietojen myöhäisvaiheen serous munasarjasyöpä potilasta saadakseen paremmin luokittelijoiden ennustamisessa ennustetta. Ja parantaa tarkkuutta ennustavien indeksin kehitys prognoosi- indeksin jälkeen kerrostuminen potilaiden tulee tutkimuslinjauksilla jatkotutkimuksiin.

On mielenkiintoista, että esillä oleva 88-geenin ennustetekijöiden indeksi ennustamiseksi PFS aika oli myös merkitsevästi liittyvä yleinen elinaika meidän molempien aineisto ja Tothill n aineisto [20]. Lisäksi olemme tutkineet ennustava kyky meidän ennustetekijöiden indeksin Dressman n aineisto [25], koska potilaita niiden aineisto sai pitkän aikavälin seurannassa kuin edellä kaksi aineistot. Vaikka Dressman n aineisto (n = 119) [25] 34 potilasta hoidettiin platina /cyclophospamide kemoterapiaa ja 3 yhden-aine platina, tämän merkitystä ennustetekijöitä indeksin eloonjäämiseen oli edelleen tilastollisesti tukenut pitkällä seurataan aineisto. Kuten hoitomuotoja toistuvia munasarjasyöpä potilaat ovat avoimella alueella tutkimuksen, jonka tarkoituksena on johtaa eloonjäämishyötyä [38], meidän ennustetekijöitä indeksi potilaalle myöhäisvaiheen serous munasarjasyöpä näyttää potentiaalinen ennustaa paitsi PFS aikaa, mutta myös kaiken elinaika. Tulevaisuudessa voimme soveltaa ennustetekijöiden indeksit arviointiin uusiutumisen riskiä varten vakavien munasarjasyöpä potilaiden ja valitse uusi hoitomuoto kuten annoksesta tiheä kemoterapiaa [39] tai molekyylin kohdistetun agentti tarkoituksena on parantaa ennustetta korkean riskin potilaita.

on pieni joukko geenejä päällekkäin välillä 88 PFS liittyviä profiilin ja aiemmin raportoitu ilmaisun-profiilit, jotka liittyvät ennusteeseen tai herkkyyteen platina /taksaanin kemoterapian [11] – [15], [40], [41]. Konstantinopoulos

et al

. [6] ovat keskustelleet, että nämä eroavuudet saattavat liittyä käyttämällä erilaisia ​​microarray alustoille eri normalisoinnin menetelmiä ja eriasteisen saastumisen noncancerous solujen kasvain näytteestä, sekä erot potilasryhmissä tutkittavana. Siitä huolimatta useat selviytyminen liittyvien geenien kuten

E2F2

ja

HLA-DMB

[42], [43] sisältyvät 88 PFS liittyviä geenejä. Reimer

et al

. [42] ovat raportoineet, että

E2F2

liittyy 3. asteen munasarjojen kasvaimia ja jäljellä tauti (yli 2 cm halkaisijaltaan) jälkeen alkuperäisen leikkauksen, ja että alhainen

E2F2

ilmentyminen merkitsevästi liittyy suotuisa taudista vapaan ja yleisen eloonjäämisen epiteelin munasarjasyöpä. Callahan

et al

.