Krooninen sairaus

tiivistelmä

Prediction syövän uusiutumisen potilailla, joilla on ei-pienisoluinen keuhkosyöpä (NSCLC) varassa arvioinnista kliinisten ominaisuudet kuten ikä, kasvaimen vaiheesta, ja tupakointi historia. Parempi ennustaminen varhaisessa vaiheessa syöpäpotilaiden heikompien selviytymisen ja myöhäisessä vaiheessa potilaalla on paremmat selviytymisen tarvitaan suunnitella potilaalle räätälöityjä hoitomenetelmistä. Analysoimme geenien ilmentymisen RNA perifeerisen veren mononukleaarisia soluja (PBMC) NSCLC potilaiden tunnistamiseen allekirjoituksia ennustavan yleistä potilaan selviytymistä. Huomaamme, että PBMC geeniekspressiomalleja peräisin NSCLC potilaiden, kuten kuvioita kasvaimia, on tieto ennustavan hoitotuloksia. Tunnistamme ja validoida 26 geenin ennustetekijöiden paneeli, joka on riippumaton kliinisen vaiheen. Monia muita prognostiset geenit ovat ominaisia ​​myeloidisoluissa ja ovat pidemmälle ilmaistaan ​​potilailla, joilla on lyhyempi selviytymistä. Olemme myös huomauttavat, että merkittävä määrä prognoosi- geenien muuttua ekspressiotasot PBMC kerättiin jälkeen kasvaimen resektiota. Nämä leikkauksen jälkeinen geeniekspressioprofiilien avulla voi olla mahdollista arvioida uudelleen ennusteen ajan. Nämä tutkimukset viittaavat lisäksi siihen, että potilaiden tuloksia ei määräytyy yksinomaan kasvaimen geeniekspressioprofiilit mutta voi myös vaikuttaa immuunivasteen näkyy reuna immuunijärjestelmän soluissa.

Citation: Kossenkov AV, Dawany N, Evans TL, Kucharczuk JC, Albelda SM, showe LC, et ai. (2012) Peripheral Immuunijärjestelmän Cell Gene Expression ennustaa Survival of Potilaat, joilla on ei-pienisoluinen keuhkosyöpä. PLoS ONE 7 (3): e34392. doi: 10,1371 /journal.pone.0034392

Editor: Rui Medeiros, IPO, Inst Port Oncology, Portugali

vastaanotettu: 16 joulukuu 2011; Hyväksytty: 27 helmikuu 2012; Julkaistu: 29 maaliskuu 2012

Copyright: © 2012 Kossenkov 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 tukivat Pennsylvania Department of Health tupakka Settlement avustus (SAP 4100020718); Pennsylvania Department of Health Commonwealth Universal Research Enhancement Program; Wistar Cancer Center Support Grant (P30 CA010815); National Institutes of Health (K07 CA111952) ja A.V. ja (T32 CA 09171) ja A.V.K. Hanke käytti Wistar Institute Genomics ja bioinformatiikan tilat tukevat Wistar Cancer Center Support Grant (P30 CA010815). 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

Keuhkosyöpä on yleisin syy syövän kuolleisuus kaikkialla maailmassa, jonka osuus 157300 syöpäkuolemista pelkästään Yhdysvalloissa vuonna 2010 [1]. Yleinen viiden vuoden eloonjääminen keuhkosyöpään on 16%, ja ennuste liittyy voimakkaasti sairauden vaiheessa diagnoosi [2]. Ei-pienisoluinen keuhkosyöpä (NSCLC) osuus 80% kaikista keuhkosyöpää.

Käsittelyprotokollat ​​sekä varoituksia arvioinnit potilaiden NSCLC perustuvat pääasiassa TNM. Kirurginen resektio alkuvaiheen tauti (vaihe I, II, ja jotkut Stage III) on edelleen tavanomaista hoitoa. Valitettavasti 30-60%: lla potilaista (riippuen vaihe) kehittää toistuminen ja kuolevat heidän sairautensa, joka johtaa 5 vuoden pysyvyys on 35-70% potilailla resektion jälkeen. Selvästi on olemassa täyttämätön tarve ylimääräisiä ennustavat tekijät paremmin tietoon prosessin hoitoa.

On huomattava heterogeenisyys kliinisissä tuloksissa potilaille, joilla alkuvaiheen NSCLC ja perusta on tuntematon. Useat aiemmat tutkimukset keskittyivät geenien ilmentymiseen kirurgisesti leikattiin kasvaimissa tunnistaa ennustetekijöiden allekirjoitusten äskettäin arvosteli [3], [4]. Ei kukaan on vielä hyväksytty kliiniseen käyttöön.

aiemmin osoitti, että potilailla, joilla on NSCLC merkittäviä geenien ilmentymisen muutoksia niiden PBMC jotka tarjoavat hyödyllistä diagnostisia markkereita (5) ja tämän PBMC syöpä allekirjoitusta vähenee tai poistuu osajoukko potilaat testattu uudelleen sen jälkeen, kun kasvaimen resektion [5]. Koska muutokset PBMC geenien ilmentyminen heijastavat vuorovaikutusta kasvain ja immuunijärjestelmään, olemme nyt analysoida meidän geenien ilmentyminen tietoja ja osoittaa allekirjoituksen liittyy yleiseen eloonjäämiseen. Samalla osoitetaan, että jotkut PBMC liittyvien geenien säilymisen muuttaa ilmaisun jälkeen otetuissa kasvaimen resektion ja saattaa tarjota lisäindikaattori toistumisen.

Materiaalit ja menetelmät

Tutkimuskanta

kaikkiaan 137 potilasta, joilla oli äskettäin diagnosoitu, histopatologisesti vahvistetaan, ei-pienisoluinen keuhkosyöpä (NSCLC) rekrytoitiin Pennsylvanian yliopiston Medical Center vuosina 2003 kautta 2007. Kirjallinen suostumus saatiin kaikilta osallistujia tutkimukseen ja kerättiin hyväksynnällä molemmat University of Pennsylvania IRB ja Wistar IRB. Tätä analyysiä varten ainoastaan ​​kohteet vaiheen I-IIIA NSCLC, joille tehtiin kirurginen resektio kanssa parantava tarkoitus oli mukana. Hylkäämisperusteet sisältyvät sub-Lobar resektio, positiivinen resektio marginaalit, ja kuolema 30 päivän kuluessa leikkauksesta. Tämä johti sisällyttäminen 108 aiheita tässä analyysissä (taulukko S1). Kaikki osallistujat olivat veren kerääminen ennen leikkausta ja 15 108 potilasta oli myös verta kerättiin leikkauksen jälkeen. Taulukossa 1 on yhteenveto ennustetekijöiden parametrit tunnistetaan National Cancer Comprehensive Network (NCCN) meidän tutkimuspopulaatiosta. Kliiniset tulokset ja selviytymistä tiedot saatiin kautta kaavio tarkastelu, puhelimitse yhteyttä, tai Social Security Death Index (SSDI).

PBMC Collection and Processing

verinäytteitä piirretty University of Pennsylvania Medical Center kaksi ”CPT” putkilla (Becton Dickinson). Perifeerisen veren mononukleaariset solut (PBMC) eristettiin 90 minuutin kuluessa veren piirtää, pestiin PBS: ssä, siirretään RNAlater (Ambion), ja säilytettiin sitten 4 ° C: ssa yön yli ennen siirtoa -80 ° C: ssa. RNA puhdistus suoritettiin käyttäen TriReagent (Molecular Research), suositusten ja ohjata laadun avulla Bioanalyzer. Vain näytteet, 28S /16S suhteet 0,75 käytettiin lisätutkimuksiin. Vakiomäärä (400 ng) totaali-RNA: ta monistettiin, suosittelema Illumina, geeniekspressioanalyysiä varten.

Microarray esikäsittely

Näytteet käsiteltiin ja hybridisoitiin Illumina WG-6v2 ihmisen koko genomin helmi taulukot. Kaikki paneelit käsiteltiin tällä Wistar Institute Genomics Facility kuten aikaisemmin on kuvattu [6] ja sen jälkeen geenin ilmentyminen arvot olivat log

2 transformoitu tarkempaa analysointia varten. Array data käytetään näihin tutkimuksiin ovat julkisesti saatavilla GEO tietokannasta hakunumerolla GSE13255. Taulukko S1 luetellaan 108 aiheita käytetään analysointiin.

tilastolliset menetelmät

Riskitekijöiden analysointi.

Univariate Coxin regressioanalyysi suoritettiin testaamiseksi yhdistyksen kliinisten riskitekijöiden ja yksittäisten geeniekspression kokonaiselossaolo. Coxin monimuuttuja regressio käytettiin testaamaan yhdistyksen tekijöiden yhdistelmästä. Tilastollinen merkittävyys määritettiin

P

0,05. False löytö korko geeni yhdessä eloonjäämiseen määräytyi Storey et. al. [7]. Association of kokonaiselinaika kasvaimen vaiheessa tehtiin sekä käsittelemällä vaiheessa jatkuvana muuttujana ja kun kaksi ryhmää: vaihe I ja yhdistetty vaiheen II plus III. Tulokset olivat merkittävä sekä lähestymistapojen kanssa yhden ja usean regressioanalyysillä. Koska määrä vaiheen II kasvaimet oli pieni (14 potilasta) ja vielä pienempi silloin, kun data jaettiin koulutukseen ja riippumaton validointi sarjaa, päätimme yhdistää vaiheen II ja III on suurempi ryhmä koon tarkistettaessa. Käytimme yhdistelmä vaiheen II ja III koko käsikirjoituksen johdonmukaisuuden.

Kaplan-Meier -käyrät.

Kaplan-Meier -käyrät piirrettiin käyttämällä Matlab v7.2 perustuu sensuroitiin Eloonjääntitulokset. Potilaat ositettiin kertoimella mediaani ellei toisin mainita.

Gene paneelin valinta.

Tunnistaa joukko geenejä, jotka liittyvät yleiseen eloonjäämiseen jaamme 108 esimerkkitietojoukon koulutukseen ja testaus sarjaa samankokoisia (54 satunnaisotoksia kussakin). Harjoitussarjassa ensin analysoitu tunnistaa tuloksiin informatiivinen geenin paneeli tunnistamalla antureista on pienin keskimääräinen yhden muuttujan Coxin p-arvo yli 50 testiä 40 satunnaisia ​​näytteitä (75% opetusjoukolla). Top 100 geenit käytettiin sitten Coxin monimuuttuja regressio L1 ja L2 rangaistaan ​​arvioiden [8]. Lopullinen λ1 ja λ2 hyperparameter pari valittu antoi parhaan suorituskyvyn käyttämällä 10-kertaisesti ristivalidointi koulutusta asetettu. Tällä menetelmällä saadaan malli, joka koostuu N geenejä, joilla on nollasta regressiokertoimia c

1 … c

N. Nämä kertoimet yhdessä vastaavien geenien ilmentyminen tietoja mihinkään potilaalle

i

(X

1 i … X

Ni) käytettiin laskettaessa geenin ennustetekijöitä pisteet (GPS) potilaalle seuraavasti: GPS = c

1 x

1 j + … + c

NX

Nj.

Riippumaton validointi ennakoivan geenin paneeli.

54 potilasta kesannoidulle ja ei käytetä ennakoiva geeni valintaa käytettiin itsenäisenä Koepakettia arviointiin kehitettyä mallia koulutusta asetettu. Merkitys GPS kuin ennustetekijä ulkoisesta validointi asetettu arvioitiin yksiulotteista Coxin regressio. Riippumattomuus GPS ja Stage tekijät testattiin Coxin monimuuttuja regressio.

Testing luotettavuutta geenin paneelin valinta.

Osoittaakseen, että merkitys riippumattoman validointi (suorituskyky) GPS mallin testaus sarja ei riipu erikoiskoulutus-Testitietoja split, teimme 100 satunnainen halkeaa ja osoitti laadun erottaminen matalan ja korkean riskin potilailla testauksen sarjaa on sidottu mihinkään yksittäiseen tietojen split. (Kuva S1) B

Testaus tehoa prognoosi- indikaattoreita.

tehoa ennustavia indikaattoreita testattiin vertaamalla riskisuhteita ja konkordansseja. Riskisuhteita laskettiin korkean ja matalan riskin ryhmiin. Concordance arvioitiin käyttäen R paketti

clinfun

[9].

Gene rikastamiseen analyysi.

testaus biologisia toimintoja ja reittejä yliedustettuna geenin luettelosta tehtiin käyttäen DAVID ohjelmistoa [10] kanssa kynnykset asetetaan epätosi löytö määrä (FDR) FDR 20% ja rikastamiseen 2-kertaiseksi. Jotta geeni lista korkea vääriä löytö määrä (52% for 1704 liittyviä geenejä eloonjäämiseen) me raportoimme vain tuloksia, jotka kulkevat kynnysarvoa FDR 1% ja osoittavat myös merkittävää väkevöimisen GSEA algoritmilla [11], [12] kanssa FDR 25% raja.

rikastaminen immuunisolujen-tyypin geenejä.

saadaan listasta geenejä, erityisesti ilmaistuna 8 luokkiin immuunijärjestelmän solutyyppien, mukaan lukien T-solut, B-solut, NK solut, dendriittisolut, monosyyttien, neutrofiilien, Imusoluja ja myeloidisoluissa päässä Immune Response in silico (IRIS) tietokantaan [13], [14]. Testasimme jos nämä geenit yliedustettuna listalta 1704 geenien merkitsevästi yhteydessä kokonaiselossaolo. Käytimme Fisherin tarkka testi jokaisen solun tyypin 3 eri geenien erikseen: 1) kaikki merkitsevästi yhteydessä kokonaiselossaolo, 2) geenit merkittäviä HR 1 ja 3) geenejä, joilla on merkittävä HR 1. Kaiken kaikkiaan 24 koetta (8 solutyyppejä × 3-geenin ryhmää) suoritettiin ja raportoimme p-arvot säädetty useita testausta Bonferroni korjausta.

Gene limittäin.

merkitys päällekkäisyyksiä kahden ryhmän geenien (A ja B joukko geenejä) on valittu samasta altaan C = 20341 ilmentyvien geenien testattiin käyttäen hypergeometrisen testiä. Odotettu määrä päällekkäisiä geenejä laskettiin (A x B) /C.

Tulokset

Association of kokonaiselossaoloaikaa kliinisiä riskitekijöitä

Eri tekijät testattiin yhdistys kanssa selviytymistä univariate Coxin, kuten kasvain vaihe, ikä, sukupuoli, rotu, läsnäolo COPD, kasvainhistologiaa, tupakointi ja adjuvanttihoitoa (taulukko 1). Huomasimme, että kaksi tekijää, korkea ikä ja kasvaimen vaiheesta, liittyivät merkittävästi selviytymisen riskisuhteita 1,04 vuodessa kasvu ja 2,49 kasvainten vaiheessa vastaavasti. Kuva 1 osoittaa Kaplan-Meier -käyrät kaksi tekijää. Kun nämä kaksi muuttujaa testattiin yhdessä monimuuttuja Coxin regressiomallin, molemmat edelleen tilastollisesti merkitsevä (taulukko 1), mikä osoittaa, että ne ovat itsenäisesti liittyy selviytymisen tutkimuksessamme väestön ja että datajoukon mukautuu ennustetun merkkiaineiden kliinisen ennusteen.

Prediction kokonaiselinaika paneeli PBMC geenien

jotta voitaisiin tunnistaa ja itsenäisesti vahvistaa kompakti geenin paneeli, jota voitaisiin käyttää ennustamaan kokonaiselinaikaa, jaoimme 108 näytettä osaksi 2 satunnaisesti valittu ryhmiin 54 näytettä. Käytimme koulutus joukko 54 näytteiden valitsemiseksi ennustetekijöiden geenin paneeli, ja sitten vahvisti hyödyllisyys jäljellä 54 näytteiden varataan Koepakettia. Käytimme Coxin monimuuttuja regressio L1 ja L2 rangaistaan ​​arvioiden [8] koulutukseen asettaa, ja tunnistettiin 26 geenejä (taulukko 2), jonka ilmentyminen kuvioita kun yhdistetään lineaarinen malli, paras ennusti havaittu Eloonjääntitulokset. Kunkin kohteen, tämä malli tarjoaa Gene Prognostiset Score (GPS), joka lasketaan lineaarisena yhdistelmänä ilmaisun arvojen 26 prognostisten geenejä. GPS kullekin potilaalle todettiin olevan merkittävästi liittyvät hänen selviytymisen 54 aiheita koulutuksessa asetettu

P

= 3 x 10

-5. Esitys vahvistettiin validoinneista set (

P

= 0,009), mikä osoittaa, että PBMC johdettu GPS on tilastollisesti merkittävä ennustaja kokonaiselinaika uusia potilaita. Kaplan-Meier -käyrät potilaita validointi asettaa ja niiden tehtävät osaksi joko korkean riskin tai alhaisen riskin luokkaan perustuu mediaani GPS on esitetty kuvassa 2A. Nämä tutkimukset osoittavat, että PBMC ekspressiotasoja varten 26 Geenikoettimia kehitetty meidän opetusjoukolla voisi myös menestyksekkäästi ennustaa selviytymistä validointi asettaa ja sitä kautta mahdollisista uusista potilaista.

. Kaplan-Meier -käyrät potilaita testipakkauksesta ositettu mediaani GPS laskettuna ilmentymistä 26 geenejä. p-arvo yhden muuttujan Coxin regressio on esitetty. B. Kaplan-Meier -käyrät vertaamalla selviytymisen todennäköisyydet potilaiden testaus joukko ositettu Stage yksinään ja yhdistelmä Stage ja GPS 35 potilasta alemman riskiryhmään (lukumäärä vaihe I potilaista) ja 19 korkeamman riskin ryhmään (lukumäärä vaiheen II /III potilaat).

Geenien ilmentyminen ja kasvaimen vaiheessa tiedot ovat riippumattomia ennustajia selviytymisen

arvioitava, vieläkö GPS tarjotaan lisäarvoa kliiniset riskitekijät selviytymisen me oli testattu. Näistä vain ikä ja kasvain vaiheessa havaittiin merkittäviä prognostisia arvot meidän tietojoukon. Vaikka ikä oli merkitsevästi yhteydessä hengissä analyysiin käyttäen kaikkia 108 potilasta koskevat tiedot (taulukko 1), sillä ei ollut merkittävää ennusteen arvioinnissa sovellettuna testipakkauksesta 54 näytettä (

P

= 0,34). Tästä syystä emme sisällyttää ikää muuttuja seuraavissa analyyseissä.

perusteella tietojen validointi asetettu lavalle ennustaja yksinään tuottivat riskisuhde 3,0 (

P

= 0,0095, 95%: n luottamusväli 1,3-6,9). Kun käytetään Coxin monimuuttuja regressiomallin, sekä Stage ja GPS oli merkittävä (

P

= 0,004 vaiheessa ja

P

= 0,003 GPS), mikä osoittaa, että molemmat muuttujat ovat riippumattomia ennustajia eloonjäämiseen ja niiden käyttö yhdessä pitäisi lisätä ennustetekijöiden voimaa. Arvioida korotuksen me verrataan riskisuhteita vaiheessa yksin vaaran suhdeluvut yhdistetyn Stage + GPS tekijöitä. Stage yksin jakaa potilaita 19 suuremman riskin potilailla (määrä vaiheen II /III tapausta) ja 35 pienemmän riskin potilailla (lukumäärä vaiheen I tapauksista).

kantavassa yhdistettynä Stage + GPS ennustajan johtanut merkittävään riskisuhde 4,9 (

P

= 0,0003, 95%: n luottamusväli 2,1-11,4) korkean ja matalan riskin ryhmiin, kasvua verrattuna riskisuhde osoittama Stage ennustajan yksin (HR = 3,0) tai GPS ennustajan alone (HR = 1,9). Tätä havainnollistaa Kaplan-Meier -käyrät (kuvio 2B).

Alternative kvantitointiin kyky geenin ilmentymisen pisteet ennusteiden parantamiseksi säilymiseen suoritettiin määrittämällä yhtäpitävyyttä indeksi Coxin regressiomallin vaiheessa yksin : 0,63 (0,56-7,0), GPS yksin: 0,57 (0,51-0,62), ja vaihe + GPS: 0,69 (+0,62-+0,76). Kasvu yhdenmukaiset indeksin yhdessä näyttöä riippumattomuuden kaksi tekijää tukee hyödyllisyyttä käyttäen sekä lavan ja geenien ilmentymisen tulokset määrittää eloonjäämisen todennäköisyys verrattuna käyttäen vaiheessa vain. Tämä tulos osoittaa, että geenien ilmentyminen pisteet voivat lisätä varoituksia syntymässä olevista perinteiseen kasvain vaiheessa muuttuja.

Lisäämällä GPS tekijä luokittelua vaihe johti siirtämisellä 6 potilasta korkean ja matalan riskin ryhmiin. Kolme 6 vaiheen I NSCLC (yksi IA ja kaksi IB potilasta) saivat uuden korkean riskin ryhmään. Kaksi näistä potilaista todella kuolivat 18 kuukauden kuluessa (P1240, vaihe IB) ja 43 kuukautta (p1183, vaihe IA) näytekokoelmatodistuksen. Ylimääräiset 1B potilas (p1246) pysyivät hengissä vähintään 65 kuukautta. Tämä yksilö oli yksi nuorimmista potilaiden meidän kohortin (vain 47 verrattuna 45 vuotta alaikäraja). Sisällyttäminen iän tekijä mallissa on saattanut muuttaa tehtävän korkean riskin ryhmään. 3 muuta potilailla oli vaiheen II NSCLC. Ne luokitellaan vaiheessa korkean riskin ja sitten siirtää takaisin pienen riskin ryhmään kun lisätään GPS tekijä. Kaikki kolme potilasta (p1589, p1561 ja p1445) oli elossa, kun tilan arvioinnin (44, 46 ja 56 kuukautta vastaavasti). Nämä tulokset tukevat hyödyllisyys yhdistetyn GPS + vaiheessa mallia tarkempi arvio ennusteen.

PBMC geeni liittyvät toiminnot eloonjäämiseen

Sen määrittämiseksi, onko tiettyjä toimintoja tai reittejä olivat edustettuina PBMC geeniekspressiomalleja liittyy selviytymisen, käytimme yhden muuttujan Coxin tunnistaa geenejä, jotka liittyivät merkittävästi lopputulokseen käyttäen kaikkia 108 potilaan näytteitä. Huomasimme 1704 antureista, jotka osoittivat merkitsevyyden

P

0,05 ja seulotaan ne koettimet rikastetun toimintoja ja reittejä käyttäen sekä DAVID ja GSEA ohjelmistoja. Tämä analyysi paljasti useita erittäin merkittäviä toiminnallisia luokkia rikastuminen 2 kertainen tai enemmän (taulukko S2). Erityisesti lista 32 ribosomaalisen rakenne ja toiminta liittyvät geenit (rikastuminen 2,3) oli suurempi ekspressio potilailla, joilla paremmin selviytymisen, vaikka solusyklin geenejä yleisesti (rikastuminen 2,3) ja erityisesti M vaiheen geenejä (rikastuminen 2,2) olivat pääasiassa ilmaisi alemmilla tasoilla potilaiden parempi eloonjäämisen.

Immuunijärjestelmän solutyyppejä liittyy selviytymisen

Koska geenien ilmentyminen analysoitiin PBMC mRNA, päätimme onko geenien merkittävästi liittyy selviytymisen olivat myös spesifisiä tiettyjä immuunijärjestelmän solujen tyyppiä kuin on määritelty Immune Response in silico (IRIS) tietokantaan [13], [14]. Niistä 669 immuunisolujen-geenit meidän aineisto, 79 havaittiin olevan yhteydessä kokonaiselinaikaa (taulukko 3). Löysimme merkittävän rikastamisen T-solun geenit (23 yhteensä, 8-kertaiseksi yliedustukseksi,

P

= 2 x 10

-8), jossa 15 23 geenien ottaa HR 1 osoittaa merkittävää korrelaatio alhaisempi ilmaisun ja parantaa selviytymistä. Olemme myös havainneet, että matalampi ilmentymistä 21 myelooisen erityisiä geenejä (rikastuminen 2 kertainen,

P

= 0,048), nähtiin parantunut kokonaiselossaolo. Yksityiskohtaisia ​​luetteloita geenien liittyvät kunkin solutyypin ja vastaavat rikastusta ja p-arvot on lueteltu taulukossa S3.

Kasvaimen poisto muuttaa ilmentymistä selviytymisen liittyvien geenien

aiemmin osoitti, että PBMC geeniekspressio läsnäollessa NSCLC merkittävästi muuttunut leikkauksen PBMC näytteet [5], [6]. Huomasimme, että ilmaus yli 20% (383) ja 1704 ”survival” geenejä seulotaan tässä tutkimuksessa myös merkittävästi muuttaa kirurginen poisto keuhkojen kasvain (3485 geenien p-arvo 0,05 pariksi t-testi , FDR 20%). Tämä on tilastollisesti merkittävä määrä verrattuna 292 geeniä päällekkäisyys sattumalta odotettua (

P

= 10

-9 by Hypergeometrinen testi). Havaitsimme 4 luokat tuloksiin liittyvien geenien (kuvio 3), joka muuttaa ekspressiotasot leikkauksen. Kaksi ryhmistä geenien (A ja D) on merkittävästi yliedustettuna ja kuvaamme näiden 2 luokkaa. Suurin ryhmä (ryhmä A) 236 geeneillä on HR 1 (parempi eloonjäämisen korkeamman ilmaisun) ja vaimentua PBMC jälkeen kasvaimen poiston. Toinen ryhmä (ryhmä D) sisältää 92 geenit HR 1 (huonompi selviytymisen korkeammat ilme) on yläreguloituja PBMC jälkeen kasvaimen poiston. Nämä prognostiset geenit, jotka myös muuttaa ilmaisun jälkeen kasvain on poistettu, voisi tarjota uusi menetelmä, jolla määritetään uusiutumisen.

# obs. = Todettu määrä geenejä; # Exp. = Odotettu määrä geenejä sattumalta; Pre = ilmentymistä ennen leikkausta näyte; Post = ilmentyminen leikkauksen jälkeisen näytteen HR = riskisuhde korkea vs alhainen geenin ilmentymistä.

Functional rikastamiseen analyysi ryhmän geenien osoittaa vahvaa yliedustus proteiinien liittyy ribosomien, proteiinisynteesiä, mitokondrioiden toimintaa, translaation tekijä toimintaa ja sinkkisormipolypeptidiin proteiinit, ominaisuuksiltaan PBMC aktivoitumista reaktiona kasvaimen läsnäolon ja ilmeisesti paremmin hengissä. Ryhmä D esittää toiminnallisen rikastamiseen vain liittyviä geenejä punasolujen toiminta mahdollisesti osoittaa pienempi määrä kiertävän erytroblasteja läsnäollessa kasvain, mutta huonompi selviytyminen korkeammat ilme.

Keskustelu

Kyky tarkasti tunnistaa potilaat, joilla keuhkosyöpä, joilla on huono ennuste on erityisen tärkeää potilaille, joilla on vaiheen I tautia, joiden tiedetään vaihtelevan merkittävästi toistumisen todennäköisyyttä. Hoitojen jotka kasvaimet ovat todennäköisimmin uusiutua on kriittinen suunnitteluun hoito leikkauksen jälkeen, erityisesti vaiheessa IA potilaille, jotka eivät yleensä voi saada adjuvanttihoitoa. Tällä hetkellä tehokkain ennustetekijöiden indikaattorit ovat demografisia ominaisuuksia (potilaan ikä, sukupuoli, tupakointi historia) ja kliinisten parametrien (kasvaimen kokoa, vaihe ja imusolmuke osallistuminen). Useat geeniekspression tutkimuksia keuhkokasvaimia jotka esittävät ennustetekijöiden algoritmit äskettäin arvioitu [4]. Yksi analyysi [15] koulutettu ja vahvistettu julkisesti saatavilla oleviin tietoihin kuvataan 5-geeni ennustetekijöiden allekirjoitus kaikissa vaiheissa, myös vaiheen I adenokarsinooma (mutta ei levyepiteelikarsinooma). Yksi ongelma kasvain tutkimuksissa on ollut puutetta toistettavuus, mahdollisesti koska erojen näytteen laatu ja kasvainsolun edustus näytteissä. Lähestyy käyttämällä verta tai seerumia tunnistaa ennustetekijöitä indikaattorit välttää joitakin ongelmia, jotka liittyvät kasvaimen vaihtelu ja microRNA ekspressioprofiileja seerumista tai plasmasta on sovellettu sekä NSCLC diagnostisia [16], [17] ja ennusteita, kaksi ryhmää [18], [19]. Hu et ai, [19] käyttämällä seerumia 243 potilasta, todettiin ennusteen sarja 4 miRNA joka, kun koulutettu puolet potilaista voisi ennustaa selviytymisen jäljellä puoli. Molemmat ryhmät ehdottavat, että niiden tulokset mahdollistavat erottaminen alhainen korkean riskin potilailla, parantaa ennustetta vaiheelta yksin.

vuorovaikutukset kasvain ja immuunijärjestelmä ovat jo pitkään olleet kiinnostuksen kohteena syöpäbiologiassa [20]. Olemme aikaisemmin havainneet, että PBMC geeniekspressiota allekirjoituksia voitaisiin erottaa potilaiden keuhkosyöpä potilaista ei-pahanlaatuisia keuhkosairauksiin. Tutkimuksissa esitetään tässä osoittavat, että geenien ilmentyminen allekirjoitusta reuna immuunisolujen NSCLC potilaiden sisältävät myös tietoja, jotka on korreloi selviytymisen ja, kuten allekirjoitukset saatu keuhkotuumoreita, voi parantaa kliinistä ennustavat tulos. Tutkimuksessamme tunnistamme paneeli 26 Geenikoettimia joiden ilmentyminen kuviot liittyvät merkittävästi selviytymistä ja tämä tieto on riippumaton tietojen kasvaimen vaiheesta. Samalla osoitetaan, että jotkut geenit korreloivat ennusteeseen ovat immuuneja solulinjaan erityisiä. Silmiinpistävin muutokset olivat myelooisen erityisiä geenejä, jotka osoittavat, käänteinen korrelaatio ilmaisun ja selviytymistä. Kuten taulukossa S3, 29 30 geenit nimenomaan liittyy monosyyttien, neutrofiilien, tai ”ydinsoluissa”, on kasvaa ilmentymisen potilailla, joilla on vähentynyt selviytymisen kertaa. Nämä tiedot ovat yhdenmukaisia ​​havaintojen kasvu kehittymätön myeloidisolun populaatioita veressä ja tuumoreissa liittyy pitkälle edenneitä syöpiä ja huono ennuste, mikä johtuu todennäköisesti kyky näiden solujen edistää angiogeneesiä ja tukahduttaa kasvainten vastaisen immuunivasteen [21] , [22], [23], [24]. Suuri määrä neutrofiilejä on osoitettu olevan ennustavia huonon ennusteen melanooma, munasarjasyöpä ja pään ja kaulan alueen syöpä [25]. Ennuste liittyvä T-solujen geenien myös pääasiassa suurempi riskisuhteita mutta mekanismia, jolla nämä geenit vaikuttavat elossaololuku ei ole vielä selvää.

Huomattava määrä PBMC geenien että muutos ilmaisun poistamisen jälkeen kasvain liittyy myös ennustetta. Suurin luokka (ryhmä A, kuvio 3) sisältää geenejä, jotka ilmentyvät korkeammilla tasoilla läsnä kasvaimen verrattuna näytteet saman potilaan otettu sen jälkeen, kun kasvaimen poiston ja joiden suurempi ekspressio osoittaa parempaa eloonjäämistä. Kaikkein ilmennetty eri geeni tässä ryhmässä on immuunivastetta geeni

CXCR4

, tärkeää lymfosyyttiliikennettä [26], [27]. Ligandiaan,

SDF-1 Twitter /

CXCL12

, on avaintekijä ohjaamalla dendriittisolujen maahanmuutto liittyy adaptiivista immuunivastetta [27], [28] Sen sijaan toinen suuri joukko geenejä (ryhmä D) esittävät päinvastaista käyttäytymistä, jolla on suuri riskisuhteita vastaa huonoa selviytymistä toiminta ja alemmilla tasoilla läsnäollessa kasvain. DAVID analyysi tämän geenin luokan osoittaa rikastamiseen geenejä merkitsevästi yhteydessä tehtävät hapetus, hypoksia ja rauta sitovia (

HGBD

,

HGB1

,

HGB2

) ja erytroidien liittyvä tekijä (

ERAF

). Nämä ovat oletettavasti ainesosia erytroblasteja tiedetään yhteistyössä puhdistaa kanssa PBMC [29], [30]. Alempi näiden geenien ilmentymistä, kun läsnä on kasvain voi osoittaa, että erytroblasti geenin ilmentymistä (tai erytroblasti numerot) on tukahdutettu kanssa muissa tutkimuksissa, koska huono hapetuksen ja anemiaa on aikaisemmin yhdistetty keuhkosyöpä [31], [32]. Suhteellisesti suurempi näiden geenien ilmentymistä potilailla, joilla on huonompi selviytyminen voi johtua lisääntyneestä läsnäolosta erytroblasteja vastauksena pahenevaan hapetus liittyy vakavampi sairaus. Kaiken kaikkiaan merkittävä yliedustus geenien ryhmien A ja D osoittaa, että mittaamalla muutos näiden geenien välillä pariksi ennen vs post leikkaus näytteitä samasta potilaasta, saattaa heijastaa immuunijärjestelmän kykyä vastata kasvain, ja saattaa lisätä tietoa tulos ennuste vertaamalla otetuista näytteistä ennen keräten näytteet jälkeen kasvaimen poiston. Lisäksi geenit näistä ryhmistä voi olla ehdokkaita uudelleen syövän uusiutumiseen todennäköisyyksiä säännöllisesti leikkauksen verinäytteet.

käyttö yhdistetyn ennustetekijöiden luettuna kliininen vaiheessa kasvain geenin ilmentymisen allekirjoitus ja PBMC geeni allekirjoitukset voitaisiin antaa lisää ohjeet määrättäessä adjuvanttihoitoa alkuvaiheen syöpiä, jotka tällä hetkellä eivät muuten kohdella leikkauksen jälkeen. Huomaamme, että geenin ilmentyminen potilaalta PBMC on itsenäinen ennustaja selviytymisen, ja että kun PBMC geeniekspressiota yhdistetään tietoja syövästä vaiheessa riskisuhde vaiheesta yksin nostetaan 3,0-4,9. Rajallinen koko aineisto ei ole sallittua testaus ennustetta yhden ainoan syöpä vaiheessa, mutta huomaamme, että kahden vaiheen I potilaita oikein antaisi asian suuren riskiryhmän yhdistämällä GPS veri allekirjoitusta vaiheessa perustuu ennusteeseen.

kehitys pahanlaatuinen kasvain sisältää vuorovaikutuksia syöpäsolujen ja signalointia muiden solujen kasvaimen mikroympäristössä, mukaan lukien immuunisolujen. Meidän tutkimukset viittaavat siihen, että nämä vuorovaikutukset eivät ole vain lokalisoitu tuumoripaikkaan vaan ulottuvat myös reuna immuunijärjestelmää ja jotka liittyvät tiedot ennustetta tai toistuminen on läsnä geeniekspressioprofiilien reuna-immuunisolujen. Toisin kuin kasvain-pohjainen ennustetekijöiden allekirjoitukset, jotka heijastavat maligniteetti, PBMC: ssä, joka perustuu prognostisten allekirjoitukset heijastavat tyyppi ja vahvuus immuunivasteen kasvaimen läsnäoloa. On todennäköistä, että yhdistämällä kliinisiä piirteitä selviytymisen peräisin kasvaimia leikkauksen aikana toistuvien arviointien PBMC johdettujen GPS-tietoja, vakaampi algoritmi ennustamiseen toistumisen voidaan kehittää, että voidaan arvioida uudelleen eri aikavälein leikkauksen jälkeen. Lisäksi geenit immuunisolujen liittyy hoitotuloksia ehkä tavoitteet kliinistä manipulointia muuttaa keskeisten geenien ilmentymistä, jotta voimistaa kasvaimen vastaisen immuunivasteen ja auttavat vähentämään toistumisen.

Vaikka ylimääräinen tutkimukset, joissa on suurempia määriä rodullisesti erilaisia ​​potilaita täytyy suorittaa, esillä oleva tutkimus osoittaa, että tilastollisesti merkittävä tulos, tieto voidaan havaita geeniekspressiomalleja PBMC pienisoluista keuhkosyöpää. Pyrkimykset kerätä asianmukaiset näytteet käsitellä näitä asioita ovat käynnissä.

tukeminen Information

Kuva S1.

jakauma p-arvojen soveltamista malli sovi koulutusta asetettu testaus asettaa näytteitä. Testaamiseksi yleisyyttä lähestymistapamme, teimme 100 satunnaisesti valikoimat koulutus /testaus asettaa arvioida mahdollisuutta, että tulos voidaan osuus, jonka sattumanvarainen valinta potilaille. Perustuen jakauma p-arvot, jotka osoittavat merkityksen suorituskyky Koepakettia, näimme 39% koe sarjaa saavutti tilastollisen merkitsevyyden

P

0,05. Tämä on rikastuminen 7,8 kertaiseksi satunnaisen p-arvo jakelun (

P

= 4 x 10

-9, Fisherin eksakti testi).

Doi: 10,1371 /journal.pone.0034392. S001

(TIF) B Taulukko S1.