Extracto
Aplicaciones
Características clínico y recurrencia bioquímica son sensibles, pero no específica, los predictores de enfermedad metastásica y el cáncer de próstata letal. Nuestra hipótesis es que una firma genómica de expresión detectado en el tumor primario representa el verdadero potencial biológico de la enfermedad agresiva y proporciona una mejor predicción de metástasis temprana del cáncer de próstata.
Métodos
Se utilizó un diseño anidado de casos y controles para seleccionar 639 pacientes del registro de tumores de la Clínica Mayo que se sometieron a prostatectomía radical entre 1987 y 2001. Un clasificador genómica (GC) fue desarrollado por el modelado de expresión de ARN utilizando diferencial de 1,4 millones de características de alta densidad arrays de expresión de los hombres enriquecidos para el aumento de PSA después de la prostatectomía, incluyendo 213 que experimentaron metástasis clínica temprana después de la recurrencia bioquímica. Un conjunto de entrenamiento se utilizó para desarrollar un clasificador bosque aleatoria de 22 marcadores para predecir para los casos - los hombres con metástasis clínico temprano después de un PSA en aumento. El rendimiento de GC se comparó con factores pronósticos como el grado de Gleason y los anteriores patrones de expresión de genes en un conjunto de validación retenido.
se generaron Resultados
Perfiles de expresión de 545 muestras únicas del paciente, con el siguiente medio de 16,9 años. GC consigue un área bajo la curva ROC de 0,75 (0,67 hasta 0,83) en la validación, superando las variables clínicas y firmas de genes. GC fue el único factor pronóstico significativo en el análisis multivariable. Dentro de los grupos de puntuación de Gleason, los casos con resultados de alta GC experimentaron muerte más temprana de cáncer de próstata y la reducción de la supervivencia global. Se encontró que los marcadores en el clasificador de estar asociado con una serie de procesos biológicos clave en la progresión de la enfermedad metastásica del cáncer de próstata.
Conclusión
Un clasificador genómico fue desarrollado y validado en una gran cohorte de pacientes enriquecidos con los pacientes la metástasis del cáncer de próstata y un aumento del PSA que pasó a experimentar la enfermedad metastásica. Este modelo de predicción de metástasis temprana basado en la expresión genómica en el tumor primario puede ser útil para la identificación de cáncer de próstata agresivo
Visto:. Erho N, Crisan A, IA Vergara, Mitra AP, Ghadessi M, Buerki C, et Alabama. (2013) El descubrimiento y validación de un clasificador genómico del cáncer de próstata que predice la metástasis temprana después de la prostatectomía radical. PLoS ONE 8 (6): e66855. doi: 10.1371 /journal.pone.0066855
Editor: Chad Creighton, Baylor College of Medicine, Estados Unidos de América
Recibido: 4 Febrero 2013; Aceptado: 10-may de 2013; Publicado: 24 Junio 2013
Derechos de Autor © 2013 erho et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Este estudio fue apoyado en parte por el National Research Council de Canadá, Industrial Research Assistance Program (http://www.nrc-cnrc.gc.ca/eng/irap/index.html), y la clínica Mayo CA91956 cáncer de próstata SPORE P50 ( PI:. Donald Tindall Ph.D.) los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses: los autores han leído la política de la revista y tienen los siguientes conflictos: NE, CA, IV, MG, CB, ZH, BZ, TS, TT, y ED son empleados de GenomeDx Biosciences Inc. ED y TT propias acciones en GenomeDx Biosciences Inc. ED ha recibido fondos de investigación de GenomeDx Biosciences Inc. y el Consejo Superior de Investigaciones Científicas - Industrial Research Assistance Program. PB ha recibido fondos de investigación de GenomeDx Biosciences Inc. GK ha recibido fondos de investigación de Beckman Coulter. KB, EB, RC, SF, RK, RJ, y los conocimientos tradicionales han declarado que no existen intereses en competencia. Esto no altera la adherencia autores de todas las políticas de PLoS ONE sobre los datos y compartir materiales.
Introducción
Más de 240.000 hombres son diagnosticados con cáncer de próstata en los EE.UU. cada año, y la mayoría de ellos albergar una lesión local o regional donde el pronóstico a largo plazo es excelente [1]. Aproximadamente la mitad de estos hombres se someten a una prostatectomía radical (PR) y casi el 40% presentará con una o más características clínico-patológicas tales como alta puntuación de Gleason (GS), la extensión extracapsular (ECE), márgenes quirúrgicos positivos (SM +), invasión de vesículas seminales (SVI) o compromiso de ganglios linfáticos (N +) que están asociados con un mayor riesgo de metástasis clínica [2] - [4]. A pesar de que sólo una minoría de estos hombres son verdaderamente en riesgo de morir de su cáncer [5], muchos de estos "clínicamente alto riesgo" los pacientes recibirán intervenciones postoperatorias adicionales (por ejemplo, radiación adyuvante) y, a menudo sufren la morbilidad del tratamiento. Por el contrario, muchos hombres presentan sin características clínicas adversas y aún mueren de cáncer de próstata. Las herramientas actuales tienen una capacidad limitada para identificar, al momento de la RP, los hombres que están en mayor riesgo de metástasis y muerte por cáncer de próstata limitado - estos pacientes se tratan actualmente de manera agresiva sólo después de la observación del aumento de PSA (antígeno prostático específico) o recurrencia bioquímica (BCR) . Los ensayos clínicos recientes sugieren que estos pacientes probablemente tendrían resultados más favorables si se tratan temprano post-PR [6] - [10]. Por lo tanto, el rendimiento limitado de factores clínicos para predecir los hombres con mayor riesgo de metástasis conduce a resultados poco manejo del paciente.
Durante la última década, muchos estudios han tratado de responder a la necesidad clínica insatisfecha para predecir el cáncer de próstata agresivo usando individuo biomarcadores o firmas de expresión de genes [11] - [30]. Sin embargo, estos esfuerzos anteriores no han visto la aplicación generalizada en la práctica clínica, ya que ninguno de ellos ha demostrado de forma convincente una mejor predicción sobre los factores clínicos establecidos, como la GS. Esto se debe principalmente a las limitaciones en el tamaño de la muestra y el poder, el largo seguimiento clínico necesario que se cumplan metastásico o eventos de cáncer de próstata letal y el uso de BCR como un criterio indirecto de valoración; un sensible, pero no específica, predictor de progresión de la enfermedad [31]. Por lo tanto, la mayoría de los estudios de biomarcadores poco agresivos muestra de casos de cáncer de próstata clínicamente probada. Además, la mayoría de las firmas de expresión de genes se desarrollaron con los ensayos que requerían tejido fresco o congelado, que no está disponible habitualmente en la práctica clínica, y se limitan a perfiles de genes que codifican proteínas - que examinan sólo una minoría del genoma activo (es decir, transcriptoma) . En un informe anterior se obtuvo de parafina y fijado en formalina archivado incrustado (FFPE) muestras de cáncer de próstata primario del registro de tumores de la Clínica Mayo que incluye un gran número de pacientes que desarrollaron la enfermedad metastásica. Con seguimiento a largo plazo de hasta hemos comprobado una firma de biomarcadores que podrían identificar a los hombres en riesgo de progresión a metástasis clínica y cáncer de próstata letal [20]. Sin embargo, en la validación que no demostró una mejora significativa en el rendimiento en comparación con las variables clínicas y la hipótesis de que esto puede ser debido a la limitada atención en un conjunto de cerca de 1.000 genes codificadores de proteínas.
este sentido, ampliar partir de esta obra por la redefinición de los pacientes del estudio original utilizando un microarray de todo el transcriptoma de alta densidad que evalúa la expresión de más de 1,4 millones de ARN características incluyendo los ~22,000 genes codificadores de proteínas conocidas, así como muchos miles de no codificante ARN. Tales ARN no codificantes son ahora reconocidos por su capacidad para regular la actividad de los oncogenes y genes supresores de tumores implicados en el desarrollo de recurrencia de la enfermedad y la progresión metastásica [32], [33]. Se presenta el desarrollo y validación de un clasificador genómica (GC) para la predicción del riesgo de metástasis clínica temprana que se enriquece en los ARN no codificantes. Se demuestra que la GC proporciona información pronóstica independiente y estadísticamente significativo más allá de las variables clínico-patológicas y demostrar que ya se ha informado GC supera a firmas de genes.
Materiales y Métodos
Población de pacientes y los resultados clínicos
los pacientes de este estudio fueron seleccionados utilizando un diseño de casos y controles anidados en el Registro de Tumores de la Clínica Mayo prostatectomía radical, tal como se describe anteriormente [20]. En resumen, los pacientes que recibieron prostatectomía radical (PR) para el adenocarcinoma de próstata primaria como tratamiento de primera línea en el Centro Integral del Cáncer de la Clínica Mayo entre 1987 y 2001 se clasificaron retrospectivamente en los siguientes grupos de resultados:
No hay evidencia de la enfermedad (NED) la progresión del grupo
:. no exhibieron signos clínicos bioquímicos o de otro tipo de progresión de la enfermedad tras la PR, con al menos 7 años de seguimiento
El antígeno prostático específico (PSA) grupo -recurrence
: Experienced recurrencia bioquímica (BCR), que se define como dos aumentos sucesivos de los niveles de PSA por encima de 0,02 ng /ml (con la medida posterior 0,05 ng /ml por encima de la primera medición) sin metástasis clínica detectable (ver más abajo) dentro de los 5 años de BCR
grupo clínico de metástasis (metástasis)
:. BCR experimentado y desarrollado metástasis regionales o distantes, confirmada por gammagrafía ósea o TC, dentro de los 5 años de BCR. Este grupo se denomina progresión sistémica (
SYS
) en nuestro estudio anterior [20].
Un total de 213 pacientes cumplieron con la definición del grupo de metástasis y se designaron como casos [20]. Para cada caso, un paciente cada uno de los grupos PSA y Ned se selecciona en base a los criterios de coincidencia descritos anteriormente [20] y fueron designados como controles.
Ética comunicado.
Este estudio fue aprobado por la Junta de Revisión Institucional de la Clínica Mayo y debido a la naturaleza de archivo de las muestras, el consentimiento del paciente fue cortado por la junta.
la extracción de RNA y la hibridación de microarrays
Desde el estudio original (n = 639 ), el ARN estaba disponible para los microarrays de 545 pacientes únicos. Como se ha descrito anteriormente, después histopatológico nueva revisión por un patólogo experto genitourinario, tumor fue macrodissected del estroma que rodea a partir de 3-4 micras 10 secciones de tejido del grado de Gleason primario de la lesión índice (el más alto patológica GS) para la extracción de RNA total [20 ]. El ARN total se sometió a amplificación usando el kit v2 WT-Ovation FFPE junto con el módulo Exon (NuGen, San Carlos, CA) según las recomendaciones del fabricante con modificaciones menores. Los productos amplificados fueron fragmentados y etiquetados con el módulo de Encore Biotina (NuGen, San Carlos, CA) y se hibridan a Human exón 1,0 ST GeneChips (Affymetrix, Santa Clara, CA) siguiendo las recomendaciones del fabricante. perfil de codificación humana Exon GeneChips y regiones del transcriptoma utilizando aproximadamente 1,4 millones regiones sonda de selección (ISP) no codificante, en lo sucesivo denominada características.
Microarray procesamiento
control de calidad de microarrays.
de los 545 pacientes con tejido disponible y ARN, un total de 59 muestras de control de calidad no inicial (según la evaluación de Herramientas eléctricas Affymetrix métrica AUC [34]) y se volvieron a ejecutar. Además, el control de una línea celular PC3 (ATCC, Manassas, VA) se llevó a cabo con cada lote y se utiliza para identificar las características poco fiables (véase más adelante). El conjunto de datos Human exón correspondientes a este estudio están disponibles en el Centro Nacional para la Expresión Génica Omnibus base de datos de Información Biotecnológica (GSE46691).
Microarray normalización, la remoción de las características poco fiable y lote efecto Corrección
Función resumen y la normalización de los valores de expresión se llevaron a cabo por análisis robusto multi-matriz congelada (frma; [35]), que está disponible a través de Bioconductor. Una costumbre conjunto de vectores congelados fueron generados por selección aleatoria de 15 matrices de cada uno de los 19 lotes a través de todo el estudio. Características interrogadas con menos de cuatro sondas o cualquier sonda de hibridación cruzada (como se define por Affymetrix) se retiraron (http://www.affymetrix.com). La varianza de los valores de expresión de fondo sobre las líneas de células PC3 se utilizó para medir la técnica frente a la variabilidad biológica. Características con la más alta varianza 10% en las líneas celulares PC3 se retiraron de la matriz de expresión. Por último, con el fin de evaluar y eliminar efecto por lotes, los datos se descompone en sus componentes principales y se utilizó un modelo de análisis de varianza. Según lo sugerido por un estudio anterior [36], los 10 primeros componentes principales se examinaron para determinar su correlación con efectos lotes. De estos 10 componentes principales (que capturan el 31% de la varianza total), se eliminaron los dos componentes que fueron más altamente correlacionadas con el efecto de lotes.
Definición de entrenamiento y validación Establece, Selección de características y Genómica Clasificador Desarrollo
Formación y validación conjuntos.
Después de evaluar las diferencias moleculares entre los tres grupos de pacientes, se observó la expresión diferencial muy limitado entre el grupo PSA-NED y recurrencia. Se obtuvo la expresión diferencial de las características individuales a través de comparaciones por pares de los grupos de resultados (Crisan et al., manuscrito en preparación). En un umbral factor de cambio de 1,5 (después de corregir por falsa identidad), sólo 2 (de ~1.4 millones) se encontraron características que se expresó diferencialmente entre los grupos de la NED y PSA, en comparación con 1186 y 887 en los resultados de metástasis en comparación con NED y BCR-sólo grupos, respectivamente [37]. Por lo tanto, y con el fin de desarrollar una firma que predice la metástasis clínica temprana, estos dos grupos se combinaron en un único grupo de control. La asignación de los pacientes en el entrenamiento (n = 359) y validación (n = 186) se definen como en nuestro estudio anterior [20].
La selección de características.
Dado el gran número de principio características (~1.4 millones de dólares), cada característica se filtró usando una prueba t (p & lt; 0,01) para la reducción de la complejidad en el conjunto de entrenamiento (Figura S1). Características fueron examinadas más en las etapas posteriores de selección. Para identificar las características robustas, se aplicó la regresión logística regularizado [38], [39] con una pena de red elástica de α = 0,5. Este procedimiento se bootstrap 1.000 veces y el número de veces que una característica fue seleccionado por la regresión fue regularizada anotó. Características que se seleccionaron al menos el 25% de las veces se utilizan para el desarrollo clasificador.
desarrollo clasificador genómico.
Un algoritmo de aprendizaje de máquinas forestales aleatorios se utilizó para ensamblar las entidades seleccionadas en un clasificador [ ,,,0],40]. Una etapa de selección final se utiliza para optimizar el conjunto de características en el algoritmo de clasificación. Uso de la función rfcv dentro del paquete randomForest [41], la validación cruzada de 10 veces del error cuadrático medio (MSE) de los modelos con la disminución del número de funciones se representan gráficamente. En cada iteración, fueron excluidos si tenían características que el 10% de Gini Índice. Las características que mostraron poca contribución al rendimiento del modelo no se incluyeron en el clasificador final, manteniendo las características encima de la rodilla de la curva de MSE (Figura S2). Con este conjunto de características final, el mtry y los parámetros forestales nodesize aleatorios fueron sintonizado con una red de búsqueda de precisión-optimización. La búsqueda del espacio de parámetros se persigue con la función tune.randomForest en el paquete e1071 [42]. En concreto, el conjunto de entrenamiento (compuesta de 359 muestras) se dividen además en la formación 1/3 y 2/3 de pruebas y se utiliza con 1000 iteraciones del programa previo para mejorar las estimaciones y control de exceso de montaje de rendimiento. El clasificador genómico final (GC) da salida a una puntuación variable continua que oscila entre 0 y 1, donde una puntuación más alta indica una mayor probabilidad de metástasis clínica.
clasificador clasificador clínica y clínica genómica integrada.
para referencia la capacidad pronóstica de la GC, hemos desarrollado una 'clínica de sólo' clasificador (CC), formados en los mismos pacientes utilizados para descubrir GC. CC combina GS patológicos, PSA preoperatorio (pPSA), SM +, SVI, ECE y N + mediante regresión logística. Al puntuar los pacientes, CC produce una puntuación entre 0 y 1, análoga a la GC. Además, con el fin de medir la capacidad de pronóstico conjunta de las variables clinicopatológicas de firma y moleculares, un clasificador genómico-clínico integrado (GCC) fue construido mediante la combinación de los modelos de CC y GC mediante regresión logística.
Comparación contra biomarcador externa firmas
El rendimiento de GC se comparó con la de las firmas de genes publicados previamente [11] - [13], [15], [16], [18] - [24], [28] - [30 ] y los marcadores genómicos individuales asociados con la progresión del cáncer de próstata incluyendo CHGA [43], DAB2IP [44], GOLPH2 [45], PAP [46], ETV1 y ERG [47], KI-67 [48], el PSA [49], PSCA [50], PSMA [51], AMACR [52], GSTP1 [53], PCA3 [54], B7-H3 [55], TOP2A [14] y CAV1 [56]. Cada marcador genómica y genética en las firmas fueron asignadas a sus asociados Affymetrix
núcleo del cúmulo Versión taquigráfica (http://www.affymetrix.com/analysis/index.affx) cuando sea posible, de lo contrario el
extendieron
se utilizó grupo transcripción. Sobre la base de la frma resumen los valores de expresión de los genes individuales, las firmas fueron modelados en el conjunto de entrenamiento usando un bosque al azar y en sintonía con el
tune.randomForest
función del paquete e1071 R. Sintonía implicó la adopción de una búsqueda de 20 por 20 rejilla para encontrar el óptimo "mtry" y los parámetros del modelo "nodesize" evaluado a través de la validación cruzada de 5 veces con el fin de maximizar la precisión.
Evaluación del desempeño de los clasificadores y variables clínicas
los análisis estadísticos se realizaron en I v2.14.1, y todas las pruebas fueron de dos caras utilizando un nivel de significación del 5%. La capacidad de pronóstico de todos los clasificadores (GC, CC, GCC, y las firmas de biomarcadores externos) se compararon mediante el área bajo la curva ROC (AUC), diagramas de caja y discriminación (UVA) de regresión logística univariable. Importancia de los clasificadores en relación con la información clínica y la capacidad de pronóstico independiente se compararon mediante multivariable (MVA) de regresión logística.
Se calcularon las variables clínicas, clasifican o se transforman de la siguiente manera. GS fue dicotomizada en grupos con el umbral de ≥8; Si bien el Convenio es segregar GS en tres grupos (≤6, 7, ≥8) la relativa falta de pacientes con GS≤6 llevó a la dicotomización de GS. El pPSA, medido inmediatamente antes de la RP, fue de registro
2-transformado. Las siguientes variables fueron binaria: ECE, SVI, SM + y N +. Hormonal y la terapia de radiación se incluyeron como covariables binarias separadas si se administra en un adyuvante (& lt; 90 días post-RP) de opción o de rescate (siguiente elevación del PSA). Los tratamientos administrados con posterioridad a la metástasis clínica no fueron incluidos.
Sobre la base de un criterio de regla de la mayoría, los pacientes con GC, CC y anota CCG mayores que 0,5 se clasificaron como de alto riesgo, mientras que aquellos con una puntuación menor o igual que 0,5 fueron clasificados como de bajo riesgo. Kaplan Meier de supervivencia se generaron para la mortalidad por cáncer prostático específico (PCSM) y los puntos finales de supervivencia global. Por último, se informó de todos los tiempos de seguimiento utilizando el método descrito por Korn [57].
Resultados
Características clínicas de Población de estudio
A partir de la población de estudio de 639 pacientes [20], 545 (85%) correspondiente a 192 casos y 353 controles tenían ARN disponible y se hibridaron con éxito para microarrays para el análisis (ver métodos). La edad media de los hombres en este estudio es de 66 (IQR: 61-70) años, con una media de 16,9 años de seguimiento. Las características clínicas de estos pacientes se describen en la Tabla 1. En general, 60% de los casos (116/192) tenía GS ≥8 con sólo seis GS ≤6, mientras que los controles fueron predominantemente GS 7 (57%) y GS ≤6 (16 %). Una proporción similar de ambos casos y controles, (49% y 45%, respectivamente) fueron T3 estadio patológico /4. Controles tenían enfermedad T2 47% (en contraste con 27% de los casos), y 23% de los casos eran N +, en contraste con sólo el 8% para los controles. Se observó una tasa ligeramente mayor de SM + en los casos (54%) en comparación con los controles (46%). Como era de esperar dado el diseño del estudio, la mediana de tiempo hasta BCR fue muy similar entre los casos (2.3 años) y controles de PSA (1,7 años). Si bien hubo 21 eventos clínicos de metástasis en los controles, éstos se produjeron con una media de 9,39 (IQR: 7.5-10.95) años, mientras que los casos experimentaron acontecimientos mucho más rápidos con una media de 5,47 (IQR: 3.7-8.14) años después de la RP. En general, el tiempo medio de PCSM (n = 132) fue de 10,5 años. Con el fin de caracterizar el verdadero potencial biológico de los tumores de los pacientes que evolucionan a principios de la metástasis clínica después de un PSA en aumento, se realizó un análisis de la expresión diferencial de todo el transcriptoma para poner a prueba la hipótesis de que una firma de expresión en tumores primarios podría predecir mejor la metástasis clínica de las variables clínicas solas .
desarrollo de modelos para predecir metástasis
los casos y controles clínicos iniciales fueron comparados y se utiliza para el desarrollo de un genómica (GC), clínica solamente (CC) e integrado ( modelos CCG) clasificadores para la predicción de los casos (es decir, a principios de la metástasis clínica después de haber aumentado PSA) como el criterio principal de valoración (véase métodos). Las 545 muestras fueron asignados a la formación (n = 359, 39% de los casos) y validación (n = 186, 37% de los casos) conjuntos (Figura 1). GC fue desarrollado a partir del análisis de 1,1 millones de características de ARN en el microarray en el conjunto de entrenamiento después de la eliminación de hibridación cruzada y características poco fiables (véase métodos). Una etapa de selección de características inicial basada en pruebas t para la reducción de la complejidad produjo 18.902 rasgos expresados diferencialmente entre los casos y controles (Figura S1). La selección adicional de estas características expresados diferencialmente por regresión logística regularizado redujo la lista a un total de 43. Como paso final, estas 43 características expresados diferencialmente se filtraron hasta quedar en los que ha demostrado para mejorar el rendimiento de una métrica basada en los bosques al azar (véase métodos ). Esto dio lugar a un conjunto final de 22 marcadores que corresponden a los ARN de las regiones codificantes y no codificantes de proteínas del genoma (Tabla 2). análisis de escalamiento multidimensional representa agrupación de casos y controles basados en la expresión de los 22 marcadores (Figura 2). Un algoritmo de aprendizaje de bosques aleatorios se utilizó para generar puntuaciones GC después de montar los 22 marcadores con parámetros forestales para optimizar para una mayor precisión en el conjunto de entrenamiento. Se utilizó regresión logística para montar los seis factores de riesgo clínico-patológicas en un CC y también se integra con GC para construir un GCC.
desglose Estudio en casos y controles. se muestran conjuntos de entrenamiento y validación.
Los controles se indican en azul y en rojo los casos. Tanto en la formación y la validación establece los controles tienden a agruparse en la parte izquierda de la trama y los casos sobre el derecho de la trama. De esta manera, la mayor parte de las diferencias biológicas se expresan en la primera dimensión de la escala. proximidad al azar forestal [http://www.stat.berkeley.edu/~breiman/] se utilizó para medir la distancia entre las muestras de 22 marcadores.
Rendimiento clasificador en el entrenamiento y validación del conjunto
En el conjunto de entrenamiento, bajo la zona de la curva de los valores-ROC (AUC) para GC, CC y GCC fueron de 0,90, 0,76 y 0,91, respectivamente, por encima de cualquier variable clínica individual (Figura 3). En el conjunto de validación, GC y el CCG tuvieron la mayor AUC de 0,75 y 0,74, respectivamente, para la predicción de los casos. La clínica de sólo CC tenía una AUC de 0,69, lo que sólo era ligeramente mejor que la GS patológicos solos (0.65). La forma de las curvas ROC para GC y GCC muestra que estos modelos tienen la más alta especificidad y sensibilidad en comparación con los modelos clínicos encima de un umbral de ~ 50% de especificidad (Figura S3). diagramas de caja discriminación, además, muestran mayores diferencias en la mediana de GC y las puntuaciones del CCG entre los casos y controles que para CC (Figura 4).
Para cada predictor, las AUC obtenidos en los conjuntos de entrenamiento y validación, así como el 95 se muestra% intervalo de confianza para esta métrica. CC: clínico de sólo clasificador. GC: clasificador genómico. GCC:. Clasificador combinado genómico-clínica
Las distribuciones de las puntuaciones se trazan para un CC B) GC) y C) del CCG para los controles y casos. mediana de las puntuaciones y los intervalos de confianza del 95% están representados por una línea horizontal y negro muescas, respectivamente. muescas que no se superponen indican que las diferencias en la distribución de las puntuaciones entre los casos y los controles son estadísticamente significativas. Los valores atípicos se representan como puntos más allá de los bigotes diagrama de caja.
GC Reclasificación de grupos GS
La distribución de casos y controles en el conjunto de validación por tanto GS [58] y los grupos de riesgo GC se ilustra en la Figura 5 y se resumen en la Tabla 3. entre GS ≤6 tumores (n = 18) no tenían puntuaciones altas de GC, mientras que entre GS 7 tumores (n = 97), casi un tercio (29%) tuvieron puntuaciones altas y GC la mitad de ellos eran casos que desarrollaron metástasis temprana después de un PSA en aumento. Aunque la mayoría de los pacientes con altos GS (≥8) tenían puntuaciones altas de GC, entre el 29 (40%) con puntuaciones bajas GC sólo había 7 casos con 3 muertes por cáncer de próstata. En general, 116 de 186 (62%) pacientes validación establecidos tenían puntuaciones bajas de GC de los cuales sólo 21 fueron casos con resultado de 7 muertes por cáncer de próstata. Entre los 70 (38%) pacientes con puntuaciones altas de GC, hubo 42 casos y 25 de estos hombres murieron de cáncer de próstata.
puntajes GC se representan con una fluctuación de fase con el fin de diferenciar más fácilmente los pacientes entre cada uno GS patológicas (eje x) grupos. Caso (rojo) y controles de pacientes (azul) se muestran para cada categoría. La línea discontinua indica el negro de corte de GC de 0,5. Las tendencias muestran los pacientes con puntuaciones altas de GC tienden a tener altos GS también.
GC es una variable pronóstica independiente
Con el fin de comprobar la magnitud del efecto del individuo las variables, así como las dependencias entre estas variables se realizó un análisis univariable y multivariable mediante regresión logística en el conjunto de validación (Tabla 4). En el análisis univariable, encontramos GC, CC, GCC, GS, SVI y la CEE para ser estadísticamente predictores significativos de los casos (p & lt; 0,05). El odds ratio para GC fue de 1.42 por cada aumento de 10% en la puntuación de GC. Cuando una dicotomía en grupos de riesgo GC bajo y alto, como se describió anteriormente, la odds ratio (IC del 95%: 3,46 a 13,29) 6,79, más del doble de la odds ratio de GS (OR: 3,02 (IC del 95%: 1,61 a 5,68) ) para la predicción de los casos. En el análisis multivariable, después del ajuste para el tratamiento post-PR, GC siguió siendo la única variable pronóstica significativa (p & lt; 0,001) con una OR de 1,36 por cada aumento de 10% en la puntuación de GC. El significado independiente de GC sugiere que una medida más directa de la biología del tumor (es decir, 22-marcador firma la expresión) añade información pronóstica significativa para la predicción de metástasis temprana después de levantarse PSA, que no está capturada por las variables clínicas disponibles a partir del análisis patológico.
los casos con GC alto Decenas mueren antes de cáncer de próstata y otras causas
a continuación comparó los resultados de supervivencia de casos y controles en el análisis de Kaplan-Meier de los grupos de puntuación GC bajo y alto. Los casos con puntajes más bajos GC tuvieron una supervivencia específica del cáncer de próstata mediana 6,9 años en comparación con la mediana de 2,9 años para los casos con puntajes altos GC (p = 0,003) (Figura 6). Para la supervivencia general, hubo una diferencia significativa (p = 0,03) en el resultado, con una supervivencia global media después de la metástasis de 2,5 y 4,98 años para los casos con puntuaciones altas y bajas de GC, respectivamente. Entre todos los controles, 21 pacientes desarrollaron metástasis clínica fuera de las definiciones de casos y controles del estudio (es decir, & gt; 5 años después de levantarse PSA). Se evaluó si GC fue capaz de segregar a los pacientes que tenían metástasis finales de los eventos que ocurren entre los controles de PSA (Figura S4). GC fue capaz de forma significativa (p & lt; 0,05) separar a los pacientes de PSA que irían a experimentar metástasis tarde clínica, de las que no lo hizo. Esta diferencia en los resultados refuerza aún más la idea de que las medidas de GC un componente del potencial biológico para la metástasis y que los pacientes con las puntuaciones más altas de GC pueden estar en mayor riesgo de progresión metastásica temprana post-PR.
Los casos fueron separados en alta (& gt; 0,5) o de bajo riesgo de acuerdo con la puntuación de GC. los valores de p log-rank se muestran en la esquina superior derecha. Tiempo para PCSM y OS se mide desde BCR en años.
Las comparaciones con firmas de biomarcadores externos
Con el fin de comparar el rendimiento de GC a las firmas de genes se informó anteriormente, hemos recopilado los genes asociada a las firmas externas y las ha combinado en un clasificador Random Forest (véase métodos). Además, se evaluó la expresión de genes individuales reportados anteriormente a estar asociado a la evolución del cáncer de próstata. La actuación de los clasificadores y los genes individuales se evaluó posteriormente en ambos conjuntos de entrenamiento y validación (Figuras 7 y S5). Como era de esperar, se observa altos valores de AUC en la formación de casi todas las firmas externas, similar a lo observado con GC. Cuando se aplica a la validación, el AUC para cada modelo disminuyó. Entre las 17 firmas externas que se modelaron, 12 eran predictores estadísticamente significativos de la metástasis (es decir, sus intervalos de confianza del 95% no caen por debajo de un umbral al azar AUC probabilidad de 0,5) (Figura 7). El ABC de la GC fue de 0,08 puntos por encima de la firma externa de mejor desempeño, la firma de 16 genes reportados por Bibikova et al [12], que tenía una AUC de 0,68 (IC del 95%: 0,60 a 0,76,). En contraste con los modelos de la firma expresión, el rendimiento de los 16 genes individuales ensayados se espera que sea similar en los conjuntos de entrenamiento y validación. Estos marcadores genómicos muestran un acuerdo general en el rendimiento, con diferencias en la importancia probable explicarse por el tamaño de la muestra más pequeña del conjunto de validación en comparación con el conjunto de entrenamiento (Figura S5). De los 16 marcadores genómicos, solamente B7-H3 (CD276), GSTP1 y PCA3 fueron estadísticamente significativas, tanto en la formación y conjuntos de validación (Figura S5). Una vez más, ninguno de los marcadores genómicos GC superan individuo o de mejor comportamiento predictor clínico, GS (AUC) ≤0.64.
Para cada firma, de la institución asociada a la misma, año de publicación, el autor principal, el AUC obtenidos en los conjuntos de entrenamiento y validación, así como el 95% Intervalo de confianza para esta métrica se muestra.
Discusión
este estudio fue diseñado para probar la hipótesis de que la evaluación biológica de ambos codificación y no codificación perfiles de expresión en tumores primarios podrían predecir el desarrollo de la metástasis clínica temprana después de BCR. Descubrimos un clasificador genómico 22-marcador (GC) que, sin sacrificio de la sensibilidad, fue más específico en la validación de los factores de pronóstico establecidos, tales como GS. Con base en los resultados presentados aquí, GC mide un componente del potencial biológico para la metástasis clínica temprana mejor que las variables clínicas o firmas de biomarcadores previamente comunicados.