Extracto
Antecedentes
estadios avanzados de cáncer de ovario pacientes generalmente son tratados con quimioterapia basada en platino taxano /después de la cirugía citorreductora primaria. Sin embargo, hay una amplia gama de resultados para los pacientes individuales. Por lo tanto, los factores clínico-patológicos sí solos son insuficientes para predecir el pronóstico. Nuestro objetivo es identificar una supervivencia libre de progresión (SLP) relacionados con la PI perfil molecular para predecir la supervivencia de los pacientes con cáncer de ovario seroso en estadio avanzado.
Metodología /Principales conclusiones
Avanzado etapas serosa cáncer de ovario tejidos procedentes de 110 pacientes japoneses que se sometieron a cirugía primaria y quimioterapia basada en platino taxano /fueron perfilados mediante microarrays de ADN. Se seleccionaron 88 genes relacionados con el PFS por un modelo de Cox univariante (
p
& lt; 0,01) y genera el índice de pronóstico basado en 88 genes relacionados PFS-después del ajuste de los coeficientes de regresión de los respectivos genes de regresión ridge modelo de Cox utilizando 10 veces la validación cruzada. El índice de pronóstico se asoció independientemente con el tiempo la SLP en comparación con otros factores clínicos en el análisis multivariante [hazard ratio (HR), 3,72; 95% intervalo de confianza (IC), 2,66-5,43;
p Hotel & lt; 0,0001]. En un conjunto de datos externa, el análisis multivariado reveló que este índice pronóstico se correlacionó significativamente con el tiempo la SLP (HR, 1,54; IC del 95%, 1,20-1,98;
p = 0,0008
). Por otra parte, la correlación entre el índice de pronóstico y la supervivencia global fue confirmada en los dos conjuntos de datos externos independientes (prueba de log rank,
p = 0,0010 y
0,0008).
Conclusiones /Importancia
la capacidad pronóstica de nuestro índice basado en el perfil de expresión de genes en 88-cresta de regresión modelo de riesgo de Cox se demostró que era independiente de otros factores clínicos para predecir el pronóstico del cáncer a través de dos conjuntos de datos diferentes. El estudio adicional será necesario para mejorar la exactitud predictiva del índice pronóstico hacia la aplicación clínica para la evaluación del riesgo de recurrencia en pacientes con cáncer de ovario seroso en estadio avanzado
Visto:. Yoshihara K, Tajima A, Yahata T, Kodama S, Fujiwara H, Suzuki M, et al. (2010) Perfil de la Expresión Génica para predecir la supervivencia en estadio avanzado cáncer de ovario seroso a través de dos conjuntos de datos independientes. PLoS ONE 5 (3): e9615. doi: 10.1371 /journal.pone.0009615
Editor: Zoltán Bochdanovits, Centro Médico de la Universidad VU y el Centro de Investigación y Neurogenomics cognitiva, Países Bajos
Recibido: 3 Noviembre 2009; Aceptado: 16 de febrero de 2010; Publicado: 12 Marzo 2010
Derechos de Autor © 2010 Yoshihara 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 trabajo fue apoyado en parte por una subvención-en-Ayudas para el Programa de Tercer plazo del cáncer de control de Estrategia del Ministerio de Salud, Trabajo y Bienestar, Japón (KT), y 2009 del Programa de Investigación y Estudio de la Organización del Sistema Educativo de la Universidad de Tokai generales de Investigación ( A). 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 declarado que no existen intereses en competencia
Introducción
Los pacientes con cáncer de ovario en estadio avanzado por lo general se someten a cirugía de citorreducción primaria seguida de platino /quimioterapia basada en taxanos. A pesar de la introducción de la administración de los taxanos postoperatoria ha mejorado la tasa de supervivencia a 5 años para el cáncer de ovario en estadio avanzado, los pacientes con este cáncer tienen una tasa de supervivencia a los 5 años de sólo el 30% [1] - [3]. características clínico-patológicas, tales como reducción de volumen de estado después de la cirugía primaria, se consideran clínicamente importantes indicadores de pronóstico [4], [5]. Sin embargo, la recurrencia después de la cirugía de reducción de volumen óptima se produce en algunos pacientes, mientras que el estado libre de enfermedad después de la cirugía incompleta se mantiene en otros. De hecho, se ha informado de que el 34% de los pacientes tratados con cirugía y platino-taxano óptima combinación de quimioterapia para el cáncer de ovario en estadio avanzado se repiten dentro de los 12 meses [4]. Por lo tanto, estos factores clinicopatológicos sí solos son insuficientes para predecir el pronóstico y la aclaración de los mecanismos patológicos de la progresión de la enfermedad o la recurrencia. métodos de biología molecular se pueden utilizar para identificar nuevos perfiles relacionados con el pronóstico, que conducen a la elucidación de los problemas patológicos de cáncer de ovario seroso en estadio avanzado.
La tecnología de microarrays se ha desarrollado muy rápidamente, y se ha vuelto relativamente fácil de analizar la los niveles de expresión de miles de genes dentro de las células cancerosas. Aunque muchos estudios han informado de las asociaciones de perfiles de expresión génica con el pronóstico en pacientes con cáncer [6] - [10], un número limitado de tales perfiles se utilizan en entornos clínicos. la tecnología de microarrays se aplica clínicamente para predecir el pronóstico en pacientes con cáncer de mama. MammaPrint ™ (Agendia BV, Amsterdam, Países Bajos) ha sido ya objeto de un uso práctico para el propósito. Mientras tanto, no hay kits de microarrays para el diagnóstico y manejo clínico de los pacientes con cáncer de ovario aún.
Tres estudios han informado recientemente de perfiles de expresión de genes que predicen la supervivencia global (SG) en pacientes con cáncer de ovario usando técnicas de microarrays [11] - [13]. Estos estudios usan una muestra de gran tamaño relativo (n & gt; 80) para el establecimiento de un perfil relacionado con la supervivencia en una fase de descubrimiento del experimento y un conjunto de datos externo independiente como el conjunto de validación para resolver el problema de que el número de las variables genómicas examinado es mucho más grande que la de los sujetos. Por lo tanto, la investigación sobre los perfiles generales relacionadas con la supervivencia en pacientes con cáncer de ovario ha progresado, mientras que no hay estudios extensos sobre la base de la validación multicéntrico de perfiles de expresión génica para la predicción de la progresión de la enfermedad o la recurrencia en pacientes con cáncer de ovario [14] - [15] . Predicción del riesgo de recurrencia en pacientes con cáncer de ovario en estadio avanzado que recibieron tratamientos estándar (cirugía primaria + platino /quimioterapia basada en taxanos) es más importante con respecto a la optimización de la gestión clínica [16].
Tenemos informaron recientemente que hay altas similitudes en la expresión de genes entre la fase inicial y un subconjunto de etapas avanzadas de serosas pacientes con cáncer de ovario que tienen pronóstico favorable, y dos subgrupos moleculares entre los pacientes con cáncer de ovario seroso en etapa avanzada de acuerdo a los perfiles de expresión de genes que reflejan tumoral progresión y pronóstico [17]. En este estudio, se centró en la supervivencia libre de progresión de tiempo (PFS) en un número mayor de pacientes sólo en estadio avanzado de cáncer de ovario seroso tratados con platino /quimioterapia basada en taxanos, y tratamos de identificar el perfil de expresión de genes relacionados con la SLP usando una nuevo método de análisis de supervivencia: cresta de regresión de Cox modelo [18]. Luego se evaluó la correlación entre nuestros genes relacionados con PFS perfil de expresión y el tiempo de supervivencia en un conjunto de datos externo independiente de cáncer de ovario seroso en estadio avanzado.
Resultados
Características clínicas
las características clínicas de 110 pacientes japoneses con cáncer de ovario seroso en estadio avanzado se resumen en la Tabla 1. en el conjunto descubrimiento, 93 pacientes (84,5%) fueron diagnosticados como la Federación Internacional de Ginecología y Obstetricia (FIGO) en estadio III y 17 pacientes (15,5%) como FIGO etapa IV [19]. Todos los pacientes recibieron platino /quimioterapia basada en taxanos después de la cirugía primaria. La mediana del tiempo libre de progresión y la supervivencia global fueron de 17 y 31 meses, respectivamente.
Por otro lado, se utilizó una parte de los microarrays de datos disponibles públicamente (GSE9891) como un conjunto de datos independiente externa (Lee materiales y Métodos) [20]. Las características clínicas de 87 pacientes con cáncer de ovario seroso en estadio avanzado en el conjunto de datos externa se enumeran en la Tabla S1 [20]. De Kaplan-Meier análisis de supervivencia demostró que no hubo diferencias significativas en el tiempo de SLP y la SG entre los pacientes de la base de datos de descubrimiento y los del conjunto de datos externa (Figura S1). Cuando se compararon las características clinicopatológicas entre el conjunto descubrimiento y el conjunto de datos externa, hubo diferencias significativas en las frecuencias de la etapa (Tabla S1). Dado que el sistema de clasificación aprobados en el conjunto de datos externa era distinta de la del conjunto de descubrimiento [21] - [23], no hemos podido hacer una simple comparación del grado de malignidad entre los dos conjuntos de datos. A continuación, examinó la asociación entre las características clínico-patológicos y tiempo de SLP en los pacientes en estadio avanzado de cáncer de ovario seroso de cada conjunto de datos. El análisis multivariado reveló que sólo la cirugía óptima era un factor pronóstico independiente de la SSP en el conjunto de datos de descubrimiento (Tabla S2) y que no había correlación ligeramente significativa entre el nivel de reducción de volumen de la cirugía primaria y el tiempo de la SSP en el conjunto de datos externa (Tabla S2). Por lo tanto, se planificó primero en desarrollar un índice pronóstico basado en los genes relacionados con la SLP en el conjunto de datos de descubrimiento, en segundo lugar, para evaluar la capacidad pronóstica de nuestro índice en el conjunto de datos externo mediante análisis multivariante, y luego en tercer lugar, para evaluar el rendimiento de predicción del índice pronóstico de nuevo después de la estratificación de los pacientes en función del estado de reducción de volumen de la cirugía primaria.
identificación de perfil relacionados con el PFS
el uso de Agilent Plenario del Genoma humano Oligo microarrays, que genera los datos de expresión de genes de 110 en estadio avanzado serosas pacientes con cáncer de ovario. A continuación, este conjunto de datos se utiliza como un conjunto de descubrimiento para la identificación de perfil relacionada con el PFS en pacientes con cáncer de ovario seroso en estadio avanzado. A fin de evaluar el perfil relacionada con la SSP, preparamos una parte del conjunto de datos GSE9891 como un conjunto de datos independiente externo utilizando Affymetrix Human Genome U133 Plus 2,0 Array (ver Materiales y Métodos) [20]. Para hacer frente a los datos de microarrays de plataforma cruzada adecuada, se analizaron sólo los genes comunes (28304 sondas en la plataforma Agilent 38497; las sondas en la plataforma Affymetrix) entre las dos plataformas en este estudio. De 28304 sondas de Agilent, 18178 sondas con los niveles de expresión marcadas como "presente" en todos los datos de microarrays 110 del conjunto descubrimiento se extrajo de nuevo para eliminar desaparecidos y señales de incertidumbre sobre la expresión génica, y luego los datos eran por-gen normalizada en cada conjunto de datos mediante la transformación de la expresión de cada gen a una media de 0 y una desviación estándar de 1 (Figura S2).
un modelo de riesgo proporcional de Cox univariante mostró que se correlacionaron los niveles de expresión de 97 sondas (que representan el 88 genes no redundantes) con el tiempo PFS (
p Hotel & lt; 0,01). En caso de múltiples etiquetados-8 genes (representado por 17 sondas), se seleccionaron 8 sondas (una sonda por gen) con la mayor suma de los cuadrados de los valores de expresión individuales de los respectivos genes como representantes [24]. Un total de 88 genes (representado por 88 sondas únicas) se identificaron por lo tanto como el perfil relacionados con el SSP. Además, se aplicó el modelo de regresión contraída para estimar los coeficientes de regresión óptimas (
β
) para 88 genes del perfil relacionada con la SLP (Tabla 2), y calcularon el índice de pronóstico para cada muestra utilizando la ecuación (1) como se informó anteriormente [18]. Los índices pronósticos de 88 genes obtenidos estaban en el rango de -5,09 a la 4,14 (media, 0,11), y la distribución de frecuencias de los índices entre los 110 pacientes fue unimodal.
Para evaluar el índice de pronóstico como una variable categórica, se intentó dividir este conjunto de datos en dos grupos en función de índice pronóstico promedio de 0,11 [9]. Los pacientes fueron asignados al grupo de "alto riesgo", si su índice de pronóstico era mayor que o igual al valor de la mediana, mientras que el grupo de "bajo riesgo" se compone de los casos con los índices pronósticos que eran menos que la mediana. Como se muestra en la Figura 1A, los pacientes con índices pronósticos de alto riesgo tenían menor tiempo de la mediana de SLP que los que pertenezcan al grupo de bajo riesgo (mediana de la SLP, 12 meses frente a 51 meses; prueba de log rank,
p Hotel & lt; 0,0001)
los pacientes de alto riesgo tenían tiempos de supervivencia libre de progresión significativamente corto en comparación con los pacientes de bajo riesgo (a) en el conjunto de descubrimiento (prueba de log rank,
p
. & lt; 0,0001) y (B) en el conjunto externo (log rank test,
p = 0,0004
). Del mismo modo, los pacientes de alto riesgo tuvieron tiempos de supervivencia global significativamente más cortos en comparación con los pacientes de bajo riesgo (C) en el conjunto de descubrimiento (prueba de log rank,
p Hotel & lt; 0,0001) y (D) en el conjunto externo ( prueba de log rank,
p = 0,0010
).
a continuación, lleva a cabo de riesgos proporcionales de Cox univariante y multivariante análisis para demostrar que el índice de pronóstico 88-gen era un factor pronóstico independiente (tabla 3). El análisis de riesgos proporcionales de Cox univariante de A mostró que el índice de pronóstico, el escenario, la cirugía óptima, y el grado histológico se correlacionaron con la SLP (
p Hotel & lt; 0,0001,
p = 0,022
,
p Hotel & lt; 0,0001 y
p = 0,016
, respectivamente). Por otra parte, un análisis multivariado mostró que el índice de pronóstico se asocia más significativa con el tiempo PFS [hazard ratio (HR), 3,80; 95% intervalo de confianza (IC), 2,68-5,61;
p
. & Lt; 0,0001]
Validación por cuantitativa en tiempo real RT-PCR
Para validar los datos de microarrays de expresión, hemos realizado cuantitativa en tiempo real RT -PCR para un subconjunto del conjunto de datos de descubrimiento (53 muestras). Los cuatro genes,
E2F2
,
Foxj1
,
DNAH7
, y
filip1
, fueron seleccionados al azar para este fin. Se encontraron correlaciones significativas entre los datos de microarrays de expresión y en tiempo real los datos de expresión de RT-PCR (Figura 2). A pesar del pequeño tamaño de la muestra, se confirmó una asociación significativa entre el tiempo de la SLP y cada uno de los datos en tiempo real de RT-PCR para los cuatro genes en el modelo univariante de Cox de riesgos (datos no mostrados).
se encontraron correlaciones significativas entre los microarrays de expresión y en tiempo real RT-PCR la expresión en (A)
E2F2
, (B)
DNAH7
, (C)
Foxj1
, y ( D)
filip1
.
Perfil relacionada con el PFS Appling para el conjunto de datos externa
Hemos traducido los 88 genes de pronóstico con Agilent sonda Affymetrix identificadores de 196 sondas utilizando una función de traducción en GeneSpring GX 10 y evaluó el perfil actual relacionada con la SLP en el conjunto de datos externa (Figura S2). Se calculó el índice de pronóstico para cada muestra en el conjunto de datos externa mediante la suma ponderada de los valores de expresión de los genes PFS-88 relacionados de acuerdo con la ecuación (1), en la que los coeficientes de regresión cresta (
β
) identificaron en el conjunto de descubrimiento se utilizaron como pesos para los respectivos genes (ver Materiales y Métodos). Se obtuvieron los índices pronósticos que van desde -5,37 a la 4.56 el conjunto de datos externa. La distribución de frecuencias de los índices pronósticos no fue estadísticamente diferente de la que en el descubrimiento fijado por prueba de Kolmogorov Smirnov (
p
& gt; 0,05).
Cuando dividimos el conjunto de datos externa en dos subgrupos por el índice pronóstico mediana (0,11) en el conjunto de descubrimiento, se observó una correlación significativa entre la clasificación de riesgo y la SSP (prueba de log rank,
p = 0,0004
) (Figura 1B). En el análisis univariante de los datos externos, el índice de pronóstico estimado y cirugía óptima se correlacionaron con el tiempo PFS (
p
= 0,0001 y 0,049, respectivamente) (Tabla 3). El análisis multivariado mostró que el índice de pronóstico era un factor pronóstico independiente para el tiempo de la SSP (HR, 1,64; IC del 95%, 1.27 a 2.13,
p = 0,0001
).
Evaluación de Nuestra Índice pronóstico
para evaluar la sensibilidad y especificidad de nuestro índice de pronóstico, se utilizaron curvas ROC para el índice. Un área bajo la curva ROC de 0,5 (indicado por líneas de puntos diagonales en la figura S3) representa la igualdad entre los resultados positivos falsos positivos y verdaderos. La medida en que la curva ROC se aparta de la línea diagonal a izquierda y de arriba ejes es una medida de la eficacia del índice de pronóstico 88-gen en la predicción de la evolución clínica. El área bajo la curva ROC para distinguir los pacientes sin recaídas temprano con menos de 18 meses de veces PFS de los pacientes-finales de la recaída fue de 0,959 y 0,674 en el descubrimiento y establecer el conjunto de datos externa, respectivamente (Figura S3). Cuando se utilizó el valor medio de índice de pronóstico en el descubrimiento establecer como punto de corte, la sensibilidad y la especificidad fueron del 88,9% y del 85,7% en el conjunto de datos de descubrimiento y el 64,4% y el 69,2% en el conjunto de datos externa.
Se realizó análisis de supervivencia después de la estratificación de los pacientes en función del estado de la cirugía de reducción de volumen, que era un factor pronóstico independiente en el análisis multivariante del conjunto de datos de descubrimiento (Tabla 3). Dividimos a los pacientes en dos grupos ( "grupo óptimo" y "grupo subóptimo") en cada uno de los descubrimientos y externos conjuntos de datos, y se asigna a cada paciente de "alto riesgo" o de "bajo riesgo" basado en el valor medio de la corriente índice pronóstico en cada estrato de acuerdo con el estado de reducción de volumen. De Kaplan-Meier análisis de supervivencia mostró que los pacientes de alto riesgo tenían significativamente más corto tiempo de la SSP que los pacientes de bajo riesgo en cada uno de los cuatro estratos de los dos conjuntos de datos (Figura 3) como sigue: Grupo óptima (
p Hotel & lt; 0,0001) y el grupo subóptimo (
p Hotel & lt; 0,0001) en nuestra base de datos; grupo óptima (
p = 0,0034
) y el grupo subóptimo (
p = 0,015
) en el conjunto de datos externa. Este análisis estratificado también indicó que el índice de pronóstico se asocia con el tiempo PFS independientemente del estado de reducción de volumen.
Los pacientes de alto riesgo habían tiempos de supervivencia libre de progresión significativamente cortos en comparación con los pacientes de bajo riesgo (A) en óptima ( prueba de log rank,
p Hotel & lt; 0,0001) y (B) grupo subóptimo del conjunto de datos de descubrimiento (prueba de log rank,
p Hotel & lt; 0,0001). Del mismo modo, los pacientes de alto riesgo tuvieron tiempos de supervivencia global significativamente más cortos en comparación con los pacientes de bajo riesgo (C) en óptimo (prueba de log rank,
p = 0,0034
) y (D) del grupo subóptimo del conjunto de datos externa (log rank test,
p = 0,015
).
la correlación entre este índice pronóstico y la supervivencia global
la supervivencia global es otro criterio de valoración importante en los pacientes con antelación de ovario en estadio tipos de cáncer, y por lo tanto hemos examinado aún más si el presente índice de pronóstico 88-gen podría extenderse a utilizar para la predicción de la supervivencia global de los pacientes. Para evaluar la correlación entre este índice pronóstico y el tiempo de supervivencia global, se realizó un análisis de la curva de supervivencia de Kaplan-Meier. Los pacientes con índices pronósticos de alto riesgo tenían menor tiempo de supervivencia global que los pacientes de bajo riesgo en los dos conjuntos de datos (log rank test,
p Hotel & lt; 0,0001 y
p = 0,0010
, respectivamente) (Figura 1 C, D). Por otra parte, el índice de pronóstico se asoció significativamente con el tiempo de supervivencia global, tanto en el descubrimiento y establecer el conjunto de datos externa en el análisis multivariante (tabla 4).
Además, se analizó la capacidad de predicción de nuestro índice de pronóstico en el conjunto de datos a disposición del público de Dressman [25], en el que los pacientes fueron objeto de seguimiento (mediana de supervivencia global, 31 meses; rango, 1-185 meses) más largo. conjunto de datos de dressman [25] se compone de pacientes con cáncer de ovario seroso 119 en estadio avanzado tratados con quimioterapia basada en platino (incluyendo la quimioterapia sin taxanos). Debido a que sus datos fueron generados por una plataforma diferente con lo anterior, dos conjuntos de datos, 75% de 88 genes relacionados con el PFS fueron traducidos para la predicción de la supervivencia en este conjunto de datos. Cuando dividimos el conjunto de datos de Dressman [25] en dos subgrupos por el índice pronóstico mediano en el conjunto de datos de descubrimiento, se observó una asociación significativa entre la clasificación del riesgo y la supervivencia global (log rank test,
p = 0,0008
) (Figura S4) . Su índice de pronóstico se correlacionó significativamente con el tiempo de supervivencia global en el análisis multivariante (HR, 1,51; IC del 95%, 1,19 a 1,93,
p = 0,0008
).
Caracterización del perfil relacionada con el PFS
Hemos llevado a cabo el análisis GO para comprender las características biológicas de los 88 genes relacionados con la SLP. Para la caracterización de la lista de genes basados en la clasificación GO en "proceso biológico", "función molecular" y "componente celular", se examinaron las categorías que están altamente asociados con los 88 genes. Después de múltiples correcciones de pruebas utilizando el método de FDR [26], 8 categorías fueron excesivamente significativa (FDR
q
-valor & lt; 0,10) (Figura 4). En los 88 genes PFS-relacionados, genes implicados en la GTPasa vinculante (GO17016, GO31267 y GO51020), localización celular (GO51649 y GO51641), el transporte intracelular (GO46907 y GO6886), y /o ciliar o la motilidad flagelar (GO1539) fueron enriquecido notablemente . Hemos investigado similitudes en categorías GO excesivamente entre los 88 genes relacionados con la SSP y los perfiles de expresión génica se ha informado que se correlacionan con el pronóstico en el cáncer de ovario [11], [13]. Sin embargo, no hemos podido identificar GO categorías comunes entre nuestro perfil y los perfiles se informó anteriormente (datos no mostrados).
significativamente más representadas 8 ontología (GO) categorías de genes en los perfiles basados en GO de 88 genes después de múltiples probar la corrección del método de Benjamini-Hochberg falsa tasa de descubrimiento (FDR
q
-valor & lt; 0,10). Más de una representación GO categorías se identificaron utilizando todos los genes en la plataforma de Agilent como un fondo conjunto de genes para la determinación de
p-valores
. El número real de los genes relacionados con la SSP involucrados en cada categoría se indica entre paréntesis.
software IPA emplearse posteriormente para analizar 88 genes relacionados con la SLP desde el punto de vista de la interacción molecular o vía. tres redes significativas superiores (score & gt; 25) se muestran en las figuras S5-7. La red 1 incluye 15 de los 88 genes de pronóstico, y se asoció significativamente con varias redes definidas por el IPA: la muerte celular, enfermedades neurológicas, y el montaje y organización celular (Figura S5). Catorce genes de pronóstico fueron incluidos en la red 2, que se definió como redes relacionadas con el cáncer, la morfología celular y renal y la enfermedad urológica (Figura S6). La red 3 muestra las interacciones e interrelaciones entre los genes implicados en la señalización de célula a célula y la interacción, el desarrollo del sistema hematológico y la función, y el tráfico de células inmunes (Figura S7) significativas. En los 88 genes, se encontraron varios genes interactuando con
SRC
o
MYC gratis (Figura S6), cada uno de los cuales se informó como un gen de representación en vías oncogénicas de cáncer de ovario [25], [27].
Discusión
en este estudio, hemos identificado el índice pronóstico para predecir el tiempo SLP en pacientes con cáncer de ovario seroso en estadio avanzado tratados con platino /a base de taxanos quimioterapia adyuvante a través de dos tipos de datos de microarrays de expresión de la presente serie descubrimiento y el conjunto externa a disposición del público mediante el modelo de regresión de Cox ridge. La correlación significativa entre nuestro índice de pronóstico y la hora del sistema operativo también se indica en los dos conjuntos de datos independientes.
En el análisis de microarrays de expresión, hay una llamada "maldición de la dimensionalidad" problema de que el número de genes es mucho más grande que el número de muestras. Para mejorar la fiabilidad de un modelo pronóstico basado en la expresión génica, es necesario evitar el sobreajuste al conjunto de datos, y para confirmar la reproducibilidad de la capacidad predictiva de los conjuntos de datos externos independientes [28]. Hasta ahora, se han propuesto varios métodos de bioinformática para establecer un modelo de predicción de la supervivencia utilizando microarrays de datos [18], [29]. Bøvelstad
et al
. [18] examinó recientemente la predicción del rendimiento de los siete métodos siguientes: selección univariado, la selección por pasos hacia adelante, regresión de componentes principales, supervisados director de regresión componentes, regresión parcial por mínimos cuadrados, cresta de regresión y el lazo usando tres microarrays de datos [datos sobre el cáncer de mama Holandés ( n = 295), grandes difuso de datos de linfoma de células B (n = 240), y Noruega /Stanford datos sobre el cáncer de mama (n = 115)] [7], [30] - [32]. Llegaron a la conclusión de que el modelo de Cox univariante sí sola era insuficiente para predecir la supervivencia y que el modelo de regresión de Cox canto demostró el mejor rendimiento en tres conjuntos de datos. Por lo tanto, se utilizó el modelo de Cox univariante sólo para la selección de genes relacionados con el tiempo de la SSP, y se ajustan los coeficientes de regresión de la cresta de regresión de Cox con el fin de aumentar el rendimiento predictivo del índice pronóstico en nuestra base de datos.
El actual estudio tiene por objeto identificar perfil de expresión génica con una capacidad superior para predecir el pronóstico que otros factores clínico-patológicos. La estratificación de los pacientes con cáncer de ovario según los factores pronósticos clinicopatológicos es uno de los métodos de análisis importante para la identificación de índice de pronóstico de alta precisión [11]. Después se estratificó a los pacientes según grado, estadio FIGO, y el estado de la cirugía de reducción de volumen, se investigó perfil de expresión génica para predecir el tiempo de la SSP en la etapa de grado III 2/3 pacientes con cáncer de ovario seroso recibieron cirugía óptima o cirugía subóptima. Sin embargo, podríamos encontrar más pobre rendimiento predictivo de los índices pronósticos de los análisis estratificados que que del análisis no estratificado (Tabla S3). Además de la reducción del tamaño de la muestra en el descubrimiento y conjuntos de datos externos después de la estratificación, una variedad de características clínicas y los sistemas de clasificación entre los dos conjuntos de datos (Tabla S1) podría influir en los resultados de estos análisis estratificados. Esta es la razón principal por la que se planificó para identificar índice pronóstico basado en los genes relacionados con la SLP en 110 en estadio avanzado de cáncer de ovario seroso y luego evaluar la importancia del índice pronóstico mediante análisis multivariado incluyendo grado, estadio, y el estado de la cirugía de citorreducción.
a pesar de que incluyó a pacientes con cáncer de ovario examinadas cuidadosamente por las siguientes tres categorías: en estadio avanzado, histológico de tipo seroso, y el platino /quimioterapia basada en taxanos después de la cirugía primaria, se estableció ninguna inclusión o exclusión criterio de grado histológico de la matrícula, así como Crijns y sus colegas hicieron [12]. Esto se debe a un sistema estándar de clasificación de los carcinomas de ovario está todavía en construcción en el mundo, aunque se han propuesto varios sistemas de clasificación para el cáncer epitelial de ovario [21] - [23], [33], [34]. De acuerdo con los tres criterios anteriores, se reclutaron 110 pacientes con cáncer de ovario japonesas como un conjunto de descubrimiento para el análisis de la SLP. El índice de pronóstico para cada paciente se calcula simplemente por la suma ponderada de cresta de regresión de los valores de expresión 88-de genes, y el poder pronóstico de nuestro índice se evaluó utilizando el conjunto de datos de Tothill [20]. Además, el análisis estratificado de acuerdo con la subsecuente reducción de volumen de estado, que era un factor pronóstico independiente en el análisis multivariante del conjunto de datos de descubrimiento, indicó que nuestro índice de pronóstico se asocia con el tiempo PFS independientemente del estado de reducción de volumen. Sin embargo, la sensibilidad y especificidad del índice pronóstico para discriminar entre pacientes temprana y tardía de recaída fueron inferiores en el conjunto de datos de Tothill que los del conjunto de descubrimiento. Esto podría ser causado por diferentes orígenes en los aspectos de la etnia o la plataforma de microarrays. A pesar de las diferencias en la expresión génica de los tejidos de cáncer entre los grupos étnicos no se ha informado anteriormente, varios estudios indican que la proporción de células claras y tipos histológicos endometrioid en el cáncer epitelial de ovario en la población asiática son más altos que los de las poblaciones no asiáticas [35], [36]. Reciente estudio de asociación del genoma ha identificado un polimorfismo de un solo nucleótido en 9p22 asociado con el riesgo de cáncer de ovario en sujetos con ascendencia europea, pero no en los descendientes no europeos [37]. Este tipo de diferencias entre los estudios se podría también atribuirse a factores genéticos, así como del medio ambiente. Además, no podemos descartar la posibilidad de que los presentes clasificadores asociados-PFS con pesos de cresta a base de regresión todavía tienen propiedades de generalización suficientes sobre el conjunto de datos externa, debido al problema de sobreajuste. Por lo tanto, vamos a examinar estas cuestiones importantes, tales como las diferencias entre los estudios en etnias y plataformas de microarrays y el problema de sobreajuste el uso de un mayor número de datos de microarrays de serosas pacientes con cáncer de ovario en estadio avanzado con el fin de obtener mejores clasificadores para la predicción de pronóstico. Y para mejorar la precisión del índice pronóstico, el desarrollo del índice pronóstico después de la estratificación de los pacientes será un programa de investigación para el estudio adicional
.
Curiosamente, el actual 88-gen índice pronóstico para la predicción del tiempo PFS fue también significativamente asociada con el tiempo de supervivencia global, tanto en nuestra base de datos y el conjunto de datos de Tothill [20]. Por otra parte, se analizó la capacidad de predicción de nuestro índice pronóstico en el conjunto de datos de Dressman [25] ya que los pacientes en su conjunto de datos recibidos a más largo plazo de seguimiento que los de los dos conjuntos de datos anteriores. Aunque el conjunto de datos de Dressman (n = 119) [25] incluyó 34 pacientes tratados con platino /quimioterapia ciclofosfamida y 3 con un solo agente de platino, la importancia de este índice pronóstico para la supervivencia general fue todavía apoyada estadísticamente en el conjunto de datos más largo seguimiento. Como tratamientos para pacientes con cáncer de ovario recurrente siguen siendo un área abierta de investigación con el objetivo de llevar a beneficio en la supervivencia [38], nuestro índice pronóstico para los pacientes con cáncer de ovario seroso en estadio avanzado muestra un potencial para predecir no sólo el tiempo PFS, sino también el tiempo de supervivencia global. En el futuro, es posible aplicar los índices pronósticos para la estimación del riesgo de recurrencia en pacientes con cáncer de ovario seroso y seleccione un nuevo tratamiento como dosis densa quimioterapia [39] o el agente molecular específica con el fin de mejorar el pronóstico de alto riesgo pacientes
Hay pequeño número de genes solapados entre nuestras 88 PFS-relacionadas perfil y ya se ha informado de expresión de perfiles que se relaciona con el pronóstico o la sensibilidad de platino /quimioterapia basada en taxanos [11] - [15]., [40], [41]. Konstantinopoulos
et al
. [6] han discutido que estas discrepancias pueden estar relacionadas con el uso de diferentes plataformas de microarrays con diferentes métodos de normalización y diferente grado de contaminación por células no cancerosas en una muestra de tumor, así como las diferencias en las poblaciones de pacientes en estudio. Sin embargo, varios genes supervivencia asociada, como
E2F2
y
HLA-DMB
[42], [43] se incluyen en 88 genes relacionados con PFS. Reimer
et al
. [42] han informado de que
E2F2
se asocia con tumores de grado 3 de ovario y enfermedad residual (más de 2 cm de diámetro) después de la cirugía inicial, y que bajo
E2F2
expresión se asocia significativamente con la favorable libre de enfermedad y la supervivencia global en el cáncer de ovario epitelial. Callahan
et al
.