Rak trzustki jest jednym z najgroźniejszych nowotworów na świecie, charakteryzującym się złym rokowaniem. Dlatego potrzebny jest dokładny model predykcyjny, który pozwoli zidentyfikować pacjentów z wysokim ryzykiem raka trzustki, a tym samym dostosować leczenie i poprawić rokowanie tych pacjentów.
Uzyskaliśmy dane z analizy RNAseq dla gruczolakoraka trzustki (PAAD) z atlasu genomu nowotworowego (TCGA) z bazy danych Xena Uniwersytetu Kalifornijskiego w SC (UCSC), zidentyfikowaliśmy immunopochodne lncRNA (irlncRNA) poprzez analizę korelacyjną oraz zidentyfikowaliśmy różnice między tkankami TCGA a tkankami prawidłowego gruczolakoraka trzustki. DEirlncRNA) z TCGA oraz ekspresja genotypu (GTEx) w tkance trzustki. Przeprowadzono dalsze analizy regresji jednowymiarowej i lasso w celu skonstruowania modeli sygnatur prognostycznych. Następnie obliczyliśmy pole pod krzywą i określiliśmy optymalną wartość odcięcia dla identyfikacji pacjentów z gruczolakorakiem trzustki wysokiego i niskiego ryzyka. Celem było porównanie charakterystyki klinicznej, nacieku komórek układu odpornościowego, mikrośrodowiska immunosupresyjnego i oporności na chemioterapię u pacjentów z rakiem trzustki wysokiego i niskiego ryzyka.
Zidentyfikowaliśmy 20 par DEirlncRNA i pogrupowaliśmy pacjentów według optymalnej wartości odcięcia. Wykazaliśmy, że nasz model sygnatury prognostycznej ma znaczącą skuteczność w przewidywaniu rokowania u pacjentów z PAAD. Pole pod krzywą ROC wynosi 0,905 dla prognozy rocznej, 0,942 dla prognozy dwuletniej i 0,966 dla prognozy trzyletniej. Pacjenci wysokiego ryzyka mieli niższe wskaźniki przeżycia i gorszą charakterystykę kliniczną. Wykazaliśmy również, że pacjenci wysokiego ryzyka są w stanie immunosupresji i może u nich rozwinąć się oporność na immunoterapię. Ocena leków przeciwnowotworowych, takich jak paklitaksel, sorafenib i erlotynib, w oparciu o narzędzia predykcyjne obliczeniowe, może być odpowiednia dla pacjentów wysokiego ryzyka z PAAD.
Podsumowując, nasze badanie stworzyło nowy model ryzyka prognostycznego oparty na sparowanym irlncRNA, który wykazał obiecującą wartość prognostyczną u pacjentów z rakiem trzustki. Nasz model ryzyka prognostycznego może pomóc w różnicowaniu pacjentów z PAAD, którzy kwalifikują się do leczenia farmakologicznego.
Rak trzustki jest nowotworem złośliwym o niskim pięcioletnim wskaźniku przeżycia i wysokim stopniu złośliwości. W momencie diagnozy większość pacjentów jest już w zaawansowanym stadium. W kontekście epidemii COVID-19 lekarze i pielęgniarki są pod ogromną presją podczas leczenia pacjentów z rakiem trzustki, a rodziny pacjentów również borykają się z wieloma problemami podczas podejmowania decyzji terapeutycznych [1, 2]. Chociaż poczyniono duże postępy w leczeniu DOAD, takich jak terapia neoadjuwantowa, resekcja chirurgiczna, radioterapia, chemioterapia, ukierunkowana terapia molekularna i inhibitory punktów kontrolnych układu odpornościowego (ICI), tylko około 9% pacjentów przeżywa pięć lat od diagnozy [3]. ], 4]. Ponieważ wczesne objawy gruczolakoraka trzustki są nietypowe, u pacjentów przerzuty są zwykle diagnozowane w zaawansowanym stadium [5]. Dlatego dla danego pacjenta zindywidualizowane kompleksowe leczenie musi uwzględniać zalety i wady wszystkich opcji leczenia, nie tylko w celu wydłużenia przeżycia, ale także poprawy jakości życia [6]. W związku z tym niezbędny jest skuteczny model predykcyjny, który pozwoli na dokładną ocenę rokowania pacjenta [7]. Dzięki temu możliwe będzie dobranie odpowiedniego leczenia, które zrównoważy przeżywalność i jakość życia pacjentów z PAAD.
Złe rokowanie w PAAD wynika głównie z oporności na leki chemioterapeutyczne. W ostatnich latach inhibitory punktów kontrolnych układu odpornościowego są szeroko stosowane w leczeniu nowotworów litych [8]. Jednak stosowanie inhibitorów punktów kontrolnych układu odpornościowego (ICI) w raku trzustki rzadko jest skuteczne [9]. Dlatego ważne jest, aby zidentyfikować pacjentów, którzy mogą odnieść korzyści z terapii ICI.
Długi niekodujący RNA (lncRNA) to rodzaj niekodującego RNA o transkryptach >200 nukleotydów. LncRNA są szeroko rozpowszechnione i stanowią około 80% ludzkiego transkryptomu [10]. Wiele prac naukowych wykazało, że modele prognostyczne oparte na lncRNA mogą skutecznie przewidywać rokowanie pacjentów [11, 12]. Na przykład zidentyfikowano 18 lncRNA związanych z autofagią, które generują sygnatury prognostyczne w raku piersi [13]. Sześć innych lncRNA związanych z układem immunologicznym wykorzystano do ustalenia cech prognostycznych glejaka [14].
W raku trzustki, niektóre badania pozwoliły na ustalenie sygnatur opartych na lncRNA w celu przewidywania rokowania u pacjentów. Sygnatura 3-lncRNA została ustalona w gruczolakoraku trzustki z polem pod krzywą ROC (AUC) wynoszącym zaledwie 0,742 i całkowitym przeżyciem (OS) wynoszącym 3 lata [15]. Ponadto, wartości ekspresji lncRNA różnią się w zależności od genomu, formatu danych i pacjenta, a wydajność modelu predykcyjnego jest niestabilna. Dlatego też, wykorzystujemy nowy algorytm modelowania, parowanie i iterację, do generowania sygnatur lncRNA związanych z odpornością (irlncRNA), aby stworzyć dokładniejszy i stabilniejszy model predykcyjny [8].
Znormalizowane dane RNAseq (FPKM) oraz dane dotyczące klinicznego raka trzustki TCGA i ekspresji genotypu w tkance (GTEx) uzyskano z bazy danych UCSC XENA (https://xenabrowser.net/datapages/). Pliki GTF uzyskano z bazy danych Ensembl (http://asia.ensembl.org) i wykorzystano do wyodrębnienia profili ekspresji lncRNA z RNAseq. Pobraliśmy geny związane z odpornością z bazy danych ImmPort (http://www.immport.org) i zidentyfikowaliśmy lncRNA związane z odpornością (irlncRNA) za pomocą analizy korelacji (p < 0,001, r > 0,4). Identyfikacja różnicowo ekspresjonowanych irlncRNA (DEirlncRNA) poprzez skrzyżowanie irlncRNA i różnicowo ekspresjonowanych lncRNA uzyskanych z bazy danych GEPIA2 (http://gepia2.cancer-pku.cn/#index) w kohorcie TCGA-PAAD (|logFC| > 1 i FDR) <0,05).
Tę metodę opisano już wcześniej [8]. Dokładniej, konstruujemy X, aby zastąpić sparowane lncRNA A i lncRNA B. Gdy wartość ekspresji lncRNA A jest wyższa niż wartość ekspresji lncRNA B, X jest definiowane jako 1, w przeciwnym razie X jest definiowane jako 0. W ten sposób możemy uzyskać macierz o wartościach 0 lub –1. Oś pionowa macierzy reprezentuje każdą próbkę, a oś pozioma reprezentuje każdą parę DEirlncRNA o wartości 0 lub 1.
Do przesiewu prognostycznych par DEirlncRNA zastosowano analizę regresji jednowymiarowej, a następnie regresję Lasso. Analiza regresji Lasso wykorzystała 10-krotną walidację krzyżową powtórzoną 1000 razy (p < 0,05), z 1000 losowymi bodźcami na przebieg. Gdy częstość występowania każdej pary DEirlncRNA przekroczyła 100 razy w 1000 cyklach, pary DEirlncRNA wybrano do skonstruowania modelu ryzyka prognostycznego. Następnie wykorzystano krzywą AUC do znalezienia optymalnej wartości odcięcia dla klasyfikacji pacjentów z PAAD do grupy wysokiego i niskiego ryzyka. Wartość AUC każdego modelu również została obliczona i przedstawiona w postaci krzywej. Jeśli krzywa osiągnie najwyższy punkt oznaczający maksymalną wartość AUC, proces obliczeń zostaje zatrzymany, a model zostaje uznany za najlepszego kandydata. Skonstruowano 1-, 3- i 5-letnie modele krzywych ROC. Do zbadania niezależnej skuteczności predykcyjnej modelu ryzyka prognostycznego zastosowano analizę regresji jednowymiarowej i wielowymiarowej.
Użyj siedmiu narzędzi do badania wskaźników infiltracji komórek odpornościowych, w tym XCELL, TIMER, QUANTISEQ, MCPCOUNTER, EPIC, CIBERSORT-ABS i CIBERSORT. Dane dotyczące infiltracji komórek odpornościowych pobrano z bazy danych TIMER2 (http://timer.comp-genomics.org/#tab-5817-3). Różnicę w zawartości komórek immunoinfiltrujących między grupami wysokiego i niskiego ryzyka skonstruowanego modelu analizowano za pomocą testu Wilcoxona dla znaków, wyniki przedstawiono na wykresie kwadratowym. Przeprowadzono analizę korelacji Spearmana w celu przeanalizowania zależności między wartościami punktacji ryzyka a komórkami immunoinfiltrującymi. Uzyskany współczynnik korelacji przedstawiono jako lizak. Próg istotności ustalono na p < 0,05. Procedurę przeprowadzono za pomocą pakietu R ggplot2. Aby zbadać związek między modelem a poziomami ekspresji genów związanymi ze wskaźnikiem infiltracji komórek układu odpornościowego, zastosowaliśmy pakiet ggstatsplot i wizualizację wykresu skrzypcowego.
Aby ocenić kliniczne wzorce leczenia raka trzustki, obliczyliśmy IC50 powszechnie stosowanych leków chemioterapeutycznych w kohorcie TCGA-PAAD. Różnice w stężeniach półinhibitorowych (IC50) między grupami wysokiego i niskiego ryzyka porównano za pomocą testu Wilcoxona dla znaków, a wyniki przedstawiono jako wykresy pudełkowe wygenerowane za pomocą programów pRRophetic i ggplot2 w R. Wszystkie metody są zgodne z odpowiednimi wytycznymi i normami.
Przebieg naszego badania przedstawiono na rysunku 1. Wykorzystując analizę korelacji między lncRNA a genami związanymi z odpornością, wyselekcjonowaliśmy 724 irlncRNA z p < 0,01 i r > 0,4. Następnie przeanalizowaliśmy różnicowo ekspresjonowane lncRNA genu GEPIA2 (rysunek 2A). Łącznie 223 irlncRNA wykazywały różnicowo ekspresję między gruczolakorakiem trzustki a prawidłową tkanką trzustki (|logFC| > 1, FDR < 0,05), nazwane DEirlncRNA.
Konstrukcja modeli ryzyka predykcyjnego. (A) Wykres wulkaniczny różnicowo ekspresjonowanych lncRNA. (B) Rozkład współczynników lasso dla 20 par DEirlncRNA. (C) Częściowa wariancja prawdopodobieństwa rozkładu współczynników LASSO. (D) Wykres leśny przedstawiający jednowymiarową analizę regresji 20 par DEirlncRNA.
Następnie skonstruowaliśmy macierz 0 lub 1, parując 223 DEirlncRNA. Zidentyfikowano łącznie 13 687 par DEirlncRNA. Po analizie regresji jednowymiarowej i lasso, ostatecznie przetestowano 20 par DEirlncRNA w celu skonstruowania modelu ryzyka prognostycznego (rycina 2B-D). Na podstawie wyników analizy Lasso i regresji wielokrotnej obliczyliśmy punktację ryzyka dla każdego pacjenta w kohorcie TCGA-PAAD (Tabela 1). Na podstawie wyników analizy regresji lasso obliczyliśmy punktację ryzyka dla każdego pacjenta w kohorcie TCGA-PAAD. AUC krzywej ROC wynosiło 0,905 dla prognozy rocznej modelu ryzyka, 0,942 dla prognozy 2-letniej i 0,966 dla prognozy 3-letniej (rycina 3A-B). Ustaliliśmy optymalną wartość odcięcia 3,105, podzieliliśmy pacjentów z kohorty TCGA-PAAD na grupy wysokiego i niskiego ryzyka oraz przedstawiliśmy wyniki dotyczące przeżycia i rozkłady punktacji ryzyka dla każdego pacjenta (rycina 3C-E). Analiza Kaplana-Meiera wykazała, że przeżycie pacjentów z PAAD w grupie wysokiego ryzyka było istotnie niższe niż pacjentów w grupie niskiego ryzyka (p < 0,001) (rycina 3F).
Trafność modeli ryzyka prognostycznego. (A) ROC modelu ryzyka prognostycznego. (B) 1-, 2- i 3-letnie modele ryzyka prognostycznego ROC. (C) ROC modelu ryzyka prognostycznego. Przedstawia optymalny punkt odcięcia. (DE) Rozkład statusu przeżycia (D) i wyników ryzyka (E). (F) Analiza Kaplana-Meiera pacjentów z PAAD w grupach wysokiego i niskiego ryzyka.
Następnie dokonaliśmy oceny różnic w punktacji ryzyka ze względu na cechy kliniczne. Wykres paskowy (Rycina 4A) przedstawia ogólny związek między cechami klinicznymi a punktacją ryzyka. W szczególności starsi pacjenci mieli wyższe punktacje ryzyka (Rycina 4B). Ponadto pacjenci w stadium II mieli wyższe punktacje ryzyka niż pacjenci w stadium I (Rycina 4C). Jeśli chodzi o stopień zaawansowania nowotworu u pacjentów z PAAD, pacjenci w stadium 3 mieli wyższe punktacje ryzyka niż pacjenci w stadium 1 i 2 (Rycina 4D). Przeprowadziliśmy ponadto jedno- i wieloczynnikową analizę regresji i wykazaliśmy, że punktacja ryzyka (p < 0,001) i wiek (p = 0,045) były niezależnymi czynnikami prognostycznymi u pacjentów z PAAD (Rycina 5A-B). Krzywa ROC wykazała, że punktacja ryzyka była lepsza od innych cech klinicznych w przewidywaniu 1-, 2- i 3-letniego przeżycia pacjentów z PAAD (Rycina 5C-E).
Charakterystyka kliniczna modeli ryzyka prognostycznego. Histogram (A) przedstawia (B) wiek, (C) stadium nowotworu, (D) stopień zaawansowania nowotworu, wynik ryzyka i płeć pacjentów w kohorcie TCGA-PAAD. **p < 0,01
Niezależna analiza predykcyjna modeli ryzyka prognostycznego. (AB) Analiza regresji jednowymiarowej (A) i wielowymiarowej (B) modeli ryzyka prognostycznego i cech klinicznych. (CE) 1-, 2- i 3-letni ROC dla modeli ryzyka prognostycznego i cech klinicznych
Dlatego też zbadaliśmy związek między czasem a wynikami ryzyka. Stwierdziliśmy, że wynik ryzyka u pacjentów z PAAD był odwrotnie skorelowany z limfocytami T CD8+ i komórkami NK (Rysunek 6A), co wskazuje na zahamowanie funkcji odpornościowej w grupie wysokiego ryzyka. Oceniliśmy również różnicę w naciekaniu komórek odpornościowych między grupami wysokiego i niskiego ryzyka i otrzymaliśmy takie same wyniki (Rysunek 7). W grupie wysokiego ryzyka stwierdzono mniejszą infiltrację limfocytów T CD8+ i komórek NK. W ostatnich latach inhibitory punktów kontrolnych odpowiedzi immunologicznej (ICI) były szeroko stosowane w leczeniu guzów litych. Jednak stosowanie ICI w raku trzustki rzadko było skuteczne. Dlatego też oceniliśmy ekspresję genów punktów kontrolnych odpowiedzi immunologicznej w grupach wysokiego i niskiego ryzyka. Stwierdziliśmy, że CTLA-4 i CD161 (KLRB1) były nadmiernie ekspresjonowane w grupie niskiego ryzyka (Rysunek 6B-G), co wskazuje, że pacjenci z PAAD w grupie niskiego ryzyka mogą być wrażliwi na ICI.
Analiza korelacji modelu ryzyka prognostycznego i nacieku komórek układu odpornościowego. (A) Korelacja między modelem ryzyka prognostycznego a naciekiem komórek układu odpornościowego. (BG) Wskazuje na ekspresję genów w grupach wysokiego i niskiego ryzyka. (HK) Wartości IC50 dla poszczególnych leków przeciwnowotworowych w grupach wysokiego i niskiego ryzyka. *p < 0,05, **p < 0,01, ns = nieistotne statystycznie
Dokonaliśmy dalszej oceny związku między wynikami ryzyka a powszechnie stosowanymi lekami chemioterapeutycznymi w kohorcie TCGA-PAAD. Przeszukaliśmy powszechnie stosowane leki przeciwnowotworowe w raku trzustki i przeanalizowaliśmy różnice w ich wartościach IC50 między grupami wysokiego i niskiego ryzyka. Wyniki pokazały, że wartość IC50 AZD.2281 (olaparib) była wyższa w grupie wysokiego ryzyka, co wskazuje, że pacjenci z PAAD w grupie wysokiego ryzyka mogą być oporni na leczenie AZD.2281 (rycina 6H). Ponadto wartości IC50 paklitakselu, sorafenibu i erlotynibu były niższe w grupie wysokiego ryzyka (rycina 6I-K). Zidentyfikowaliśmy ponadto 34 leki przeciwnowotworowe o wyższych wartościach IC50 w grupie wysokiego ryzyka i 34 leki przeciwnowotworowe o niższych wartościach IC50 w grupie wysokiego ryzyka (tabela 2).
Nie można zaprzeczyć, że lncRNA, mRNA i miRNA powszechnie występują i odgrywają kluczową rolę w rozwoju raka. Istnieje wiele dowodów potwierdzających ważną rolę mRNA lub miRNA w przewidywaniu całkowitego przeżycia w kilku rodzajach nowotworów. Niewątpliwie wiele modeli ryzyka prognostycznego również opiera się na lncRNA. Na przykład, Luo i in. Badania wykazały, że LINC01094 odgrywa kluczową rolę w proliferacji i przerzutach PC, a wysoka ekspresja LINC01094 wskazuje na słabe przeżycie pacjentów z rakiem trzustki [16]. Badanie przedstawione przez Lin i in. Badania wykazały, że obniżenie ekspresji lncRNA FLVCR1-AS1 jest związane ze złym rokowaniem u pacjentów z rakiem trzustki [17]. Jednak lncRNA związane z odpornością są stosunkowo mniej omawiane w kontekście przewidywania całkowitego przeżycia pacjentów z rakiem. Ostatnio wiele prac skupiono na budowaniu modeli ryzyka prognostycznego w celu przewidywania przeżycia pacjentów z rakiem, a tym samym dostosowywania metod leczenia [18, 19, 20]. Coraz powszechniejsza jest świadomość ważnej roli nacieków immunologicznych w inicjacji, progresji i odpowiedzi na leczenie raka, takie jak chemioterapia. Liczne badania potwierdziły, że komórki odpornościowe naciekające guz odgrywają kluczową rolę w odpowiedzi na chemioterapię cytotoksyczną [21, 22, 23]. Mikrośrodowisko immunologiczne guza jest ważnym czynnikiem wpływającym na przeżycie pacjentów z nowotworem [24, 25]. Immunoterapia, zwłaszcza terapia ICI, jest szeroko stosowana w leczeniu guzów litych [26]. Geny związane z odpornością są szeroko wykorzystywane do konstruowania modeli ryzyka prognostycznego. Na przykład Su i in. Model ryzyka prognostycznego związanego z odpornością opiera się na genach kodujących białka w celu przewidywania rokowania u pacjentek z rakiem jajnika [27]. Geny niekodujące, takie jak lncRNA, również nadają się do konstruowania modeli ryzyka prognostycznego [28, 29, 30]. Luo i in. przetestowali cztery lncRNA związane z odpornością i zbudowali model predykcyjny ryzyka raka szyjki macicy [31]. Khan i in. Zidentyfikowano łącznie 32 różnicowo ekspresjonowane transkrypty i na tej podstawie opracowano model predykcyjny z 5 istotnymi transkryptami, który zaproponowano jako wysoce zalecane narzędzie do przewidywania ostrego odrzucenia potwierdzonego biopsją po przeszczepie nerki [32].
Większość tych modeli opiera się na poziomach ekspresji genów, zarówno kodujących białka, jak i niekodujących. Jednak ten sam gen może mieć różne wartości ekspresji w różnych genomach, formatach danych i u różnych pacjentów, co prowadzi do niestabilnych szacunków w modelach predykcyjnych. W niniejszym badaniu zbudowaliśmy rozsądny model z dwiema parami lncRNA, niezależny od dokładnych wartości ekspresji.
W tym badaniu po raz pierwszy zidentyfikowaliśmy irlncRNA poprzez analizę korelacji z genami związanymi z odpornością. Przeszukaliśmy 223 DEirlncRNA poprzez hybrydyzację z różnicowo ekspresjonowanymi lncRNA. Następnie skonstruowaliśmy macierz 0-lub-1 w oparciu o opublikowaną metodę parowania DEirlncRNA [31]. Następnie przeprowadziliśmy analizy regresji jednowymiarowej i lasso w celu zidentyfikowania prognostycznych par DEirlncRNA i skonstruowania predykcyjnego modelu ryzyka. Następnie przeanalizowaliśmy związek między punktacją ryzyka a cechami klinicznymi u pacjentów z PAAD. Stwierdziliśmy, że nasz prognostyczny model ryzyka, jako niezależny czynnik prognostyczny u pacjentów z PAAD, może skutecznie różnicować pacjentów o wysokim stopniu zaawansowania od pacjentów o niskim stopniu zaawansowania oraz pacjentów o wysokim stopniu zaawansowania od pacjentów o niskim stopniu zaawansowania. Ponadto wartości AUC krzywej ROC prognostycznego modelu ryzyka wynosiły 0,905 dla prognozy rocznej, 0,942 dla prognozy 2-letniej i 0,966 dla prognozy 3-letniej.
Badacze donieśli, że pacjenci z wyższą infiltracją komórek T CD8+ byli bardziej wrażliwi na leczenie ICI [33]. Wzrost zawartości komórek cytotoksycznych, komórek NK CD56, komórek NK i komórek T CD8+ w mikrośrodowisku immunologicznym guza może być jednym z powodów efektu supresyjnego guza [34]. Poprzednie badania wykazały, że wyższe poziomy naciekających guz komórek T CD4(+) i T CD8(+) były istotnie związane z dłuższym przeżyciem [35]. Słaba infiltracja komórek T CD8, niskie obciążenie neoantygenem i wysoce immunosupresyjne mikrośrodowisko guza prowadzą do braku odpowiedzi na terapię ICI [36]. Stwierdziliśmy, że wynik ryzyka był negatywnie skorelowany z komórkami T CD8+ i komórkami NK, co wskazuje, że pacjenci z wysokimi wynikami ryzyka mogą nie kwalifikować się do leczenia ICI i mieć gorsze rokowanie.
CD161 jest markerem komórek NK (natural killer). Komórki T CD8+CD161+ z transdukcją CAR pośredniczą w zwiększonej skuteczności przeciwnowotworowej in vivo w modelach ksenoprzeszczepu gruczolakoraka przewodowego trzustki HER2+ [37]. Inhibitory punktów kontrolnych układu odpornościowego działają na szlaki białka CTLA-4 (cytotoksyczne limfocyty T związane z białkiem 4) oraz białka PD-1/ligandu PD-L1 (programmed cell death protein 1) i mają duży potencjał w wielu obszarach. Ekspresja CTLA-4 i CD161 (KLRB1) jest niższa w grupach wysokiego ryzyka, co dodatkowo wskazuje, że pacjenci z wysokim ryzykiem mogą nie kwalifikować się do leczenia ICI. [38]
Aby znaleźć opcje leczenia odpowiednie dla pacjentów wysokiego ryzyka, przeanalizowaliśmy różne leki przeciwnowotworowe i odkryliśmy, że paklitaksel, sorafenib i erlotynib, które są szeroko stosowane u pacjentów z PAAD, mogą być odpowiednie dla pacjentów wysokiego ryzyka z PAAD. [33]. Zhang i wsp. odkryli, że mutacje w dowolnym szlaku odpowiedzi na uszkodzenia DNA (DDR) mogą prowadzić do złego rokowania u pacjentów z rakiem prostaty [39]. Badanie Pancreatic Cancer Olaparib Ongoing (POLO) wykazało, że leczenie podtrzymujące olaparibem wydłużyło przeżycie wolne od progresji w porównaniu z placebo po chemioterapii pierwszej linii opartej na platynie u pacjentów z gruczolakorakiem przewodowym trzustki i mutacjami linii zarodkowej BRCA1/2 [40]. Daje to znaczący optymizm, że wyniki leczenia znacznie się poprawią w tej podgrupie pacjentów. W badaniu tym wartość IC50 leku AZD.2281 (olaparib) była wyższa w grupie wysokiego ryzyka, co wskazuje, że pacjenci z PAAD w tej grupie mogą być oporni na leczenie AZD.2281.
Modele prognostyczne w tym badaniu dają dobre wyniki prognostyczne, ale opierają się na prognozach analitycznych. Ważnym pytaniem jest, jak potwierdzić te wyniki danymi klinicznymi. Endoskopowa cienkoigłowa ultrasonografia aspiracyjna (EUS-FNA) stała się niezbędną metodą diagnozowania litych i pozatrzustkowych zmian trzustkowych o czułości 85% i swoistości 98% [41]. Pojawienie się igieł do biopsji cienkoigłowej EUS (EUS-FNB) opiera się głównie na postrzeganych zaletach w porównaniu z FNA, takich jak wyższa dokładność diagnostyczna, uzyskiwanie próbek zachowujących strukturę histologiczną, a tym samym generowanie tkanki odpornościowej, która jest krytyczna dla niektórych diagnoz. specjalne barwienie [42]. Systematyczny przegląd literatury potwierdził, że igły FNB (zwłaszcza 22G) wykazują najwyższą skuteczność w pozyskiwaniu tkanki z mas trzustkowych [43]. Klinicznie tylko niewielka liczba pacjentów kwalifikuje się do radykalnej operacji, a większość pacjentów ma nieoperacyjne guzy w momencie wstępnej diagnozy. W praktyce klinicznej jedynie niewielki odsetek pacjentów kwalifikuje się do radykalnej operacji, ponieważ większość z nich ma guzy nieoperacyjne w momencie wstępnej diagnozy. Po potwierdzeniu histopatologicznym za pomocą EUS-FNB i innych metod, zazwyczaj wybiera się standardowe leczenie niechirurgiczne, takie jak chemioterapia. Nasz kolejny program badawczy ma na celu przetestowanie modelu prognostycznego tego badania w kohortach chirurgicznych i niechirurgicznych poprzez analizę retrospektywną.
Podsumowując, nasze badanie stworzyło nowy model ryzyka prognostycznego oparty na sparowanym irlncRNA, który wykazał obiecującą wartość prognostyczną u pacjentów z rakiem trzustki. Nasz model ryzyka prognostycznego może pomóc w różnicowaniu pacjentów z PAAD, którzy kwalifikują się do leczenia farmakologicznego.
Zestawy danych wykorzystane i przeanalizowane w niniejszym badaniu są dostępne u autora korespondencyjnego na uzasadnioną prośbę.
Sui Wen, Gong X, Zhuang Y. Mediacyjna rola poczucia własnej skuteczności w regulacji emocji negatywnych podczas pandemii COVID-19: badanie przekrojowe. Int J Ment Health Nurs [artykuł w czasopiśmie]. 2021 01.06.2021;30(3):759–71.
Sui Wen, Gong X, Qiao X, Zhang L, Cheng J, Dong J i in. Poglądy członków rodzin na alternatywne podejmowanie decyzji na oddziałach intensywnej terapii: przegląd systematyczny. INT J NURS STUD [artykuł w czasopiśmie; recenzja]. 2023 01.01.2023;137:104391.
Vincent A, Herman J, Schulich R, Hruban RH, Goggins M. Rak trzustki. Lancet. [Artykuł w czasopiśmie; wsparcie badań, NIH, pozauczelniane; wsparcie badań, rząd spoza USA; recenzja]. 2011 13.08.2011;378(9791):607–20.
Ilic M, Ilic I. Epidemiologia raka trzustki. World Journal of Gastroenterology. [Artykuł w czasopiśmie, recenzja]. 2016 28.11.2016;22(44):9694–705.
Liu X, Chen B, Chen J, Sun S. Nowy nomogram związany z tp53 do przewidywania całkowitego przeżycia u pacjentów z rakiem trzustki. BMC Cancer [artykuł w czasopiśmie]. 2021 31-03-2021;21(1):335.
Xian X, Zhu X, Chen Y, Huang B, Xiang W. Wpływ terapii skoncentrowanej na roztworach na zmęczenie związane z rakiem u pacjentów z rakiem jelita grubego otrzymujących chemioterapię: randomizowane badanie kontrolowane. Pielęgniarka onkologiczna. [Artykuł w czasopiśmie; randomizowane badanie kontrolowane; badanie jest finansowane przez rząd spoza Stanów Zjednoczonych]. 2022 05.01.2022;45(3):E663–73.
Zhang Cheng, Zheng Wen, Lu Y, Shan L, Xu Dong, Pan Y i wsp. Pooperacyjne poziomy antygenu karcinoembrionalnego (CEA) prognozują rokowanie po resekcji raka jelita grubego u pacjentów z prawidłowymi przedoperacyjnymi poziomami CEA. Centrum Badań Translacyjnych nad Rakiem. [Artykuł w czasopiśmie]. 2020 01.01.2020;9(1):111–8.
Hong Wen, Liang Li, Gu Yu, Qi Zi, Qiu Hua, Yang X i in. LncRNA związane z odpornością generują nowe sygnatury i przewidują obraz immunologiczny ludzkiego raka wątrobowokomórkowego. Mol Ther Kwasy nukleinowe [Artykuł w czasopiśmie]. 2020 2020-12-04;22:937 – 47.
Toffey RJ, Zhu Y., Schulich RD Immunoterapia raka trzustki: bariery i przełomy. Ann Gastrointestinal Surgeon [Artykuł w czasopiśmie; recenzja]. 2018 07.01.2018;2(4):274–81.
Hull R, Mbita Z, Dlamini Z. Długie niekodujące RNA (LncRNA), genomika nowotworów wirusowych i aberracyjne zdarzenia splicingowe: implikacje terapeutyczne. AM J CANCER RES [artykuł w czasopiśmie; przegląd]. 2021 20.01.2021;11(3):866–83.
Wang J, Chen P, Zhang Y, Ding J, Yang Y, Li H. 11 – Identyfikacja sygnatur lncRNA związanych z rokowaniem raka endometrium. Osiągnięcia nauki [artykuł w czasopiśmie]. 2021 2021-01-01;104(1):311977089.
Jiang S, Ren H, Liu S, Lu Z, Xu A, Qin S i in. Kompleksowa analiza genów prognostycznych białek wiążących RNA i kandydatów na leki w raku brodawkowatym nerki. pregen. [Artykuł w czasopiśmie]. 2021 20.01.2021;12:627508.
Li X, Chen J, Yu Q, Huang X, Liu Z, Wang X i in. Charakterystyka długiego niekodującego RNA związanego z autofagią pozwala przewidzieć rokowanie w raku piersi. pregen. [Artykuł w czasopiśmie]. 2021 20.01.2021;12:569318.
Zhou M, Zhang Z, Zhao X, Bao S, Cheng L, Sun J. Sygnatura sześciu lncRNA związana z układem odpornościowym poprawia rokowanie w glejaku wielopostaciowym. MOL Neurobiology. [Artykuł w czasopiśmie]. 2018 01.05.2018;55(5):3684–97.
Wu B, Wang Q, Fei J, Bao Y, Wang X, Song Z i in. Nowa sygnatura tri-lncRNA przewiduje przeżycie pacjentów z rakiem trzustki. PRZEDSTAWICIELE ONKOL. [Artykuł w czasopiśmie]. 2018 12.01.2018;40(6):3427–37.
Luo C, Lin K, Hu C, Zhu X, Zhu J, Zhu Z. LINC01094 wspomaga progresję raka trzustki poprzez regulację ekspresji LIN28B i szlaku PI3K/AKT poprzez gąbczasty miR-577. Mol Therapeutics – Kwasy nukleinowe. 2021;26:523–35.
Lin J, Zhai X, Zou S, Xu Z, Zhang J, Jiang L i in. Dodatnie sprzężenie zwrotne między lncRNA FLVCR1-AS1 a KLF10 może hamować postęp raka trzustki poprzez szlak PTEN/AKT. J EXP Clin Cancer Res. 2021;40(1).
Zhou X, Liu X, Zeng X, Wu D, Liu L. Identyfikacja trzynastu genów prognozujących całkowite przeżycie w raku wątrobowokomórkowym. Biosci Rep [artykuł w czasopiśmie]. 2021 04.09.2021.
Czas publikacji: 22.09.2023